fa طراحی الگوی استعدادیابی ورزشکاران کاراته‌کار مبتنی بر الگوریتم‌های هوش مصنوعی پژوهشي Research <span style="font-family:B Lotus;"><span style="font-size:9.0pt;">باوجود اهمیت استعدادیابی برای رشته&shy;‌های ورزشی، مستندات مرتبط با استعدادیابی در کاراته بسیار اندک است.</span></span> <span style="font-family:B Lotus;"><span style="font-size:9.0pt;">هدف</span></span> <span style="font-family:B Lotus;"><span style="font-size:9.0pt;">از انجام این</span></span> <span style="font-family:B Lotus;"><span style="font-size:9.0pt;">مطالعه</span></span> <span style="font-family:B Lotus;"><span style="font-size:9.0pt;">طراحی الگوی استعدادیابی ورزشکاران کاراته‌&shy;کار مبتنی بر الگوریتم‌&shy;های هوش مصنوعی است. آزمودنی‌&shy;ها به‌صورت نمونه‌&shy;گیری در دسترس به دو گروه کاراته&shy;‌کاران نوجوان نخبه (19 نفر) و غیر کاراته&shy;‌کاران (20 نفر) تقسیم شدند. </span></span><span style="font-family:B Lotus;"><span style="font-size:9.0pt;">برخی متغیرهای</span></span><span style="font-family:B Lotus;"><span style="font-size:9.0pt;"> آنتروپومتریکی و بیومکانیکی مبتنی بر پیشینه تحقیق انتخاب و اندازه&shy;‌گیری شد. </span></span><span style="font-family:B Lotus;"><span style="font-size:9.0pt;">از آزمون </span></span><span style="font-family:B Lotus;"><span style="font-size:9.0pt;">شاپیرو-ویلک </span></span><span style="font-family:B Lotus;"><span style="font-size:9.0pt;">برای تعیین نرمال بودن توزیع داده‌&shy;ها استفاده شد. برای کاهش حجم داده&shy;ها و تعیین مهم&shy;ترین متغیرهای آنتروپومتریکی و بیومکانیکی، روش آماری آنالیز مؤلفه&shy;‌های اصلی (</span></span><span dir="LTR"><span style="font-family:Arial,sans-serif;"><span style="font-size:9.0pt;">PCA</span></span></span><span style="font-family:B Lotus;"><span style="font-size:9.0pt;">) به‌کاربرده شد. سپس</span></span><span style="font-family:B Lotus;"><span style="font-size:9.0pt;"> در</span></span><span style="font-family:B Lotus;"><span style="font-size:9.0pt;"> مدل&shy;سازی از الگوریتم شبکه&shy;‌های عصبی با سه لایه ورودی (10 نرون)، میانی (7 نرون) و خروجی (2 نرون) استفاده شد. </span></span><span style="font-family:B Lotus;"><span style="font-size:9.0pt;">نتایج نشان داد </span></span><span style="font-family:B Lotus;"><span style="font-size:9.0pt;">که مهم&shy;ترین </span></span><span style="font-family:B Lotus;"><span style="font-size:9.0pt;">متغیرهای آنتروپومتریکی و بیومکانیکی </span></span><span style="font-family:B Lotus;"><span style="font-size:9.0pt;">کاراته&shy;کاران </span></span><span style="font-family:B Lotus;"><span style="font-size:9.0pt;">نوجوان نخبه به ترتیب چربی زیرپوستی سینه&shy;ای، قد، پرش، تعادل ایستا، قدرت نسبی پنجه دست، محیط سینه، محیط مچ پا، چربی زیرپوستی شکم و طول ظاهری پا هستند. همچنین درصد طبقه&shy;بندی صحیح و حساسیت داده&shy;ها بالا و به ترتیب 87</span></span><span style="font-size:9.0pt;">٪</span><span style="font-family:B Lotus;"><span style="font-size:9.0pt;"> و 85</span></span><span style="font-size:9.0pt;">٪</span><span style="font-family:B Lotus;"><span style="font-size:9.0pt;"> بود. </span></span><span style="font-family:B Lotus;"><span style="font-size:9.0pt;">با توجه به یافته&shy;ها می&shy;توان از </span></span><span style="font-family:B Lotus;"><span style="font-size:9.0pt;">این الگوی پیشنهادی هوشمند</span></span><span style="font-family:B Lotus;"><span style="font-size:9.0pt;"> برای استعدادیابی کاراته&shy;‌کاران در کنار سایر روش&shy;ها استفاده کرد.</span></span><strong><span style="font-family:B Lotus;"><span style="font-size:9.0pt;"></span></span></strong> &nbsp;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 &nbsp;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. کاراته, استعدادیابی, شبکه عصبی, آنتروپومتری, بیومکانیک Karate, Talent, Neural Network, Anthropometry, Biomechanics. 37 54 http://jsmt.khu.ac.ir/browse.php?a_code=A-10-2065-1&slc_lang=fa&sid=1 سید احسان نقیبی s.e.naghibi@gmail.com 10031947532846002858 10031947532846002858 Yes دانشگاه بو علی سینا مهرداد عنبریان anbarian@basu.ac.ir 10031947532846002859 10031947532846002859 No دانشگاه بو علی سینا Elham Shirzad الهام شیرزاد 10031947532846002860 10031947532846002860 No دانشگاه تهران