Kunstmatige intelligentie in kinematica-analyse
1 juli 2022 bijgewerkt door: Zhou Mouwang, Peking University Third Hospital
Toepassingsonderzoek van kernpunten Detectietechnologie van kunstmatige intelligentie in kinematica-analyse
- Stel datasets op. De privégegevensset bevat relevante parameters, waaronder video van het gangpatroon van de proefpersoon en standaardmethoden voor kinematische analyse;
- Nieuwe modellen ontwikkelen. Op basis van publieke en private datasets wordt het kinematische analysemodel van menselijke sleutelpuntdetectie verder ontwikkeld.
- Test het nieuwe model. Door de parameters te vergelijken met de standaardmethode, werd de nauwkeurigheid van het model geverifieerd en werd het kinematica-analysemodel van kunstmatige intelligentie met een nauwkeurigheid van meer dan 98% verkregen
Studie Overzicht
Toestand
Nog niet aan het werven
Conditie
Interventie / Behandeling
Gedetailleerde beschrijving
Kunstmatige intelligentie menselijk sleutelpuntdetectiemodel heeft voornamelijk traditioneel algoritme, "top-down" algoritme en "bottom-up" algoritme drie methoden, drie methoden hebben voordelen.
Dit project zal de bovenstaande drie methoden uitgebreid gebruiken om algoritme- en parameterfoutopsporing uit te voeren in de openbare dataset en te testen in de privédataset, om zo de meest geschikte menselijke sleutelpuntherkenningsmethode voor ganganalyse te verkrijgen
Studietype
Observationeel
Inschrijving (Verwacht)
30
Contacten en locaties
In dit gedeelte vindt u de contactgegevens van degenen die het onderzoek uitvoeren en informatie over waar dit onderzoek wordt uitgevoerd.
Studiecontact
- Naam: Mouwang Zhou
- Telefoonnummer: 13910092892
- E-mail: zhoumouwang@outlook.com
Deelname Criteria
Onderzoekers zoeken naar mensen die aan een bepaalde beschrijving voldoen, de zogenaamde geschiktheidscriteria. Enkele voorbeelden van deze criteria zijn iemands algemene gezondheidstoestand of eerdere behandelingen.
Geschiktheidscriteria
Leeftijden die in aanmerking komen voor studie
18 jaar tot 75 jaar (Volwassen, Oudere volwassene)
Accepteert gezonde vrijwilligers
Nee
Geslachten die in aanmerking komen voor studie
Allemaal
Bemonsteringsmethode
Niet-waarschijnlijkheidssteekproef
Studie Bevolking
Onderwerpen met een normaal looppatroon en proefpersonen met een abnormaal looppatroon
Beschrijving
Inclusiecriteria:
- 1. Abnormale manier van lopen.
- Kan 6 meter of meer zelfstandig lopen.
- Ouder dan 18.
Uitsluitingscriteria:
- Breuk kan verergeren door te lopen in de acute fase of vroege postoperatieve fase. U heeft hart-, long-, lever- en nieraandoeningen en andere ernstige ziekten, hartfunctiegradatie hoger dan Graad I (NYHA), ademhalingsfalen en andere symptomen en tekenen of Controleer de resultaten.
- De mentale en psychologische toestand kunnen niet meewerken aan de voltooiing van het experiment.
- Hoog risico op vallen (Berg-score ≤20）
- Gait kinematica-analyseapparatuur kan niet samen worden gebruikt.
Studie plan
Dit gedeelte bevat details van het studieplan, inclusief hoe de studie is opgezet en wat de studie meet.
Hoe is de studie opgezet?
Ontwerpdetails
- Observatiemodellen: Case-control
- Tijdsperspectieven: Dwarsdoorsnede
Cohorten en interventies
Groep / Cohort |
Interventie / Behandeling |
|---|---|
|
Normale onderwerpen
Loopanalyse met kunstmatige intelligentie en traditionele methodes
|
Kunstmatige intelligentie menselijk sleutelpuntdetectiemodel heeft voornamelijk traditioneel algoritme, "top-down" algoritme en "bottom-up" algoritme drie methoden, drie methoden hebben voordelen.
Dit project zal de bovenstaande drie methoden uitgebreid gebruiken om algoritme- en parameterfoutopsporing uit te voeren in de openbare dataset en te testen in de privédataset, om zo de meest geschikte menselijke sleutelpuntherkenningsmethode voor ganganalyse te verkrijgen
|
|
Proefpersonen met een abnormale manier van lopen
Loopanalyse met kunstmatige intelligentie en traditionele methodes
|
Kunstmatige intelligentie menselijk sleutelpuntdetectiemodel heeft voornamelijk traditioneel algoritme, "top-down" algoritme en "bottom-up" algoritme drie methoden, drie methoden hebben voordelen.
Dit project zal de bovenstaande drie methoden uitgebreid gebruiken om algoritme- en parameterfoutopsporing uit te voeren in de openbare dataset en te testen in de privédataset, om zo de meest geschikte menselijke sleutelpuntherkenningsmethode voor ganganalyse te verkrijgen
|
Wat meet het onderzoek?
Primaire uitkomstmaten
Uitkomstmaat |
Maatregel Beschrijving |
Tijdsspanne |
|---|---|---|
|
Loopgerelateerde parameters
Tijdsspanne: 30 minuten
|
Stapfrequentie/tempo/loopcyclus/staplengte
|
30 minuten
|
Medewerkers en onderzoekers
Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.
Sponsor
Studie record data
Deze datums volgen de voortgang van het onderzoeksdossier en de samenvatting van de ingediende resultaten bij ClinicalTrials.gov. Studieverslagen en gerapporteerde resultaten worden beoordeeld door de National Library of Medicine (NLM) om er zeker van te zijn dat ze voldoen aan specifieke kwaliteitscontrolenormen voordat ze op de openbare website worden geplaatst.
Bestudeer belangrijke data
Studie start (Verwacht)
10 juli 2022
Primaire voltooiing (Verwacht)
29 juli 2022
Studie voltooiing (Verwacht)
30 augustus 2022
Studieregistratiedata
Eerst ingediend
3 juni 2022
Eerst ingediend dat voldeed aan de QC-criteria
1 juli 2022
Eerst geplaatst (Werkelijk)
5 juli 2022
Updates van studierecords
Laatste update geplaatst (Werkelijk)
5 juli 2022
Laatste update ingediend die voldeed aan QC-criteria
1 juli 2022
Laatst geverifieerd
1 juli 2022
Meer informatie
Termen gerelateerd aan deze studie
Andere studie-ID-nummers
- M2021231
Deze informatie is zonder wijzigingen rechtstreeks van de website clinicaltrials.gov gehaald. Als u verzoeken heeft om uw onderzoeksgegevens te wijzigen, te verwijderen of bij te werken, neem dan contact op met register@clinicaltrials.gov. Zodra er een wijziging wordt doorgevoerd op clinicaltrials.gov, wordt deze ook automatisch bijgewerkt op onze website .