การวิเคราะห์สถิติด้วย Statistical Parametric Mapping (SPM) สำหรับการวิจัยทางชีวกลศาสตร์การกีฬา
ในงานวิจัยทางชีวกลศาสตร์การกีฬา นักวิจัยมักเก็บข้อมูลที่เป็นแบบต่อเนื่องตลอดช่วงเวลาการเคลื่อนไหว (continuous data) เช่น มุมของข้อต่อ แรงกระแทกจากพื้น (ground reaction force) หรือสัญญาณไฟฟ้าจากกล้ามเนื้อ (EMG signal) ข้อมูลเหล่านี้แสดงให้เห็นการเปลี่ยนแปลงอย่างต่อเนื่องในแต่ละช่วงเวลา ซึ่งสามารถสะท้อนถึงลักษณะเฉพาะของการเคลื่อนไหว เช่น การเตะ การกระโดด หรือการออกหมัดในกีฬาต่อสู้
อย่างไรก็ตาม วิธีการวิเคราะห์แบบดั้งเดิมที่ใช้กันทั่วไป มักเน้นเพียง “จุดใดจุดหนึ่ง” ของข้อมูล เช่น ค่ามากที่สุด (peak value) ค่าต่ำสุด หรือค่ากลางของกราฟ ซึ่งเรียกว่า discrete point analysis ตัวอย่างเช่น การเปรียบเทียบแรงกระแทกสูงสุดของนักวิ่งสองกลุ่ม หรือการวัดมุมข้อเข่าสูงสุดในขณะกระโดด เพื่อสรุปความแตกต่างของการเคลื่อนไหว
ถึงแม้วิธีนี้จะใช้ง่ายและเข้าใจได้ไม่ยาก แต่ก็มีข้อจำกัดสำคัญ เพราะข้อมูลการเคลื่อนไหวของมนุษย์ไม่ได้เกิดขึ้นเฉพาะ “จุดเดียว” การเปลี่ยนแปลงที่สำคัญอาจเกิดขึ้นในช่วงเวลาอื่นของการเคลื่อนไหว ซึ่ง discrete point analysis ไม่สามารถตรวจจับได้ ตัวอย่างเช่น นักกีฬาสองคนอาจมีค่ามุมข้อเข่าสูงสุดเท่ากัน แต่รูปแบบการเคลื่อนไหวในช่วงก่อนถึงจุดนั้นต่างกันโดยสิ้นเชิง ซึ่งอาจสะท้อนถึงความแตกต่างในกลยุทธ์การควบคุมการเคลื่อนไหว Movement Synergy หรือความเสี่ยงต่อการบาดเจ็บ Risk of Injury
เพื่อตอบโจทย์ข้อจำกัดนี้ นักวิจัยชีวกลศาสตร์จึงเริ่มนำเทคนิค Statistical Parametric Mapping (SPM) มาใช้ในการวิเคราะห์ข้อมูลแบบต่อเนื่อง โดย SPM จะวิเคราะห์ “ทั้งช่วงของชุดข้อมูล” แทนที่จะดูเพียงค่าจุดเดียว วิธีนี้ทำให้สามารถระบุได้ว่าความแตกต่างทางสถิติเกิดขึ้น “ที่ช่วงเวลาใดของการเคลื่อนไหว”
ตัวอย่างเช่น ในการศึกษาการลงน้ำหนักเท้าของนักฟุตบอล SPM อาจแสดงให้เห็นว่ากลุ่มนักกีฬาที่บาดเจ็บเอ็นหัวเข่า ACL มี Ground Reaction Forces แตกต่างจากกลุ่มปกติในช่วง 20–40% แรกของการสัมผัสเท้า (stance phase) ซึ่งเป็นข้อมูลเชิงลึกที่วิธีการวิเคราะห์แบบจุดเดียวไม่สามารถบอกได้
ดังนั้น SPM จึงถือเป็นเครื่องมือวิเคราะห์สถิติที่ทรงพลังในงานวิจัยทางชีวกลศาสตร์ เพราะช่วยให้เข้าใจพฤติกรรมการเคลื่อนไหวในมิติของ “เวลา” อย่างสมบูรณ์และแม่นยำมากขึ้น ช่วยให้นักวิจัยและผู้ฝึกสอนสามารถออกแบบการฝึกหรือการป้องกันการบาดเจ็บได้อย่างมีข้อมูลเชิงลึก (evidence-based biomechanics) เพราะไม่ได้สนใจแค่จุดหรือตัวแทนของชุดข้อมูล แต่สนใจทั้งช่วงของข้อมูล
Statistical Parametric Mapping (SPM) เป็นเทคนิคการวิเคราะห์ทางสถิติที่ช่วยให้เราสามารถวิเคราะห์ข้อมูลทั้งกราฟได้ครบทุกจุด โดยไม่ต้องเลือกว่าจะดูแค่จุดไหน ทำให้สามารถตรวจจับความแตกต่างที่เกิดขึ้นตลอดช่วงเวลาของการเคลื่อนไหวได้อย่างแม่นยำ
SPM คืออะไร?
SPM ถูกพัฒนาขึ้นในตอนแรกสำหรับการวิเคราะห์ภาพสมอง (neuroimaging) แต่ได้ถูกนำมาประยุกต์ใช้ในงานชีวกลศาสตร์การกีฬาโดย Todd Pataky และทีมงาน ผ่านโปรแกรม spm1d ที่ทำงานบน Python และ MATLAB (Pataky, 2012)
หลักการทำงานของ SPM
SPM ทำงานโดยการ:
1. วิเคราะห์ข้อมูลทั้งกราฟ: แทนที่จะเลือกดูเพียงจุดเดียว SPM จะทำการทดสอบทางสถิติทุกจุดในกราฟ
2. ใช้ Random Field Theory (RFT): คำนึงถึงความสัมพันธ์ระหว่างจุดข้อมูลที่อยู่ใกล้กัน เพื่อควบคุม Type I error (false positive) ให้ถูกต้อง
3. สร้างแผนที่สถิติ (Statistical Parametric Map): แสดงผลเป็นกราฟที่บอกว่าช่วงเวลาไหนมีความแตกต่างอย่างมีนัยสำคัญทางสถิติ โดยใช้ค่า p-value และ critical threshold (Pataky, 2010)
การเตรียมข้อมูล: Temporal Normalization
ก่อนที่จะวิเคราะห์ด้วย SPM ข้อมูลต้องผ่านขั้นตอนสำคัญที่เรียกว่า Temporal Normalization เพื่อให้ข้อมูลทุกชุดมีจุดเริ่มต้นและสิ้นสุดที่สอดคล้องกัน
ปัญหาที่พบในข้อมูลชีวกลศาสตร์
ในการเก็บข้อมูลการเคลื่อนไหว แต่ละครั้งที่ทำการทดลอง (trial) มักจะมี:
• ระยะเวลาไม่เท่ากัน: เช่น การเดินหนึ่งก้าวใช้เวลา 1.2 วินาที อีกครั้งใช้เวลา 1.5 วินาที
• จำนวนข้อมูลต่างกัน: ถ้าบันทึกด้วย 100 Hz อาจได้ 120 จุดในครั้งหนึ่ง แต่ 150 จุดในอีกครั้ง
• จุดเหตุการณ์สำคัญเกิดขึ้นคนละเวลา: เช่น เท้าสัมผัสพื้นที่จุดข้อมูลที่ 35 กับจุดที่ 42
วิธีแก้ปัญหา: Linear Time Normalization
วิธีที่นิยมใช้กันมากที่สุดคือการแปลงข้อมูลจาก time domain (เวลาจริง) เป็น percentage ของ cycle (0-100%)
ตัวอย่าง:
ข้อมูลก่อน normalize:
- Trial 1: 120 จุดข้อมูล (0-1.2 วินาที)
- Trial 2: 150 จุดข้อมูล (0-1.5 วินาที)
- Trial 3: 100 จุดข้อมูล (0-1.0 วินาที)
หลัง normalize:
- Trial 1: 101 จุดข้อมูล (0-100%)
- Trial 2: 101 จุดข้อมูล (0-100%)
- Trial 3: 101 จุดข้อมูล (0-100%)
ขั้นตอนการทำ Temporal Normalization:
1. กำหนดจุดเริ่มต้นและสิ้นสุด:
o สำหรับการเดิน: ใช้ heel strike (เท้าสัมผัสพื้น) เป็นจุดเริ่มต้น และ next heel strike ของเท้าเดียวกันเป็นจุดสิ้นสุด
o สำหรับการกระโดด: ใช้ take-off และ landing เป็นจุดอ้างอิง
2. Interpolation: ใช้ cubic spline interpolation เพื่อสร้างข้อมูล 101 จุดที่กระจายเท่าๆ กัน (0-100% ทุก 1%)
3. ตรวจสอบคุณภาพ: plot ข้อมูลทั้งหมดทับกันเพื่อดูว่า normalization ได้ผลดีหรือไม่
ตัวอย่าง Code (Python):
import numpy as np
from scipy import interpolate
def normalize_time_series(data, n_points=101):
"""
Normalize time-series data to 101 points (0-100%)
Parameters:
data : array, shape (original_length,)
Original time-series data
n_points : int
Target number of points (default: 101)
Returns:
normalized_data : array, shape (n_points,)
Time-normalized data
"""
original_time = np.linspace(0, 100, len(data))
new_time = np.linspace(0, 100, n_points)
# Cubic spline interpolation
f = interpolate.interp1d(original_time, data, kind='cubic')
normalized_data = f(new_time)
return normalized_data
# ตัวอย่างการใช้งาน
knee_angle_trial1 = np.array([...]) # 120 data points
knee_angle_trial2 = np.array([...]) # 150 data points
# Normalize both trials to 101 points
trial1_norm = normalize_time_series(knee_angle_trial1)
trial2_norm = normalize_time_series(knee_angle_trial2)
# ตอนนี้สามารถนำไปวิเคราะห์ด้วย SPM ได้แล้ว
ทำไมต้องใช้ 101 จุด?
• เป็นมาตรฐานในงานชีวกลศาสตร์ (0-100% ทุก 1%)
• เพียงพอสำหรับการจับรายละเอียดของการเคลื่อนไหว
• เหมาะสมกับ Random Field Theory ใน SPM
• ใช้งานร่วมกับ spm1d package ได้ง่าย
Effects of Video Task With a High-Level Exercise Illustration on Knee Movements in Male Volleyball Spike Jump (Liu. 2021)
ข้อดีของ SPM
ข้อดีหลัก ของ SPM คือสามารถวิเคราะห์ข้อมูลต้นฉบับทั้งหมดได้โดยไม่ต้องลดทอนข้อมูล และไม่ต้องตั้งสมมติฐานล่วงหน้าว่าจะดูช่วงเวลาไหน (non-directed hypothesis testing) ซึ่งช่วยลดอคติในการเลือกวิเคราะห์ (Serrien et al., 2019)
ข้อดีอื่นๆ ประกอบด้วย:
• ลดโอกาสการเกิด Type II error (false negative) เมื่อเทียบกับการวิเคราะห์แบบจุดเดียว
• แสดงผลในรูปแบบที่เข้าใจง่าย สามารถเห็นภาพรวมของความแตกต่างตลอดช่วงเวลา
• สามารถวิเคราะห์ข้อมูลหลายมิติพร้อมกันได้ (multivariate analysis) เช่น การวิเคราะห์ EMG หลายกล้ามเนื้อพร้อมกัน
ตัวอย่างการประยุกต์ใช้ SPM ในงานวิจัย
1. การวิเคราะห์การวิ่ง (Running Gait Analysis)
งานวิจัยหลายชิ้นได้ใช้ SPM ในการศึกษาการวิ่ง พบว่า SPM สามารถตรวจจับความแตกต่างที่เกิดขึ้นในช่วงต่างๆ ของ gait cycle ได้ดีกว่าการวิเคราะห์แบบดั้งเดิม
ตัวอย่างการวิจัย: การศึกษาความสมมาตรระหว่างขาซ้ายและขาขวาในผู้วิ่งวัยหนุ่มและผู้สูงอายุ โดยใช้ SPM วิเคราะห์มุมข้อต่อในระนาบ sagittal และ frontal พบว่าผู้วิ่งทั้งสองกลุ่มมีความไม่สมมาตรในบางช่วงของ gait cycle แต่ไม่แตกต่างกันระหว่างกลุ่มอายุ (การวิเคราะห์แบบดั้งเดิมที่ดูเฉพาะค่า peak angle ให้ผลที่แตกต่างกัน) (Yona et al., 2024)
การทบทวนวรรณกรรมอย่างเป็นระบบพบว่ามีงานวิจัยเกี่ยวกับการวิ่งที่ใช้ SPM จำนวน 45 ชิ้น ซึ่งส่วนใหญ่ศึกษาผลของรองเท้า ปัจจัยทางกายภาพที่ส่งผลต่อการเคลื่อนไหว และการปรับเปลี่ยนท่าวิ่ง (Yona et al., 2024)
2. การวิเคราะห์ EMG หลายกล้ามเนื้อ
SPM มีประโยชน์อย่างมากในการวิเคราะห์สัญญาณ EMG ของหลายกล้ามเนื้อพร้อมกัน เนื่องจากสัญญาณ EMG มีความสัมพันธ์กันทั้งในเชิงเวลาและระหว่างกล้ามเนื้อ
ตัวอย่างการวิจัย: การศึกษาเปรียบเทียบ EMG ของกล้ามเนื้อขาระหว่างผู้ใหญ่วัยหนุ่มกับวัยกลางคนระหว่างการเดิน การวิเคราะห์แบบดั้งเดิม (discrete analysis) ไม่พบความแตกต่างในช่วง 35-45% ของ stance phase แต่การใช้ SPM vector-field analysis พบความแตกต่างอย่างมีนัยสำคัญในช่วงเวลานี้ ชี้ให้เห็นว่าการวิเคราะห์แบบดั้งเดิมเกิด Type II error (Robinson et al., 2015)
3. การวิเคราะห์การกระโดดและการลงสู่พื้น (Jumping and Landing Analysis)
SPM ถูกนำมาใช้ในการศึกษาความแตกต่างระหว่างแขนขาในผู้ป่วยที่ผ่าตัดเอ็นไขว้หน้าหัวเข่า (ACL reconstruction) และกลุ่มควบคุมที่ไม่มีการบาดเจ็บ
ตัวอย่างการวิจัย: การศึกษาความแตกต่างระหว่างขาในผู้ป่วย ACL reconstruction เทียบกับนักกีฬาปกติระหว่างการลงพื้น (landing) พบว่า SPM สามารถพบความแตกต่างในมุมข้อสะโพก เข่า และข้อเท้าตลอดช่วงเวลาของการเคลื่อนไหวได้ ซึ่งมีความหมายทางคลินิกและสามารถนำไปใช้ในการประเมินการฟื้นฟูได้ (Hugh-Oliver C.2019)
4. การว่ายน้ำ
SPM ได้ถูกนำมาใช้ในการศึกษาความผันแปรของความเร็วในการว่ายน้ำ (velocity fluctuation) ซึ่งเป็นตัวชี้วัดสำคัญของประสิทธิภาพการว่ายน้ำ
ตัวอย่างการวิจัย: การทบทวนวรรณกรรมอย่างเป็นระบบเกี่ยวกับการใช้ SPM ในการว่ายน้ำพบงานวิจัย 9 ชิ้น ที่ศึกษาความสัมพันธ์ระหว่างเทคนิคการว่ายน้ำกับประสิทธิภาพ โดยใช้ SPM วิเคราะห์ความเร็วแบบต่อเนื่อง (1D continuous variable) แทนที่จะดูเพียงความเร็วเฉลี่ย ทำให้เข้าใจถึงรูปแบบการผลิตแรงขับและความผันแปรของความเร็วตลอดรอบการว่ายน้ำได้ดีขึ้น (Morais et al., 2023)
5. การวิเคราะห์สะบัก (Scapular Kinematics)
ตัวอย่างการวิจัย: การศึกษาเปรียบเทียบการเคลื่อนไหวของสะบักและ EMG ของกล้ามเนื้อรอบสะบักระหว่างการยกแขนแบบมีน้ำหนักและไม่มีน้ำหนัก พบว่า SPM ให้ความละเอียด (resolution) ที่ดีกว่าการวิเคราะห์แบบ interval averaging (ทุก 10° หรือ 30°) และสามารถระบุช่วงเวลาที่เกิดผลกระทบได้ชัดเจนกว่า ซึ่งมีประโยชน์ในการประเมินการทำงานของไหล่ได้แม่นยำขึ้น (Kobayashi et al., 2022)
การเปรียบเทียบ SPM กับวิธีอื่นๆ
งานวิจัยเปรียบเทียบระหว่าง SPM, Statistical non-Parametric Mapping (SnPM), และ Functional Data Analysis (FDA) ในการวิเคราะห์ force profile ของนักพายเรือ พบว่าทั้ง 3 วิธีให้ผลลัพธ์ที่สอดคล้องกัน แต่การเลือกใช้ควรพิจารณาจาก:
• สมมติฐานแบบ parametric: SPM ต้องการให้ข้อมูลมีการกระจายแบบ normal
• ประเภทของข้อมูล: SnPM เหมาะกับข้อมูลที่ไม่เป็น normal distribution
• คำถามวิจัย: แต่ละวิธีมีจุดเด่นในการตอบคำถามวิจัยที่แตกต่างกัน
(Warmenhoven et al., 2018)
ตัวอย่าง Workflow การวิเคราะห์ด้วย SPM
ขั้นตอนที่ 1: เตรียมและ Normalize ข้อมูล
import numpy as np
import spm1d
# สมมติว่ามีข้อมูลมุมเข่าของ 2 กลุ่ม (ผู้ชายและผู้หญิง)
# แต่ละกลุ่มมี 15 คน แต่ละคนมี 5 trials
# โหลดข้อมูลและ normalize
def load_and_normalize_data():
male_data = []
female_data = []
for subject in range(15):
# โหลดข้อมูลของแต่ละคน
trials_male = [...] # 5 trials, แต่ละ trial มีความยาวไม่เท่ากัน
trials_female = [...]
# Normalize แต่ละ trial ให้เป็น 101 จุด
for trial in trials_male:
normalized = normalize_time_series(trial, n_points=101)
male_data.append(normalized)
for trial in trials_female:
normalized = normalize_time_series(trial, n_points=101)
female_data.append(normalized)
return np.array(male_data), np.array(female_data)
male_knee_angle, female_knee_angle = load_and_normalize_data()
print(f"Male group shape: {male_knee_angle.shape}") # (75, 101)
print(f"Female group shape: {female_knee_angle.shape}") # (75, 101)
ขั้นตอนที่ 2: ทดสอบด้วย SPM (Two-sample t-test)
# ทำ SPM t-test เพื่อเปรียบเทียบ 2 กลุ่ม
t = spm1d.stats.ttest2(male_knee_angle, female_knee_angle)
ti = t.inference(alpha=0.05, two_tailed=True)
# แสดงผลลัพธ์
print(ti)
# Plot ผลลัพธ์
import matplotlib.pyplot as plt
# Plot 1: ข้อมูลเฉลี่ย ± SD ของแต่ละกลุ่ม
fig, axes = plt.subplots(2, 1, figsize=(10, 8))
# Plot ข้อมูลดิบ
male_mean = np.mean(male_knee_angle, axis=0)
male_std = np.std(male_knee_angle, axis=0)
female_mean = np.mean(female_knee_angle, axis=0)
female_std = np.std(female_knee_angle, axis=0)
x = np.linspace(0, 100, 101)
axes[0].fill_between(x, male_mean - male_std, male_mean + male_std,
alpha=0.3, color='blue', label='Male ±SD')
axes[0].plot(x, male_mean, 'b-', linewidth=2, label='Male Mean')
axes[0].fill_between(x, female_mean - female_std, female_mean + female_std,
alpha=0.3, color='red', label='Female ±SD')
axes[0].plot(x, female_mean, 'r-', linewidth=2, label='Female Mean')
axes[0].set_xlabel('Gait Cycle (%)')
axes[0].set_ylabel('Knee Angle (degrees)')
axes[0].legend()
axes[0].set_title('Group Means ± SD')
axes[0].grid(True, alpha=0.3)
# Plot 2: SPM results
ti.plot(ax=axes[1])
axes[1].set_xlabel('Gait Cycle (%)')
axes[1].set_title('SPM{t} Analysis Results')
plt.tight_layout()
plt.show()
ขั้นตอนที่ 3: ตีความผลลัพธ์
# ตรวจสอบว่ามีความแตกต่างที่ไหนบ้าง
if ti.h0reject:
print("พบความแตกต่างอย่างมีนัยสำคัญ (p < 0.05)")
# แสดงช่วงเวลาที่แตกต่างกัน
clusters = ti.clusters
for i, cluster in enumerate(clusters):
start_pct = cluster[0]
end_pct = cluster[1]
print(f"Cluster {i+1}: {start_pct:.1f}% - {end_pct:.1f}% ของ gait cycle")
else:
print("ไม่พบความแตกต่างอย่างมีนัยสำคัญ")
การตรวจสอบคุณภาพข้อมูลหลัง Normalization
ก่อนวิเคราะห์ด้วย SPM ควรตรวจสอบคุณภาพของข้อมูลดังนี้:
1. ตรวจสอบด้วย Visual Inspection
def quality_check_visualization(data_list, group_name):
"""
ตรวจสอบคุณภาพข้อมูลด้วย visualization
"""
fig, axes = plt.subplots(1, 3, figsize=(15, 4))
# Plot 1: Overlay ข้อมูลทั้งหมด
for trial in data_list:
axes[0].plot(trial, alpha=0.2, color='blue')
axes[0].set_title(f'{group_name}: All Trials Overlay')
axes[0].set_xlabel('% Cycle')
axes[0].set_ylabel('Value')
axes[0].grid(True, alpha=0.3)
# Plot 2: Mean ± SD
mean_curve = np.mean(data_list, axis=0)
std_curve = np.std(data_list, axis=0)
x = np.linspace(0, 100, len(mean_curve))
axes[1].fill_between(x, mean_curve - std_curve,
mean_curve + std_curve,
alpha=0.3, color='blue')
axes[1].plot(x, mean_curve, 'b-', linewidth=2)
axes[1].set_title(f'{group_name}: Mean ± SD')
axes[1].set_xlabel('% Cycle')
axes[1].set_ylabel('Value')
axes[1].grid(True, alpha=0.3)
# Plot 3: Variability (Coefficient of Variation)
cv = (std_curve / np.abs(mean_curve)) * 100
axes[2].plot(x, cv, 'r-', linewidth=2)
axes[2].set_title(f'{group_name}: Coefficient of Variation')
axes[2].set_xlabel('% Cycle')
axes[2].set_ylabel('CV (%)')
axes[2].grid(True, alpha=0.3)
plt.tight_layout()
return fig
# ใช้งาน
quality_check_visualization(male_knee_angle, 'Male Group')
quality_check_visualization(female_knee_angle, 'Female Group')
2. ตรวจสอบ Outliers
def detect_outliers(data_array, threshold=3):
"""
ตรวจจับ outliers โดยใช้ z-score
"""
mean_curve = np.mean(data_array, axis=0)
std_curve = np.std(data_array, axis=0)
outliers = []
for i, trial in enumerate(data_array):
z_scores = np.abs((trial - mean_curve) / std_curve)
if np.any(z_scores > threshold):
outliers.append(i)
max_z = np.max(z_scores)
print(f"Trial {i}: มี z-score สูงสุดที่ {max_z:.2f}")
return outliers
# ตรวจจับ outliers
male_outliers = detect_outliers(male_knee_angle)
female_outliers = detect_outliers(female_knee_angle)
if len(male_outliers) > 0:
print(f"พบ outliers {len(male_outliers)} trials ในกลุ่มผู้ชาย")
if len(female_outliers) > 0:
print(f"พบ outliers {len(female_outliers)} trials ในกลุ่มผู้หญิง")
ข้อควรระวังในการใช้ SPM
1. ขนาดตัวอย่าง (Sample size): SPM ต้องการขนาดตัวอย่างที่เพียงพอ โดย Pataky (2017) ได้พัฒนาวิธีการคำนวณ power analysis และขนาดตัวอย่างที่เหมาะสมสำหรับ SPM แนะนำให้มีอย่างน้อย 10-15 คนต่อกลุ่มสำหรับการทดสอบพื้นฐาน
2. การทำ Temporal Normalization อย่างถูกต้อง:
o ต้องระบุจุดเริ่มต้นและสิ้นสุดของ cycle ให้ถูกต้องและสม่ำเสมอ
o ใช้ cubic spline interpolation เพื่อรักษารูปร่างของกราฟ
o ตรวจสอบว่าไม่มี artifacts จากการ interpolation
3. ความเรียบของข้อมูล (Smoothness): ข้อมูลควรมีความเรียบเพียงพอสำหรับการใช้ Random Field Theory อาจต้อง filter ข้อมูลก่อนการวิเคราะห์ แต่ระวังอย่า over-filter จนเสียรายละเอียดสำคัญ
4. การตีความผล:
o ต้องระวังในการตีความผลลัพธ์ โดยเฉพาะเมื่อพบความแตกต่างเล็กๆ น้อยๆ
o ต้องพิจารณาว่ามีความหมายทางชีวกลศาสตร์หรือคลินิกหรือไม่
o ความแตกต่างที่มีนัยสำคัญทางสถิติ ไม่จำเป็นต้องมีความสำคัญทางคลินิกเสมอไป
5. การเลือกใช้ค่า alpha:
o มาตรฐานคือ α = 0.05 แต่อาจปรับได้ตามลักษณะการวิจัย
o สำหรับ exploratory analysis อาจใช้ α = 0.10
o สำหรับ confirmatory study ควรใช้ α = 0.05 หรือเข้มงวดกว่า
แนวโน้มในอนาคต
การทบทวนวรรณกรรมแบบ scoping review ชี้ให้เห็นช่องว่างและโอกาสในการพัฒนาการใช้ SPM:
1.การศึกษานอกห้องแล็บ: ยังมีงานวิจัยน้อยที่ศึกษาในสภาพแวดล้อมจริง
2.ความหลากหลายของกีฬา: ยังมีหลายกีฬาที่ยังไม่ได้ถูกศึกษาด้วย SPM
3. ความเท่าเทียมทางเพศ: งานวิจัยส่วนใหญ่ยังมุ่งเน้นไปที่ผู้ชาย
4. การพัฒนา Bayesian SPM: การนำวิธีการทางสถิติแบบ Bayesian มาใช้กับ SPM จะช่วยให้สามารถประเมินหลักฐานที่สนับสนุนสมมติฐานว่างได้ดีขึ้น (Serrien et al., 2019)
สรุป
Statistical Parametric Mapping (SPM) เป็นเครื่องมือที่ทรงพลังสำหรับการวิเคราะห์ข้อมูลทางชีวกลศาสตร์การกีฬาที่มีความต่อเนื่องตามเวลา ข้อดีหลักคือสามารถวิเคราะห์ข้อมูลทั้งหมดได้โดยไม่ต้องตัดทอน ลดอคติจากการเลือกดูเฉพาะบางจุด และควบคุม statistical error ได้ดี การใช้ SPM ช่วยให้นักวิจัยสามารถเข้าใจรูปแบบการเคลื่อนไหวและการทำงานของร่างกายได้ลึกซึ้งและครอบคลุมมากขึ้น ซึ่งมีประโยชน์ต่อการพัฒนาประสิทธิภาพการกีฬาและการป้องกันการบาดเจ็บ
เอกสารอ้างอิง
Hughes-Oliver CN, Harrison KA, Williams DSB, Queen RM. Statistical Parametric Mapping as a Measure of Differences Between Limbs: Applications to Clinical Populations. J Appl Biomech. 2019 Dec 1;35(6):377–387. doi: 10.1123/jab.2018-0392. Epub 2019 Oct 18. PMID: 31629339.
Kobayashi, K., Umehara, J., Pataky, T., Yamaura, M., Hiroaki, T., Ueda, Y., & Ichihashi, N. (2022). Application of statistical parametric mapping for comparison of scapular kinematics and EMG. Journal of Biomechanics, 144, 111346.
Liu, Xiangyu & Huang, Huiming & Li, Xiaohan & Li, Jianshe & Shi, Huijuan & Wang, Aiwen. (2021). Effects of Video Task With a High-Level Exercise Illustration on Knee Movements in Male Volleyball Spike Jump. Frontiers in Psychology. 12. 10.3389/fpsyg.2021.644188.
Morais, J. E., Marinho, D. A., Cobley, S., & Barbosa, T. M. (2023). Using statistical parametric mapping as a statistical method. Frontiers in Physiology, 14, 1213151.
Pataky, T. C. (2010). Generalized n-dimensional biomechanical field analysis using statistical parametric mapping. Journal of Biomechanics, 43(10), 1976-1982.
Pataky, T. C. (2012). One-dimensional statistical parametric mapping in Python. Computer Methods in Biomechanics and Biomedical Engineering, 15(3), 295-301.
Robinson, M. A., Vanrenterghem, J., & Pataky, T. C. (2015). Statistical Parametric Mapping (SPM) for alpha-based statistical analyses of multi-muscle EMG time-series. Journal of Electromyography and Kinesiology, 25(1), 14-19.
Serrien, B., Goossens, M., & Baeyens, J. P. (2019). Statistical parametric mapping of biomechanical one-dimensional data with Bayesian inference. International Biomechanics, 6(1), 9-18.
Warmenhoven, J., Harrison, A., Robinson, M. A., Vanrenterghem, J., Bargary, N., Smith, R., ... & Pataky, T. (2018). A force profile analysis comparison between functional data analysis, statistical parametric mapping and statistical non-parametric mapping in on-water single sculling. Journal of Science and Medicine in Sport, 21(10), 1100-1105.
Yona, T., Kamel, N., Cohen-Eick, G., Ovadia, I., & Fischer, A. (2024). One-dimension statistical parametric mapping in lower limb biomechanical analysis: A systematic scoping review. Gait & Posture, 109, 133-146.
หมายเหตุ: สำหรับผู้ที่สนใจเรียนรู้เพิ่มเติมหรือใช้งาน SPM สามารถดาวน์โหลด package spm1d ได้ที่ www.spm1d.org ซึ่งมีทั้งเวอร์ชัน Python และ MATLAB พร้อมคู่มือการใช้งานและตัวอย่างที่ครบถ้วน
ความคิดเห็น
แสดงความคิดเห็น