Ön kol bükme egzersizi ve hayal edilmesi sırasında oluşan elektro fizyolojik yanıtların gözetimli öğrenme teknikleri ile incelenmesi

Abstract

Amaç: Üst düzey ve elit seviyedeki sporcuların performanslarını bilinen antrenman teknikleriyle geliştirmek zordur. Bu doğrultuda, çalışma kapsamında, ön kol bükme hareketi zeminle 15 ve zeminle 45 derecelerde yapılmış ve bu açılarda yapılan hareketlerin hayal etmesi incelenmiştir. Ön kol bükme egzersizinin hayal edilmesi sırasında sporcu üzerine etkisinin değerlendirilmesi için olası bir değerlendirme yöntemi sunulmuştur. Gereç ve Yöntem: Katılımcılardan önce göz kapalı olarak 5 dakikalık temel bir EEG kaydı alındı, hemen sonrasında zeminle 15 ve zeminle 45 derecelerinde kol bükme hareketi yaptırıldı, sonra bilgisayar karşısında kol bükme hareketini yapan bir figür ile katılımcıya uyaran verildi ve bu esnada EEG kaydı alındı. Farklı açılarda yapılan kol bükme hareketi yapay sinir ağları ve destek vektör makineleri ile otomatik olarak sınıflandırılmıştır. Her yapılan ölçüm ile, EEG sinyali ayrık dalgacık dönüşümü kullanılarak artefaktlardan arındırılmış, normalize edilmiş, otomatik olarak sınıflanan ön kol bükme açıları zeminle 15 ve zeminle 45 açılarına geldiğinde EEG üzerinde işaretlenmiştir. Ölçümlerde güç değerlerinin hesaplanmasında ve analizinde MATLAB (R2022b) kullanılarak değerlendirilmiştir. Bulgular: Katılımcıların üç farklı durumda EEG sinyalleri toplanmıştır. Gerçekleştirilen ölçümler öznitelik hesabına tabii tutulmuştur. Bu öznitelikler arasındaki sınıflandırma başarısı DVM (Destek Vektör Makinesi) sonuçları şu şekildedir; göz kapalı (%97.8), 15 derecelik açı (%82.1), 45 derecelik açı (%83). Yapay sinir ağı sınıflandırma başarısı göz kapalı (%93.3), 15 derecelik açı (%84.3), 45 derecelik açı (%80). Sonuç: Bu çalışmada, biceps curl hareketinin farklı açılarda sınıflandırılması ve hayal edilmesi ilk kez gösterilmiştir. Zeminle 15 ve zeminle 45 derecelik açılar birbirine yakın sinyal yanıtı oluşturmasına rağmen, %80 inin üzerindetahmin etme başarısı, kullanılan özniteliklerin hareketin kestirilmesine dair önemli bilgiler sunduğunu göstermektedir.

Objective: Improving the performance of high-level and elite athletes with well-known training techniques is challenging. In this context, within the scope of the study, the forearm flexion exercise was performed at groundlevels of 15 and 45 degrees, and the visualization of movements at these angles was examined. A possible evaluation method has been proposed to assess the effect of imagining forearm flexion exercise on athletes. Material and Methods: Before the participants, a 5-minute basic EEG recording was obtained with their eyes closed. Immediately afterwards, they were instructed to perform the forearm flexion exercise at ground levels of 15 and 45 degrees. Subsequently, while participants were in front of a computer, they were presented with a stimulus in the form of a figure performing the forearm flexion movement, and EEG recording was conducted during this period. The forearm flexion movements performed at different angles were automatically classified using artificial neural networks and support vector machines. With each measurement, the EEG signal was preprocessed using discrete wavelet transformation to remove artifacts, normalize, and automatically classify the forearm flexion angles when they reached ground angles of 15 and 45. MATLAB (R2022b) was used for the calculation and analysis of power values in the measurements. Results: EEG signals were collected from participants in three different conditions. The measurements were subjected to feature extraction. The classification accuracy among these features is as follows for DVS results: eyes closed (97.8%), 15-degree angle (82.1%), and 45-degree angle (83%). The artificial neural network classification accuracy is as follows: eyes closed (93.3%), 15-degree angle (84.3%), and 45-degree angle (80%). Conclusion: In this study, the classification and imagination of the biceps curl movement at different angles have been demonstrated for the first time. Despite the similar signal response between ground angles of 15 and 45 degrees, a prediction accuracy of over 80% indicates that the features used provide significant information for predicting the movement.