Kunstig intelligenss rolle i å forutsi muskeltretthet ved bruk av virtuell virkelighetstrening
8. juni 2023 oppdatert av: Rami Abbas, Beirut Arab University
Kunstig intelligenss rolle i å forutsi muskeltretthet ved bruk av virtuell virkelighetstrening i friske og post-covid19-fag
Målet med denne observasjonsforutsagte studien er å forutsi muskeltretthet ved å bruke en spesifikk AI-algoritme hos friske vs post Covid-19-infiserte individer. Hovedspørsmålet den tar sikte på å svare på er:
Kan kunstig intelligens brukes som en pålitelig kilde til å forutsi lokalisert muskeltretthet hos friske vs post Covid-19-infiserte individer?
Deltakerne vil bli delt inn i to grupper: En sunn gruppe og en post Covid-19 gruppe.
- Hver gruppe vil gjennomgå en familiariseringsprosess før øvelsene starter.
- Deretter vil hver gruppe utføre hukøvelser veiledet av kynpasis virtual reality-apparatet.
- sEMG for vastus lateralis og rectus femorier, brystekspansjon og goniometriske målinger av kneet vil bli tatt under forskjellige rapporterte tretthetsnivåer ved bruk av Biopac-systemet.
- Grupper vil fortsette å sitte på huk mens de registrerer deres subjektive tretthetsnivå ved hjelp av Borg-skalaen.
- Data vil deretter bli kjørt gjennom maskinlæringsprosesser for å produsere en AI-algoritme som er i stand til å forutsi isolert muskeltretthet.
Studieoversikt
Status
Fullført
Forhold
Intervensjon / Behandling
Detaljert beskrivelse
Deltakerne ble delt inn i to grupper, en bestående av friske individer og en annen bestående av Covid-19-personer. Begge gruppene fikk en kjennskapstrening for at øvelsen skulle utføres med 15 minutters hvile etterpå, før start av datainnsamlingen.
Huketrening ble utført ved bruk av en virtuell virkelighet (VR) maskin (kynapsis) for veiledning i begge gruppene. Knebøy ble utført mens hendene ble holdt foran kroppene og knærne bøyes til 90 grader etter en rytme på to sekunder for nedstigning, to sekunders oppstigning etterlignet bevegelsen gjort på VR-maskinen.
Ytterligere variabler ble vurdert, inkludert brystekspansjon, og bevegelsesområdet ved hjelp av et elektrisk goniometer, alle ble målt og registrert ved hjelp av Biopac (BIOPAC Systems, Inc., Santa Barbara, CA) som ifølge bevis har et høypass frekvensfilter og bipolart elektrodesystem.
Musklene som testes er de 3 hodene til QF-muskelen RF, VM og VL. Områdene deres ble rengjort med alkohol og barbert for å redusere motstanden til elektrodene. Tre engangs sEMG overflateelektroder ble plassert, to av dem på muskelmagen med 2,5 cm avstand mellom dem, og en kontrollelektrode plassert på agonistsiden, deltakeren ble bedt om å forlenge kneet og bøye det mot motstand for å lokalisere laterale og medial vasti. sEMG-elektroder ble plassert på underavdelingene av QF-muskelen under øvelsen. De ekstraherte dataene kjøres deretter gjennom en AI-algoritme som vil analysere og forutsi muskeltretthet.
Borg (C-10)-skalaen ble forklart for deltakerne og var tilstede foran dem mens de utførte øvelsen som et resultatmål for å vurdere den subjektive muskeltrettheten som når den er nådd vil avslutte øvelsen.
Studietype
Observasjonsmessig
Registrering (Faktiske)
90
Kontakter og plasseringer
Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.
Studiesteder
-
-
-
Beirut, Libanon
- Ahmad ElMelhat
-
-
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
- Voksen
Tar imot friske frivillige
Ja
Prøvetakingsmetode
Sannsynlighetsprøve
Studiepopulasjon
Studiepopulasjonen besto av to grupper.
- Ikke-atletiske friske individer som ikke har utført noen intense aktiviteter de siste 3 dagene og ikke har kontaktet Covid-19 tidligere.
- Ikke-atletiske friske individer som ikke har utført noen intense aktiviteter de siste 3 dagene, men har en bekreftet positiv PCR-test utført innen 1 års intervall.
Beskrivelse
Inklusjonskriterier:
- Alle forsøkspersoner inkludert i begge gruppene av studien må være ikke-atletiske friske individer som har unngått intense aktiviteter de siste 3 dagene. Forsøkspersonene som inngår i Covid-19-gruppen må ha en bekreftet positiv PCR-test innen et intervall på 1 år.
Ekskluderingskriterier:
- Forsøkspersonene som ikke oppfyller inklusjonskriteriene, er aldersgeriatriske (mer enn 50 år), eller som har luftveis-, hjerte-, nyre-, nevromuskulære, ortopediske og muskel-skjelettlidelser, må ekskluderes fra studien. Røykere og enkelte medisinbrukere må tas i betraktning fordi det påvirker ytelsen og øker tretthetsnivået.
Studieplan
Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.
Hvordan er studiet utformet?
Designdetaljer
Kohorter og intervensjoner
Gruppe / Kohort |
Intervensjon / Behandling |
|---|---|
|
Sunn gruppe
|
Huketrening ble utført ved bruk av en virtuell virkelighet (VR) maskin (kynapsis) for veiledning i begge gruppene.
Knebøy ble utført mens hendene ble holdt foran kroppene og knærne bøyes til 90 grader etter en rytme på to sekunder for nedstigning, to sekunders oppstigning etterlignet bevegelsen gjort på VR-maskinen.
|
|
Post Covid-19 gruppe
|
Huketrening ble utført ved bruk av en virtuell virkelighet (VR) maskin (kynapsis) for veiledning i begge gruppene.
Knebøy ble utført mens hendene ble holdt foran kroppene og knærne bøyes til 90 grader etter en rytme på to sekunder for nedstigning, to sekunders oppstigning etterlignet bevegelsen gjort på VR-maskinen.
|
Hva måler studien?
Primære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Overflateelektromyografi
Tidsramme: Under knebøyøvelsen.
|
ikke-invasiv teknikk hvor elektroder ble plassert på vastus lateralis og rectus femoris hodene til quadriceps femoris muskelen, for å vurdere dens myoelektriske utgang.
Områdene deres ble rengjort med alkohol og barbert for å redusere motstanden til elektrodene.
Tre engangs sEMG overflateelektroder ble plassert, to av dem på muskelmagen med 2,5 cm avstand mellom dem, og en kontrollelektrode plassert på agonistsiden, deltakeren ble bedt om å forlenge kneet og bøye det mot motstand for å lokalisere laterale og medial vasti.
sEMG-elektroder ble plassert på underavdelingene av QF-muskelen under øvelsen.
De ekstraherte dataene kjøres deretter gjennom en AI-algoritme som vil analysere og forutsi muskeltretthet.
|
Under knebøyøvelsen.
|
|
Borg Rating of Perceived Exertion (RPE)-skalaen
Tidsramme: Under knebøyøvelsen.
|
Et verktøy for å måle en persons innsats og anstrengelse, pustevansker og tretthet under fysisk arbeid og er derfor svært relevant for helse- og sikkerhetspraksis.
Det varierer fra 6 som et minimum til 20 som et maksimum, hvor 6 betyr ingen anstrengelse og 20 betyr ekstrem maksimal anstrengelse
|
Under knebøyøvelsen.
|
Sekundære resultatmål
Resultatmål |
Tiltaksbeskrivelse |
Tidsramme |
|---|---|---|
|
Brystutvidelse.
Tidsramme: Under knebøyøvelsen.
|
Bruke en respirasjonstransduser viklet rundt pasientens bryst ved hjelp av en borrelåsstropp som overfører ekspansjonsdata til hovedmottakermodulen til Biopac, som vil bli registrert på datamaskinen.
|
Under knebøyøvelsen.
|
|
Bevegelsesområde.
Tidsramme: Under knebøyøvelsen.
|
Ved hjelp av et elektrisk goniometer koblet på motivets kne som vil overføre signaler om bevegelsesområde til mottakermodulen til Biopac som vil bli registrert på datamaskinen.
|
Under knebøyøvelsen.
|
Samarbeidspartnere og etterforskere
Det er her du vil finne personer og organisasjoner som er involvert i denne studien.
Sponsor
Publikasjoner og nyttige lenker
Den som er ansvarlig for å legge inn informasjon om studien leverer frivillig disse publikasjonene. Disse kan handle om alt relatert til studiet.
Generelle publikasjoner
- 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.
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 (Faktiske)
15. april 2023
Primær fullføring (Faktiske)
1. juni 2023
Studiet fullført (Faktiske)
7. juni 2023
Datoer for studieregistrering
Først innsendt
3. april 2023
Først innsendt som oppfylte QC-kriteriene
13. april 2023
Først lagt ut (Faktiske)
14. april 2023
Oppdateringer av studieposter
Sist oppdatering lagt ut (Faktiske)
9. juni 2023
Siste oppdatering sendt inn som oppfylte QC-kriteriene
8. juni 2023
Sist bekreftet
1. juni 2023
Mer informasjon
Begreper knyttet til denne studien
Ytterligere relevante MeSH-vilkår
Andre studie-ID-numre
- AI in Prediciting Fatigue
Plan for individuelle deltakerdata (IPD)
Planlegger du å dele individuelle deltakerdata (IPD)?
UBESLUTTE
Legemiddel- og utstyrsinformasjon, studiedokumenter
Studerer et amerikansk FDA-regulert medikamentprodukt
Nei
Studerer et amerikansk FDA-regulert enhetsprodukt
Nei
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. .