طراحي الگوي استعداديابي ورزشكاران كاراته‌كار مبتني بر الگوريتم‌هاي هوش مصنوعي

A pattern design for talent identification in karate based on artificial intelligence algorithms

باوجود اهميت استعداديابي براي رشته­‌هاي ورزشي، مستندات مرتبط با استعداديابي در كاراته بسيار اندك است. هدف از انجام اين مطالعه طراحي الگوي استعداديابي ورزشكاران كاراته‌­كار مبتني بر الگوريتم‌­هاي هوش مصنوعي است. آزمودني‌­ها به‌صورت نمونه‌­گيري در دسترس به دو گروه كاراته­‌كاران نوجوان نخبه (19 نفر) و غير كاراته­‌كاران (20 نفر) تقسيم شدند. برخي متغيرهاي آنتروپومتريكي و بيومكانيكي مبتني بر پيشينه تحقيق انتخاب و اندازه­‌گيري شد. از آزمون شاپيرو-ويلك براي تعيين نرمال بودن توزيع داده‌­ها استفاده شد. براي كاهش حجم داده­ها و تعيين مهم­ترين متغيرهاي آنتروپومتريكي و بيومكانيكي، روش آماري آناليز مؤلفه­‌هاي اصلي (PCA) به‌كاربرده شد. سپس در مدل­سازي از الگوريتم شبكه­‌هاي عصبي با سه لايه ورودي (10 نرون)، مياني (7 نرون) و خروجي (2 نرون) استفاده شد. نتايج نشان داد كه مهم­ترين متغيرهاي آنتروپومتريكي و بيومكانيكي كاراته­كاران نوجوان نخبه به ترتيب چربي زيرپوستي سينه­اي، قد، پرش، تعادل ايستا، قدرت نسبي پنجه دست، محيط سينه، محيط مچ پا، چربي زيرپوستي شكم و طول ظاهري پا هستند. همچنين درصد طبقه ­بندي صحيح و حساسيت داده­ها بالا و به ترتيب 87٪ و 85٪ بود. با توجه به يافته ­ها مي­توان از اين الگوي پيشنهادي هوشمند براي استعداديابي كاراته­‌كاران در كنار ساير روش­ها استفاده كرد.

Despite the importance of talent for sports, but it has yet received little attention. The purpose of this study was to present a pattern design for talent identification in karate based on artificial intelligence algorithms. Subjects divided to adolescent elite karate athletes (n = 19) and non-karate athletes adolescent (n=20) by convenience sampling. Besed on previous literature, we selected and measured biomechanical and anthropometric variables. The normal distribution of all data was analyzed using Shapiro-Wilk test. Principal component Analysis (PCA) was performed to reduce the number of variables and identify the most important anthropometric and biomechanical variables. Then, for modeling, the neural network algorithm was used with three input layer (10 neurons), middle (7 neurons) and output (2 neurons). The results showed the most important anthropometric variables of adolescent elite karate athletes were thoracic subcutaneous fat, height, jump, static balance, grip strength, chest circumference, ankle circumference, abdominal subcutaneous fat and apparent length leg respectively. Also, percentage of correct classification and sensitive of data was high and 87% and 85% respectively. According to the results of this study, this method can be used for talent karate athletes along with other methods.