Kunstig intelligenss rolle i at forudsige muskeltræthed ved hjælp af Virtual Reality-træning
8. juni 2023 opdateret af: Rami Abbas, Beirut Arab University
Kunstig intelligenss rolle i at forudsige muskeltræthed ved hjælp af Virtual Reality-træning i sunde og post-covid19-fag
Målet med denne observationelle forudsagte undersøgelse er at forudsige muskeltræthed ved hjælp af en specifik AI-algoritme hos raske vs post Covid-19 inficerede individer. Hovedspørgsmålet det sigter mod at besvare er:
Kan kunstig intelligens bruges som en pålidelig kilde til at forudsige lokaliseret muskeltræthed hos raske vs post Covid-19 inficerede individer?
Deltagerne vil blive opdelt i to grupper: En sund gruppe og en post Covid-19 gruppe.
- Hver gruppe vil gennemgå en familiariseringsproces inden øvelserne starter.
- Derefter vil hver gruppe udføre hugsiddende øvelser styret af kynpasis virtual reality-apparatet.
- sEMG for vastus lateralis og rectus femorier, brystekspansion og goniometriske målinger af knæet vil blive taget under forskellige rapporterede træthedsniveauer ved hjælp af Biopac-systemet.
- Grupper vil fortsætte med at sidde på hug, mens de registrerer deres subjektive træthedsniveau ved hjælp af Borg-skalaen.
- Data vil derefter blive kørt gennem maskinlæringsprocesser for at producere en AI-algoritme, der er i stand til at forudsige isoleret muskeltræthed.
Studieoversigt
Status
Afsluttet
Betingelser
Intervention / Behandling
Detaljeret beskrivelse
Deltagerne blev opdelt i to grupper, en bestående af raske personer og en anden bestående af Covid-19 forsøgspersoner. Begge grupper fik en bekendtgørelsestræning til øvelsen, der skal udføres med 15 minutters hvile efterfølgende, inden dataindsamlingens start.
Squatting øvelse blev udført ved hjælp af en virtual reality (VR) maskine (kynapsis) til vejledning i begge grupper. Squats blev udført, mens hænderne blev holdt foran kroppen, og knæene bøjede til 90 grader efter en rytme på to sekunder for nedstigning, to sekunders opstigning efterlignede bevægelsen udført på VR-maskinen.
Yderligere variabler blev overvejet, herunder brystekspansion og bevægelsesområdet ved hjælp af et elektrisk goniometer, alle blev målt og registreret ved hjælp af Biopac (BIOPAC Systems, Inc., Santa Barbara, CA), der ifølge beviser har et højpas frekvensfilter og bipolært elektrodesystem.
De testede muskler er de 3 hoveder af QF-musklen RF, VM og VL. Deres områder blev renset med alkohol og barberet for at reducere elektrodernes modstand. Tre engangs sEMG overfladeelektroder blev placeret, to af dem på muskelmaven med 2,5 cm afstand mellem dem, og en kontrolelektrode placeret på agonistsiden, deltageren blev bedt om at forlænge deres knæ og bøje det mod modstand for at lokalisere den laterale og medial vasti. sEMG-elektroder blev placeret på underafdelingerne af QF-musklen under træningen. De ekstraherede data køres derefter gennem en AI-algoritme, der analyserer og forudsiger muskeltræthed.
Borg (C-10)-skalaen blev forklaret for deltagerne og var til stede foran dem, mens de udførte øvelsen som et resultatmål for at vurdere den subjektive muskeltræthed, som en gang nået vil afslutte øvelsen.
Undersøgelsestype
Observationel
Tilmelding (Faktiske)
90
Kontakter og lokationer
Dette afsnit indeholder kontaktoplysninger for dem, der udfører undersøgelsen, og oplysninger om, hvor denne undersøgelse udføres.
Studiesteder
-
-
-
Beirut, Libanon
- Ahmad ElMelhat
-
-
Deltagelseskriterier
Forskere leder efter personer, der passer til en bestemt beskrivelse, kaldet berettigelseskriterier. Nogle eksempler på disse kriterier er en persons generelle helbredstilstand eller tidligere behandlinger.
Berettigelseskriterier
Aldre berettiget til at studere
- Voksen
Tager imod sunde frivillige
Ja
Prøveudtagningsmetode
Sandsynlighedsprøve
Studiebefolkning
Undersøgelsespopulationen bestod af to grupper.
- Ikke-atletiske raske personer, der ikke har udført nogen intense aktiviteter i de sidste 3 dage og ikke tidligere har kontaktet Covid-19.
- Ikke-atletiske raske individer, der ikke har udført nogen intense aktiviteter i de sidste 3 dage, men som har fået en bekræftet positiv PCR-test udført inden for et 1-års interval.
Beskrivelse
Inklusionskriterier:
- Alle forsøgspersoner inkluderet i begge grupper af undersøgelsen skal være ikke-atletisk sunde individer, som har undgået intense aktiviteter i de sidste 3 dage. Forsøgspersonerne inkluderet i Covid-19 gruppen skal have en bekræftet positiv PCR test udført inden for et interval på 1 år.
Ekskluderingskriterier:
- De forsøgspersoner, der ikke opfylder inklusionskriterierne, er ældre geriatrier (mere end 50 år) eller har nogen respiratoriske, hjerte-, nyre-, neuromuskulære, ortopædiske og muskuloskeletale lidelser, skal udelukkes fra undersøgelsen. Rygere og nogle medicinbrugere skal tages i betragtning, fordi det påvirker ydeevnen og øger træthedsniveauet.
Studieplan
Dette afsnit indeholder detaljer om studieplanen, herunder hvordan undersøgelsen er designet, og hvad undersøgelsen måler.
Hvordan er undersøgelsen tilrettelagt?
Design detaljer
Kohorter og interventioner
Gruppe / kohorte |
Intervention / Behandling |
|---|---|
|
Sund gruppe
|
Squatting øvelse blev udført ved hjælp af en virtual reality (VR) maskine (kynapsis) til vejledning i begge grupper.
Squats blev udført, mens hænderne blev holdt foran kroppen, og knæene bøjede til 90 grader efter en rytme på to sekunder for nedstigning, to sekunders opstigning efterlignede bevægelsen udført på VR-maskinen.
|
|
Post Covid-19 gruppe
|
Squatting øvelse blev udført ved hjælp af en virtual reality (VR) maskine (kynapsis) til vejledning i begge grupper.
Squats blev udført, mens hænderne blev holdt foran kroppen, og knæene bøjede til 90 grader efter en rytme på to sekunder for nedstigning, to sekunders opstigning efterlignede bevægelsen udført på VR-maskinen.
|
Hvad måler undersøgelsen?
Primære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Overflade elektromyografi
Tidsramme: Under hugsiddende øvelse.
|
ikke-invasiv teknik, hvor elektroder blev placeret på vastus lateralis og rectus femoris hovederne af quadriceps femoris musklen, for at vurdere dets myoelektriske output.
Deres områder blev renset med alkohol og barberet for at reducere elektrodernes modstand.
Tre engangs sEMG overfladeelektroder blev placeret, to af dem på muskelmaven med 2,5 cm afstand mellem dem, og en kontrolelektrode placeret på agonistsiden, deltageren blev bedt om at forlænge deres knæ og bøje det mod modstand for at lokalisere den laterale og medial vasti.
sEMG-elektroder blev placeret på underafdelingerne af QF-musklen under træningen.
De ekstraherede data køres derefter gennem en AI-algoritme, der analyserer og forudsiger muskeltræthed.
|
Under hugsiddende øvelse.
|
|
Borg Rating of Perceived Exertion (RPE) skalaen
Tidsramme: Under hugsiddende øvelse.
|
Et værktøj til at måle en persons indsats og anstrengelse, åndenød og træthed under fysisk arbejde og er derfor yderst relevant for arbejdsmiljøpraksis.
Det spænder fra 6 som minimum til 20 som maksimum, hvor 6 betyder ingen anstrengelse og 20 betyder ekstrem maksimal anstrengelse
|
Under hugsiddende øvelse.
|
Sekundære resultatmål
Resultatmål |
Foranstaltningsbeskrivelse |
Tidsramme |
|---|---|---|
|
Brystudvidelse.
Tidsramme: Under hugsiddende øvelse.
|
Brug af en respirationstransducer viklet rundt om emnets bryst ved hjælp af en velcro-strop, der overfører ekspansionsdata til hovedmodtagermodulet på Biopac, som vil blive optaget på computeren.
|
Under hugsiddende øvelse.
|
|
Bevægelsesområde.
Tidsramme: Under hugsiddende øvelse.
|
Ved hjælp af et elektrisk goniometer tilsluttet på emnets knæ, der vil transmittere signaler om bevægelsesområde til modtagermodulet på Biopac, som vil blive optaget på computeren.
|
Under hugsiddende øvelse.
|
Samarbejdspartnere og efterforskere
Det er her, du vil finde personer og organisationer, der er involveret i denne undersøgelse.
Sponsor
Publikationer og nyttige links
Den person, der er ansvarlig for at indtaste oplysninger om undersøgelsen, leverer frivilligt disse publikationer. Disse kan handle om alt relateret til undersøgelsen.
Generelle publikationer
- Disser NP, De Micheli AJ, Schonk MM, Konnaris MA, Piacentini AN, Edon DL, Toresdahl BG, Rodeo SA, Casey EK, Mendias CL. Musculoskeletal Consequences of COVID-19. J Bone Joint Surg Am. 2020 Jul 15;102(14):1197-1204. doi: 10.2106/JBJS.20.00847.
- Paneroni M, Simonelli C, Saleri M, Bertacchini L, Venturelli M, Troosters T, Ambrosino N, Vitacca M. Muscle Strength and Physical Performance in Patients Without Previous Disabilities Recovering From COVID-19 Pneumonia. Am J Phys Med Rehabil. 2021 Feb 1;100(2):105-109. doi: 10.1097/PHM.0000000000001641.
- Qian J, McDonough DJ, Gao Z. The Effectiveness of Virtual Reality Exercise on Individual's Physiological, Psychological and Rehabilitative Outcomes: A Systematic Review. Int J Environ Res Public Health. 2020 Jun 10;17(11):4133. doi: 10.3390/ijerph17114133.
- Wan JJ, Qin Z, Wang PY, Sun Y, Liu X. Muscle fatigue: general understanding and treatment. Exp Mol Med. 2017 Oct 6;49(10):e384. doi: 10.1038/emm.2017.194.
- A narrative review of immersive virtual reality's ergonomics and risks at the workplace: cybersickness, visual fatigue, muscular fatigue, acute stress, and mental overload Souchet, A.D., Lourdeaux, D., Pagani, A. et al. A narrative review of immersive virtual reality's ergonomics and risks at the workplace: cybersickness, visual fatigue, muscular fatigue, acute stress, and mental overload. Virtual Reality (2022). https://doi.org/10.1007/s10055-022-00672-0
- Donatelli, R.A. (2007) Sports-specific rehabilitation. St. Louis, MO: Churchill Livingstone.
- Hall, J. E., & Hall, M. E. (2020). Guyton and Hall textbook of medical physiology e-Book. Elsevier Health Sciences.
- Schoenfeld BJ. Squatting kinematics and kinetics and their application to exercise performance. J Strength Cond Res. 2010 Dec;24(12):3497-506. doi: 10.1519/JSC.0b013e3181bac2d7.
- Kubo K, Ikebukuro T, Yata H. Effects of squat training with different depths on lower limb muscle volumes. Eur J Appl Physiol. 2019 Sep;119(9):1933-1942. doi: 10.1007/s00421-019-04181-y. Epub 2019 Jun 22.
- Davenport T, Kalakota R. The potential for artificial intelligence in healthcare. Future Healthc J. 2019 Jun;6(2):94-98. doi: 10.7861/futurehosp.6-2-94.
- Tack C. Artificial intelligence and machine learning | applications in musculoskeletal physiotherapy. Musculoskelet Sci Pract. 2019 Feb;39:164-169. doi: 10.1016/j.msksp.2018.11.012. Epub 2018 Nov 23.
- Luna A, Casertano L, Timmerberg J, O'Neil M, Machowsky J, Leu CS, Lin J, Fang Z, Douglas W, Agrawal S. Artificial intelligence application versus physical therapist for squat evaluation: a randomized controlled trial. Sci Rep. 2021 Sep 13;11(1):18109. doi: 10.1038/s41598-021-97343-y.
- Alsobhi M, Khan F, Chevidikunnan MF, Basuodan R, Shawli L, Neamatallah Z. Physical Therapists' Knowledge and Attitudes Regarding Artificial Intelligence Applications in Health Care and Rehabilitation: Cross-sectional Study. J Med Internet Res. 2022 Oct 20;24(10):e39565. doi: 10.2196/39565.
- Sun J, Liu G, Sun Y, Lin K, Zhou Z, Cai J. Application of Surface Electromyography in Exercise Fatigue: A Review. Front Syst Neurosci. 2022 Aug 11;16:893275. doi: 10.3389/fnsys.2022.893275. eCollection 2022.
- Al-Mulla MR, Sepulveda F, Colley M. An autonomous wearable system for predicting and detecting localised muscle fatigue. Sensors (Basel). 2011;11(2):1542-57. doi: 10.3390/s110201542. Epub 2011 Jan 27.
- Calder KM, Stashuk DW, McLean L. Physiological characteristics of motor units in the brachioradialis muscle across fatiguing low-level isometric contractions. J Electromyogr Kinesiol. 2008 Feb;18(1):2-15. doi: 10.1016/j.jelekin.2006.08.012. Epub 2006 Nov 20.
- Torvik, G. I., Triantaphyllou, E., Liao, T., & Waly, S. (1999, March). Predicting muscle fatigue via electromyography: A comparative study. In Proceedings of the 25th International Conference on Computers and Industrial Engineering (pp. 277-280)
- Caesaria, A. P., Endro Yulianto, Luthfiyah, S., Triwiyanto, T., & Rizal, A. (2023). Effect of Muscle Fatigue on EMG Signal and Maximum Heart Rate for Pre and Post Physical Activity. Journal of Electronics, Electromedical Engineering, and Medical Informatics, 5(1), 39-45. https://doi.org/10.35882/jeeemi.v5i1.278
- Ahmad I, Kim JY. Assessment of Whole Body and Local Muscle Fatigue Using Electromyography and a Perceived Exertion Scale for Squat Lifting. Int J Environ Res Public Health. 2018 Apr 18;15(4):784. doi: 10.3390/ijerph15040784.
- Dos Santos PK, Sigoli E, Braganca LJG, Cornachione AS. The Musculoskeletal Involvement After Mild to Moderate COVID-19 Infection. Front Physiol. 2022 Mar 18;13:813924. doi: 10.3389/fphys.2022.813924. eCollection 2022.
- Diem L, Fregolente-Gomes L, Warncke JD, Hammer H, Friedli C, Kamber N, Jung S, Bigi S, Funke-Chambour M, Chan A, Bassetti CL, Salmen A, Hoepner R. Fatigue in Post-COVID-19 Syndrome: Clinical Phenomenology, Comorbidities and Association With Initial Course of COVID-19. J Cent Nerv Syst Dis. 2022 May 24;14:11795735221102727. doi: 10.1177/11795735221102727. eCollection 2022.
- Ducrocq GP, Blain GM. Relationship between neuromuscular fatigue, muscle activation and the work done above the critical power during severe-intensity exercise. Exp Physiol. 2022 Apr;107(4):312-325. doi: 10.1113/EP090043. Epub 2022 Mar 4.
- Joli J, Buck P, Zipfel S, Stengel A. Post-COVID-19 fatigue: A systematic review. Front Psychiatry. 2022 Aug 11;13:947973. doi: 10.3389/fpsyt.2022.947973. eCollection 2022.
- Faulkner JA, Larkin LM, Claflin DR, Brooks SV. Age-related changes in the structure and function of skeletal muscles. Clin Exp Pharmacol Physiol. 2007 Nov;34(11):1091-6. doi: 10.1111/j.1440-1681.2007.04752.x.
Datoer for undersøgelser
Disse datoer sporer fremskridtene for indsendelser af undersøgelsesrekord og resumeresultater til ClinicalTrials.gov. Studieregistreringer og rapporterede resultater gennemgås af National Library of Medicine (NLM) for at sikre, at de opfylder specifikke kvalitetskontrolstandarder, før de offentliggøres på den offentlige hjemmeside.
Studer store datoer
Studiestart (Faktiske)
15. april 2023
Primær færdiggørelse (Faktiske)
1. juni 2023
Studieafslutning (Faktiske)
7. juni 2023
Datoer for studieregistrering
Først indsendt
3. april 2023
Først indsendt, der opfyldte QC-kriterier
13. april 2023
Først opslået (Faktiske)
14. april 2023
Opdateringer af undersøgelsesjournaler
Sidste opdatering sendt (Faktiske)
9. juni 2023
Sidste opdatering indsendt, der opfyldte kvalitetskontrolkriterier
8. juni 2023
Sidst verificeret
1. juni 2023
Mere information
Begreber relateret til denne undersøgelse
Yderligere relevante MeSH-vilkår
Andre undersøgelses-id-numre
- AI in Prediciting Fatigue
Plan for individuelle deltagerdata (IPD)
Planlægger du at dele individuelle deltagerdata (IPD)?
UBESLUTET
Lægemiddel- og udstyrsoplysninger, undersøgelsesdokumenter
Studerer et amerikansk FDA-reguleret lægemiddelprodukt
Ingen
Studerer et amerikansk FDA-reguleret enhedsprodukt
Ingen
Disse oplysninger blev hentet direkte fra webstedet clinicaltrials.gov uden ændringer. Hvis du har nogen anmodninger om at ændre, fjerne eller opdatere dine undersøgelsesoplysninger, bedes du kontakte register@clinicaltrials.gov. Så snart en ændring er implementeret på clinicaltrials.gov, vil denne også blive opdateret automatisk på vores hjemmeside .