Rola sztucznej inteligencji w przewidywaniu zmęczenia mięśni za pomocą treningu w wirtualnej rzeczywistości
8 czerwca 2023 zaktualizowane przez: Rami Abbas, Beirut Arab University
Rola sztucznej inteligencji w przewidywaniu zmęczenia mięśni za pomocą treningu w wirtualnej rzeczywistości u osób zdrowych i po COVID19
Celem tego przewidywanego badania obserwacyjnego jest przewidywanie zmęczenia mięśni przy użyciu określonego algorytmu sztucznej inteligencji u osób zdrowych i osób zakażonych po Covid-19. Główne pytanie, na które ma odpowiedzieć, brzmi:
Czy sztuczna inteligencja może być wykorzystywana jako wiarygodne źródło przewidywania miejscowego zmęczenia mięśni u osób zdrowych w porównaniu z osobami zakażonymi Covid-19?
Uczestnicy zostaną podzieleni na dwie grupy: grupę zdrową i grupę po Covid-19.
- Każda grupa przejdzie proces zapoznawczy przed rozpoczęciem ćwiczeń.
- Następnie każda grupa wykona ćwiczenia kucania pod kierunkiem aparatu rzeczywistości wirtualnej kynpasis.
- sEMG dla mięśnia obszernego bocznego i prostego kości udowej, ekspansji klatki piersiowej i pomiarów goniometrycznych kolana zostaną wykonane podczas różnych zgłaszanych poziomów zmęczenia przy użyciu systemu Biopac.
- Grupy będą kontynuować kucanie, rejestrując swoje subiektywne poziomy zmęczenia za pomocą skali Borga.
- Dane zostaną następnie poddane procesom uczenia maszynowego w celu stworzenia algorytmu sztucznej inteligencji zdolnego do przewidywania izolowanego zmęczenia mięśni.
Przegląd badań
Status
Zakończony
Warunki
Interwencja / Leczenie
Szczegółowy opis
Uczestnicy zostali podzieleni na dwie grupy, jedną składającą się ze zdrowych osób, a drugą złożoną z osób z Covid-19. Obie grupy przeszły szkolenie zapoznawcze do wykonania ćwiczenia z 15-minutowym odpoczynkiem przed rozpoczęciem zbierania danych.
Ćwiczenie kucania zostało wykonane przy użyciu maszyny rzeczywistości wirtualnej (VR) (kynapsis) w celu uzyskania wskazówek w obu grupach. Przysiady były wykonywane z rękami trzymanymi przed ciałami i kolanami zgiętymi do 90 stopni w rytmie dwóch sekund na zejście, dwie sekundy naśladujące ruch wykonywany na maszynie VR.
Wzięto pod uwagę dodatkowe zmienne, w tym rozszerzenie klatki piersiowej i zakres ruchu za pomocą goniometru elektrycznego, wszystkie mierzone i rejestrowane za pomocą Biopac (BIOPAC Systems, Inc., Santa Barbara, CA), który, zgodnie z dowodami, posiada górnoprzepustowy filtr częstotliwości i system elektrod bipolarnych.
Testowane mięśnie to 3 głowy mięśnia QF RF, VM i VL. Ich okolice oczyszczono alkoholem i ogolono w celu zmniejszenia oporności elektrod. Umieszczono trzy jednorazowe elektrody powierzchniowe sEMG, dwie na brzuchu mięśnia w odległości 2,5 cm oraz jedną elektrodę kontrolną po stronie agonisty, badanego proszono o wyprostowanie kolana i zgięcie go pokonując opór w celu zlokalizowania bocznej i przyśrodkowy rozległy. Elektrody sEMG zostały umieszczone na podpodziałach mięśnia QF podczas ćwiczenia. Wyodrębnione dane są następnie przepuszczane przez algorytm sztucznej inteligencji, który analizuje i przewiduje zmęczenie mięśni.
Skala Borg (C-10) została wyjaśniona uczestnikom i była obecna przed nimi podczas wykonywania ćwiczenia jako miara wyniku do oceny subiektywnego zmęczenia mięśni, które po osiągnięciu zakończy ćwiczenie.
Typ studiów
Obserwacyjny
Zapisy (Rzeczywisty)
90
Kontakty i lokalizacje
Ta sekcja zawiera dane kontaktowe osób prowadzących badanie oraz informacje o tym, gdzie badanie jest przeprowadzane.
Lokalizacje studiów
-
-
-
Beirut, Liban
- Ahmad ElMelhat
-
-
Kryteria uczestnictwa
Badacze szukają osób, które pasują do określonego opisu, zwanego kryteriami kwalifikacyjnymi. Niektóre przykłady tych kryteriów to ogólny stan zdrowia danej osoby lub wcześniejsze leczenie.
Kryteria kwalifikacji
Wiek uprawniający do nauki
- Dorosły
Akceptuje zdrowych ochotników
Tak
Metoda próbkowania
Próbka prawdopodobieństwa
Badana populacja
Badana populacja składała się z dwóch grup.
- Zdrowe osoby nieuprawiające sportu, które nie wykonywały żadnych intensywnych czynności przez ostatnie 3 dni i nie miały wcześniej kontaktu z Covid-19.
- Zdrowe osoby nieuprawiające sportu, które nie wykonywały żadnych intensywnych czynności w ciągu ostatnich 3 dni, ale mają potwierdzony pozytywny wynik testu PCR wykonanego w odstępie 1 roku.
Opis
Kryteria przyjęcia:
- Wszyscy badani włączeni do obu grup badania muszą być zdrowymi osobami nieuprawiającymi sportu, które unikały intensywnej aktywności w ciągu ostatnich 3 dni. Osoby zakwalifikowane do grupy Covid-19 muszą mieć potwierdzony dodatni wynik testu PCR wykonanego w odstępie 1 roku.
Kryteria wyłączenia:
- Pacjenci, którzy nie spełniają kryteriów włączenia, są starszymi geriatriami (powyżej 50 lat) lub mają jakiekolwiek zaburzenia układu oddechowego, serca, nerek, nerwowo-mięśniowe, ortopedyczne i mięśniowo-szkieletowe, muszą zostać wykluczeni z badania. Należy wziąć pod uwagę palaczy i niektórych użytkowników narkotyków, ponieważ wpływa to na wydajność i zwiększa poziom zmęczenia.
Plan studiów
Ta sekcja zawiera szczegółowe informacje na temat planu badania, w tym sposób zaprojektowania badania i jego pomiary.
Jak projektuje się badanie?
Szczegóły projektu
Kohorty i interwencje
Grupa / Kohorta |
Interwencja / Leczenie |
|---|---|
|
Zdrowa Grupa
|
Ćwiczenie kucania zostało wykonane przy użyciu maszyny rzeczywistości wirtualnej (VR) (kynapsis) w celu uzyskania wskazówek w obu grupach.
Przysiady były wykonywane z rękami trzymanymi przed ciałami i kolanami zgiętymi do 90 stopni w rytmie dwóch sekund na zejście, dwie sekundy naśladujące ruch wykonywany na maszynie VR.
|
|
Grupa Post Covid-19
|
Ćwiczenie kucania zostało wykonane przy użyciu maszyny rzeczywistości wirtualnej (VR) (kynapsis) w celu uzyskania wskazówek w obu grupach.
Przysiady były wykonywane z rękami trzymanymi przed ciałami i kolanami zgiętymi do 90 stopni w rytmie dwóch sekund na zejście, dwie sekundy naśladujące ruch wykonywany na maszynie VR.
|
Co mierzy badanie?
Podstawowe miary wyniku
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Elektromiografia powierzchniowa
Ramy czasowe: Podczas ćwiczenia przysiadów.
|
nieinwazyjna technika polegająca na umieszczeniu elektrod na głowach obszernej bocznej i prostej uda mięśnia czworogłowego uda, oceniająca jego wydolność mioelektryczną.
Ich okolice oczyszczono alkoholem i ogolono w celu zmniejszenia oporności elektrod.
Umieszczono trzy jednorazowe elektrody powierzchniowe sEMG, dwie na brzuchu mięśnia w odległości 2,5 cm oraz jedną elektrodę kontrolną po stronie agonisty, badanego proszono o wyprostowanie kolana i zgięcie go pokonując opór w celu zlokalizowania bocznej i przyśrodkowy rozległy.
Elektrody sEMG zostały umieszczone na podpodziałach mięśnia QF podczas ćwiczenia.
Wyodrębnione dane są następnie przepuszczane przez algorytm sztucznej inteligencji, który analizuje i przewiduje zmęczenie mięśni.
|
Podczas ćwiczenia przysiadów.
|
|
Skala oceny postrzeganego wysiłku Borga (RPE).
Ramy czasowe: Podczas ćwiczenia przysiadów.
|
Narzędzie do pomiaru wysiłku i wysiłku jednostki, duszności i zmęczenia podczas pracy fizycznej, dlatego ma duże znaczenie dla praktyki bezpieczeństwa i higieny pracy.
Waha się od 6 jako minimum do 20 jako maksimum, przy czym 6 oznacza brak wysiłku, a 20 oznacza ekstremalny maksymalny wysiłek
|
Podczas ćwiczenia przysiadów.
|
Miary wyników drugorzędnych
Miara wyniku |
Opis środka |
Ramy czasowe |
|---|---|---|
|
Ekspansja klatki piersiowej.
Ramy czasowe: Podczas ćwiczenia przysiadów.
|
Używanie przetwornika oddechu owiniętego wokół klatki piersiowej pacjenta za pomocą paska na rzep, który przesyła dane dotyczące ekspansji do głównego modułu odbiornika Biopac, które zostaną zapisane na komputerze.
|
Podczas ćwiczenia przysiadów.
|
|
Zakres ruchu.
Ramy czasowe: Podczas ćwiczenia przysiadów.
|
Korzystanie z elektrycznego goniometru podłączonego do kolana pacjenta, który będzie przesyłał sygnały dotyczące zakresu ruchu do modułu odbiornika Biopaca, które będą rejestrowane na komputerze.
|
Podczas ćwiczenia przysiadów.
|
Współpracownicy i badacze
Tutaj znajdziesz osoby i organizacje zaangażowane w to badanie.
Sponsor
Publikacje i pomocne linki
Osoba odpowiedzialna za wprowadzenie informacji o badaniu dobrowolnie udostępnia te publikacje. Mogą one dotyczyć wszystkiego, co jest związane z badaniem.
Publikacje ogólne
- 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.
Daty zapisu na studia
Daty te śledzą postęp w przesyłaniu rekordów badań i podsumowań wyników do ClinicalTrials.gov. Zapisy badań i zgłoszone wyniki są przeglądane przez National Library of Medicine (NLM), aby upewnić się, że spełniają określone standardy kontroli jakości, zanim zostaną opublikowane na publicznej stronie internetowej.
Główne daty studiów
Rozpoczęcie studiów (Rzeczywisty)
15 kwietnia 2023
Zakończenie podstawowe (Rzeczywisty)
1 czerwca 2023
Ukończenie studiów (Rzeczywisty)
7 czerwca 2023
Daty rejestracji na studia
Pierwszy przesłany
3 kwietnia 2023
Pierwszy przesłany, który spełnia kryteria kontroli jakości
13 kwietnia 2023
Pierwszy wysłany (Rzeczywisty)
14 kwietnia 2023
Aktualizacje rekordów badań
Ostatnia wysłana aktualizacja (Rzeczywisty)
9 czerwca 2023
Ostatnia przesłana aktualizacja, która spełniała kryteria kontroli jakości
8 czerwca 2023
Ostatnia weryfikacja
1 czerwca 2023
Więcej informacji
Terminy związane z tym badaniem
Słowa kluczowe
Dodatkowe istotne warunki MeSH
Inne numery identyfikacyjne badania
- AI in Prediciting Fatigue
Plan dla danych uczestnika indywidualnego (IPD)
Planujesz udostępniać dane poszczególnych uczestników (IPD)?
NIEZDECYDOWANY
Informacje o lekach i urządzeniach, dokumenty badawcze
Bada produkt leczniczy regulowany przez amerykańską FDA
Nie
Bada produkt urządzenia regulowany przez amerykańską FDA
Nie
Te informacje zostały pobrane bezpośrednio ze strony internetowej clinicaltrials.gov bez żadnych zmian. Jeśli chcesz zmienić, usunąć lub zaktualizować dane swojego badania, skontaktuj się z register@clinicaltrials.gov. Gdy tylko zmiana zostanie wprowadzona na stronie clinicaltrials.gov, zostanie ona automatycznie zaktualizowana również na naszej stronie internetowej .