Spor bilimlerinde kullanılan Y-Denge verilerinin makine öğrenimi yöntemleri ile analizi
Analysis of Y-Balance data used in sports sciences with machine learning algorithms
- Tez No: 824713
- Danışmanlar: DOÇ. DR. CANER ÖZCAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Mühendislik Bilimleri, Computer Engineering and Computer Science and Control, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 76
Özet
Bu çalışmada, sporcuların dinamik denge ve fonksiyonel hareket yeteneklerini değerlendirmek için yaygın olarak kullanılan Y-Denge Testi (YDT) verilerinin makine öğrenimi yöntemleri ile analizi sağlanmıştır. YDT, sporcuların vücutlarını kontrol edebilme, denge sağlayabilme ve potansiyel sakatlık risklerini belirleyebilme yeteneklerini değerlendirerek, özelleştirilmiş antrenman programlarının tasarlanmasına ve performansın artırılmasına katkı sağlamasına yardımcı olan önemli bir yöntemdir. Testten doğru sonuçlar elde etmek için testi doğru şekilde yapmak çok önemlidir. YDT verilerinin hassas ölçümü her birey için ayrı ölçülmeli, test gridi ve ekipmanları doğru bir şekilde kurulmalıdır. Sporcuların performansını artırmak ve yaralanma risklerini azaltmak için eğitim programlarının tasarlanmasında yanlış bilgilerin kullanılmasına yol açabilecek yanıltıcı sonuçlardan kaçınmak için net talimatlar ve standart bir protokol izlenmelidir. Tüm bu süreç, testi yapan kişi tarafından dikkatle ve özenle yapılmalıdır. Çalışma, YDT verilerini daha iyi anlamak, doğru içgörüler elde etmek ve farklı makine öğrenimi modellerinin YDT sonuçlarını tahmin etme yeteneğini değerlendirmek için bir çerçeve sunmaktadır. Bu kapsamlı yaklaşım, test yöneticilerine ölçümler ve sonuçlardaki olası tutarsızlıkları güvenle yönlendirmeleri için bir yol sunar. Çalışma kapsamında kullanılan YDT verileri ile ilgili yasal izinler alınmıştır ve çalışmada kullanılan veri kümesi, Uşak ili kapsamındaki farklı branşlarda faaliyet gösteren spor kulüplerinden elde edilmiştir. Çalışmada, bireysel ölçüm gerektiren YDT değerleri yaş, cinsiyet, antrenman yılı gibi özelliklere dayalı olarak farklı makine öğrenme yöntemleri ile ortaya çıkan tahmin sonuçları analiz edilmiştir. Sonuçlar, Ortalama Kare Hatası (MSE), R-Kare (R2) ve Kök Ortalama Kare Hatası (RMSE) ile değerlendirilmiştir. Her YDT verisi Decision Tree, Random Forest, AdaBoost, Gradient Boosting, XGBoost ve SGD algoritmaları ile ayrı bir şekilde test edilmiştir. Bu ayrı modellerin analizi sonucunda, en yüksek performans değerleri; MSE değeri 0,01, R2 değeri 0,77 ve RMSE değeri 0,09 ile Gradient Boosting algoritması tarafından elde edilmiştir. Sonuçlar, tahmin edilen YDT değerlerinin, sporcuların performansını artırabilecek ve yaralanma risklerini azaltabilecek eğitim programlarının tasarlanmasına yardımcı olabileceğini göstermiştir. Genel olarak, çalışmanın bulguları, doğru YDT veri ölçümünün önemini ve belirli özelliklere sahip bir bireye dayalı olarak YDT değerlerini tahmin etmede makine öğrenimi yöntemlerinin potansiyelini vurgulamaktadır. Kullanılan parametrelere göre değişkenlik gösteren analizler sonucunda en iyi sonuçları XGBoost, Gradient Boosting ve Random Forest algoritmaları vermiştir. Bu yaklaşım, yaralanma risklerini en aza indirirken sporcuların denge ve hareketliliğini geliştirebilecek özel eğitim programları oluşturmak için koçlara, eğitmenlere ve sağlık uzmanlarına değerli bilgiler sağlayabilecek ve test sürecini hızlandırabilecektir.
Özet (Çeviri)
In this study, the analysis of Y-Balance Test (YBT) data, commonly used to assess athletes' dynamic balance and functional movement abilities, has been conducted using machine learning techniques. YBT evaluates athletes' capacity to control their bodies, maintain balance, and identify potential injury risks, thereby aiding the design of personalized training programs and performance enhancement. Accurate administration of the test is crucial for obtaining reliable outcomes. Precise measurement of YBT data should be individualized, with proper setup of the testing grid and equipment. To prevent misleading results that could lead to incorrect information in designing training programs to improve athlete performance and reduce injury risks, clear instructions and a standardized protocol must be followed. This entire process demands careful and meticulous execution by the tester. The study provides a framework for a comprehensive approach to better understand YBT data, gain accurate insights, and assess the predictive abilities of various machine learning models on YBT outcomes. This comprehensive approach offers a path for test administrators to confidently address potential inconsistencies in measurements and results. Legal permissions were obtained for the YBT data used in the study, and the dataset, derived from different sports clubs in Uşak province, was employed. Individual YBT values requiring personal measurements were analyzed using different machine learning methods based on characteristics such as age, gender, and years of training. Results were evaluated using Mean Squared Error (MSE), R-Squared (R2), and Root Mean Squared Error (RMSE). Each YBT dataset was individually tested with Decision Tree, Random Forest, AdaBoost, Gradient Boosting, XGBoost, and SGD algorithms. Through separate model analyses, the superior performance metrics MSE of 0.01, R2 of 0.77, and RMSE of 0.09 were achieved by the Gradient Boosting algorithm. The results indicate that predicted YBT values can assist in designing training programs to enhance athletes' performance and mitigate injury risks. Overall, the study's findings underscore the significance of accurate YBT data measurement and highlight the potential of machine learning methods to predict YBT values based on specific individual attributes. Analyses varying with the used parameters resulted in XGBoost, Gradient Boosting, and Random Forest algorithms yielding the best outcomes. This approach can provide valuable insights to coaches, trainers, and health experts in crafting specialized training programs that improve balance and mobility while minimizing injury risks, potentially expediting the testing process.
Benzer Tezler
- Spor bilimleri fakültesi öğrencilerinin sosyal medya kullanımı ile siber mağduriyet ve zorbalık düzeyleri arasındaki ilişkinin incelenmesi
Examination of the relationship between social media use and cyber victims and bullying levels of sports sciences faculty students
SİTRENUR DUGAN
Yüksek Lisans
Türkçe
2023
SporHitit ÜniversitesiBeden Eğitimi ve Spor Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FATİH EVLİ
- Gençlik ve spor, kültür ve turizm ile milli eğitim müdürlerinin spor farkındalıklarının incelenmesi
Examination of sport awareness of youth and sports, culture and tourism and national education directors
CANER CENGİZ
- Büyük spor organizasyonlarında kullanılan güvenlik sistemleri: İstanbul maratonu örneği
Security systems used in big sport organizations: İstanbul marathon case
AHMET AYHAN KUŞ
Yüksek Lisans
Türkçe
2019
SporMarmara ÜniversitesiBeden Eğitimi ve Spor Ana Bilim Dalı
PROF. DR. TURGAY BİÇER
- Spor bilimlerinde beden eğitimi öğretmenlerini konu alan lisansüstü tezlerin metodolojik analizi: Bir içerik analizi
Methodological analysis of postgraduate theses on physical education teachers in sport sciences: A content analysis
ŞEBNEM ÇELİMLİ
Yüksek Lisans
Türkçe
2022
SporArdahan ÜniversitesiBeden Eğitimi ve Spor Ana Bilim Dalı
DOÇ. DR. AHMET ATALAY
- Spor bilimleri fakültelerinde görev alan akademisyenlerin pandemi döneminde mesleki motivasyonlarının incelenmesi
Examination of professional motivation of acamedicians working in faculties of sport sciences during the pandemic period
SİNAN KARACA
Yüksek Lisans
Türkçe
2024
SporMuğla Sıtkı Koçman ÜniversitesiSpor Yöneticiliği Ana Bilim Dalı
DOÇ. DR. ERCAN ZORBA