PREDICTION OF MAXIMAL OXYGEN UPTAKE USING SUPPORT VECTOR MACHINES FROM SUBMAXIMAL DATA
Journal Name:
- Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi
Keywords (Original Language):
Author Name | University of Author |
---|---|
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
Bookmark/Search this post with
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.
FULL TEXT (PDF):
- 48