16 Kasım 2026RSS
FUTBOLDÜNYASI
Menü
Ana sayfa / Spor Bilimi

İmansız Ölçüm Birimleri ve Makine Öğrenmesi Badmintonsporcularında Yorgunluk Değerlendirmesi İçin Uygulandı

ÖZGÜN ARAŞTIRMA makalesi

Front. Physiol., 11 Kasım 2026

Sec. Egzersiz Fizyolojisi

Hacim 17 – 2026 | https://doi.org/10.3389/fphys.2026.1889980

  • CG

    Chunhui Gong 1

  • ML

    Meng Liu 1*

  • YT

    Yike Tang 1

  • YS

    Yujie Shan 1

  • ZZ

    Zhile Zhu 1

  • JA

    Jun Ai 1*

  • ZG

    Zhenxiang Guo 2

  • LZ

    Limingfei Zhou 3

  • LZ

    Liang Zhang 3

  • 1. Jinan Üniversitesi Beden Eğitimi Fakültesi, Jinan, Shandong, Çin

  • 2. Beijing Spor Üniversitesi Antrenman Fakültesi, Beijing, Çin

  • 3. Beijing Spor Üniversitesi Güç ve Kondisyon Antrenman Fakültesi, Beijing, Çin

Makale ölçütleri

Görüntülemeler

Özet

Amaç:

Kaydedilmiş yorgunluk koşullarının, eylemsizlik ölçüm birimi (IMU) ivme özellikleri ve beş makine öğrenmesi algoritması kullanılarak çevrimdışı ikili sınıflandırmasının değerlendirilmesi.

Yöntem:

Yazarlar tarafından doğrulanmış performans veri seti, koşul başına 32 gözlem içermektedir. Revize edilmiş temel IMU veri seti, dört yanlış sınıflandırılmış kaydın düzeltilmesinin ardından 25 kadro bağlantılı sporcudan alınan 70 kaydı kapsamaktadır; buna göre 22 yorgunluk olmayan ve 48 yorgunluk etiketi belirlenmiştir. Yedi sensörlü ve sağ ön kollar konfigürasyonları sırasıyla 231 ve 33 aday özellik sağlamıştır. Yeni yeniden inşa edilen analiz, beş kayıtlı dış sporcu gruplu katı kullanmış ve yalnızca eğitim için iç katları; seyrek lojistik özellik seçimi ve hiperparametre ayarlaması için ön işleme amacıyla kullanmıştır.

Sonuçlar:

CMJ, yorgunluk olmayan ve yorgunluşturan koşullarda sırasıyla 40.01 ± 8.51 ve 30.27 ± 7.29 olarak ölçülmüştür. Sınıflandırıcılar arasında kat ortalamalı AUC, yedi sensör için 0.655 ile 0.846 arasında, sağ ön kollar için ise 0.715 ile 0.846 arasında değişmiştir. Makro F1 değeri sırasıyla 0.600 ile 0.775 ve 0.655 ile 0.775 arasında değişmiştir. Duyarlılık (spesifiklik) sırasıyla 0.483 ile 0.700 ve 0.550 ile 0.650 arasında değişmiştir. Bu yeni çalışma için kod, dâhil etme kararları, gerçek iç ve dış atamalar ve ayrılmış tahminler sağlanmaktadır.

Sonuç:

Sonuçlar, IMU tabanlı durum sınıflandırmasının daha kapsamlı araştırmalarını desteklemekle birlikte, algoritma üstünlüğünü, sensör eşdeğerliğini, her kayıt etiketinin fizyoloşik geçerliliğini veya gerçek zamanlı izleme performansını kanıtlamaz.

1. Giriş

Badmintonda yoğun ve tekrarlayan yüksek şiddetli hareketlerle birlikte hassas teknik aksiyonlar yer alır. Uzun süreli veya yoğun aktivite fiziksel performansı azaltabilir ve vuruş uygulamasını etkileyebilir (Moreno-Perez ve ark., 2020; Alder ve ark., 2019; Alkhawaldeh, 2022). Yorgunluk değerlendirmesi dolayısıyla antrenman ve performans izlemesi açısından önem taşır; ancak kullanışlı bir değerlendirme yöntemi, yorgunluğa bağlı değişimleri bireysel hareket özelliklerinden ve veri toplama farklarından ayırt etmelidir.

Badminton sporcuları için geçerli yorgunluk değerlendirmesi yöntemleri başlıca kalp atım değişkenliği (HRV), kan laktatı ve öznel yorgunluk puanları gibi fizyoloşik ve psikoloşik göstergelere dayanır (Bisschoff ve ark., 2016), bunlar etkili olmakla birlikte çoğunlukla laboratuvar koşullarında gerçekleştirilir veya öz bildirme yöntemlerine dayanır ve sporcunun gerçek maçlar sırasındaki yorgunluk durumunu tam olarak yansıtmayabilir. Ayrıca simüle maçlar ve izole kas egzersizlerinden kaynaklanan yorgunluk protokollerindeki farklılıklar tutarsız değerlendirme sonuçlarına yol açarak bu yöntemlerin gerçek ortamlardaki uygulanabilirliğini sınırlar (Schneider ve ark., 2020; Rusdiana ve ark., 2020).

Hareket ölçüm birimleri (IMU’lar), hareketle ilgili ivme ve açısal hızı kaydederek hareket örüntülerindeki değişimler hakkında taşınabilir bilgi sunar. Denetimli öğrenme, koşu ve yürüme görevlerinde yorgunluğun IMU kaynaklı özelliklerden sınıflandırılmasında kullanılmıştır (Marotta ve ark., 2021; Pinto-Bernal ve ark., 2021). Badmintonda giyilebilir ivme ölçerler, ayrıca lunging ayak çalışması sırasındaki alt ekstremite yüklemelerini tahmin etmek için regresyon modelleriyle birleştirilmiştir (Yu ve ark., 2023). Bu uygulamalar, badmintona özgü teknik aksiyonlar sırasında yorgunluk sınıflandırması araştırmalarını teşvik ederken, sensör konfigürasyonunun seçimi ve yorgunluk etiketlerinin geçerliliğinin her görev için değerlendirilmesi gerekliliğini de ortaya koyar.

Son yıllarda giyilebilir algılama alanındaki gelişmeler, yorgunluk değerlendirmesini yalnızca fizyolojik veya öznel ölçümlerden veriye dayalı, giyilebilir sinyalleri makine öğrenmesiyle birleştiren yaklaşımlara doğru kademeli olarak yönlendirmektedir. Giyilebilir yorgunluk izleme sistemleri, atalet sensörlerinden elde edilen hareket sinyallerinin yanı sıra elektrokardiografi, fotopleizmografi, elektromyografi ve dermal aktivite gibi fizyolojik sinyalleri kullanmaktadır. Denetimli öğrenme, özellikle sınıflandırmaya dayalı yaklaşımlar, yorgunluk durumlarını belirlemede başlıca stratejilerden birine dönüşmüştür. Buna rağmen önceki çalışmalar, yorgunluk uyarma protokollerinde, sensör konfigürasyonlarında, yorgunluk tanımlarında ve doğrulama prosedürlerinde belirgin yöntemsel çeşitlilik bulunduğunu ortaya koymuştur; bu durum, bildirilen modellerin farklı görev ve nüfuslar arasındaki genellenirliğini sınırlayabilir (Adão Martins et al., 2021).

Harekete dayalı yorgunluk izlemede IMU’lar, hareket değişikliklerinin taşınabilir ölçümlerini sağlar. Marotta et al. (2021), koşuya bağlı yorgunluğu incelemiş ve IMU konfigürasyonlarını daha az müdahalekâr kılmak amacıyla karşılaştırmıştır. Pinto-Bernal et al. (2021), yürümeye yönelik görevler sırasında dört fiziksel yorgunluk durumunu sınıflandırmış ve azaltılmış sensör kümelerini değerlendirmiştir. Jiang et al. (2022) ise giyilebilir analiz yöntemlerini egzersize bağlı yorgunluk ilerlemesini öngörme yönünde genişletmiştir. Bu çalışmalar, sınıflandırma ve zamansal öngörme açısından görev bazında uygulanabilirliği göstermektedir; ancak sayısal sonuçları göreve, protokole, etiketlere ve doğrulama tasarımına bağlıdır.

Bu gelişmelere rağmen, mevcut giyilebilir yorgunluk sınıflandırma çalışmalarının çoğu koşu, yürüme, rehabilitasyon veya genel egzersiz görevlerinde yürütülmüştür. Ayrıca sensör yerleşimi ve hareket özellikleri büyük ölçüde göreve bağlıdır; bu nedenle lokomotor aktivitelerde yorgunlukla ilişkili özellikler, spora özgü teknik hareketlere doğrudan aktarılmayabilir. Badmintonda, makine öğrenimi ve giyilebilir sensör yaklaşımları biyomekanik ve hareketle ilgili analizlerde kullanılmıştır; ancak burada gözden geçirilen literatürde, standartlaştırılmış badminton özgü vuruş görevi sırasında fiziksel yorgunluğun IMU tabanlı sınıflandırılmasına karşılaştırılmalı olarak sınırlı ilgi gösterilmiştir. Bu durum, genel giyilebilir yorgunluk tespit yöntemleri ile spora özgü beceri performansının uygulanması arasında önemli bir boşluk bırakmaktadır.

2 Materyaller ve yöntemler

2.1 Metodoloji

2.1.1 Katılımcılar

Orijinal çalışma, son kayıtlı kohortun 32 üniversite badminton sporcusundan oluştuğunu bildirmiştir. Yazar tarafından onaylanan performans veri seti, her koşulda 32 gözlem içermektedir; ancak bireysel ön/son eşlemeleri ve IMU kayıtlarıyla bağlantıları hâlâ doğrulanmamıştır. Kullanılabilir katılımcı listesi 31 kayıt içermektedir. 70 birincil IMU kayıtı, benzersiz ad eşleştirmeleri ve yazar tarafından onaylanan üç takma ad çözümlemesi kullanılarak 25 liste kayıtlıyla eşleştirilmiştir; anonimleştirilmiş eşleştirme tablosu sağlanmıştır. Bu 25 sporcu, birincil model-geliştirme alt kümesini oluşturur ve 32 gözlemli performans veri setiyle özdeş olduğu varsayılmaz. Katılımcılar aydınlatılmış onay vermiş ve orijinal çalışma, Beijing Spor Üniversitesi Etik Komitesi’nin onayını (Onay No. 2023073H) bildirmiştir.

2.1.2 Protokol

Deneysel protokol; temel değerlendirmeyi, 10 dakikalık ısınmayı ve forehand vuruş değerlendirmesinden önce 5 dakikalık dinlenmeyi içermektedir. Isınma; hafif koşu, dinamik esneme ve nöromusküler aktivasyon içermektedir. Badminton’a özgü yorgunluk indüksiyon protokolü izlenmiş, ardından performans ve IMU değerlendirmesi yapılmıştır. Fiziksel yorgunluk dahil etme kriteri; CMJ yüksekliğinde temele göre en az %20 azalma ve/veya Borg CR-10 ölçeğinde en az 5 puan RPE olarak tanımlanmıştır. Tam 5 puanlık bir RPE dahil edilmiştir. Düzeltilmiş performans tablosundaki 32 yorgunluk koşulu gözlemi, bu kriterin RPE bileşenini karşılamaktadır. Mevcut dosyalar, her IMU etiketini fizyolojik olarak doğrulamak için gereken bireysel değerlendirmeden kayda kadar eşleştirmeyi sağlamamaktadır.

2.2 Fiziksel yorgunluk indüksiyon protokolü

Yorgunluk indüksiyon protokolü, badminton sporcularında fiziksel yorgunluk protokollerine ilişkin önceki çalışmalar (Le Mansec ve ark., 2019) temel alınarak uyarlanmış ve geliştirilmiştir (Şekil 1). Katılımcılar; karşı hareketli zıplamalar (CMJ) (Kistler 9287C) (Phomsoupha ve Laffaye, 2015), lunges (Kuntze ve ark., 2010) ve sprintlerden oluşan, badminton oyuncularının yaygın egzersizlerinin bir kombinasyonunu gerçekleştirmiştir. Her set; 3 saniyelik CMJ’lerden 10 tekrar, 20 metrelik sprint ve 10 lunge içermektedir. Yirmi set bir ünite oluşturmakta ve üç ünite tamamlanmakta olup, her biri yaklaşık 20 dakika sürmekte ve üniteler arasında dinlenme arası bulunmamaktadır. Lunges sırasında katılımcılara raketleriyle ağın sırasıyla sol ve sağ tarafına dokunmaları söylenmiştir. Katılımcılar, her lunge arasında ön servis çizgisinden 1 metre geriye hareket etmiştir. Her setten sonra katılımcılar dinlenmeden doğrudan bir sonraki döngüye başlamıştır. Son setin tamamlanmasının ardından test derhal yapılmıştır. Protokol boyunca deneyiciler katılımcıları maksimum çaba göstermeleri için sürekli olarak teşvik etmiştir. Katılımcılar, göğüs ağrısı, nefes darlığı, baş dönmesi veya mide bulantısı yaşamaları durumunda testi istedikleri zaman sonlandırabilir.

Şekil 1

2.3 Testler

2.3.1 CMJ testi

Katılımcılar, Kistler 9287C kuvvet plakası üzerinde (1000 Hz) elleri kalçaya koyarak ve denemeler arasında kısa bir dinlenme yaparak üç defa kontrmovtman zıplaması gerçekleştirdi; çalışma protokolüne göre en iyi zıplama yüksekliği kaydedildi. CMJ, fiziksel performans çıktısı olarak analiz edildi. Taban değerine göre en az %20’lik bir düşüş, yorgunluğa işaret eden ek bir göstergeydi. RPE ≥ 5’in belirtilen ve/veya kriter altında dahil edilme için yeterli olması nedeniyle, yalnızca küçük bir CMJ düşüşü, RPE ≥ 5 değerine sahip bir yorgunluk koşulu gözlemi hariç tutmadı.

2.3.2 RPE değerlendirmesi

Algılanan efor, Borg CR-10 RPE ölçeği kullanılarak değerlendirildi. Tam olarak 5’i de içeren en az 5 değerinde bir RPE skoru, yorgunluğa dahil edilme kriterini karşıladı. Düzeltilmiş performans veri seti, RPE değerleri 5–7 arasında olan 32 yorgunluk koşulu gözlemi içeriyordu; tümü korundu. RPE, ayrıca kaydedilmiş bir algısal çıktı olarak analiz edildi.

2.3.3 Forehand smash testi ve IMU veri toplama

Orijinal forehand smash değerlendirmesi, iki hedef alana sırayla yönlendirilen, her biri için beş denemeden oluşan 10 tam güçle yapılan vuruştan oluşuyordu. Her deneme, topun indiği konuma göre 0 ile 3 arasında puanlandırıldı ve toplam maksimum 30 puan elde edildi. Top makinesi (AIDIBO A200, Çin), kokaları tutarlı bir yörünge ve aralıkla sağladı. Forehand smash doğruluk testinin deney düzeneği Şekil 2‘de gösterilmektedir. Bu görev sırasında hareket verileri IMU sistemi ile kaydedildi. Yeniden analiz, ihraç edilen ivme kayıtları olduğu gibi kullanıldı; CSV dosyalarından bireysel vuruş sınırları yeniden oluşturulmadı.

Şekil 2

2.3.4 IMU veri edinme ve ön işleme

Forehand smash görevi sırasında hareket verilerini toplamak için 17 taşınabilir IMU sensöründen oluşan bir PERCEPTION NEURON 3 PRO eylemsizlik hareket yakalama sistemi (Noitom, Beijing, Çin) kullanıldı. IMU sensörleri, üreticinin önerdiği yerleştirme prosedürüne uygun olarak elastik kayışlarla üst uzuvlar, gövde ve alt uzuvların önceden tanımlanmış anatomik segmentlerine bağlandı.

Çok sensörlü analizde yedi anatomik segment dahil edildi: leğen kemiği, sağ uyluk, sağ baldır, sağ ayak, sağ omuz, sağ kol ve sağ ön kol. Dışa aktarılan kanal tanımlayıcıları Hips, RightUpLeg, RightLeg, RightFoot, RightShoulder, RightArm ve RightForeArm olarak kaydedildi. Tek sensörlü analiz sağ ön koldaki üç ivme ekseni kullanıldı. Bu, anatomik bir sağ ön kol konfigürasyonudur ve her sporcu için baskın kol konfigürasyonu olarak yorumlanmamalıdır.

Orijinal x-, y- ve z-ekseni Sensor-Acce kanal tanımlayıcıları korundu. Değerler, ek bir birim dönüşümü olmadan yerel aktarım birimlerinde analiz edildi. Dosyalar ivme başlığının bulunmasıyla okundu; varsa öndeki kare sayısı satırı atlandı.

Veri toplama öncesinde IMU sistemi, başlangıç referans yönelimini belirlemek üreticinin önerdiği prosedüre göre kalibre edildi. Kalibrasyon prosedürü, statik A-pozisyonu ve T-pozisyonu takiben Axis Studio yazılımı kullanılarak W-pozisyonu yürüyüş kalibrasyonunu içeriyordu. Bu prosedür, sonraki forehand smash denemeleri sırasında tutarlı sensor yönelimini sağlamak ve doğru hareket takibini desteklemek amacıyla gerçekleştirildi.

Orijinal makale 120 Hz alma frekansı, ±16 g ivmeölçeri aralığı ve ±2000°/s giroskop aralığı bildirmişti. Bu ayarlar, sağlanan CSV’lerin her biri için bağımsız olarak doğrulanamadı. Doktora tezi, ayrı bir geçerlilik çalışması için 100 Hz paralel optik/IMU alımını tanımlamaktadır; bu ayar mevcut dışa aktarımlar için yerine konulmadı. Yeniden analiz dolayısıyla, ek birim dönüşümü, koordinat dönüşümü, yeniden örnekleme veya özel filtrelemenin yeniden inşası olmadan yerel aktarım ivme değerleri ve kare dizileri korundu.

Alınan küme, başlangıçta 64 yorgunluk kaynağı olmayan ve 120 yorgunluk kaynaklı olmak üzere 64非疲劳 ve 120疲劳 dosya olarak saklanan 184 sayısal CSV dosyasından oluşmaktadır. Önceki kaynaktaki dört kayıt, yorgunluk kriterini karşıladığı yazarlar tarafından doğrulanmış ve 0’dan 1’e yeniden etiketlenmiştir. Bu nedenle güncel dosya düzeyindeki etiketler, benzerliği ortadan kaldırmadan önce 60 yorgunluk kaynağı olmayan ve 124 yorgunluk kaynağı kayıttan oluşmaktadır. Bir tam yinelenen seçili-kanal sinyali hariç tutularak 183 benzersiz kayıt elde edilmiştir. Dondurulmuş birincil alt küme, belirtilen artırım olmadan 70 kadro bağlantılı kayıttan oluşmaktadır: 22 yorgunluk kaynağı olmayan ve 48 yorgunluk kaynaklı. Geri kalan 113 benzersiz kayıt, çözülmemiş artırım (50), çözülmemiş katılımcı kimliği veya menşei (62) veya belirsiz bir kimlik (bir) nedeniyle birincil analizden hariç tutulmuştur. Sağlanan dahil etme/hariç tutma kaydı, 184 dosyanın ve dört etiket düzeltmesinin tamamını belgelemektedir. Yeniden yapılan analizde ek sinyal filtrelemesi, trend giderme, yerçekimi düzeltmesi, olay segmentasyonu veya bayrak tabanlı çerçeve kaldırma uygulanmamıştır.

Aday özellikler, kayıtlar arasındaki ortalam ve genlik farklarını koruyarak doğrudan ihraç edilen ivme sinyallerinden hesaplanmıştır. Her kayıt, özellik çıkarmadan önce bağımsız olarak sıfır ortalamalı ve birim varyanslı hale getirilmemiştir. Bunun yerine, ortaya çıkan özellik matrisinin standartlaştırılması, ilgili doğrulama eğitim katmanında öğrenilmiş ve doğrulama veya test gözlemlerine uygulanmıştır.

Bir CSV kaydı, bir makine öğrenimi örneğini temsil etmiştir. Dosyalar, bağımsız olarak doğrulanmış vuruş olayı sınırlarını sağlamadığı için, bir kaydın tek bir izole edilmiş forehand smash’ı temsil ettiği varsayılmamıştır. Bireysel çerçeve değerleri veya sabit pencereler ayrı örnekler olarak değerlendirilmemiş ve hiçbir sentetik vuruş segmentasyonu getirilmemiştir.

70 birincil kayıt, gerekli 21 ivme kanalını ve kaydı başına 203–525 kareyi içerir. Seçilen tüm ivme değerleri sonludur. Dışa aktarılan kare sayacı ardışık olsa da, yedi analiz edilen sensörden en az biri için her kayıtta Sensör-Kaybedildi bayrağı oluşur: 22335 karenin 1513’ünde (6,77%) en az bir seçili-sensör bayrağı bulunur. Sağ ön kol bayrakları 53 kayıtta 118 karede görülür. Bir bayrak, eksik dışa aktarılan satır ile eşitlenmez ve dışa aktarım öncesinde üretici yeniden yapilandırmasının gerçekleştirildiği kesinleştirilmemiştir. Her dışa aktarılan CSV tek bir analiz gözlemidir; bağımsız olarak doğrulanmış vuruş başlangıcı ve vuruş bitişi açıklamaları mevcut değildir.

Yeni analiz için düzeltilmiş yorgunluksuz ve yorgunluk etiketleri 0 ve 1 olarak kodlandı. Eski zamanlarda 0 etiketi atanmış dört hafif-yorgunluk kaydı, çalışmanın yorgunluk kriterinin sağlandığının açık yazar onayı sonrasında 1 etiketine alındı; hem orijinal hem de düzeltilmiş etiketler manifestoda ve tahmin dosyalarında korundu. Bu kayıtlar için hiçbir bireysel RPE veya CMJ değeri eksik tamamlanmadı. Tüm 32 yorgunluk koşulu performans gözlemi RPE ≥5 koşulunu sağlar, ancak bunların IMU kayıtlarıyla bireysel karşılığının kurulduğu kesinleştirilmemiştir. Sınıflandırma hedefi dolayısıyla, her kayıt için fizyolojik olarak doğrulanmış bir etiket yerine düzeltilmiş kaydedilmiş koşul etiketi olarak tanımlanır.

2.4 Özellik çıkarma

Özellik çıkarmaya yalnızca üç eksenli ivme dahil edildi. Jiroskop ve manyetometre kanalları öngörücü olarak kullanılmadı. On bir zaman alanı istatistiği, seçilen her ivme ekseni için ayrı ayrı hesaplandı.

İstatistikler kök ortalama kare, aritmetik ortalama, popülasyon standart sapması, popülasyon varyansı, medyanın mutlak sapması, çeyrekler arası açıklık, çarpıklık, Fisher fazla kurtosis, sinyal açıklığı, maksimum ve minumdur. Standart sapma ve varyans N bölenini kullandı. MAD, |x − medyan(x)| değerlerinin medyanıydı, IQR 75. yüzdeyi 25. yüzdeyi çıkarmayla, açıklık ise maksimumdan minimumu çıkarmayla hesaplandı. Çarpıklık ve fazla kurtosis, SciPy’nin varsayılan bias ayarını kullandı. Aynı tanımlar her iki sensör konfigürasyonunda uygulandı.

Yedi sensörlü yapı 21 ivme ekseni ve 231 aday özellik (7 × 3 × 11) içermektedir. Sağ ön kol yapısı ise üç ekseni ve 33 aday özelliği (1 × 3 × 11) kapsamaktadır. Özellik adları, aktarılan sinyallere doğrudan izlenebilmesi için sensör kanalını, ekseni ve istatistiği korumaktadır.

Anatomi terimliliği aktarılan kanal tanımlarıyla uyumlu kılınmıştır: Hips pelvisi; RightUpLeg sağ uyluğu; RightLeg sağ baldırı; RightFoot sağ ayağı; RightShoulder sağ omuzu; RightArm sağ üst kolu; RightForeArm ise ön kolu ifade etmektedir.

2.5 Özellik seçimi

Tüm öğrenilen ön işleme adımları model geliştirme hattına dahil edilmiştir. Eksik özellik değerleri varsa eğitim kümesinin medyanıyla doldurulmuş, sabit özellikler çıkarılmış ve kalan özellikler eğitim kümesinin ortalamaları ve standart sapmaları kullanılarak standartlaştırılmıştır. Aynı uyarlanmış dönüşümler ardından doğrulama veya ayrı tutulan kayıtlara uygulanmıştır. Sonuç tablolarındaki değişkenlerden hiçbiri IMU tahminleyici matrisine dahil edilmemiştir.

Seyrek özellik seçimi, en küçük kareler LASSO regresyonu yerine L1 cezalı lojistik regresyonla gerçekleştirilmiştir. Seçici, liblinear çözücü, dengeli sınıf ağırlıkları, üst sınır 10.000 yineleme ve 0,1 ile 1,0 değerinde C parametreleri kullanmıştır. Düzenlileştirme parametresi, iç çapraz doğrulamada sınıflandırıcı parametreleriyle birlikte ayarlanmıştır. Mutlak değeri 10⁻⁸’den büyük olan özellikler korunmuştur. Önceden belirlenmiş yedek düzenek, sıfırdan farklı katsayı bulunamadığında tüm sabit olmayan özellikleri korumaktadır ve kullanımı her dış uyulamada kaydedilmiştir. Seçilen özellik kümeleri her eğitim katında yeniden tahmin edilmiştir.

Korunan bir özellik, belirli bir eğitim veri kümesi ve parametre seçimiyle seçilen bir tahminleyici olarak yorumlanmıştır. Seçim, istatistiksel bağımsızlığı, nedensel önemini ya da benzersiz bir biyomekanik yorgunluk mekanizmasını kanıtlamamıştır. Tutulan tahminlerin oluşturulmasında tüm veri kümesini kapsayan tek bir özellik alt kümesi kullanılmamıştır.

2.6 Model geliştirme ve doğrulama

Her sensör konfigürasyonu için beş sınıflandırıcı değerlendirildi: doğrusal çekirdek destekleyici vektör makineleri (SVM), rastgele orman (RF), L2-cezalı lojistik regresyon (LR), k-en yakın komşu (KNN) ve karar ağacı (DT). Etiket düzeltmelerinden sonra, tüm modeller yeniden inşa edilen yeni bir analizde yeniden uyarlandı. Beş kayıtlı dış test-katmanı ataması, her test-katmanı başına 14 kayıt olmak üzere korundu. Kadro bağlantılı sporcu kodları, hiçbir sporcunun hem eğitim hem de test bölümlerinde yer almadığını doğrulamak için kullanıldı. Aynı dış katmanlar tüm sınıflardırıcılar ve konfigürasyonlar için kullanıldı.

Dış eğitim bölümlerinin her birinde, kadro bağlantılı sporcu kodları üzerinde yeni bir üç katmanlı GroupKFold ayrımı, seçici ve sınıflandırıcı parametrelerini makro F1 kullanarak seçti. Her iç eğitim/doğrulama ataması kaydedildi ve denetlendi. Öğrenilen tüm eksik tamamlama, sabit-özellik kaldırma, standartlaştırma, seyrek seçme ve parametre ince ayarı ilgili eğitim bölüminde uyarlandı. Dış test gözlemleri yalnızca ayrı tutulan değerlendirme için kullanıldı. Sağlanan izole denetim, sıfır sporcu örtüşmesi ile 150 konfigürasyon-sınıflandırıcı-dış katman-iç katman kontrolü içerir. Bu, model seçimini dış performans değerlendirmesinden ayırır (Varma ve Simon, 2006).

Veri kaynakları, koşul-etiket dağılımları ve analiz birimleri Tablo 1 içinde özetlenmiştir. Yeni analiz, 70 birincil kayıtla sınırlı tutuldu. Daha geniş korpusdan gelen önceki örnek düzeyinde duyarlılık sonuçları,zeltilmiş etiketlerle yeniden çalıştırılmadı ve güncel performans kanıtı ya da yeni sporculara genelleme kanıtı olarak kullanılmadı. 184 dosyalık dahil-etme/dahil-etmeme günlüğü, alınan dosyalar, yinelenme temizlemesi ve birincil alt küme arasındaki ilişkiyi korur.

Tablo 1

Veri seti veya analiz Yorgunluk yok Yorgunluk Analitik birim
Performans gözlemleri 32 32 64 gözlem; katılımcı eşleşmesi doğrulanmadı
Alunan IMU dosyaları 60 124 Etiket düzeltmesinden sonra 184 dosya; kaynak klasörleri başlangıçta 64/120
İlk gruplandırılmış analiz 22 48 70 kayıt; 25 kadro bağlantılı sporcu
Tekilleştirilmiş kullanılabilir korpus 59 124 183 benzersiz kayıt; daha geniş duyarlılık yeniden çalıştırılmadı

Veri kaynakları ve analitik birimler.

SVM, doğrusal çekirdek, dengeli sınıf ağırlıkları ve 0.1, 1.0 ile 10.0 değerinde C parametreleri kullandı. Eğitim katmanlı olasılık tahmini, ROC analizi için etkinleştirildi. Lojistik regresyon, L2 cezası, liblinear çözücü, dengeli sınıf ağırlıkları ve aynı C gridi kullandı. Tahminler, her uyarlanmış sınıflandırıcının varsayılan karar kuralını kullandı; tutulmuş sonuçlar kullanılarak optimize edilen bir karar eşiği belirlenmedi.

Rastgele ormanlar 100 ağaçtan oluşuyordu (Breiman, 2001). Maksimum derinlik, sınırsız ve 5 değerleri arasından; minimum yaprak boyutu ise 1 ve 3 değerleri arasından seçildi. Karar ağacı derinliği, 3, 5 ve sınırsız değerleri arasından; minimum yaprak boyutu ise 1 veya 3 değerinden seçildi. Her iki ağaç tabanlı algoritma da dengeli sınıf ağırlıkları kullandı. KNN, Öklid uzaklığı, 3, 5 veya 7 komşu ve düzgün ya da uzaklığa ters ağırlıklandırma kullandı. Tüm gridler değerlendirmeden önce belirlendi.

Yeniden inşa edilen analiz, Python 3.12.14, NumPy 2.3.5, pandas 3.0.1, SciPy 1.16.3 ve scikit-learn 1.7.2 kullanıldı. Rastgele tohum 20261012 idi. Bu şekilde sağlanan kod, belgilenen yöntemleri ve yazar tarafından düzeltilen etiketleri uygular; mevcut olmayan tarihsel eğitim betiği olarak sunulmaz. Üretilebilirlik paketi, kaynak dosya özetlerini, donuk dahil/dahil etme listeni, özellik matrisini, gerçek iç ve dış atamaları, tüm aday parametre arama skorlarını, katman bazında seçilen özellikleri, katman metriklerini ve tutulmuş tahminleri içerir. Kaydedilmiş özellik matrisinden yapılan ikinci tam çalıştırma, tahminleri ve metrikleri sayısal tolerans dahilinde yeniden üretti.

2.7 Model değerlendirmesi

Sınıflandırma performansı, ROC AUC, doğruluk, duyarlılık, duyarsızlık, kesinlik, pozitif sınıf F1 ve makro F1 kullanılarak özetlendi. Yorgunluk pozitif sınıf olarak belirlendi. Duyarlılık TP/(TP+FN), duyarsızlık TN/(TN+FP), kesinlik TP/(TP+FP) ve pozitif sınıf F1 bu değerlerin harmonik ortalamasıydı. Makro F1, yorgunsuz ve yorgunluk F1 skorlarının ağırlıksız ortalaması olarak hesaplandı. Tablo 2 ve Tablo 3, beş dış katmanda hesaplanan ağırlıksız ortalamayı ve örnek standart sapmayı (SD) bildirmektedir; SD’ler güven aralıkları değildir. Birleştirilmiş dış katman metrikleri ve ROC eğrileri, her sınıflandırıcı/düzenleme için kayıttan biri ayrılarak hesaplanmış ve katman ortalaması metriklerinden ayrılmıştır. Algoritma üstünlüğü veya sensör eşdeğerliliğine yönelik çıkarımsal bir test yapılmamıştır.

Tablo 2

Model AUC Doğruluk Duyarlılık Duyarsızlık Kesinlik Pozitif F1 Makro F1
SVM 0.846
± 0.080
0.829
± 0.039
0.894
± 0.067
0.650
± 0.190
0.860
± 0.051
0.874
± 0.036
0.775
± 0.065
RF 0.840
± 0.130
0.757
± 0.108
0.762
± 0.152
0.700
± 0.247
0.859
± 0.102
0.802
± 0.104
0.714
± 0.103
LR 0.818
± 0.101
0.714
± 0.152
0.794
± 0.167
0.483
± 0.207
0.767
± 0.136
0.778
± 0.145
0.645
± 0.132
KNN 0.788
± 0.111
0.771
± 0.117
0.857
± 0.074
0.583
± 0.236
0.824
± 0.113
0.837
± 0.081
0.716
± 0.149
DT 0.655
± 0.144
0.657
± 0.155
0.682
± 0.239
0.533
± 0.139
0.741
± 0.158
0.705
± 0.196
0.600
± 0.108

Katılımcı gruplu doğrulama altında yedi sensörlü ikili sınıflandırma.

Beş dış sporcu gruplu katmanda ortalamaya dayalı ± örnek standart sapma (70 kayıt; 25 sporcu). Düzeltilmiş etiketler: 22 yorgunluk olmayan ve 48 yorgunluk. Yorgunluk pozitif kabul edilir; makro F1 her iki sınıfı da ortalamaya alır. Standart sapma güven aralığı değildir. Birleştirilmiş AUC ayrı olarak bildirilmiştir.

Tablo 3

Model AUC Doğruluk Hassasiyet Spesifiklik Presizyon Pozitif F1 Makro F1
SVM 0,846
± 0,080
0,829
± 0,039
0,894
± 0,067
0,650
± 0,190
0,860
± 0,051
0,874
± 0,036
0,775
± 0,065
RF 0,829
± 0,119
0,771
± 0,117
0,839
± 0,163
0,550
± 0,201
0,808
± 0,077
0,821
± 0,118
0,708
± 0,123
LR 0,833
± 0,062
0,729
± 0,078
0,757
± 0,125
0,583
± 0,236
0,817
± 0,067
0,783
± 0,093
0,666
± 0,106
KNN 0,806
± 0,139
0,786
± 0,134
0,877
± 0,098
0,583
± 0,236
0,826
± 0,115
0,847
± 0,094
0,732
± 0,167
DT 0,715
± 0,109
0,700
± 0,117
0,714
± 0,158
0,617
± 0,162
0,796
± 0,106
0,751
± 0,135
0,655
± 0,119

Katman gruplu doğrulama altında sağ ön kol için ikili sınıflandırma.

Beş dış sporcu gruplu katmanda ortalamaya dayalı ± örnek standart sapma (70 kayıt; 25 sporcu). Düzeltilmiş etiketler: 22 yorgunluk olmayan ve 48 yorgunluk. Yorgunluk pozitif kabul edilir; makro F1 her iki sınıfı da ortalamaya alır. Standart sapma güven aralığı değildir. Birleştirilmiş AUC ayrı olarak bildirilmiştir.

2.8 Özellik seçimi kararlılığı

Her algoritma ve sensör konfigürasyonu için, her bir öngörücünün seçilme sıklığı onu koruyan dış eğitim katmanlarının sayısı beşe bölünerek hesaplandı. Çizilen sıklıklar, eğitim katmanı seçim kararlılığını betimler. Bunlar tam veri seti nedensel ağırlıkları, anlamlılık testleri veya etki büyüklüğünün bağımsız tahminleri değildir.

2.9 İstatistiksel analiz

Performans sonuçları, aritmetik ortalam ve örnek standart sapması kullanılarak koşul başına ayrı ayrı özetlendi. Yazar tarafından onaylanan güncellenmiş tabloda her koşul için CMJ, vuruş hızı, doğruluk ve RPE açısından 32 tam gözlem bulunmaktadır. Ortalama karşılaştırmalar, koşul ortalamaları arasındaki fark olarak (yorgunluk eksi yorgunluk olmayan) hesaplandı ve doğrulanmış katılımcı-içi değişimler olarak yorumlanmadı. Eşleştirilmiş P değerleri, eşleştirilmiş güven aralıkları veya katılımcı-içi etki büyüklükleri raporlanmadı, çünkü ön-son katılımcı eşlemesi hâlâ doğrulanmamıştır.

3 Bulgular

3.1 Kaydedilen koşula göre performans sonuçları

Düzeltilmiş performans tablosunda dört sonuç arasında eksik değer bulunmaktaydı. CMJ, yorgunluk olmayan koşulda 40,01 ± 8,51 ve yorgunluk koşulda 30,27 ± 7,29 olarak bulundu. Vuruş hızı sırasıyla 198,97 ± 23,54 ve 182,91 ± 16,32; doğruluk 16,78 ± 1,64 ve 11,25 ± 1,61; RPE ise 0,03 ± 0,09 ve 5,34 ± 0,55 olarak bulundu. 32 yorgunluk koşul gözleminin tamamı RPE ≥ 5 koşulunu sağladı, bunların 22’si tam olarak RPE 5 değerine sahipti. 32 yorgunluk olmayan gözlemden hiçbiri bu RPE koşulunu sağlamadı. Sonuçlar Tablo 4‘de sunulmaktadır. Bu koşul-seviyesi karşılaştırmaları betimleyicidir; eşleştirilmiş çıkarımsal sonuçlar, satır karşılıklığının doğrulanmasına bağlıdır.

Tablo 4

Outcome Non-fatigue n = 32 Fatigue n = 32 Mean contrast
CMJ (cm) 40.01 ± 8.51 30.27 ± 7.29 -9.75
Shot speed (km/h) 198.97 ± 23.54 182.91 ± 16.32 -16.06
Accuracy score 16.78 ± 1.64 11.25 ± 1.61 -5.53
RPE (CR-10) 0.03 ± 0.09 5.34 ± 0.55 +5.32

Performance outcomes by recorded condition.

Values are mean ± sample SD. Contrasts use unrounded fatigue minus non-fatigue means. Paired inference is conditional on confirmation of row correspondence.

There are 32 complete observations per condition. All fatigue-condition performance observations meet RPE ≥5, including 22 observations with RPE exactly 5. The updated performance dataset was confirmed by the authors. Participant pairing and links to the IMU recordings remain unconfirmed; only descriptive condition-level contrasts are reported.

3.2 Training-fold feature selection

3.2.1 Features retained in the seven-sensor configuration

In the seven-sensor KNN illustration, sparse selection retained a mean of 1.2 features per outer training fit (range 1–2). Selection was repeated within every training partition and was not based on a fixed full-dataset feature subset. Other classifiers could select different predictors because selector regularization was tuned jointly with classifier parameters. Figure 3 and the supplied selected-feature log describe this training-fold selection.

Figure 3

3.2.2 Features retained in the right-forearm configuration

Sağ ön kol KNN gösterimi, dış uyarmada başta 3,4 öznitelik ortalamasını korudu (aralık 1–12). Sabit bir öznitelik çifti dayatılmadı. SVM için her iki yapılandırma da karşılıklı dış uyarmada aynı sağ ön kol fazlalık-çarpıklık özniteliklerini korudu ve tutulan dışarıda bırakılan tahminlerle olasılıkları özdeş üretti. Bu, özdeş SVM özetlerini açıklar ancak sensör yapılandırmaları arasında ya da bu özniteliklerin eşsiz fizyolojik önem arasında denkliği kanıtlamaz.

3.3 Sınıflandırma performansı

3.3.1 Yedi sensörlü modeller

Yedi sensörlü sınıflandırıcıların beşinde kat ortalamalı doğruluk 65,71%’den 82,86%’ye, AUC 0,655’ten 0,846’ya, makro F1 0,600’den 0,775’e ve özgüllük 0,483’ten 0,700’e değişti. Tablo 2 her sınıflandırıcı için tüm yedi metriği, pozitif sınıf F1’i makro F1’den ayrı olarak raporlar. Şekil 4 birleştirilmiş tutulan dışarıda bırakılan ROC eğrilerini sunar; bu eğrilerin AUC değerleri tablodaki kat ortalamalı AUC değerlerinin yerini almaz. Şekil 5 bir algoritma üstünlüğü iddiası yerine raporlama gösterimi olarak KNN kullanır.

Şekil 4

Şekil 5

3.3.2 Sağ ön kollu modeller

Sağ ön kollu sınıflandırıcıların beşinde kat ortalamalı doğruluk 70,00%’den 82,86%’ye, AUC 0,715’ten 0,846’ya, makro F1 0,655’ten 0,775’e ve özgüllük 0,550’den 0,650’e değişti. Tüm algoritmalar Tablo 3‘de raporlanır. Yapılandırmalar arasında özdeş SVM sonuçları, bu çalışmada aynı özniteliklerin seçilmesini ve tutulan dışarıda bırakılan çıktılarının eşleşmesini yansıtır; diğer sınıflandırıcılar özdeş çıktılar üretmedi. Bu betimleyici karşılaştırmalar algoritma üstünlüğünü ya da sensör denkliğini kurmaz.

3.3.3 Gözden geçirilen değerlendirmenin kapsamı

Mevcut sonuçlar yalnızca etiketleri düzeltilen 70 kayıtlı yeni çalışmaya aittir. Öndeki birincil model özetlerini ve 3– 5 Şekillerini yerinden eder. Daha geniş 183 kayıtlı kümesinin örnek düzeyinde ayrıştırılmasından elde edilen tarihsel sonuçlar bu analizle birleştirilmez. Kayıt kalitesi duyarlılığı hâlâ çözülmemiştir: seçili-sensor kaybı bayrağı taşıyan herhangi bir kaydın katı şekilde dışlanması, tüm 70 yedi-sensor kayıttan tümünü kaldırır; yalnızca sağ önkolda katı şekilde dışlama 17 kayıttan 17’sini korur ve korunan bir orijinal dış katmanda tek sınıflı test alt kümesi bulunur. Bu tür dışlamadan sonra performansın değişmediğine dair bir iddia ileri sürülmez.

4 Tartışma

Bu çalışma, badminton forehand smash kayıtlarından yedi-sensor ve sağ önkoldan ivme özellikleri kullanarak beş sınıflandırıcıyı çevrimdışı karşılaştırır. Revize edilen birincil analiz, 25 kadro bağlantılı sporcudan 70 kayıttan yararlanır ve dört kayıt etiketini düzeltir; böylece 22 yorgunluk olmayan ve 48 yorgunluk gözlemi ortaya çıkar. Gözlenen ayrıştırma ön çalışmadır. Sporcu gruplı doğrulama, bu kullanılabilir veri seti içinde tutulan sporculara aktarımı değerlendirirken, küçük kohort, belirsiz kayıt düzeyinde fizyolojik etiketler ve kayıt kalitesi sınırlamaları yorumlamayı kısıtlar.

makro F1 ve özgüllüğü, olumlu sınıf metrikleriyle birlikte raporlamak, sınıf dengesizliği sonuçlarının nasıl okunması gerektiğini değiştirir. Yedi-sensor yapılandırmasında makro F1 0,600-0,775 arasında, özgüllük 0,483-0,700 arasında değişirken; karşılık gelen sağ önkold aralıkları 0,655-0,775 ve 0,550-0,650 oldu. Yalnızca olumlu sınıf duyarlılığı veya F1, yorgunluk olmayan kayıtlardaki hataları gizleyebilir. Bu ortalama katman değerleri ve standart sapmaları, gözlenen uyumları betimler ve tutarlı biçimde üstün bir algoritmayı kanıtlamaz. Algoritmalar arasında resmi bir üstünlük testi yürütülmedi.

İndirgenmiş yapı, daha az aday kanal ve özellik kullanır ve bu durum, daha basit veri alma düzeneklerinin incelenmesini teşvik eder. Ancak aynı SVM özetleri sensör eşdeğerliğini kanıtlamaz: Her iki pipeline da aynı ön kol öngörücülerini seçmiş ve aynı ayrılmış çıktıları üretmiştir. Bunlar, eşdeğer sensör performansının bağımsız tekrarları değildir. Diğer sınıflandırıcılar, düzeneğe bağlı sonuçlar göstermiştir. Üstelik, sabit bir anatomik sağ ön kol sinyalinin, solak katılımcı dahil olmak üzere her sporcu için baskın kol sinyali olmak zorunda olmadığı görülmektedir.

Önceki çalışmalar, koşu, yürüyüş ve diğer egzersiz ortamlarında IMU tabanlı yorgunluk tespitini incelemiştir (Marotta ve ark., 2021; Pinto-Bernal ve ark., 2021; Jiang ve ark., 2022). Bu çalışma, badmintona özgü bir kayıt veri seti sunmakla birlikte, söz konusu çalışmalarla sayısal karşılaştırmalar, görev, nüfus, etiket tanımları, segmentasyon ve doğrulama tasarımındaki farklar nedeniyle sınırlıdır. Giyilebilir sensörlerin kullanılması, başlı başına gerçek zamanlı bir yeteneği ispatlamaz. Bu analiz, önceden aktarılmış kayıtları kullanmış ve akış gecikmesini, hesaplama verimliliğini, ileriye dönük güvenilirliği veya canlı oyun sırasında performansı ölçmemiştir.

Seyrek özellik seçimi, eğitim bölümleri içinde tekrarlanmış; böylece sağlanan günlükler, her model ve kat için hangi öngörücülerin seçildiğini izlemeye olanak tanımıştır. Seçim sıklıkları sınıflandırıcı ve düzeneklere göre değişmiştir. Sık sık seçilen bir basıklık (kurtosis) veya genlik özelliği, bu veri setinde bağımsız olarak doğrulanmış bir yorgunluk mekanizması yerine istatistiksel bir öngörücüdür. İlişkili özellikler ve sınırlı sayıda sporcu, seçilen alt kümelerin kararsız olmasına yol açabilir. Bu seçimlerin incelenmesine olanak tanımak için özellik matrisi, kapsamlı aday parametre aramaları ve ayrılmış tahminler sağlanmıştır.

Kayıt kalitesi önemli bir sınırlama olmaya devam ediyor. Yedi analiz edilen sensörden en az biri, 22335 karenin 1513’ünde (6,77%) sıfırdan farklı bir Sensör-Kaybedildi bayrağı taşıyordu ve her kaydedilen kaydın en az biri böyle bir kare içeriyordu. Sonuç olarak, etkilenen yedi sensörlü tüm kayıtları hariç tutmak, tam kayıtlı bir karşılaştırma için veri bırakmıyor. Sağ ön kol bayrakları 53 kayıtta 118 kareyi etkiledi; katı hariç tutma 17 kayıt bırakıyor ve özgün beş katmanlı AUC değerlerinin tam bir karşılaştırmasını desteklemiyor. Kayıtlar ayrıca uzunlukta farklılık gösteriyor (203–525 kare), bu da zaman alan özetlerin hassaslığını ve uç değerlerini etkileyebilir. Örnekleme sıklığı, aktarım birimleri, koordinat convention’ları ve vuruş sınırları dosya bazında teyit gerektiriyor; ne kesintisiz aktarılan kare sayaçları ne de üretici filtrelemesi, sinyal kaybının önemsiz olduğunu göstermiyor.

Katılımcı eşleştirme kimlik belgelerini iyileştiriyor, ancak tüm etiket veya kohort sorunlarını çözmiyor. Üç belirsiz dosya adı takma adı yazarlar tarafından teyit edildi ve yeni çalışmanın gerçek dış ve iç bölümleri hiçbir atlet örtüşmesi göstermiyor. Yine de, mevcut kadro 31 giriş içerirken, özgün kayıtlı kohort 32 olarak bildirilmişti. Koşul başına 32 performans gözlemi, IMU kayıtları bireysel olarak eşlenmemiş veya bağlanmamıştır. Yazar teyidi, dört etiket düzeltmesini destekliyor, ancak kaydedilmemiş bir RPE veya CMJ ölçümü tahmin edilmemiştir. Bu nedenle performans sonuçları, her sınıflandırıcı girdisinin bağımsız fizyolojik doğrulaması yerine, koşul düzeyinde betimleyici bağlam sağlamaktadır.

Birincil alt küme de yalnızca alınan veri kümesinin bir bölümünü temsil eder. Artırma işaretli 50 benzersiz kayıt, çözülmemiş kimlik veya menşei gösteren 62 kayıt ve belirsiz kimliğe sahip bir kayıt eşsiz kayıtların kaldırılmasından sonra dışlandı. Bu seçim genelenebilirliği sınırlayabilir. Daha geniş veri kümesinden elde edilen önceki örnek düzeyinde duyarlılık çıktıları düzeltilmiş etiketler altında yeniden hesaplanmadı ve mevcut bulguları doğrulayamaz. İleriye dönük değerlendirmeler, model geliştirilmeden önce uygunluk, sinyal kalitesi kuralları, kayıt sınırları ve kayıt düzeyinde etiket toplama süreçlerini tanımlamalı; artırmayı yalnızca antrenman sporcularıyla sınırlamalıdır.

Sağlanan yeniden inşa edilen kod, dondurulmuş dahil etme/dışlama listesi, kaydedilmiş iç ve dış bölümler ile 700 tutulmuş tahmin yeni analizi denetlenebilir kılar. Kaydedilmiş özellik matrisinden analiz tekrarlandığında çıktıları yeniden üretildi, ancak hesaplamalı yeniden üretilebilirlik fizyolojik doğrulamadan ve dış genelenebilirlikten farklıdır. Gelecek çalışmalar, bağımsız olarak seçilen bir kohortu değerlendirmeli, veri alma ayarlarını ve eşli değerlendirmeleri belgelemeli ve herhangi bir planlanan çevrimiçi uygulamayı doğrudan test etmelidir. Mevcut sonuçlar, kanıtlanmış gerçek zamanlı yorgunluk izlemesi veya SVM üstünlüğü iddialarını desteklemez.

5 Sonuçlar

Yetkili tarafından düzeltilmiş durum etiketleri kullanılarak, 25 kadro bağlantılı sporcudan elde edilen 70 kayıttan oluşan yeni inşa edilmiş çevrimdışı bir analizde beş sınıflandırıcı değerlendirildi. Makro F1 ve özgüllük, her iki sınıftaki hataları betimleyerek AUC ve olumlu sınıf metriklerini tamamlar. Gözlemlenen sonuçlar daha kapsamlı araştırmayı destekler, ancak SVM veya başka bir sınıflandırıcının üstünlüğünü, sensör konfigürasyonlarının eşitliğini veya gerçek zamanlı izleme performansını kanıtlamaz.

Analiz kodu ve kaydedilmiş değerlendirme kayıtları, yeni hesaplamalı sonuçların yeniden üretilmesini destekler. Pratik yorgunluk izlemesi iddiaları öne sürülmeden önce, kayıt düzeyinde fizyolojik doğrulama, eşli değerlendirmenin uyumu, veri alma meta verileri, sinyal kalitesi duyarlılığı ve bağımsız doğrulama gerekli kalmaya devam eder.

Açıklamalar

Veri erişilebilirliği açıklaması

Çalışmada sunulan özgün katkılar makalenin Ekleve Materyali‘nde yer almaktadır. Daha ayrıntılı başvurular ilgili yazar’a yöneltilebilir.

Ahlak beyanı

İnsanların dahil edildiği çalışmalar, Beijing Spor Üniversitesi (Onay No. 2023073H) tarafından onaylanmıştır. Çalışmalar yerel mevzuat ve kurumsal gerekliliklere uygun olarak yürütülmüştür. Katılımcılar, bu çalışmaya katılmaya ilişkin yazılı aydınlatılmış onaylarını vermişlerdir.

Yazar katkıları

CG: Yazım – inceleme ve düzenleme, Doğrulama. ML: Kavramsal tasarım, Veri düzenleme, Biçimsel analiz, Yöntem, Yazılım, Görselleştirme, Yazım – özgün taslak, Yazım – inceleme ve düzenleme. YT: Doğrulama, Yazım – inceleme ve düzenleme. YS: Doğrulama, Yazım – inceleme ve düzenleme. ZZ: Doğrulama, Yazım – inceleme ve düzenleme. JA: Kavramsal tasarım, Yöntem, Proje yönetimi, Kaynaklar, Gözetim, Yazım – inceleme ve düzenleme. ZG: Soruşturma, Yazım – inceleme ve düzenleme. LMZ: Soruşturma, Yazım – inceleme ve düzenleme. LAZ: Soruşturma, Yazım – inceleme ve düzenleme.

Finansman

Yazar(lar), bu çalışma ve/veya yayımı için herhangi bir finansal destek alınmadığını beyan etmiştir.

Teşekkürler

Yazarlar, fiziksel yorgunluk indüksiyon protokoline ve veri toplama sürecine katılmak için gönüllü olarak zamanlarını ve maksimum çabalarını ayıran üniversite badminton sporcularına teşekkür etmek istemektedir.

Çıkar çatışması

Yazar(lar), bu çalışmanın, olası bir çıkar çatışması olarak değerlendirilebilecek herhangi bir ticari veya finansal ilişki olmadan yürütüldüğünü beyan etmiştir.

Üretken yapay zekâ beyanı

Yazar(lar), bu el yazısının oluşturulmasında üretken yapay zekânın kullanılmadığını beyan etmiştir.

Bu makaledeki figürlerle birlikte sağlanan alternatif metinler (alt text), Frontiers tarafından yapay zekânın desteğiyle oluşturulmuş olup, mümkün olduğunca yazarların incelemesini de içeren doğruluğu sağlamaya yönelik makul önlemler alınmıştır. Herhangi bir sorunu tespit ederseniz, lütfen bizimle iletişime geçin.

Yayıncının notu

Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve bağlı oldukları kuruluşların, yayıncının, editörlerin veya hakemlerin görüşlerini zorunlu olarak yansıtmaz. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisinin yapabileceği herhangi bir iddia, yayıncı tarafından garanti edilmez veya desteklenmez.

Ekleme materyali

Bu makalenin Ekleme Materyali şu adres çevrimiçi olarak bulunabilir: https://www.frontiersin.org/articles/10.3389/fphys.2026.1889980/full#supplementary-material

  • Adão MartinsN. R.AnnaheimS.SpenglerC. M.RossiR. M. (2021).
    Wearable cihazlarla yorgunluk izlemi: güncel durum değerlendirmesi. Front. Physiol.12. doi: 10.3389/fphys.2021.790292

    • CrossRef
    • Google Scholar
    • Makalede referansı görüntüle
  • AlderD. B.BroadbentD. P.SteadJ.PooltonJ. (2019).
    Badmintonda öngörü becerileri üzerinde fizyolojik yükün etkisi: testten eğitime. J. Sports Sci.37, 1816–1823. doi: 10.1080/02640414.2019.1596051

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • Makalede referansı görüntüle
  • AlkhawaldehI. M. (2022).
    İzometrik kasılma nedeniyle triceps brachii’de oluşan yorgunluğun badmintondaki dirsek, hız ve yukarıdan smash vuruşunun isabetliliği üzerindeki etkisi. Int. J. Hum. Movement Sports Sci.10, 878–885. doi: 10.13189/saj.2022.100502

    • CrossRef
    • Google Scholar
    • Makalede referansı görüntüle
  • BisschoffC. A.CoetzeeB.EscoM. R. (2016).
    Erkek elit badm oyuncularda kalp atış hızının otonom belirteçleri ile toparlanma durumunun öznel göstergeleri arasındaki ilişki. J. Sports Sci. Med.15, 658–669.

    • Google Scholar
    • Makalede referansı görüntüle
  • Bisschoff C. A., Coetzee B., Esco M. R. (2018). Kalp değişkenliği ve toparlanma, elit Afrikalı erkek badmintoncuların performans düzeylerini öngören faktörler olarak. Int. J. Perform. Anal. Sport18, 1–16. doi: 10.1080/24748668.2018.1437868

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • Breiman L. (2001). Rastgele ormanlar. Mach. Learn.45, 5–32. doi: 10.1023/a:1010933404324

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • Jiang Y., Malliaras P., Chen B., Kulić D. (2022). Taşınır sensörlerden egzersen kaynaklı yorgunluğun gerçek zamanlı öngörülmesi. Comput. Biol. Med.148, 105905. doi: 10.1016/j.compbiomed.2022.105905

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • Kuntze G., Mansfield N., Sellers W. (2010). Badminton’da yaygın kullanılan lunge hareketlerinin biyomekanik analizi. J. Sports Sci.28, 183–191. doi: 10.1080/02640410903428533

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • Le Mansec Y., Perez J., Rouault Q., Doron J., Jubeau M. (2019). Kas yorgunluğunun badminton’da smash vuruşunun performansını bozması. Int. J. Sports Physiol. Perform.15(1), 52–59. doi: 10.1123/ijspp.2018-0697

    • CrossRef
    • Google Scholar
    • View reference in article
  • Marotta L., Burke J. H., van Beijnum B.-J. F., Reenalda J. (2021). Gerçek dünya koşullarında koşu kaynaklı yorgunluğun yapay zeka temelli tespitine yönelik: Intrüzlüğü azaltmak için IMU sensör konfigürasyonlarının değerlendirilmesi. Sensors21, 3451. doi: 10.3390/s21103451

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • Moreno-Perez V, Gallo-Salazar C, Coso J D, Ruiz-Pérez I, Lopez-Valenciano A, Barbado D ve ark. (2020).
    Bir günde iki maç içeren bir badminton müsabakasının elit genç badm oyuncularında kas hasarı ve fiziksel performans üzerindeki etkisi. Biol. Sport37, 195–201. doi: 10.5114/biolsport.2020.94243

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • Phomsoupha M, Laffaye G. (2015).
    Badminton bilimi: oyun özellikleri, antropometri, fizyoloji, görme uygunluğu ve biomekanik. Sports Med.45, 473–495. doi: 10.1007/s40279-014-0287-2

    • CrossRef
    • Google Scholar
    • View reference in article
  • Pinto-Bernal M J, Cifuentes C A, Perdomo O, Rincón-Roncancio M, Múnera M. (2021).
    Taşınabilir sensörler kullanarak dört tanısal yorgunluk durumunu sınıflandırmak için veriye dayalı bir fiziksel yorgunluk yönetimi yaklaşımı. Sensors21, 6401. doi: 10.3390/s21196401

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • Rusdiana A, Subarjah H, Imanudin I, Kusdinar Y, Syahid A M, Kurniawan T. (2020).
    Yorgunluğun yukarıdan vurulan badminton sekme sıçramasındaki biomekanik değişkenlerin değişimine etkisi. Ann. Appl. Sport Sci.8 (s1), e895. doi: 10.29252/aassjournal.895

    • CrossRef
    • Google Scholar
    • View reference in article
  • Schneider C, Wiewelhove T, McLaren S J, Röleke L, Käsbauer H, Hecksteden A ve ark. (2020).
    Standart ısınma sırasında kalp atım hızı ölçümleriyle elit badminton oyuncularında antrenman ve toparlanma yanıtlarının izlenmesi. PLoS One15(12), e0244412. doi: 10.1371/journal.pone.0244412

    • Pubmed Abstract
    • CrossRef
    • Google Scholar
    • View reference in article
  • Varma S, Simon R. (2006). BMC Bioinf. 7, 91. doi: 10.1186/1471-2105-7-91

    • CrossRef
    • Google Scholar
    • View reference in article
  • Yu L, Jiang H, Mei Q, Mohamad N I, Fernandez J, Gu Y. (2023). Front. Bioeng. Biotechnol. 11, 1229574. doi: 10.3389/fbioe.2023.1229574

    • CrossRef
    • Google Scholar
    • View reference in article

Özet

Anahtar kelimeler

badminto, eylelölçüm birimleri, makine öğrenmesi, katılımcı gruplu doğrulama, fiziksel yorgunluk

Başvuru

Gong C, Liu M, Tang Y, Shan Y, Zhu Z, Ai J, Guo Z, Zhou L ve Zhang L (2026) Badminto sporcularında yorgunluk değerlendirmesi için eylelölçüm birimleri ve makine öğrenmesinin uygulaması. Front. Physiol. 17:1889980. doi: 10.3389/fphys.2026.1889980

Müracat tarihi

24 Mayıs 2026

Güncelleme tarihi

28 Ekim 2026

Kabul tarihi

29 Ekim 2026

Yayınlanma tarihi

11 Kasım 2026

17 – 2026

Robert James Aughey, Federation University Australia, Avustralya

Carlos Andrés Perez Ramirez, Autonomous University of Queretaro, Meksika

İsmaİL Çalikuşu, Nevşehir Üniversitesi, Türkiye

© 2026 Gong, Liu, Tang, Shan, Zhu, Ai, Guo, Zhou ve Zhang.

Bu, Creative Commons Atıf Lisansı (CC BY) koşulları altında dağıtılan açık erişimli bir makaledir. Kabul edilen akademik uygulama doğrultusunda, özgün yazar(lar)ın ve telif hakkı sahib(ler)inin atıf yapılması ve bu dergideki özgün yayının gösterilmesi şartıyla, diğer forumlarda kullanım, dağıtım veya çoğaltma izinlidir. Bu koşullara uymayan herhangi bir kullanım, dağıtım veya çoğaltma izinlidir.

* Meng Liu, spe_lium@ujn.edu.cn; Jun Ai, aijun1969@sina.com

Frontiers | Application of inertial measurement units and machine learning for fatigue assessment in badminton athletes
Frontiers | Application of inertial measurement units and machine learning for fatigue assessment in badminton athletes

Bu makalede ifade edilen tüm görüşler yalnızca yazarlara aittir ve onların bağlı oldukları kuruluşların, yayıncının, editörlerin veya hakemlerin görüşlerini yansıtmayabilir. Bu makalede değerlendirilen herhangi bir ürün veya üreticisinin yapabileceği herhangi bir iddia, yayıncı tarafından garanti edilmez veya desteklenmez.

İlginizi Çekebilir: Deplasmanda 90 Dakika: Güney Amerika Kulüpleri Yolculuklara Nasıl Hazırlanıyor →
Kaynak: Frontiersin ↗