تعیین هوشمند اندازه بار در آزمون وینگیت با استفاده از تکنیک های داده کاوی

زمینه و هدف: آزمون وینگیت شامل 30 ثانیه تمرین فوق بیشینه روی یک دوچرخه کارسنج است که میزان بار اعمال شده براساس وزن فرد تعیین می شود. اندازه بار علاوه بر وزن آزمودنی به پارامترهایی از جمله سن و جنسیت نیز وابسته است. عاوه بر پارامترهای نامبرده شده، پارامتر هایی ازقبیل میزان سطح ورزشی، درصد چربی زیر پوستی و سطح مصرف دخانیات آزمودنی نیز در تعیین اندازه بار تاثیرگذار می باشند. هدف از پژوهش حاضر ارائه یک روش هوشمند با استفاده از تکنیک داده کاوی برای تعیین اندازه بار در آزمون وینگیت با توجه به تمامی پارامتر های مداخله گر می باشد. روش تحقیق: آزمون وینگیت به وسیله چرخ کارسنج(مونارک 894) سه نوبت روی 30 نفر داوطلب مرد ازدانشجویان دانشگاه اصفهان انجام شد. در این تحقیق از نرم افزار راپیدماینر برای تجزیه و تحلیل داده ها استفاده شده است. یافته ها: براساس الگوریتم های داده کاوی ویژگی هایی که بیشترین تاثیر را به ترتیب در پیش بینی میزان بار داشته اند شامل: قد، وزن، سن، ورزش، میزان چربی زیرپوستی خاصره ای و میزان چربی زیر پوستی شکمی می باشد. نتیجه گیری: بر اساس نتایج به دست آمده از این تحقیق، تکنیک داده کاوی توانسته است اندازه بار را چه برای داد ههای آموزشی و چه برای داده های آزمایشی پیش بینی کند. بنابراین با استفاده از تکنیک مورد نظر می توان اندازه بار را برای افراد بطور دقیق پیش بینی کرد. نرم افزار حاصل از این تحقیق درحال ویرایش نهایی برای ارائه به بازار است.

The load Intelligent determination for the Wingate test by the data mining

Background and Aim: Wingate test involves a 30 seconds maximal exercise on cycling ergometer while the load is selected according to the body weight. Beside the body weight, the load is also related to other parameters such as age and gender. Also other parameters such as level of fitness, body mass index smoking of the exercisers can be affecting in the load selection for the test. This study suggests an intelligent load selection method for Wingate test using artificial neural networks according to all the affective variables. Materials and Methods: In this study 30 male students of Isfahan university volunteered to perform Wingate anaerobic power test on cycling ergometer (Monark 894). Moreover, the Rapid miner software was used for prediction of optimal workload according to characteristic of subjects. Results: According to the data mining algorithms, the Height, weight, age, exercise, pelvic fat and abdominal fat indicated the greatest impact on prediction of optimal workload:. Conclusion: According to the results, neural network was able to predict the amount of load for both train and test data with %93 and %90 confidence limits, respectively. This network can be used to delicately determine the load for anyone.