仮想現実トレーニングを使用した筋肉疲労の予測における人工知能の役割
2023年6月8日 更新者：Rami Abbas、Beirut Arab University
健康な被験者と COVID19 後の被験者を対象としたバーチャル リアリティ トレーニングを使用した筋肉疲労の予測における人工知能の役割
この観察的予測研究の目的は、特定の AI アルゴリズムを使用して、健康な個人と Covid-19 感染後の個人の筋肉疲労を予測することです。 それが答えようとしている主な質問は次のとおりです。
健康な人と Covid-19 に感染した後の局所的な筋肉疲労を予測する信頼できる情報源として、人工知能を使用できますか?
参加者は、健康なグループとCovid-19後のグループの2つのグループに分けられます。
- 各グループは、演習の開始前に習熟プロセスを受けます。
- 次に、各グループは、キンパシス仮想現実装置のガイドに従ってスクワットのエクササイズを行います。
- 外側広筋と大腿直筋の sEMG、胸部拡張、および膝のゴニオメトリック測定は、Biopac システムを使用して、報告されたさまざまな疲労レベルで行われます。
- グループは、ボルグ スケールを使用して主観的な疲労レベルを記録しながらしゃがみ続けます。
- その後、データは機械学習プロセスを通じて実行され、孤立した筋肉の疲労を予測できる AI アルゴリズムが生成されます。
調査の概要
状態
状態
完了
条件
条件
介入・治療
介入・治療
詳細な説明
参加者は 2 つのグループに分けられ、1 つは健康な個人で構成され、もう 1 つは Covid-19 の被験者で構成されていました。 両方のグループは、データ収集の開始前に、その後 15 分間の休憩をとって実行される運動の習熟トレーニングを受けました。
しゃがむ運動は、両方のグループの指導のために仮想現実 (VR) マシン (キナプシス) を使用して実行されました。 両手を体の前に置いたままスクワットを行い、VR マシンで行われる動きを模倣して、2 秒間下降し、2 秒間上昇するリズムに従って、膝を 90 度に曲げました。
胸部の拡張や電動ゴニオメーターを使用した可動域など、追加の変数が考慮されました。これらはすべて、Biopac (BIOPAC Systems, Inc.、カリフォルニア州サンタバーバラ) を使用して測定および記録されました。周波数フィルターとバイポーラ電極システム。
テストされた筋肉は、QF 筋肉 RF、VM、および VL の 3 つの頭です。 それらの領域はアルコールを使用して洗浄され、電極の抵抗を減らすために剃られました。 3 つの使い捨て sEMG 表面電極が配置され、そのうちの 2 つが 2.5cm の距離で筋肉腹に配置され、1 つのコントロール電極が主動筋側に配置されました。内側の広大な。 sEMG 電極は、運動中に QF 筋肉の下位区分に配置されました。 抽出されたデータは、筋肉の疲労を分析および予測する AI アルゴリズムを介して実行されます。
ボルグ (C-10) スケールは、参加者に説明され、運動を行っている間、到達すると運動を終了する主観的な筋肉疲労を評価するための結果尺度として運動を行う間、彼らの前に現れました。
研究の種類
研究の種類
観察的
入学 (実際)
入学
90
連絡先と場所
このセクションには、調査を実施する担当者の連絡先の詳細と、この調査が実施されている場所に関する情報が記載されています。
研究連絡先
研究連絡先
- 名前：Ahmed ElMelhat, PhD
- 電話番号：01112595022
- メール：ahmed.elmelhat@cu.edu.eg
研究場所
-
-
-
Beirut、レバノン
- Ahmad ElMelhat
-
-
参加基準
研究者は、適格基準と呼ばれる特定の説明に適合する人を探します。これらの基準のいくつかの例は、人の一般的な健康状態または以前の治療です。
適格基準
適格基準
就学可能な年齢
- 大人
健康ボランティアの受け入れ
はい
サンプリング方法
確率サンプル
調査対象母集団
研究対象集団は 2 つのグループで構成されていました。
- 過去 3 日間激しい活動を行っておらず、以前に Covid-19 に接触したことがない、運動能力のない健康な個人。
- 過去 3 日間に激しい活動を行わなかったが、1 年以内に実施された PCR 検査で陽性が確認された、運動能力のない健康な個人。
説明
包含基準:
- 研究の両方のグループに含まれるすべての被験者は、過去 3 日間に激しい活動を避けた、運動能力のない健康な個人でなければなりません。 Covid-19グループに含まれる被験者は、1年以内にPCR検査の陽性が確認されている必要があります。
除外基準:
- 選択基準を満たさない、高齢者 (50 歳以上)、または呼吸器、心臓、腎臓、神経筋、整形外科、および筋骨格系の障害を有する被験者は、研究から除外する必要があります。 喫煙者や一部の医薬品使用者は、パフォーマンスに影響を与え、疲労レベルを高めるため、考慮に入れる必要があります。
研究計画
このセクションでは、研究がどのように設計され、研究が何を測定しているかなど、研究計画の詳細を提供します。
研究はどのように設計されていますか？
デザインの詳細
グループ/コホートの数
2
コホートと介入
グループ/コホートグループ/コホート |
介入・治療介入・治療 |
|---|---|
|
健康グループ
|
しゃがむ運動は、両方のグループの指導のために仮想現実 (VR) マシン (キナプシス) を使用して実行されました。
両手を体の前に置いたままスクワットを行い、VR マシンで行われる動きを模倣して、2 秒間下降し、2 秒間上昇するリズムに従って、膝を 90 度に曲げました。
|
|
ポスト Covid-19 グループ
|
しゃがむ運動は、両方のグループの指導のために仮想現実 (VR) マシン (キナプシス) を使用して実行されました。
両手を体の前に置いたままスクワットを行い、VR マシンで行われる動きを模倣して、2 秒間下降し、2 秒間上昇するリズムに従って、膝を 90 度に曲げました。
|
この研究は何を測定していますか？
主要な結果の測定
主要な結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
表面筋電図
時間枠：スクワット運動中。
|
電極が大腿四頭筋の外側広筋と大腿直筋頭に配置され、筋電出力を評価する非侵襲的技術。
それらの領域はアルコールを使用して洗浄され、電極の抵抗を減らすために剃られました。
3 つの使い捨て sEMG 表面電極が配置され、そのうちの 2 つが 2.5cm の距離で筋肉腹に配置され、1 つのコントロール電極が主動筋側に配置されました。内側の広大な。
sEMG 電極は、運動中に QF 筋肉の下位区分に配置されました。
抽出されたデータは、筋肉の疲労を分析および予測する AI アルゴリズムを介して実行されます。
|
スクワット運動中。
|
|
ボーグの知覚的労作評価 (RPE) スケール
時間枠：スクワット運動中。
|
個人の努力や労力、肉体労働中の息切れや疲労を測定するためのツールであり、労働安全衛生の実践に非常に関連しています。
最小値は 6 から最大値は 20 までの範囲で、6 は運動なしを意味し、20 は極度の最大運動を意味します。
|
スクワット運動中。
|
二次結果の測定
二次結果の測定
結果測定 |
メジャーの説明 |
時間枠 |
|---|---|---|
|
胸の拡張。
時間枠：スクワット運動中。
|
呼吸トランスデューサを被験者の胸に巻き付け、ベルクロ ストラップを使用して拡張データを Biopac のメイン レシーバ モジュールに送信し、コンピュータに記録します。
|
スクワット運動中。
|
|
関節可動域。
時間枠：スクワット運動中。
|
コンピューターに記録される Biopac の受信モジュールに可動範囲の信号を送信する被験者の膝に配線された電動ゴニオメーターを使用します。
|
スクワット運動中。
|
協力者と研究者
ここでは、この調査に関係する人々や組織を見つけることができます。
出版物と役立つリンク
研究に関する情報を入力する責任者は、自発的にこれらの出版物を提供します。これらは、研究に関連するあらゆるものに関するものである可能性があります。
一般刊行物
- 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.
研究記録日
これらの日付は、ClinicalTrials.gov への研究記録と要約結果の提出の進捗状況を追跡します。研究記録と報告された結果は、国立医学図書館 (NLM) によって審査され、公開 Web サイトに掲載される前に、特定の品質管理基準を満たしていることが確認されます。
主要日程の研究
研究開始 (実際)
研究開始
2023年4月15日
一次修了 (実際)
一次修了
2023年6月1日
研究の完了 (実際)
研究の完了
2023年6月7日
試験登録日
最初に提出
最初に提出
2023年4月3日
QC基準を満たした最初の提出物
QC基準を満たした最初の提出物
2023年4月13日
最初の投稿 (実際)
最初の投稿
2023年4月14日
学習記録の更新
投稿された最後の更新 (実際)
投稿された最後の更新
2023年6月9日
QC基準を満たした最後の更新が送信されました
QC基準を満たした最後の更新が送信されました
2023年6月8日
最終確認日
最終確認日
2023年6月1日
詳しくは
本研究に関する用語
追加の関連 MeSH 用語
その他の研究ID番号
その他の研究ID番号
- AI in Prediciting Fatigue
個々の参加者データ (IPD) の計画
個々の参加者データ (IPD) を共有する予定はありますか?
未定
医薬品およびデバイス情報、研究文書
米国FDA規制医薬品の研究
いいえ
米国FDA規制機器製品の研究
いいえ
この情報は、Web サイト clinicaltrials.gov から変更なしで直接取得したものです。研究の詳細を変更、削除、または更新するリクエストがある場合は、register@clinicaltrials.gov。 までご連絡ください。 clinicaltrials.gov に変更が加えられるとすぐに、ウェブサイトでも自動的に更新されます。