SPOR BİLİMLERİNDE KULLANILAN Y-DENGE VERİLERİNİN MAKİNE ÖĞRENİMİ YÖNTEMLERİ İLE ANALİZİ

Abstract

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.

ABSTRACT

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.