fa بررسی ناپایداری مزمن مچ پا در ورزشکاران با استفاده از شبکه عصبی مصنوعی تخصصي Special پژوهشي Research <p dir="rtl" style="text-align:justify"><strong>هدف</strong> شبکه عصبی مصنوعی الگویی الهام‌گرفته از سیستم عصبی انسان است که اطلاعات را به‌صورت مشابه مغز پردازش می‌کند. ناپایداری مزمن مچ پا یکی از شایع‌ترین عوارض اسپرین‌های حاد است که تنها با دو عامل مکانیکی و عملکردی توضیح داده نمی‌شود. هدف این پژوهش، پیش‌بینی ناپایداری مزمن مچ پا در ورزشکاران با استفاده از شبکه‌های عصبی مصنوعی بود.<br> <strong>روش‌ها</strong> 40 آزمودنی در قالب دو گروه (20 ورزشکار با ناپایداری مزمن مچ پا و 20 ورزشکار بدون سابقه آسیب مچ پا) به‌عنوان نمونه آماری انتخاب شدند. متغیرهای موردمطالعه این پژوهش قد، وزن، پهنای قسمت قدامی پا، پرونیشن پا، دامنه حرکتی فعال و غیرفعال دورسی‌فلکشن، دامنه حرکتی فعال و غیرفعال پلانتارفلکشن، دامنه حرکتی فعال و غیرفعال اینورژن، دامنه حرکتی فعال و غیرفعال اورژن، کنترل استاتیک پاسچرال و آزمون چابکی ایلینویز بودند که در بین آزمودنی‌های دو گروه مورد ارزیابی قرار گرفتند. تجزیه‌وتحلیل آماری با استفاده از آزمون‌های t مستقل و تحلیل تشخیصی انجام گرفت.<br> <strong>یافته‌ها</strong> در تجزیه‌وتحلیل داده‌ها با استفاده از شبکه‌های عصبی مصنوعی، داده‌ها مدل‌سازی شدند. با استفاده از بهترین شبکه عصبی 0.9997 = R و درصد خطا بین داده‌های تجربی و شبکه حدود 10 به توان 14- مشاهده شد که نشان‌دهنده دقت بسیار بالای شبکه عصبی می‌باشد. نتایج شبکه نشان‌دهنده این بود که پهنای قسمت قدامی پا و دامنه حرکتی غیرفعال اینورژن مهم‌ترین عوامل تأثیرگذار بر آسیب‌دیدگی مچ پا می‌باشند.<br> <strong>نتیجه‌گیری</strong> شبکه عصبی مصنوعی قادر به پیشگویی آسیب‌دیدگی مچ پا با دقت بسیار بالا بود. این تحقیق نشان داد که پهنای جلوی پا و دامنه حرکتی بیش‌ازحد اینورژن، اصلی‌ترین عوامل ناپایداری مزمن مچ پا هستند و توصیه می‌کند ورزشکارانی که پاهای پهن و دامنه حرکتی بیش‌ازحد اینورژن دارند، از وسایل محافظتی مانند بریس و باندپیچی استفاده کنند.</p> <div style="text-align: justify;"><strong>Objective </strong>An artificial neural network (ANN) is an information-processing concept inspired by the biological nervous system, capable of handling data in a manner similar to the human brain. The key feature of this approach is its architecture, which consists of numerous interconnected processing elements that operate collectively to solve complex problems. Chronic ankle instability (CAI) is one of the most common and troublesome sequelae of acute ankle sprains. It is typically attributed to mechanical and functional instability, yet these categories do not fully capture the range of pathological conditions contributing to CAI. Therefore, the present study aimed to estimate and classify chronic ankle instability in athletes using artificial neural networks.<br> <strong>Methods </strong>Forty athletes participated in this study and were divided into two groups: 20 athletes with chronic ankle instability and 20 without a history of ankle injury. The analyzed variables included height, weight, forefoot width, foot pronation, active and passive dorsiflexion, plantarflexion, inversion, and eversion ranges of motion (ROM), static postural control, and performance in the Illinois agility test. Independent t-tests and discriminant analyses were used for statistical comparisons. Subsequently, ANN modeling was applied to identify the most influential predictors of CAI.<br> <strong>Results </strong>Data modeling with the optimal neural network achieved an R value of 0.9997, with a minimal error between the experimental and predicted data, indicating very high predictive accuracy. The ANN results identified forefoot width and passive inversion ROM as the most critical factors influencing ankle instability.<br> <strong>Conclusion</strong> The artificial neural network demonstrated exceptional accuracy in predicting ankle instability. The findings suggest that increased forefoot width and excessive inversion range of motion are major contributors to chronic ankle instability. Preventive strategies such as the use of ankle braces or taping are recommended for athletes exhibiting these characteristics.</div> ناپایداری مزمن مچ پا, ورزشکاران, شبکه عصبی مصنوعی Chronic ankle instability, Athletes, Artificial neural network 70 88 http://biomechanics.iauh.ac.ir/browse.php?a_code=A-10-478-1&slc_lang=fa&sid=1 Shahram Ahanjan شهرام آهنجان 10031947532846004984 10031947532846004984 Yes Department of Sport Sciences and Health, Amirkabir University of Technology, Tehran, Iran. گروه علوم ورزشی و تندرستی، دانشگاه صنعتی امیرکبیر(پلی تکنیک)، تهران، ایران Komeil Dashti Rostami کمیل دشتی رستمی 10031947532846004985 10031947532846004985 No Department of Motor Behavior and Biomechanics, Faculty of Sport Sciences, University of Mazandaran, Babolsar, Iran. گروه رفتار حرکتی و بیومکانیک، دانشکده تربیت‌بدنی و علوم ورزشی، دانشگاه مازندران، بابلسر، ایران. Ali Jalalvand علی جلالوند 10031947532846004986 10031947532846004986 No Department of Sport Biomechanics, Ha.C., Islamic Azad University, Hamedan, Iran. گروه بیومکانیک ورزشی، واحد همدان، دانشگاه آزاد اسلامی، همدان، ایران.