مرور روشهای برآورد نیروی عکسالعمل زمین از دادههای کینماتیک در دویدن، آیا روش یادگیری ماشین میتواند محدودیتها را رفع نماید؟
نویسندگان
1 دانشیار گروه بیومکانیک ورزشی، دانشکده علوم ورزشی، دانشگاه مازندران
2 دانشیار گروه آموزشی ریاضی، دانشکده ریاضی، دانشگاه مازندران
3 دانشجوی دکتری بیومکانیک ورزشی، دانشکده علوم ورزشی، دانشگاه مازندران
doi
10.22089/smj.2023.15525.1714چکیده
تاکنون مطالعه سیستماتیکی به منظور دستهبندی روشهای برآورد غیرمستقیم نیروی عکسالعمل زمین با استفاده از دیتای کینماتیک حین تکلیف دویدن و بویژه اطلاعرسانی دربارهی مطالعات انجام شده در این زمینه با استفاده از روش جدید هوش مصنوعی انجام نشده است. بنابراین مطالعهی مروری حاضر، مطالعات انجام شده در زمینهی برآورد نیروی عکسالعمل زمین با استفاده از دیتای کینماتیک حین دویدن از سال2010 تا 2023 جمعآوری و بررسی کرده است. این مقالات از طریق جستجو در وبسایتهای Scopus، IEEE Xplore، Medline، ScienceDirect و PubMed با کلید واژههای Ground Reaction Force، Kinematics، Kinetics، Camera، Video Analysis، Accelerometer، IMU، in field، Running و ترکیبی از آنها، پیدا شدند. 213 مقاله در منابع مختلف یافت شد که پس از تطبیق با معیارهای ورود به تحقیق، در نهایت 17 مطالعه بررسی گردید. مرور مقالات نشان داد به علت چالشهایی که پژوهشگران هنگام به کار بردن ابزارهای اندازهگیری مستقیم نیرو با آن مواجه هستند، برآورد غیرمستقیم نیرو از دادههای کینماتیکی مورد توجه قرار گرفته است. از میان روشهای برآورد غیرمستقیم، مدل بیومکانیکی و آماری عدم دقت و عدم اطمینان را به همراه دارند. روشهای یادگیری ماشین به عنوان یک ابزار انعطافپذیر برای مدلسازی غیرخطی و بسیار کارآمد، نیازی به دانش قبلی مدل ندارند و مدل خود را براساس الگوریتمهای شبکه عصبی مصنوعی که یک رابطه قوی بین متغیرهای ورودی و هدف مییابد، ایجاد میکنند. به همین دلیل امروزه استفاده از روشهای یادگیری ماشین به عنوان یک رویکرد مدرن که مدلسازی و استراتژیهای جمعآوری دادهها را ساده میکند برای برآورد نیرو در کانون توجه است.