گروه‌بندی دوندگان براساس زوایای سه‌بعدی مفصل مچ پا با استفاده از الگوریتم خوشه‌بندی عمیق زمانی

مقدمه و اهداف روش‌های طبقه‌بندی ایستا باهدف بررسی ارتباط نوع و ساختار پا با عوامل آسیب‌زا و تجویز مداخلات پیشگیرانه و درمانی از قبیل ارتز و کفش استفاده شده است. باوجوداین، ارتباط ضعیفی بین اندازه‌گیری‌های ایستا و عملکرد حرکتی پا گزارش شده ‌است و مطالعات به سمت استفاده از روش‌های طبقه‌بندی پویای پا که مبتنی بر الگوی حرکتی است، هدایت شده است؛ بنابراین، هدف از این مطالعه، گروه‌بندی دونده‌ها براساس الگوی سینماتیک سه‌بعدی مچ پا در حین دویدن و بررسی تفاوت‌های معنادار الگوهای سینماتیک گروه‌های شناسایی‌شده است.مواد و روش‌ها الگوریتم خوشه‌بندی عمیق زمانی باهدف شناسایی زیرگروه‌های همگن بر روی داده‌های زوایای سه‌بعدی مفصل مچ پا 108 بزرگسال سالم (سن: 2/42±22/45 سال،قد: 0/11±1/69 متر، توده بدن: 9/54±64/64 کیلوگرم، جنسیت: 55 مرد، 53 زن) در حالت دویدن با پای برهنه اجرا شد. پس از شناسایی گروه‌ها، نگاشت پارامتریک آماری برای بررسی تفاوت الگوهای سینماتیکی مفصل مچ پا در سراسر مرحله استقرار دویدن در گروه‌های شناسایی‌شده مورد استفاده قرار گرفت.یافته‌ها سه زیرگروه مجزا شناسایی شدند. مقایسه سری زمانی منحنی‌ها نشان داد افراد خوشه 1 دارای میانگین دورسی فلکشن مفصل مچ پا بزرگتر در مقایسه با الگوی دو خوشه دیگر در بین 40 تا 80 درصد از مرحله استقرار دویدن بودند (0/004=p). همچنین، افراد خوشه 3 الگوی تغییرات اورشن مفصل مچ پا بیشتری را بین 60 تا 100 درصد مرحله استقرار دویدن در مقایسه با الگوی افراد دو خوشه دیگر نشان داد (0/038=p). باوجوداین، تغییرات زوایای مفصل مچ پا در صفحه افقی در حین دویدن در هر سه گروه الگوی مشابه داشتند.نتیجه‌گیری مدل ارائه‌شده قادر است دوندگان را براساس الگوی سینماتیک مفصل مچ پا در حین دویدن به‌صورت خودکار طبقه‌بندی نماید؛ بنابراین، با شناسایی الگوی حرکتی گروه‌های همگن و تعیین مداخلات مناسب برای هریک از این گروه‌ها، می‌توان دستور‌العملی مناسب در تجویز مداخلات پیشگیرانه از قبیل کفش را توسعه داد.

grouping runners based on three-dimensional ankle joint angles using a deep temporal clustering algorithm

background and aims static classification methods have been used to investigate the relationship between foot type and structure with risk factors and to prescribe preventive and therapeutic interventions such as orthotics and shoes. however, a weak relationship between static measurements and foot movement performance has been reported, and studies have shifted towards using dynamic foot classification methods based on movement patterns. therefore, this study aimed to group runners based on three-dimensional kinematic patterns of the ankle joint during running and to investigate significant differences in kinematic patterns among the identified groups.methods the deep temporal clustering algorithm was implemented during barefoot running to identify homogeneous subgroups on three-dimensional ankle joint angle data of 108 healthy adults (age: 22.45±2.42 years; height: 1.69±0.11 m; body mass: 64.66±9.54 kg; gender: 55 males, 53 females). after identifying the clusters, a parametric statistical mapping was used to examine the differences in ankle joint kinematic patterns across the stance phase of running in the identified clusters.results three distinct subgroups were identified. a comparison of the time series curves showed that individuals in cluster 1 had a larger average ankle joint dorsiflexion range compared to the other two cluster patterns between 40% and 80% of the stance phase of running (p=0.004). additionally, individuals in cluster 3 showed a greater range of ankle joint eversion between 60% and 100% of the stance phase of running compared to the patterns of individuals in the other two clusters (p=0.038). however, changes in ankle joint angles in the horizontal plane during running were similar in all three groups.conclusion the proposed model can automatically group runners based on the kinematic pattern of the ankle joint during running. by identifying the movement pattern of homogeneous groups and determining appropriate interventions for each of these groups, a suitable guideline for prescribing preventive interventions such as shoes can be developed.