Buradasınız

DESTEK VEKTÖR MAKİNELERİ KULLANILARAK SUBMAKSİMAL VERİLERDEN MAKSİMUM OKSİJEN TÜKETİMİNİN TAHMİN EDİLMESİ

PREDICTION OF MAXIMAL OXYGEN UPTAKE USING SUPPORT VECTOR MACHINES FROM SUBMAXIMAL DATA

Journal Name:

Publication Year:

Abstract (2. Language): 
Maximal Oxygen Uptake (VO2max) is the most siginificant indicator for cardiorespiratory fitness. In this study, Support Vector Machines (SVM) based prediction models have been developed to predict the VO2max of 185 healty subjects to which a submaximal treadmill exercise test has been applied. To form the VO2max regression equation, a dataset including 185 test subjects have been utilized. Using 10-fold cross validation on the dataset, standard error of estimates (SEE’s) and multiple correlation coefficients (R’s) of the models have been calculated. For comparison purposes, VO2max prediction models using Multiple Linear Regression (MLR) and Multilayer Perceptron (MLP) have been also developed. In conclusion, it is observed that SVM-based VO2max prediction models yield lower SEE’s than the ones obtained by using MLR-based and MLP-based predicton models
Abstract (Original Language): 
Maksimum oksijen tüketimi (VO2max), kardiyo respiratuar uygunluğu belirleyen en önemli bileşendir. Bu çalışmada, submaksimal koşu bandı egzersizi uygulanan sağlıklı yetişkinlerin VO2max’ını tahmin etmek için Destek Vektör Makinesi (DVM) tabanlı modeller geliştirilmiştir. VO2max regresyon denklemini oluşturabilmek için 185 denek içeren veri kümesi kullanılmıştır. 10 katlı çapraz doğrulama kullanılarak, modellerin standart tahmin hatası (STH) ve çoklu korelasyon katsayısı (KK) hesaplanmıştır. Karşılaştırma yapabilmek amacı ile Çoklu Doğrusal Regresyon (ÇDR) yöntemi ve Çok Katmanlı Algılayıcı (ÇKA) kullanılarak VO2max tahmin modelleri de geliştirilmiştir. Sonuç olarak, DVM tabanlı modellere ait STH değerlerinin ÇDR ve ÇKA tabanlı modellerin STH değerlerinden daha düşük olduğu gözlemlenmiştir.
42
48

REFERENCES

References: 

Dalleck L. C., Kravitz L., Robergs R. A. (2006): “Development of a Submaximal Test to Predict Elliptical Cross-Trainer VO2max”, National Strenght and Conditioning Association, Cilt 20, No. 2, s.278-283.
Friedrichs F., Igel C. (2005): “Evolutionary Tuning of Multiple SVM Parameters”, Neurocomputing, Cilt 64, s.107–117.
George J. D., Paul S. L., Hyde A., Bradshaw D. I., Vehrs P. R., Hager R. L. (2009): “Prediction of Maximum Oxygen Uptake Using Both Exercise and Non-Exercise Data”, Measurement in Physical Education and Exercise Science, Cilt 13, No. 1, s.1–12.
Sayfa No: 48 M. F. AKAY, G. ÖZSERT, J. GEORGE
Hsu C. W., Chang C. C., Lin C. J. (2003): “A Practical Guide to Support Vector Classification”, http://www.csie.ntu.edu.tw/~cjlin/papers/guide/guide.pdf.
Kale G., Akay, M. F., Aktürk E., Tunçdemir A. E. (2013): “Yapay Sinir Ağları Kullanılarak Egzersiz ve Egzersize Dayalı Olmayan Verilerden VO2max tahmini”, 21. Sinyal İşleme ve İletişim Uygulamaları Kurultayı, SİU2013, 24-26 Nisan 2013, KKTC.
Larsen G. E., George J. D., Alexander J. L., Fellingham G. W., Aldana S. G., Parcell A. C., (2002): Prediction of Maximum Oxygen Consumption from Walking, Jogging, or Running”, Research Quarterly for Exercise and Sport, Cilt 71, No. 1, s.66–72.
McComb J. J. R., Roh D., Williams J. S. (2006): “Explanatory Variance in Maximal Oxygen Uptake”, Journal of Sports Science and Medicine, Cilt 5, No. 2, s.296–303.
Nielson E. D. (2009): “Predicting VO2max in College-Aged Participants Using Cycle Ergometry and Nonexercise Measures”, Department of Exercise Sciences Brigham Young University, Master of Science, December.
Vehrs P. R., George J. D., Fellingham G. W., Plowman S. A., Dustman-Allen K. (2007): “Submaximal Treadmill Exercise Test to Predict VO2max in Fit Adults”, Measurement in Physical Education and Exercise Science, Cilt 11, No. 2, s.61–72.
William L., Wilkins (2000): “ACSM’s Guideline for Exercise Testing and Prescription (6th ed.).”, American College of Sports Medicine, Philadelphia.

Thank you for copying data from http://www.arastirmax.com