Tekoäly kinemaattisessa analyysissä
perjantai 1. heinäkuuta 2022 päivittänyt: Zhou Mouwang, Peking University Third Hospital
Keinoälyn avainpisteiden tunnistusteknologian sovellustutkimus kinemaattisessa analyysissä
- Luo tietojoukot. Yksityinen tietojoukko sisältää olennaiset parametrit, mukaan lukien videokuvan kohteen kävelystä ja standardimenetelmät kinemaattista analyysiä varten;
- Kehitä uusia malleja. Julkisten ja yksityisten aineistojen perusteella kehitetään edelleen ihmisen avainpisteiden havaitsemisen kinemaattista analyysimallia.
- Testaa uutta mallia. Vertaamalla parametreja standardimenetelmään mallin tarkkuus varmistettiin ja saatiin tekoälyn kinemaattinen analyysimalli, jonka tarkkuus on yli 98 %.
Tutkimuksen yleiskatsaus
Tila
Ei vielä rekrytointia
Ehdot
Interventio / Hoito
Yksityiskohtainen kuvaus
Tekoäly ihmisen avainpisteen havaitsemismalli on pääasiassa perinteinen algoritmi, "ylhäältä alas" algoritmi ja "alhaalta ylös" algoritmi kolme menetelmää, kolme menetelmää on etuja.
Tässä projektissa käytetään kattavasti yllä olevia kolmea menetelmää algoritmien ja parametrien virheenkorjauksen suorittamiseen julkisessa tietojoukossa ja testaamiseen yksityisessä tietojoukossa, jotta saadaan sopivin ihmisen avainpisteiden tunnistusmenetelmä kävelyanalyysiin.
Opintotyyppi
Havainnollistava
Ilmoittautuminen (Odotettu)
30
Yhteystiedot ja paikat
Tässä osiossa on tutkimuksen suorittajien yhteystiedot ja tiedot siitä, missä tämä tutkimus suoritetaan.
Opiskeluyhteys
- Nimi: Mouwang Zhou
- Puhelinnumero: 13910092892
- Sähköposti: zhoumouwang@outlook.com
Osallistumiskriteerit
Tutkijat etsivät ihmisiä, jotka sopivat tiettyyn kuvaukseen, jota kutsutaan kelpoisuuskriteereiksi. Joitakin esimerkkejä näistä kriteereistä ovat henkilön yleinen terveydentila tai aiemmat hoidot.
Kelpoisuusvaatimukset
Opintokelpoiset iät
18 vuotta - 75 vuotta (Aikuinen, Vanhempi Aikuinen)
Hyväksyy terveitä vapaaehtoisia
Ei
Sukupuolet, jotka voivat opiskella
Kaikki
Näytteenottomenetelmä
Ei-todennäköisyysnäyte
Tutkimusväestö
Normaalin kävelyn kohteet ja epänormaalin kävelyn kohteet
Kuvaus
Sisällyttämiskriteerit:
- 1. Epänormaali kävely.
- Pystyy kävelemään 6 metriä tai enemmän itsenäisesti.
- Vanhempi kuin 18.
Poissulkemiskriteerit:
- Murtuma voi pahentua kävelyllä akuutissa vaiheessa tai varhaisessa postoperatiivisessa vaiheessa. Onko sinulla sydän-, keuhko-, maksa- ja munuaissairauksia ja muita vakavia sairauksia, sydämen toiminta on korkeampi kuin LUOKKA I (NYHA), hengitysvajaus ja muita oireita ja merkkejä tai Tarkista tulokset.
- Henkinen ja psyykkinen tila ei voi toimia yhteistyössä kokeen valmistumisen kanssa.
- Suuri putoamisriski (Berg-pisteet ≤20)
- Liikuntakinematiikka-analyysilaitteita ei voi käyttää yhdessä.
Opintosuunnitelma
Tässä osiossa on tietoja tutkimussuunnitelmasta, mukaan lukien kuinka tutkimus on suunniteltu ja mitä tutkimuksella mitataan.
Miten tutkimus on suunniteltu?
Suunnittelun yksityiskohdat
- Havaintomallit: Case-Control
- Aikanäkymät: Poikkileikkaus
Kohortit ja interventiot
Ryhmä/Kohortti |
Interventio / Hoito |
|---|---|
|
Normaalit aiheet
Kävelyanalyysi tekoälyllä ja perinteisillä menetelmillä
|
Tekoäly ihmisen avainpisteen havaitsemismalli on pääasiassa perinteinen algoritmi, "ylhäältä alas" algoritmi ja "alhaalta ylös" algoritmi kolme menetelmää, kolme menetelmää on etuja.
Tässä projektissa käytetään kattavasti yllä olevia kolmea menetelmää algoritmien ja parametrien virheenkorjauksen suorittamiseen julkisessa tietojoukossa ja testaamiseen yksityisessä tietojoukossa, jotta saadaan sopivin ihmisen avainpisteiden tunnistusmenetelmä kävelyanalyysiin.
|
|
Koehenkilöt, joilla on epänormaali kävely
Kävelyanalyysi tekoälyllä ja perinteisillä menetelmillä
|
Tekoäly ihmisen avainpisteen havaitsemismalli on pääasiassa perinteinen algoritmi, "ylhäältä alas" algoritmi ja "alhaalta ylös" algoritmi kolme menetelmää, kolme menetelmää on etuja.
Tässä projektissa käytetään kattavasti yllä olevia kolmea menetelmää algoritmien ja parametrien virheenkorjauksen suorittamiseen julkisessa tietojoukossa ja testaamiseen yksityisessä tietojoukossa, jotta saadaan sopivin ihmisen avainpisteiden tunnistusmenetelmä kävelyanalyysiin.
|
Mitä tutkimuksessa mitataan?
Ensisijaiset tulostoimenpiteet
Tulosmittaus |
Toimenpiteen kuvaus |
Aikaikkuna |
|---|---|---|
|
Kävelyyn liittyvät parametrit
Aikaikkuna: 30 minuuttia
|
Askeltaajuus/vauhti/askeljakso/askelpituus
|
30 minuuttia
|
Yhteistyökumppanit ja tutkijat
Täältä löydät tähän tutkimukseen osallistuvat ihmiset ja organisaatiot.
Sponsori
Opintojen ennätyspäivät
Nämä päivämäärät seuraavat ClinicalTrials.gov-sivustolle lähetettyjen tutkimustietueiden ja yhteenvetojen edistymistä. National Library of Medicine (NLM) tarkistaa tutkimustiedot ja raportoidut tulokset varmistaakseen, että ne täyttävät tietyt laadunvalvontastandardit, ennen kuin ne julkaistaan julkisella verkkosivustolla.
Opi tärkeimmät päivämäärät
Opiskelun aloitus (Odotettu)
Sunnuntai 10. heinäkuuta 2022
Ensisijainen valmistuminen (Odotettu)
Perjantai 29. heinäkuuta 2022
Opintojen valmistuminen (Odotettu)
Tiistai 30. elokuuta 2022
Opintoihin ilmoittautumispäivät
Ensimmäinen lähetetty
Perjantai 3. kesäkuuta 2022
Ensimmäinen toimitettu, joka täytti QC-kriteerit
Perjantai 1. heinäkuuta 2022
Ensimmäinen Lähetetty (Todellinen)
Tiistai 5. heinäkuuta 2022
Tutkimustietojen päivitykset
Viimeisin päivitys julkaistu (Todellinen)
Tiistai 5. heinäkuuta 2022
Viimeisin lähetetty päivitys, joka täytti QC-kriteerit
Perjantai 1. heinäkuuta 2022
Viimeksi vahvistettu
Perjantai 1. heinäkuuta 2022
Lisää tietoa
Tähän tutkimukseen liittyvät termit
Muut tutkimustunnusnumerot
- M2021231
Nämä tiedot haettiin suoraan verkkosivustolta clinicaltrials.gov ilman muutoksia. Jos sinulla on pyyntöjä muuttaa, poistaa tai päivittää tutkimustietojasi, ota yhteyttä register@clinicaltrials.gov. Heti kun muutos on otettu käyttöön osoitteessa clinicaltrials.gov, se päivitetään automaattisesti myös verkkosivustollemme .