Prediction of Hamstring and Quadriceps muscle strength of athletes using machine learning methods
Farklı makine öğrenme yöntemleri ile Hamstring ve Kuadriseps kas gücü tahmini için egzersize dayalı olmayan yeni modellerin geliştirilmesi
- Tez No: 473003
- Danışmanlar: DOÇ. DR. MEHMET FATİH AKAY
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2017
- Dil: İngilizce
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Hamstring ve Kuadriseps isimli iki tür üst bacak kası, atletlerin spor performanslarıyla yakından ilgilidir. Hamstring ve Kuadriseps kaslarının üstün izokinetik test teknikleriyle ölçümünden gerçeğe yakın sonuçlar elde edilebilmesine rağmen bu yöntemlerin belirli zorlukları ve sınırlamaları vardır. Bu çalışmanın temel amacı, üniversite çağındaki atletlerin Hamstring ve Kuadriseps kas güçlerinin Destek Vektör Makineleri (SVM), Çok Katmanlı Algılayıcılar (MLP), Radyal Temel Fonksiyon Yapay Sinir Ağları (RBFNN), ve Tekli Karar Ağaçları (SDT) kullanılarak daha yeni ve kapsamlı tahmin modelleri oluşturulmasıdır. Tahmin hatalarının hesaplanması için Ortalama Hata Kareleri Toplamı Karekökü (RMSE) ve Çoklu Korelasyon Katsayısı (R) değerleri kullanılmıştır. Temel olarak elde edilen sonuçlara bakıldığında başta SVM olmak üzere makine öğrenme metodlarının kabul edilebilir ve doğru sonuçlar vermesi nedeniyle Hamstring ve Kuadriseps kas gücü tahmininde kullanılabileceği kanıtlanmıştır.
Özet (Çeviri)
The success of athletes is closely related to the muscles of the thigh, namely the hamstring and quadriceps. Among the different techniques used for measuring the hamstring and quadriceps muscle strength, the use of isokinetic equipments is the most accurate. However, their utilization is associated with several difficulties and limitations. The aim of this study is to build new and more comprehensive models for predicting the hamstring and quadriceps muscle strength of athletes using four main machine learning methods, namely Support Vector Machine (SVM), Multilayer Perceptron Neural Network (MLP), Radial Basis Function Neural Network (RBFNN) and Single Decision Tree (SDT). The root mean square errors (RMSE's) and the multiple correlation coefficients (R's) have been used for computing the prediction errors. On the basis of the results obtained, it has been proved that machine learning methods especially SVM can be used for the hamstring and quadriceps muscle strength prediction with an acceptable accuracy
Benzer Tezler
- Diz ortezi giymiş insan kas iskelet örneği üzerinde derin pekiştirmeli öğrenmeyle yürüme öğrenmesi
Learning to walk on a human musculoskeletal model wearing a knee orthosis via deep reinforcement learning
ÖMER KAYAN
Yüksek Lisans
Türkçe
2023
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜLYA YALÇIN
- Vitamin d düzeyi ile proksimal kas biyomekanik özelliklerinin ilişkisi
Association Between Vitamin D Level and Biomechanical Characteristics of Proximal Muscles
AHMET KOCAER
Tıpta Uzmanlık
Türkçe
2018
Fiziksel Tıp ve RehabilitasyonÇukurova ÜniversitesiFiziksel Tıp ve Rehabilitasyon Ana Bilim Dalı
PROF. DR. TUNAY SARPEL
- Dokuma kumaşlarda örgü tipinin ham kumaşın boyutları ve geometrik özellikleri üzerindeki etkilerinin araştırılması
Başlık çevirisi yok
EMEL ÖNDER
Yüksek Lisans
Türkçe
1985
Tekstil ve Tekstil MühendisliğiEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜNGÖR BAŞER
- Studies on the cuttability of rocks at O.A.L. Çayırhan district by laboratory cutting tests
Başlık çevirisi yok
KÜRŞAD CEYLAN
Yüksek Lisans
İngilizce
1987
Maden Mühendisliği ve MadencilikOrta Doğu Teknik ÜniversitesiMaden Mühendisliği Ana Bilim Dalı
DOÇ. DR. NACİ BÖLÜKBAŞI
- Havuçların haşlanmasında difüzyonun modellenmesi
Başlık çevirisi yok
FİGEN KAYMAK
Yüksek Lisans
Türkçe
1986
Gıda MühendisliğiEge ÜniversitesiGıda Mühendisliği Ana Bilim Dalı
DOÇ. DR. SUZAN KINCAL