Publication: Basketbol serbest atış performansında elektrofi̇zyoloji̇k ölçümleme tabanlı yapay zeka modeli̇
Abstract
Basketbol serbest atış performansında elektrofi̇zyoloji̇k ölçümleme tabanlı yapay zeka modeli̇ Amaç: Bu çalışma, basketbolda serbest atış performansı sırasında ortaya çıkan beyin elektriksel aktivite örüntülerini analiz ederek, atışın başarılı mı yoksa başarısız mı olacağını tahmin edebilecek bir yapay zekâ modeli geliştirmeyi amaçlamaktadır. EEG sinyalleri ile dikkat ve motor hazırlık süreçleri arasındaki ilişki değerlendirilmiş; bu verilerden elde edilen özelliklerin sınıflandırma algoritmaları ile yorumlanabilirliği incelenmiştir. Ayrıca çalışma, serbest atış gibi durağan ancak psikolojik olarak yüksek baskı içeren spor anlarında kortikal aktivite örüntülerinin performans üzerindeki etkisini daha bütüncül bir yaklaşımla ortaya koymayı hedeflemektedir. Gereç ve Yöntem: Araştırmaya, 20–34 yaş aralığında ve en az 8 yıllık basketbol deneyimine sahip sekiz elit sporcu katılmıştır. Katılımcılar, ısınma sonrası serbest atışlar yaparken, 16 kanallı EEG cihazı ile kayıt alınmıştır. Veriler, atış öncesi ve sonrası dönemlere göre epoklanmış; delta, theta, alfa ve beta bantlarında güç spektrumu hesaplanmıştır. Özellikler, ilgili beyin bölgelerine göre sınıflandırılmış ve istatistiksel analizlerde eşleştirilmiş t-testi ile FDR düzeltmesi uygulanmıştır. Makine öğrenmesi algoritmaları (SVM, KNN, NN vb.) ile 5 katlı çapraz doğrulama kullanılarak sınıflandırma yapılmıştır. Bulgular: EEG bant gücü analizleri, özellikle santral ve paryeto-oksipital bölgelerde pre-post farkların anlamlı olduğunu göstermiştir (p<0,05). Başarılı atış öncesinde theta ve delta gücü artarken, alfa ve beta azalmıştır. En yüksek sınıflandırma doğruluğu %74,9 ile İnce Gaussian SVM modelinde elde edilmiştir. Sadece atış öncesi EEG verileri kullanıldığında doğruluk %55’in altında kalmıştır. Sonuç: EEG tabanlı veriler, motor hazırlık ve dikkat süreçlerini değerlendirmede önemli biyobelirteçler sunmaktadır. Bu çalışma, EEG sinyallerinin yapay zekâ uygulamalarıyla spor performans analizinde kullanılabileceğini göstermekte; ancak atış başarısının öngörülmesinde daha gelişmiş yöntemlere ihtiyaç olduğunu da ortaya koymaktadır.
Electrophysiological data-driven artificial intelligence modeling for basketball free throw performance Objective: This study explores the neural basis of basketball free throw performance by analyzing EEG data recorded during shot execution, aiming to identify brainwave patterns linked to successful and unsuccessful attempts. It further contributes to europerformance research by developing machine learning models that integrate cognitive and motor markers to classify shot outcomes. Additionally, this study aims to provide a more comprehensive understanding of how cortical activity patterns influence athletic performance during static yet psychologically high-pressure moments, such as basketball free throws. Materials and Methods: Eight experienced male athletes (ages 20–34) participated voluntarily. EEG was recorded using a 16-channel BrainProducts V-Amp system during selfpaced free throws. Signals were segmented into pre- and post-shot phases, and spectral power was calculated for delta, theta, alpha, and beta bands. Features were statistically tested (paired t-test, FDR correction) and used to train machine learning models (SVM, KNN, neural networks) with 5-fold cross-validation. Results: Significant EEG spectral changes were observed in sensorimotor regions, particularly mu rhythm desynchronization before successful shots. The highest classification accuracy (74.9%) in distinguishing pre- vs. post-shot phases was achieved with Fine Gaussian SVM. However, attempts to classify shot success based solely on pre-shot EEG data yielded accuracies below 55%, indicating limited predictive power from EEG alone. Conclusion: EEG signals reflect cognitive and motor readiness during free throws and can be used to model temporal dynamics of performance. While neural features aid in distinguishing motor states, further improvement in outcome prediction requires advanced signal integration. This research supports the application of brain-based analytics in sports performance and training development.
Electrophysiological data-driven artificial intelligence modeling for basketball free throw performance Objective: This study explores the neural basis of basketball free throw performance by analyzing EEG data recorded during shot execution, aiming to identify brainwave patterns linked to successful and unsuccessful attempts. It further contributes to europerformance research by developing machine learning models that integrate cognitive and motor markers to classify shot outcomes. Additionally, this study aims to provide a more comprehensive understanding of how cortical activity patterns influence athletic performance during static yet psychologically high-pressure moments, such as basketball free throws. Materials and Methods: Eight experienced male athletes (ages 20–34) participated voluntarily. EEG was recorded using a 16-channel BrainProducts V-Amp system during selfpaced free throws. Signals were segmented into pre- and post-shot phases, and spectral power was calculated for delta, theta, alpha, and beta bands. Features were statistically tested (paired t-test, FDR correction) and used to train machine learning models (SVM, KNN, neural networks) with 5-fold cross-validation. Results: Significant EEG spectral changes were observed in sensorimotor regions, particularly mu rhythm desynchronization before successful shots. The highest classification accuracy (74.9%) in distinguishing pre- vs. post-shot phases was achieved with Fine Gaussian SVM. However, attempts to classify shot success based solely on pre-shot EEG data yielded accuracies below 55%, indicating limited predictive power from EEG alone. Conclusion: EEG signals reflect cognitive and motor readiness during free throws and can be used to model temporal dynamics of performance. While neural features aid in distinguishing motor states, further improvement in outcome prediction requires advanced signal integration. This research supports the application of brain-based analytics in sports performance and training development.