Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
244
Adabiyotlar ro‘yxati
1. Бабаджанов Э. С., Самандаров Б. С. Қорамол касаллик белгилари билан
сенсорлараро алоқалар //Journal of Advances in Engineering Technology. – 2022. – №. 3. – С.
64-67.
2. Самандаров Б. С., Гелдибаев Б.Е., Олламберганов Ф.Ф., Гулмирзаева Г. А. Чорва
фермаларининг радиочастотали идентификациялаш тизими инфратузилмасини лойиҳалаш
//Digital Transformation and Artificial Intelligence. – 2023. – Т. 1. – №. 2. – С. 68-72.
3. Самандаров Б. С., Гулмирзаева Г. А. Использование методов компьютерного зрения
на основе машинного обучения для обнаружения кожных заболеваний в животноводческих
комплексах //Science and innovation. – 2024. – Т. 3. – №. Special Issue 47. – С. 809-812
4. He H., Garcia E. A. Learning from imbalanced data //IEEE Transactions on knowledge
and data engineering. – 2009. – V. 21. – №. 9. – P. 1263-1284.
5. Japkowicz N., Stephen S. The class imbalance problem: A systematic study //Intelligent
data analysis. – 2002. – V. 6. – №. 5. – P. 429-449.
6. Samandarov B. S., Geldibayev B. Y. Chorva komplekslarida kasalliklarni erta aniqlashda
sinflashtirish algoritmlarini joriy qilish masalasi //Science and innovation. – 2024. – Т. 3. – №.
Special Issue 47. – С. 777-780.
7. Geldibayev B.Y., Ollamberganov F.F. Sogʻin sigirlarda oqsoqlikni erta aniqlashning
mashinali oʻqitishga asoslangan algoritmi // Oʻzbekiston Respublikasi Fanlar Akademiyasi
Qoraqalpogʻiston Boʻlimi Axborotnomasi. – 2024. – T. 276. – №.3. – B. 7 14.
8. Mazurowski M. A., Habas P.A., Zurada J.M. va bosh. Training neural network classifiers
for medical decision making: The effects of imbalanced datasets on classification performance
//Neural networks. – 2008. – V. 21. – №. 2-3. – P. 427-436.
9. Al-Hashem M. A., Alqudah A. M., Qananwah Q. Performance evaluation of different
machine learning classification algorithms for disease diagnosis //International Journal of E-Health
and Medical Communications (IJEHMC). – 2021. – V. 12. – №. 6. – P. 1-28.
MUSHAK BIOSIGNALLARIGA ISHLOV BERISH ORQALI
SPORTCHILARNING CHARCHOQLARINI BAHOLASHDA SUN’IY INTELLEKT
ALGORITMLARINI TAHLIL QILISH
Xoldorov Shohruhmirzo Imomali o‘g‘li
Muhammad al-Xorazmiy nomidagi Toshkent axborot texnologiyalari universiteti, Sun’iy
intellekt kafedrasi katta o‘qituvchisi
Anotatsiya:
Sportchilarning jismoniy holatini, jumladan, charchoq darajasini aniq baholash
optimal mashg‘ulotlarni rejalashtirish, yuqori natijalarga erishish va jarohatlanish xavfini
kamaytirish uchun muhim ahamiyatga ega. Mushak biosignallari, xususan, elektromiografiya
(EMG), mushaklarning faolligi va charchoqlari haqida qimmatli ma’lumotlarni taqdim etadi.
So‘nggi yillarda sun’iy intellekt (SI) usullari ushbu biosignallarni tahlil qilish va charchoqni
avtomatik tarzda baholash uchun kuchli vositaga aylandi. Ushbu maqola EMG signallariga
asoslangan holda sportchilarning charchoqlarini baholashda turli sun’iy intellekt (SI)
algoritmlarining samaradorligini tahlil qilishga qaratilgan.
Kalit so‘zlar:
sport, biosignal, charchoq, elektromiografiya, sun’iy intellekt, EMG.
Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
245
АНАЛИЗ АЛГОРИТМОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ПРИ
ОЦЕНКЕ УТОМЛЕНИЯ СПОРТСМЕНА ПОСРЕДСТВОМ ОБРАБОТКИ
МЫШЕЧНЫХ БИОСИГНАЛОВ
Аннотация:
Точная оценка физического состояния спортсменов, включая уровень
утомляемости, имеет важное значение для планирования оптимальных тренировок,
достижения высоких результатов и снижения риска травм. Мышечные биосигналы, в
частности электромиография (ЭМГ), предоставляют ценную информацию о мышечной
активности и утомляемости. В последние годы методы искусственного интеллекта (ИИ)
стали мощным инструментом для анализа этих биосигналов и автоматической оценки
утомления. Целью данной статьи является анализ эффективности различных алгоритмов
искусственного интеллекта (ИИ) при оценке утомляемости спортсменов на основе сигналов
ЭМГ.
Ключевые слова:
спорт, биосигнал, утомление, электромиография, искусственный
интеллект, ЭМГ.
ANALYSIS OF ARTIFICIAL INTELLIGENCE ALGORITHMS IN ASSESSING
ATHLETE FATIGUE THROUGH PROCESSING MUSCLE BIOSIGNALS
Abstract:
Accurate assessment of athletes’ physical condition, including fatigue level, is
essential for optimal training planning, achieving high performance, and reducing the risk of
injury. Muscle biosignals, in particular electromyography (EMG), provide valuable information
about muscle activity and fatigue. In recent years, artificial intelligence (AI) methods have become
a powerful tool for analyzing these biosignals and automatically assessing fatigue. This article
aims to analyze the effectiveness of various AI algorithms in assessing athlete fatigue based on
EMG signals.
Keywords:
sport, biosignal, fatigue, electromyography, artificial intelligence, EMG.
Elektromiografiya (EMG) skelet mushaklarining qisqarishi natijasida hosil bo‘ladigan elektr
faolligini o‘lchash usuli bo‘lib, neyromushak faolligini aks ettiradi. Bu signallar mushak
to‘qimalarida nerv impulslariga javoban yuzaga keladigan motor birlik harakat potentsiallarining
(MUAP) yig‘indisidir. EMG signallarini ikki asosiy usulda qayd etish mumkin: teri yuzasiga
elektrodlarni joylashtirish orqali (yuza EMG yoki sEMG) yoki igna elektrodlarini to‘g‘ridan-
to‘g‘ri mushakka kiritish orqali (igna EMG). Sport fanida va reabilitatsiyada sEMG o‘zining
noinvazivligi, ya’ni teriga shikast yetkazmasdan qo‘llanilishi mumkinligi sababli keng
qo‘llaniladi. Bu usul sportchilarni muntazam ravishda, klinik sharoitlarni talab qilmasdan va
noqulaylik tug‘dirmasdan kuzatib borish imkonini beradi, bu esa igna EMG yoki biokimyoviy
testlar kabi invaziv usullardan afzalligidir. sEMG signallarining odatdagi kuchlanish diapazoni 50
mkV dan 100 mV gacha, chastota tarkibi esa asosan 10 Hz dan 500 Hz gacha bo‘lgan oraliqda
bo‘ladi.
Mushak charchog‘i odatda jismoniy mashqlar natijasida mushakning maksimal kuch yoki
quvvat ishlab chiqarish qobiliyatining vaqtinchalik pasayishi sifatida ta’riflanadi. Bu murakkab
hodisa bo‘lib, uning mexanizmlari (markaziy va periferik) bajarilayotgan vazifaning turiga va
intensivligiga bog‘liq. Periferik charchoq ko‘pincha mushak tolalarida metabolitlar (masalan,
laktat, vodorod ionlari) to‘planishi va ion muvozanatining (masalan, kaliy) o‘zgarishi bilan bog‘liq
bo‘lib, bu mushak tolalarining qo‘zg‘aluvchanligi va qisqarish mexanizmlariga ta’sir qiladi.
Charchoq rivojlanishi bilan sEMG signalida xarakterli o‘zgarishlar kuzatiladi: signal amplitudasi
(masalan, RMS - O‘rtacha Kvadratik Qiymat, iEMG - Integrallangan EMG) odatda ortadi, bu
qo‘shimcha motor birliklarining jalb qilinishi yoki mavjudlarining faollashuv darajasining oshishi
Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
246
bilan izohlanadi. Shu bilan birga, signalning spektral chastotalari (masalan, MDF - Median
Chastota, MNF - O‘rtacha Chastota) odatda pasayadi, bu asosan mushak tolalarining
o‘tkazuvchanlik tezligining (MFCV) kamayishi bilan bog‘liq.
Sun’iy intellekt (SI), xususan, mashinani o‘rganish (Machine Learning - ML) algoritmlari,
sport fanini o‘zgartirmoqda. SI murakkab ma’lumotlar to‘plamlarini, shu jumladan EMG kabi
biosignallarni tahlil qilish orqali ish qobiliyati, yuklama boshqaruvi, jarohatlanishni bashorat qilish
va charchoqni baholash bo‘yicha yangi imkoniyatlar yaratmoqda. SI inson tomonidan
sezilmaydigan nozik qonuniyatlarni aniqlashga, shaxsiylashtirilgan mashg‘ulot rejalarini tuzishga
va real vaqt rejimida qayta aloqani ta’minlashga qodir. Tayanch Vektor Mashinasi (SVM), Neyron
Tarmoqlar (NN), K-Eng Yaqin Qo‘shnilar (KNN) va Tasodifiy O‘rmon (RF) kabi maxsus
algoritmlar EMG belgilariga asoslanib charchoq holatlarini tasniflash uchun keng qo‘llaniladi.
SI ning qo‘llanilishi oddiy tasniflashdan tashqariga chiqib, bashoratli modellash (charchoq
boshlanishini yoki jarohatlanish xavfini oldindan aytish) va real vaqt rejimida ishlaydigan adaptiv
tizimlar tomon siljimoqda. Bu retrospektiv tahlildan proaktiv boshqaruvga o‘tishni anglatadi, bu
esa sportchilarni boshqarishda muhim qadamdir.
Tayanch vektor mashinasi (Support Vector Machine) nazorat ostida o‘rganish algoritmi
bo‘lib, turli sinflarga mansub ma’lumotlar nuqtalarini optimal ravishda ajratuvchi gipertekislikni
topish orqali tasniflash (va regressiya) uchun samarali hisoblanadi. Chiziqsiz ma’lumotlarni qayta
ishlash uchun turli yadrolardan (masalan, chiziqli, polinomial, radial asos funktsiyasi - RBF)
foydalanishi mumkin. SVM yaxshi ishlashi, barqarorligi va nisbatan soddaligi tufayli EMG
asosida charchoqni tasniflash uchun keng qo‘llaniladi. Ko‘pincha, ayniqsa samarali dastlabki
ishlov berish va belgilarni tanlash bilan birgalikda yuqori aniqlikka erishadi. PSO-SVM kabi
variantlari ham mavjud.
Chuqur o‘rganish modellarining (CNN, LSTM) tobora ko‘proq qo‘llanilishi xom yoki
minimal ishlov berilgan signallardan avtomatik ravishda belgilarni ajratib olish tendentsiyasini aks
ettiradi, bu esa qo‘lda yaratilgan belgilarga bo‘lgan ehtiyojni kamaytirishi mumkin. Biroq, bu
ko‘pincha yuqori hisoblash xarajatlari bilan birga keladi va o‘qitish uchun kattaroq ma’lumotlar
to‘plamini talab qiladi.
K-eng yaqin qo‘shnilar (KNN) charchoq va yurish tahlili kabi turli EMG tasniflash
vazifalarida qo‘llaniladi.
Tasniflagichlarning ishlashini baholash uchun keng qo‘llaniladigan metrikalar
quyidagilardir:
•
aniqlik (accuracy): to‘g‘ri tasniflangan namunalar umumiy sonining ulushi.
•
aniq nisbat (Precision): ijobiy deb bashorat qilingan namunalar orasida haqiqiy
ijobiylarning ulushi.
•
qamrov (recall / sensitivity): haqiqiy ijobiy namunalarning qanchasi to‘g‘ri
aniqlanganligining ulushi.
•
F1-baho (F1-score): aniq nisbat va qamrovning garmonik o‘rtachasi, ayniqsa nomutanosib
ma’lumotlar to‘plamlari uchun foydali.
•
roc egri chizig‘i ostidagi maydon (auc): Sinflar o‘rtasidagi ajralish qobiliyatining o‘lchovi.
•
maxsuslik (specificity): haqiqiy manfiy namunalarning qanchasi to‘g‘ri aniqlanganligining
ulushi.
•
o‘rtacha absolyut xatolik (MAE), o‘rtacha kvadratik xatolik (RMSE), korrelyatsiya:
charchoqni regressiya asosida bashorat qilish yoki signallarni taqqoslash uchun ishlatiladi.
Современные проблемы интеллектуальных систем. Республиканская научно-практическая конференция. Джизак, 18-19 апреля 2025 г.
247
Адабиётлар рўйхати
1.
Electromyography
(EMG)
|
Johns
Hopkins
Medicine,
https://www.hopkinsmedicine.org/health/treatment-tests-and-therapies/electromyography-emg
2.
Shair EF, Ahmad SA, Marhaban MH, Mohd Tamrin SB, Abdullah AR. EMG Processing
Based Measures of Fatigue Assessment during Manual Lifting. Biomed Res Int.
2017;2017:3937254. doi: 10.1155/2017/3937254. Epub 2017 Feb 19. PMID: 28303251; PMCID:
PMC5337807.
3.
A. Qakhkharov, S. Kholdorov, N. Atadjanova, S. Davletova and N. Khayitov, "Analysis
of methods and algorithms for feature extraction of biosignals of muscle activity," 2021
International Conference on Information Science and Communications Technologies (ICISCT),
Tashkent, Uzbekistan, 2021, pp. 1-5, doi: 10.1109/ICISCT52966.2021.9670012.
4.
Makhkamov, B., Shukurov, K., Kakhkharov, A., Kholdorov, S., Mamajonov, D. (2025).
Analysis of Fatigue Characteristics in Muscle Groups Using the FREEEMG 1000. In: Bradford,
P.G., Gadsden, S.A., Koul, S.K., Ghatak, K.P. (eds) Proceedings of IEMTRONICS 2024.
IEMTRONICS 2024. Lecture Notes in Electrical Engineering, vol 1229. Springer, Singapore.
https://doi.org/10.1007/978-981-97-4780-1_7
5.
Shukurov, K., Mirjamolov, M., Kholdorov, S., Malikova, N. (2025). Enhancing
Paralympic Athlete Performance: Kinematic Analysis and Computer Information Systems for
Optimal Training Load Adjustment. In: Bradford, P.G., Gadsden, S.A., Koul, S.K., Ghatak, K.P.
(eds) Proceedings of IEMTRONICS 2024. IEMTRONICS 2024. Lecture Notes in Electrical
Engineering, vol 1228. Springer, Singapore. https://doi.org/10.1007/978-981-97-4784-9_29
6.
Shokhrukhmirzo Kholdorov and Nafisa Tolibova. SPECTRAL ANALYSIS OF
MUSCLE ACTIVITY - AN EXPERIMENTAL INVESTIGATION. SCIENCE AND
INNOVATION, INTERNATIONAL SCIENTIFIC JOURNAL VOLUME 2 ISSUE 11
NOVEMBER
2023.
UIF-2022:
8.2
|
ISSN:
2181-3337.
–P.
248-256.
https://doi.org/10.5281/zenodo.10246250
7.
A’lokhon Kakhkharov, Kamoliddin Shukurov and Shokhrukhmirzo Kholdorov.
SCIENCE AND INNOVATION, INTERNATIONAL SCIENTIFIC JOURNAL VOLUME 2
ISSUE 11 NOVEMBER 2023. UIF-2022: 8.2 | ISSN: 2181-3337. –P. 240-247.
https://doi.org/10.5281/zenodo.10244614
8.
Raez MB, Hussain MS, Mohd-Yasin F. Techniques of EMG signal analysis: detection,
processing, classification and applications. Biol Proced Online. 2006;8:11-35. doi:
10.1251/bpo115. Epub 2006 Mar 23. Erratum in: Biol Proced Online. 2006;8:163. doi:
10.1251/bpo124. PMID: 16799694; PMCID: PMC1455479.
9.
https://www.debutinfotech.com/blog/ai-in-sports-analytics
DO‘KON TOVARLARINI AVTOMATLASHTIRISHNING ZAMONAVIY
YONDOSHUVLARI
Raimov Ibrohim Shokir o‘g‘li
Jizzax shahridagi Qozon (Volgabo‘yi) federal universiteti filiali 4-kurs talabasi
Annotatsiya:
Mazkur maqola “Do‘kon tovarlarini hisobga olish va sotishni
avtomatlashtirish” mavzusiga bag‘ishlangan bo‘lib, zamonaviy texnologiyalardan foydalanib
tijorat jarayonlarini optimallashtirish muammosini qarashni o‘z ichiga oladi. Ishda
