Ruolo dell'intelligenza artificiale nella previsione dell'affaticamento muscolare utilizzando l'allenamento in realtà virtuale
8 giugno 2023 aggiornato da: Rami Abbas, Beirut Arab University
Ruolo dell'intelligenza artificiale nella previsione dell'affaticamento muscolare utilizzando l'allenamento in realtà virtuale in soggetti sani e post COVID19
L'obiettivo di questo studio osservazionale previsto è prevedere l'affaticamento muscolare utilizzando uno specifico algoritmo di intelligenza artificiale in individui sani rispetto a soggetti infetti da Covid-19. La domanda principale a cui intende rispondere è:
L'Intelligenza Artificiale può essere utilizzata come fonte affidabile per prevedere l'affaticamento muscolare localizzato in individui sani rispetto a quelli infetti da Covid-19?
I partecipanti saranno divisi in due gruppi: un gruppo sano e un gruppo post Covid-19.
- Ogni gruppo sarà sottoposto a un processo di familiarizzazione prima dell'inizio degli esercizi.
- Quindi, ogni gruppo eseguirà esercizi di squat guidati dall'apparato di realtà virtuale kynpasis.
- sEMG per il vasto laterale e il retto femorale, l'espansione del torace e le misurazioni goniometriche del ginocchio saranno effettuate durante diversi livelli di affaticamento riportati utilizzando il sistema Biopac.
- I gruppi continueranno ad accovacciarsi mentre registrano i loro livelli di affaticamento soggettivo utilizzando la scala Borg.
- I dati verranno quindi eseguiti attraverso processi di apprendimento automatico per produrre un algoritmo di intelligenza artificiale in grado di prevedere l'affaticamento muscolare isolato.
Panoramica dello studio
Stato
Completato
Condizioni
Intervento / Trattamento
Descrizione dettagliata
I partecipanti sono stati divisi in due gruppi, uno composto da individui sani e un altro composto da soggetti Covid-19. Entrambi i gruppi hanno ricevuto una formazione di familiarizzazione per l'esercizio da eseguire con 15 minuti di riposo in seguito, prima dell'inizio della raccolta dei dati.
L'esercizio di squat è stato eseguito utilizzando una macchina per la realtà virtuale (VR) (kynapsis) come guida in entrambi i gruppi. Gli squat sono stati eseguiti mentre le mani erano tenute davanti ai corpi e le ginocchia flesse a 90 gradi seguendo un ritmo di due secondi per la discesa, due secondi di salita che imitavano il movimento eseguito sulla macchina VR.
Sono state prese in considerazione variabili aggiuntive, tra cui l'espansione del torace e il raggio di movimento utilizzando un goniometro elettrico, tutte misurate e registrate utilizzando il Biopac (BIOPAC Systems, Inc., Santa Barbara, CA) che, secondo le prove, possiede un passa-alto filtro di frequenza e sistema di elettrodi bipolari.
I muscoli testati sono i 3 capi del muscolo QF RF, VM e VL. Le loro aree sono state pulite con alcool e rasate per ridurre la resistenza degli elettrodi. Sono stati posizionati tre elettrodi di superficie sEMG monouso, due dei quali sul ventre muscolare con una distanza di 2,5 cm tra loro e un elettrodo di controllo posizionato sul lato agonista, al partecipante è stato chiesto di estendere il ginocchio e fletterlo contro resistenza per localizzare il lato e vasti mediali. Gli elettrodi sEMG sono stati posizionati sulle suddivisioni del muscolo QF durante l'esercizio. I dati estratti vengono quindi eseguiti attraverso un algoritmo di intelligenza artificiale che analizzerà e prevederà l'affaticamento muscolare.
La scala Borg (C-10) è stata spiegata ai partecipanti ed era presente davanti a loro durante l'esecuzione dell'esercizio come misura di risultato per valutare l'affaticamento muscolare soggettivo che una volta raggiunto terminerà l'esercizio.
Tipo di studio
Osservativo
Iscrizione (Effettivo)
90
Contatti e Sedi
Questa sezione fornisce i recapiti di coloro che conducono lo studio e informazioni su dove viene condotto lo studio.
Luoghi di studio
-
-
-
Beirut, Libano
- Ahmad ElMelhat
-
-
Criteri di partecipazione
I ricercatori cercano persone che corrispondano a una certa descrizione, chiamata criteri di ammissibilità. Alcuni esempi di questi criteri sono le condizioni generali di salute di una persona o trattamenti precedenti.
Criteri di ammissibilità
Età idonea allo studio
- Adulto
Accetta volontari sani
Sì
Metodo di campionamento
Campione di probabilità
Popolazione di studio
La popolazione in studio era composta da due gruppi.
- Individui sani non atletici che non hanno svolto alcuna attività intensa negli ultimi 3 giorni e non avevano precedentemente contattato il Covid-19.
- Individui sani non atletici che non hanno svolto alcuna attività intensa negli ultimi 3 giorni ma hanno un test PCR positivo confermato eseguito entro un intervallo di 1 anno.
Descrizione
Criterio di inclusione:
- Tutti i soggetti inclusi in entrambi i gruppi dello studio devono essere individui sani non atletici, che hanno evitato attività intense negli ultimi 3 giorni. I soggetti inclusi nel gruppo Covid-19 devono avere un test PCR positivo confermato entro un intervallo di 1 anno.
Criteri di esclusione:
- I soggetti che non soddisfano i criteri di inclusione, essendo anziani geriatrici (più di 50 anni), o con disturbi respiratori, cardiaci, renali, neuromuscolari, ortopedici e muscoloscheletrici devono essere esclusi dallo studio. I fumatori e alcuni consumatori di droghe medicinali devono essere presi in considerazione perché influisce sulle prestazioni e aumenta i livelli di affaticamento.
Piano di studio
Questa sezione fornisce i dettagli del piano di studio, compreso il modo in cui lo studio è progettato e ciò che lo studio sta misurando.
Come è strutturato lo studio?
Dettagli di progettazione
Coorti e interventi
Gruppo / Coorte |
Intervento / Trattamento |
|---|---|
|
Gruppo sano
|
L'esercizio di squat è stato eseguito utilizzando una macchina per la realtà virtuale (VR) (kynapsis) come guida in entrambi i gruppi.
Gli squat sono stati eseguiti mentre le mani erano tenute davanti ai corpi e le ginocchia flesse a 90 gradi seguendo un ritmo di due secondi per la discesa, due secondi di salita che imitavano il movimento eseguito sulla macchina VR.
|
|
Gruppo post Covid-19
|
L'esercizio di squat è stato eseguito utilizzando una macchina per la realtà virtuale (VR) (kynapsis) come guida in entrambi i gruppi.
Gli squat sono stati eseguiti mentre le mani erano tenute davanti ai corpi e le ginocchia flesse a 90 gradi seguendo un ritmo di due secondi per la discesa, due secondi di salita che imitavano il movimento eseguito sulla macchina VR.
|
Cosa sta misurando lo studio?
Misure di risultato primarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Elettromiografia di superficie
Lasso di tempo: Durante l'esercizio di squat.
|
tecnica non invasiva in cui gli elettrodi sono stati posizionati sulle teste vasto laterale e retto femorale del muscolo quadricipite femorale, valutando la sua uscita mioelettrica.
Le loro aree sono state pulite con alcool e rasate per ridurre la resistenza degli elettrodi.
Sono stati posizionati tre elettrodi di superficie sEMG monouso, due dei quali sul ventre muscolare con una distanza di 2,5 cm tra loro e un elettrodo di controllo posizionato sul lato agonista, al partecipante è stato chiesto di estendere il ginocchio e fletterlo contro resistenza per localizzare il lato e vasti mediali.
Gli elettrodi sEMG sono stati posizionati sulle suddivisioni del muscolo QF durante l'esercizio.
I dati estratti vengono quindi eseguiti attraverso un algoritmo di intelligenza artificiale che analizzerà e prevederà l'affaticamento muscolare.
|
Durante l'esercizio di squat.
|
|
La scala Borg Rating of Perceived Exertion (RPE).
Lasso di tempo: Durante l'esercizio di squat.
|
Uno strumento per misurare lo sforzo e lo sforzo di un individuo, la mancanza di respiro e l'affaticamento durante il lavoro fisico ed è quindi molto rilevante per la pratica della salute e sicurezza sul lavoro.
Va da un minimo di 6 a un massimo di 20 con 6 che indica nessuno sforzo e 20 che indica uno sforzo massimo massimo
|
Durante l'esercizio di squat.
|
Misure di risultato secondarie
Misura del risultato |
Misura Descrizione |
Lasso di tempo |
|---|---|---|
|
Espansione del torace.
Lasso di tempo: Durante l'esercizio di squat.
|
Utilizzando un trasduttore di respirazione avvolto attorno al torace del soggetto mediante un cinturino in velcro che trasmette i dati di espansione al modulo ricevitore principale del Biopac, che verranno registrati sul computer.
|
Durante l'esercizio di squat.
|
|
Gamma di movimento.
Lasso di tempo: Durante l'esercizio di squat.
|
Utilizzando un goniometro elettrico cablato sul ginocchio del soggetto che trasmetterà segnali di ampiezza di movimento al modulo ricevitore del Biopac che verranno registrati sul computer.
|
Durante l'esercizio di squat.
|
Collaboratori e investigatori
Qui è dove troverai le persone e le organizzazioni coinvolte in questo studio.
Sponsor
Pubblicazioni e link utili
La persona responsabile dell'inserimento delle informazioni sullo studio fornisce volontariamente queste pubblicazioni. Questi possono riguardare qualsiasi cosa relativa allo studio.
Pubblicazioni generali
- 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.
Studiare le date dei record
Queste date tengono traccia dell'avanzamento della registrazione dello studio e dell'invio dei risultati di sintesi a ClinicalTrials.gov. I record degli studi e i risultati riportati vengono esaminati dalla National Library of Medicine (NLM) per assicurarsi che soddisfino specifici standard di controllo della qualità prima di essere pubblicati sul sito Web pubblico.
Studia le date principali
Inizio studio (Effettivo)
15 aprile 2023
Completamento primario (Effettivo)
1 giugno 2023
Completamento dello studio (Effettivo)
7 giugno 2023
Date di iscrizione allo studio
Primo inviato
3 aprile 2023
Primo inviato che soddisfa i criteri di controllo qualità
13 aprile 2023
Primo Inserito (Effettivo)
14 aprile 2023
Aggiornamenti dei record di studio
Ultimo aggiornamento pubblicato (Effettivo)
9 giugno 2023
Ultimo aggiornamento inviato che soddisfa i criteri QC
8 giugno 2023
Ultimo verificato
1 giugno 2023
Maggiori informazioni
Termini relativi a questo studio
Parole chiave
Termini MeSH pertinenti aggiuntivi
Altri numeri di identificazione dello studio
- AI in Prediciting Fatigue
Piano per i dati dei singoli partecipanti (IPD)
Hai intenzione di condividere i dati dei singoli partecipanti (IPD)?
INDECISO
Informazioni su farmaci e dispositivi, documenti di studio
Studia un prodotto farmaceutico regolamentato dalla FDA degli Stati Uniti
No
Studia un dispositivo regolamentato dalla FDA degli Stati Uniti
No
Queste informazioni sono state recuperate direttamente dal sito web clinicaltrials.gov senza alcuna modifica. In caso di richieste di modifica, rimozione o aggiornamento dei dettagli dello studio, contattare register@clinicaltrials.gov. Non appena verrà implementata una modifica su clinicaltrials.gov, questa verrà aggiornata automaticamente anche sul nostro sito web .