دانشگاه تربیت مدرس مهندسی مکانیک مدرس 2476-6909 مقالات آماده انتشار 2026 06 23 Assessing Postural Instability in Individuals with Low Back Pain Through Measurement of Center of Pressure and Sport Intensity: A Machine Learning Approach ارزیابی ناپایداری ایستایی در افراد کمردردی از طریق اندازه‌گیری مرکز فشار و شدت تمرین‌های ورزشی: یک رویکرد یادگیری ماشین 28898 10.48311/mme.2026.119233.82975 FA پوریا درستکار روحانی Biomedical Eng. Sahand University of Tech. Tabriz. Iran محمود آذغانی دانشگاه صنعتی سهند امین پرتوی فرد Biomedical Eng. Sahand university of Tech. Tabriz Iran مهراد پوریوسف میاندواب Biomedical Eng. Sahand university of tech. Tabriz Iran Journal Article 2026 02 24 Falling is a major public health concern, especially for those dealing with low back pain, as it can lead to severe physical and psychological setbacks. While traditional clinical tests often miss the subtle nuances of balance impairment, quantitative Center of Pressure metrics offer a much clearer picture of stability. By combining these COP features with the right exercise intensity and advanced machine learning, we can create a more powerful tool for predicting and analyzing balance issues in patients with back pain.<br /> In this study, we collected Center of Pressure data and extracted the key features defining postural stability. Following rigorous preprocessing and normalization, we evaluated several machine learning models specifically Logistic Regression, Random Forest, and Support Vector Machines to classify individuals with stable versus impaired balance.<br /> The results demonstrated that these machine learning architectures performed exceptionally well in distinguishing between the two groups. Among the features extracted from the Center of Pressure data, velocity metrics and displacement amplitude emerged as the most potent predictors of poor balance. Through stratified cross-validation, our models achieved high accuracy and stability, providing an effective and reliable framework for identifying balance deficits سقوط یکی از نگرانی‌های اصلی در حوزه سلامت عمومی است، به‌ویژه برای افرادی که با کمردرد دست‌وپنجه نرم می‌کنند؛ چرا که این عارضه می‌تواند منجر به پیامدهای ناگوار جسمی شود. در حالی که تست‌های بالینی سنتی اغلب در تشخیص اختلال تعادل ناتوان هستند، شاخص‌های کمی مرکز فشار تصویر بسیار دقیق‌تری از وضعیت پایداری ارائه می‌دهند. ما می‌توانیم با ترکیب این ویژگی‌های مرکز فشار با شدت تمرینات ورزشی و بهره‌گیری از یادگیری ماشین پیشرفته، ابزاری قدرتمند برای پیش‌بینی و تحلیل مشکلات تعادلی در بیماران مبتلا به کمردرد ایجاد کنیم.<br /> در این پژوهش، داده‌های مرکز فشار جمع‌آوری و ویژگی‌های کلیدی معرف پایداری قامت استخراج گردید. پس از انجام مراحل دقیق پیش‌پردازش و نرمال‌سازی، چندین مدل یادگیری ماشین از جمله رگرسیون لجستیک، جنگل تصادفی و ماشین بردار پشتیبان را برای طبقه‌بندی افراد در دو گروه تعادل پایدار و تعادل ضعیف مورد ارزیابی قرار دادیم.<br /> نتایج نشان داد که این ساختارهای یادگیری ماشین در تفکیک دو گروه عملکرد فوق‌العاده‌ای دارند. در میان ویژگی‌های استخراج‌شده از داده‌های مرکز فشار، شاخص‌های سرعت و دامنه جابه‌جایی به عنوان قوی‌ترین پیش‌بین‌های تعادل ضعیف شناخته شدند. مدل‌های ما از طریق اعتبارسنجی متقاطع لایه‌ای، به دقت و پایداری بالایی دست یافتند که چارچوبی موثر و قابل‌اعتماد را برای شناسایی نقص‌های تعادلی فراهم می‌کند.