Deze pagina is automatisch vertaald en de nauwkeurigheid van de vertaling kan niet worden gegarandeerd. Raadpleeg de Engelse versie voor een brontekst.

Een balansrehabilitatiesysteem voor oudere volwassenen ontwikkelen, gebaseerd op IMU en AI: gepersonaliseerde training en preventieve strategieën

16 november 2025 bijgewerkt door: National Taiwan University Hospital

Ontwikkeling van een evenwichtsrehabilitatiesysteem voor oudere volwassenen, gebaseerd op traagheidsmetingseenheiddetectie en kunstmatige intelligentie: gepersonaliseerde training en preventieve strategieën

De ouder wordende fysiologische toestand van ouderen kan leiden tot problemen zoals een onstabiele gang, evenwichtsstoornissen en vallen. Eerder onderzoek heeft bevestigd dat bewegingstraining het fysieke functioneren en de kwaliteit van leven kan helpen verbeteren en het risico op vallen bij ouderen kan verminderen. Om tot effectieve en continue interventietraining te komen zijn somatosensorische games de laatste jaren een trend geworden. Onder hen biedt het gebruik van niet-immersieve virtual reality-trainingsmethoden niet alleen training voor ouderen, maar vermindert het ook het ongemak dat door de virtuele omgeving wordt veroorzaakt; Er zijn echter enkele beperkingen aan de klinische revalidatietrainingsmethoden, zoals het gebrek aan op gegevens gebaseerde evaluatie en personalisatie. Om de bovenstaande problemen op te lossen, zal dit onderzoeksplan de traagheidsmeeteenheid gebruiken als een hulpmiddel voor klinische monitoring en beoordeling van menselijke bewegingen, en kunstmatige intelligentietechnologie gebruiken om het trainingsplan te evalueren en aan te passen op basis van de loopkenmerken om personalisatie te bereiken. preventiestrategieën.

Studie Overzicht

Gedetailleerde beschrijving

De ontwikkeling van een evenwichtsrehabilitatiesysteem voor oudere volwassenen, waarbij IMU-detectie (Inertial Measurement Unit) en kunstmatige intelligentie (AI) worden geïntegreerd. De belangrijkste technische componenten en methodologie zijn als volgt:

Technologische basis:

IMU-sensoren zullen worden gebruikt om menselijke bewegingen en houdingen te monitoren en te beoordelen. Deze sensoren detecteren beweging via versnellingsmeters, gyroscopen en magnetometers, waardoor nauwkeurige loopanalyse mogelijk is.

AI en Generative Adversarial Networks (GAN) zullen de gegevens verwerken om trainingsregimes aan te passen op basis van de fysiologische en bewegingskenmerken van het individu.

Een Vicon 3D motion capture-systeem zal worden gebruikt in combinatie met IMU's voor het valideren en verzamelen van gegevens tijdens de ontwikkelingsfase.

Onderzoeksfasen:

Jaar 1: Ontwikkeling van een op AI gebaseerd looptrainingssysteem met behulp van IMU's. Dit omvat het creëren van een loopdatabase en balanstrainingsprotocollen met behulp van bilaterale en unilaterale bewegingen.

Jaar 2: Optimalisatie van het trainingssysteem met behulp van AI en GAN om de gegevens te diversifiëren en de effectiviteit van de training te verbeteren.

Jaar 3: Klinische validatie van het systeem door resultaten te vergelijken tussen deelnemers die een IMU-gebaseerde training ondergaan versus standaard fysieke oefeningen.

Trainingsprotocollen:

Exergame-omgeving: deelnemers doen oefeningen in een virtuele omgeving, die de omstandigheden in de echte wereld nabootst, maar kunstmatige elementen bevat om evenwicht en coördinatie uit te dagen.

Balanstraining: Op skateboards gebaseerde training richt zich op unilaterale beenbewegingen, gecontroleerd door IMU's om feedback te geven en de moeilijkheidsgraad aan te passen op basis van de prestaties.

Gegevensanalyse:

Loopgegevens: AI en GAN worden gebruikt om gepersonaliseerde loopprofielen te genereren, die in het trainingssysteem zullen worden opgenomen.

Statistische analyse: Verschillende statistische tests (bijv. ANOVA) zullen de effectiviteit van het systeem beoordelen in vergelijking met conventionele revalidatiemethoden.

Dit systeem heeft tot doel oudere volwassenen gepersonaliseerde revalidatie te bieden, het valrisico te verminderen en hun levenskwaliteit te verbeteren.

Studietype

Ingrijpend

Inschrijving (Geschat)

120

Fase

  • Niet toepasbaar

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: Hsu Wei-Li, Ph. D
  • Telefoonnummer: 886-2-33668127
  • E-mail: wlhsu@ntu.edu.tw

Studie Locaties

      • Taipei, Taiwan, 100
        • Werving
        • National Taiwan University, College of Medicine, School and Graduate Institute of Physical Therapy
        • Contact:

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

  • Volwassen
  • Oudere volwassene

Accepteert gezonde vrijwilligers

Ja

Beschrijving

Inclusiecriteria:

Tussen 18 en 80 jaar oud, in staat zelfstandig te lopen

Uitsluitingscriteria:

  1. geschiedenis van orthopedische chirurgie aan de onderste ledematen, spondylitis ankylopoetica, reumatoïde artritis, osteoartritis en andere medische gewrichtsziekten
  2. Degenen die niet kunnen communiceren of instructies kunnen volgen, en mensen met ernstige visuele of auditieve beperkingen
  3. de neurologische stoornis of vestibulaire stoornissen, zoals beroerte, dwarslaesie, het syndroom van Menière.

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

  • Primair doel: Preventie
  • Toewijzing: Gerandomiseerd
  • Interventioneel model: Parallelle opdracht
  • Masker: Geen (open label)

Wapens en interventies

Deelnemersgroep / Arm
Interventie / Behandeling
Experimenteel: experimentele groep
Op IMU gebaseerde balanstraining
Door gebruik te maken van AI-technologie om bewegingstekortkomingen te identificeren, zal de experimentele groep een IMU-gebaseerde balanstraining ondergaan
Ander: controle groep
Algemene gezondheidsvoorlichting of bewegingstraining
algemene gezondheidsvoorlichting of bewegingstraining

Wat meet het onderzoek?

Primaire uitkomstmaten

Uitkomstmaat
Maatregel Beschrijving
Tijdsspanne
Statische evenwichtstest in staande positie
Tijdsspanne: pre-training, post-training (na 6 weken), follow-up (na 2 weken)
Balansbeoordelingen
pre-training, post-training (na 6 weken), follow-up (na 2 weken)
Staantest met één been
Tijdsspanne: pre-training, post-training (na 6 weken), follow-up (na 2 weken)
Balansbeoordelingen
pre-training, post-training (na 6 weken), follow-up (na 2 weken)
Vijf keer zitten om te staan
Tijdsspanne: pre-training, post-training (na 6 weken), follow-up (na 2 weken)
Functionele testen
pre-training, post-training (na 6 weken), follow-up (na 2 weken)
Getimede Up and Go-test
Tijdsspanne: pre-training, post-training (na 6 weken), follow-up (na 2 weken)
Functionele testen
pre-training, post-training (na 6 weken), follow-up (na 2 weken)
Looptest van zes minuten
Tijdsspanne: pre-training, post-training (na 6 weken), follow-up (na 2 weken)
Functionele testen
pre-training, post-training (na 6 weken), follow-up (na 2 weken)
Lopen over de grond
Tijdsspanne: pre-training, post-training (na 6 weken), follow-up (na 2 weken)
Looptest
pre-training, post-training (na 6 weken), follow-up (na 2 weken)
Lopen op een loopband
Tijdsspanne: pre-training, post-training (na 6 weken), follow-up (na 2 weken)
Looptest
pre-training, post-training (na 6 weken), follow-up (na 2 weken)
Delsys Trigno EMG-analysesysteem
Tijdsspanne: pre-training, post-training (na 6 weken), follow-up (na 2 weken)
Driedimensionale bewegingsanalyse
pre-training, post-training (na 6 weken), follow-up (na 2 weken)
Vicon Bonita
Tijdsspanne: pre-training, post-training (na 6 weken), follow-up (na 2 weken)
Driedimensionale bewegingsanalyse
pre-training, post-training (na 6 weken), follow-up (na 2 weken)
Forceer platen
Tijdsspanne: pre-training, post-training (na 6 weken), follow-up (na 2 weken)
Driedimensionale bewegingsanalyse
pre-training, post-training (na 6 weken), follow-up (na 2 weken)

Medewerkers en onderzoekers

Hier vindt u mensen en organisaties die betrokken zijn bij dit onderzoek.

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 (Werkelijk)

3 november 2023

Primaire voltooiing (Geschat)

1 december 2026

Studie voltooiing (Geschat)

1 december 2026

Studieregistratiedata

Eerst ingediend

11 september 2024

Eerst ingediend dat voldeed aan de QC-criteria

11 september 2024

Eerst geplaatst (Werkelijk)

19 september 2024

Updates van studierecords

Laatste update geplaatst (Werkelijk)

19 november 2025

Laatste update ingediend die voldeed aan QC-criteria

16 november 2025

Laatst geverifieerd

1 oktober 2025

Meer informatie

Termen gerelateerd aan deze studie

Informatie over medicijnen en apparaten, studiedocumenten

Bestudeert een door de Amerikaanse FDA gereguleerd geneesmiddel

Nee

Bestudeert een door de Amerikaanse FDA gereguleerd apparaatproduct

Nee

product vervaardigd in en geëxporteerd uit de V.S.

Nee

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 .

Abonneren