حسن ختن لو

زمینه و هدف: پیش بینی پاسخ های احتمالی به مداخلات و متغیر های مکانیکی از مهم ترین اهداف تعریف شده در حیطه بیومکانیک است. با وجود این تغیر پذیری بسیار زیاد و تفاوت های فردی همواره بزرگترین چالش پیش روی پژوهش گران بوده است. نوآوری های هوش مصنوعی و مدل های محاسباتی با تطبیق پذیری و اندازه گیری دقیقی که انجام می دهند.شرایط مطلوبی را جهت پیش بینی و ارزیابی عملکرد فراهم می تماید . روش کار: جستجوی مقالات مرتبط با محدوده پوشش مقالات در زمینه های Principle Component Analysis (PCA) ، Self-Organizing Map(SOM) ، K-means Clustering و Support Rector Machine (SVM ) در دو دهه اخیر انجام شد . یافته ها:. روش ) PCA ( در 35 مقاله بررسی شد؛ این مقالات PCA را جهت کاهش بعد داده ها و استخراج جنبه های مهم الگوهای حرکتی به کار برده اند. مطالعه ایی مروری در سال ) 2005 ( نشان داد که SOM به خوبی می تواند در تحلیل و نمایش دیداری سری زمانی که از سیستم پیچیده اخذ شده اند به کار رود . عنبریان و سلیمی ) 1394 ) در پژوهشی با استفاده از متغییر های فشار کف پایی افراد را بر اساس الگوی دینامیکی راه رفتن طبقه بندی نمودند. پزوهشگران با استفاده از یک مدل پیش رونده خودکار به همراه SVM با استفاده از 16 داده سینماتیکی حاصل از حداقل ارتفاع پنجه در گام برداری ، با صحت 95,6 % افراد در معرض خطر سقوط را تشخیص دادند . نتیجه گیری: آشنایی با نوآوری های هوش مصنوعی و مدل های محاسباتی به محققان بیومکانیک در ارزیابی عملکردهای حرکتی و پیش بینی پاسخ های احتمالی به مداخلات کمک می نماید.در نتیجه پژوهشگران می توانند مدل های محاسباتی مناسب جهت ارزیابی و پیش بینی اثر مداخلات در عملکردهای مختلف را به کلینیک های توانبخشی ارائه نمایند