این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
طب توانبخشی، جلد ۱۴، شماره ۵، صفحات ۶۹۸-۷۰۹
عنوان فارسی خوشه‌بندی الگوی سینماتیکی دوندگان: مطالعه مقایسه‌ای الگوریتم‌های سلسله‌مراتبی، K-Means و خوشه‌بندی زمانی عمیق
چکیده فارسی مقاله مقدمه و اهداف در پژوهش‌های بیومکانیکی، عملکرد الگوریتم‌های خوشه‌بندی یادگیری عمیق معمولاً برای شناسایی الگوهای حرکتی همگن در دوندگان هنوز ناشناخته است. هدف این مطالعه مقایسه عملکرد الگوریتم‌های خوشه‌بندی سلسله‌مراتبی و K-means مبتنی بر PCA با الگوریتم خوشه‌بندی زمانی عمیق مبتنی بر نگاشت سرتاسری داده‌ها در شناسایی گروه‌های دوندگان با الگوی حرکتی مشابه، بر‌اساس داده‌های سینماتیک مفصل مچ پا بود.
مواد و روش‌ها زوایای سه‌بعدی مفصل مچ پا از 108 دونده سالم تفریحی (سن:2/42±‌22/45 سال، قد: 0/11±‌1/69متر، توده بدن: 9/54±‌64/64کیلوگرم، جنسیت: 55 مرد، 53 زن) حین دویدن با پای برهنه با سرعت 0/3±‌3 متر بر ثانیه، به دست آمد. الگوریتم‌های خوشه‌بندی عمیق زمانی، سلسله‌مراتبی و K-means با استفاده از زوایای مفصل مچ پا حین دویدن آموزش داده شدند. پس از خوشه‌بندی، عملکرد و دقت خروجی هر الگوریتم در شناسایی خوشه‌های با الگوی حرکتی همگن با محاسبه شاخص‌های ارزیابی خوشه‌بندی (ضریب سیلوئت، شاخص دیویس ـ بولدین و شاخص کالینسکی ـ هاراباز)، مورد ارزیابی قرار گرفتند. 
یافته‌ها در تفکیک خوشه‌ها، الگوریتم خوشه‌بندی عمیق زمانی با امتیاز سیلوئت 0/74و شاخص دیویس ـ بولدین برابر با 0/35، نشان داد در مقایسه با 2 الگوریتم دیگر از عملکرد و دقت خروجی بهتری برخوردار است. این الگوریتم 3 خوشه مجزا را با نرخ ناسازگاری 6 درصد شناسایی کرد. خوشه‌بندی سلسله‌مراتبی دارای امتیاز سیلوئت 0/68 و 0/52 در شاخص دیویس ـ بولدین با زمان اجرای 10 ثانیه و نرخ ناسازگاری 15 درصد بود. K-means دارای امتیاز سیلوئت 0/63 و 0/78 در شاخص دیویس ـ بولدین بود که در 3 ثانیه با نرخ ناسازگاری 18 درصد اجرا شد. 
نتیجه‌گیری یافته‌های این مطالعه نشان می‌دهد الگوریتم خوشه‌بندی زمانی عمیق در مقایسه با روش‌های سنتی، مانند خوشه‌بندی سلسله‌مراتبی و K-means، عملکرد بهتری در شناسایی الگوی حرکتی همگن مفصل مچ پایدوندگان دارد. دقت بالاتر و نرخ ناسازگاری پایین‌تر این الگوریتم، آن را به گزینه‌ای مناسب برای تحلیل داده‌های سینماتیک در پژوهش‌های بیومکانیکی تبدیل می‌کند. این نتایج می‌تواند درک و تحلیل الگوهای حرکتی را بهبود بخشد و به تدوین استراتژی‌های کارآمد جهت تجویز مداخلات هدفمند کمک کند.
کلیدواژه‌های فارسی مقاله دویدن، زوایای مفصل مچ پا، الگوریتم خوشه‌بندی عمیق زمانی، الگوریتم خوشه‌بندی سلسله‌مراتبی، خوشه‌بندی k-means،
عنوان انگلیسی Clustering Kinematic Patterns of Runners: A Comparative Study of Hierarchical, K-Means, and Deep Temporal Clustering Algorithms
چکیده انگلیسی مقاله Background and Aims Current biomechanical studies lack a comprehensive investigation of deep learning clustering algorithms for identifying homogeneous movement patterns in runners. This study aims to compare the performance of principal component analysis (PCA)-based hierarchical clustering and K-means algorithms with an end-to-end deep temporal clustering (DTC) approach in analyzing ankle joint kinematics of runners with homogeneous movement patterns.
Methods Three-dimensional ankle joint angles were obtained from 108 recreational runners (55 males and 53 females; age: 22.45±2.42 years, height: 1.69±0.11 m, body mass: 64.64±9.54 kg) during barefoot running at a speed of 3.0±3 meters per second. DTC, hierarchical, and K-means algorithms were trained using ankle joint angles during running. After clustering, the performance and accuracy of each algorithm in identifying clusters with homogeneous movement patterns were evaluated by calculating the Silhouette score, the Calinski-Harabasz index (CHI), and the Davies-Bouldin index (DBI).
Results In cluster separation, the DTC algorithm demonstrated superior performance and accuracy compared to the other two algorithms (silhouette score=0.74, DBI=0.35). This algorithm identified three distinct clusters with a clustering inconsistency rate of 6%. The hierarchical clustering method achieved a silhouette score of 0.68 and a DBI value of 0.52 in 10 seconds with a 15% inconsistency rate. The K-means method showed a silhouette score of 0.63 and a DBI of 0.78 in 3 seconds with an 18% inconsistency rate.
Conclusion The DTC algorithm outperforms hierarchical clustering and K-means clustering in identifying homogeneous movement patterns among runners. Its higher accuracy and lower learning error make it a suitable choice for analyzing kinematic data in biomechanical research. The findings can enhance the understanding and analysis of movement patterns and contribute to the development of effective strategies for prescribing targeted interventions.
کلیدواژه‌های انگلیسی مقاله دویدن, زوایای مفصل مچ پا, الگوریتم خوشه‌بندی عمیق زمانی, الگوریتم خوشه‌بندی سلسله‌مراتبی, خوشه‌بندی k-means
نویسندگان مقاله زانیار محمدی |
گروه بیومکانیک ورزشی، دانشکده علوم ورزشی، دانشگاه مازندران، بابلسر، ایران.

منصور اسلامی |
گروه بیومکانیک ورزشی، دانشکده علوم ورزشی، دانشگاه مازندران، بابلسر، ایران.

روح الله یوسف پور |
گروه علوم کامپیوتر، دانشکده ریاضی، دانشگاه مازندران، بابلسر، ایران.

نشانی اینترنتی https://medrehab.sbmu.ac.ir/article_1101824_b2be7ab9f54ac86895fe2f4aa03a108c.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات