Kunstig intelligens i kinematikkanalyse
1. juli 2022 oppdatert av: Zhou Mouwang, Peking University Third Hospital
Application Research of Key Points Detection Technology of Artificial Intelligence in Kinematics Analysis
- Etablere datasett. Det private datasettet inkluderer relevante parametere inkludert video av forsøkspersonens ganglag og standardmetoder for kinematisk analyse;
- Utvikle nye modeller. Basert på offentlige og private datasett videreutvikles den kinematiske analysemodellen for menneskelig nøkkelpunktdeteksjon.
- Test den nye modellen. Ved å sammenligne parametrene med standardmetoden ble nøyaktigheten til modellen verifisert, og kinematikkanalysemodellen for kunstig intelligens med nøyaktighet over 98 % ble oppnådd
Studieoversikt
Status
Har ikke rekruttert ennå
Forhold
Intervensjon / Behandling
Detaljert beskrivelse
Menneskelig nøkkelpunktdeteksjonsmodell for kunstig intelligens har hovedsakelig tradisjonell algoritme, "top-down" algoritme og "bottom-up" algoritme tre metoder, tre metoder har fordeler.
Dette prosjektet vil omfattende bruke de tre ovennevnte metodene for å utføre algoritme- og parameterfeilsøking i det offentlige datasettet og teste i det private datasettet, for å oppnå den mest egnede metoden for menneskelig nøkkelpunktgjenkjenning for ganganalyse
Studietype
Observasjonsmessig
Registrering (Forventet)
30
Kontakter og plasseringer
Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.
Studiekontakt
- Navn: Mouwang Zhou
- Telefonnummer: 13910092892
- E-post: zhoumouwang@outlook.com
Deltakelseskriterier
Forskere ser etter personer som passer til en bestemt beskrivelse, kalt kvalifikasjonskriterier. Noen eksempler på disse kriteriene er en persons generelle helsetilstand eller tidligere behandlinger.
Kvalifikasjonskriterier
Alder som er kvalifisert for studier
18 år til 75 år (Voksen, Eldre voksen)
Tar imot friske frivillige
Nei
Kjønn som er kvalifisert for studier
Alle
Prøvetakingsmetode
Ikke-sannsynlighetsprøve
Studiepopulasjon
Normale gangfag og unormale gangfag
Beskrivelse
Inklusjonskriterier:
- 1. Unormal gange.
- Kan gå 6m eller mer selvstendig.
- Eldre enn 18.
Ekskluderingskriterier:
- Brudd kan forverres ved å gå i det akutte stadiet eller tidlig postoperativt stadium. Har hjerte, lunge, lever og nyre Og andre alvorlige sykdommer, hjertefunksjonsgradering høyere enn GRADE I (NYHA), respirasjonssvikt og andre symptomer og tegn eller Sjekk resultatene.
- Den mentale og psykologiske tilstanden kan ikke samarbeide med gjennomføringen av eksperimentet.
- Høy risiko for fall (Berg score ≤20）
- Gangskinematikkanalyseutstyr kan ikke brukes sammen.
Studieplan
Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.
Hvordan er studiet utformet?
Designdetaljer
- Observasjonsmodeller: Case-Control
- Tidsperspektiver: Tverrsnitt
Kohorter og intervensjoner
Gruppe / Kohort |
Intervensjon / Behandling |
|---|---|
|
Vanlige fag
Ganganalyse med kunstig intelligens og tradisjonelle metoder
|
Menneskelig nøkkelpunktdeteksjonsmodell for kunstig intelligens har hovedsakelig tradisjonell algoritme, "top-down" algoritme og "bottom-up" algoritme tre metoder, tre metoder har fordeler.
Dette prosjektet vil omfattende bruke de tre ovennevnte metodene for å utføre algoritme- og parameterfeilsøking i det offentlige datasettet og teste i det private datasettet, for å oppnå den mest egnede metoden for menneskelig nøkkelpunktgjenkjenning for ganganalyse
|
|
Personer med unormal gange
Ganganalyse med kunstig intelligens og tradisjonelle metoder
|
Menneskelig nøkkelpunktdeteksjonsmodell for kunstig intelligens har hovedsakelig tradisjonell algoritme, "top-down" algoritme og "bottom-up" algoritme tre metoder, tre metoder har fordeler.
Dette prosjektet vil omfattende bruke de tre ovennevnte metodene for å utføre algoritme- og parameterfeilsøking i det offentlige datasettet og teste i det private datasettet, for å oppnå den mest egnede metoden for menneskelig nøkkelpunktgjenkjenning for ganganalyse
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Gangrelaterte parametere
Tidsramme: 30 minutter
|
Trinnfrekvens/tempo/gangsyklus/steglengde
|
30 minutter
|
Samarbeidspartnere og etterforskere
Det er her du vil finne personer og organisasjoner som er involvert i denne studien.
Sponsor
Studierekorddatoer
Disse datoene sporer fremdriften for innsending av studieposter og sammendragsresultater til ClinicalTrials.gov. Studieposter og rapporterte resultater gjennomgås av National Library of Medicine (NLM) for å sikre at de oppfyller spesifikke kvalitetskontrollstandarder før de legges ut på det offentlige nettstedet.
Studer hoveddatoer
Studiestart (Forventet)
10. juli 2022
Primær fullføring (Forventet)
29. juli 2022
Studiet fullført (Forventet)
30. august 2022
Datoer for studieregistrering
Først innsendt
3. juni 2022
Først innsendt som oppfylte QC-kriteriene
1. juli 2022
Først lagt ut (Faktiske)
5. juli 2022
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
5. juli 2022
Siste oppdatering sendt inn som oppfylte QC-kriteriene
1. juli 2022
Sist bekreftet
1. juli 2022
Mer informasjon
Begreper knyttet til denne studien
Andre studie-ID-numre
- M2021231
Denne informasjonen ble hentet direkte fra nettstedet clinicaltrials.gov uten noen endringer. Hvis du har noen forespørsler om å endre, fjerne eller oppdatere studiedetaljene dine, vennligst kontakt register@clinicaltrials.gov. Så snart en endring er implementert på clinicaltrials.gov, vil denne også bli oppdatert automatisk på nettstedet vårt. .