Development of new upper body power prediction models for cross-country skiers by using different machine learning methods

Abstract

Özetçe-Üst vücut gücü (Upper BodyPower -UBP), kros kayakçıların yarış performansını belirleyen en önemli unsurlardan biridir. Bu çalışmada farklı makine öğrenme yöntemleri ile kros kayakçılara ait 10 saniye UBP (UBP 10 ) ve 60 saniye UBP (UBP 60 ) değerlerini tahmin etmek üzere yeni modeller geliştirilmiştir. Makine öğrenme yöntemleri olarak Kademeli Korelasyon Ağı (Cascade Correlation Network -CCN), Radyal Tabanlı Fonksiyon Sinir Ağı (Radial Basis Function Neural Network -RBF) ve Karar Ağacı Ormanı (Decision Tree Forest -DTF) kullanılmıştır. Modellerde tahmin değişkenleri olarak cinsiyet, yaş, vücut kitle indeksi (body mass index -BMI), kalp atış hızı (heart rate -HR), maksimum oksijen tüketimi (VO 2 max) ve egzersiz süresi kullanılmıştır. Tahmin modellerinin performansı, 10 katlı çapraz doğrulama kullanılarak, çoklu korelasyon katsayısı (Multiple Correlation Coefficient -R) ve standart tahmin hatası (Standard Error of Estimate -SEE) hesaplanarak değerlendirilmiştir. Elde edilen sonuçlar incelendiğinde; yaş, cinsiyet, BMI ve VO 2 max değişkenlerini içeren CCN tabanlı UBP 10 ve UBP 60 tahmin modellerinin en düşük SEE değerlerini ürettiği gözlemlenmiştir. Anahtar Kelimeler -makine öğrenimi; üst vücut gücü; regresyon. Abstract-Upper Body Power (UBP) is one of the most important determinants that directly affects the performance of cross-country skiers during races. In this study, new models have been developed to predict the 10-second UBP (UBP 10 ) and 60second UBP (UBP 60 ) of cross-country skiers by using different machine learning methods including Cascade Correlation Network (CCN), Radial Basis Function Neural Network (RBF)and Decision Tree Forest (DTF). The predictor variables used to develop prediction models are age, gender, body mass index (BMI), heart rate (HR), maximal oxygen uptake (VO 2 max) and exercise time. By using 10-fold cross-validation on the dataset, the performance of the prediction models has been evaluated by calculating their multiple correlation coefficient (R) and standard error of estimate (SEE). The results show that the CCN-based model including the predictor variables age, gender, BMI and VO 2 max yields the lowest SEE both for the prediction of UBP 10 and UBP 60 .