- ICH GCP
- Реестр клинических исследований США
- Клиническое испытание NCT05813613
Роль искусственного интеллекта в прогнозировании мышечной усталости с помощью тренировок виртуальной реальности
Роль искусственного интеллекта в прогнозировании мышечной усталости с использованием обучения виртуальной реальности у здоровых и пост-COVID-19 субъектов
Целью этого обсервационного прогнозируемого исследования является прогнозирование мышечной усталости с использованием определенного алгоритма искусственного интеллекта у здоровых людей по сравнению с людьми, инфицированными Covid-19. Главный вопрос, на который она призвана ответить, звучит так:
Можно ли использовать искусственный интеллект в качестве надежного источника прогнозирования локальной мышечной усталости у здоровых людей по сравнению с людьми, инфицированными Covid-19?
Участники будут разделены на две группы: группу здоровых и группу пост-Covid-19.
- Каждая группа пройдет процесс ознакомления перед началом учений.
- Затем каждая группа будет выполнять упражнения на корточки под управлением аппарата виртуальной реальности «Кинпасис».
- sEMG для латеральной широкой и прямой мышц бедра, расширение грудной клетки и гониометрические измерения коленного сустава будут выполняться при различных зарегистрированных уровнях усталости с использованием системы Biopac.
- Группы будут продолжать сидеть на корточках, записывая свои субъективные уровни усталости с использованием шкалы Борга.
- Затем данные будут пропущены через процессы машинного обучения для создания алгоритма искусственного интеллекта, способного прогнозировать изолированную мышечную усталость.
Обзор исследования
Статус
Условия
Вмешательство/лечение
Подробное описание
Участники были разделены на две группы: одна состояла из здоровых людей, а другая состояла из пациентов с Covid-19. Обе группы прошли ознакомительную тренировку по выполнению упражнения с 15-минутным отдыхом после него, до начала сбора данных.
Упражнения на корточки выполнялись с использованием машины виртуальной реальности (VR) (kynapsis) для руководства в обеих группах. Приседания выполнялись, когда руки находились перед телом, а колени были согнуты под углом 90 градусов в соответствии с ритмом в две секунды для спуска и две секунды для подъема, имитируя движение, выполняемое на тренажере VR.
Учитывались дополнительные переменные, в том числе расширение грудной клетки и диапазон движений с использованием электрического гониометра, все они измерялись и записывались с помощью системы Biopac (BIOPAC Systems, Inc., Санта-Барбара, Калифорния), которая, согласно имеющимся данным, обладает высокочастотным фильтром. частотный фильтр и биполярная система электродов.
Испытываемыми мышцами являются 3 головки QF мышцы RF, VM и VL. Их участки очищали спиртом и выбривали для уменьшения сопротивления электродов. Были помещены три одноразовых поверхностных электрода sEMG, два из них на мышечном брюшке с расстоянием между ними 2,5 см, и один контрольный электрод, размещенный на стороне агониста, участника попросили разогнуть колено и согнуть его, преодолевая сопротивление, чтобы найти латеральный и медиальные васти. Электроды sEMG были помещены на подразделения QF мышцы во время упражнения. Извлеченные данные затем обрабатываются алгоритмом ИИ, который анализирует и прогнозирует мышечную усталость.
Шкала Борга (C-10) была объяснена участникам и находилась перед ними во время выполнения упражнения в качестве меры результата для оценки субъективной мышечной усталости, которая после достижения завершает упражнение.
Тип исследования
Регистрация (Действительный)
Контакты и местонахождение
Контакты исследования
- Имя: Ahmed ElMelhat, PhD
- Номер телефона: 01112595022
- Электронная почта: ahmed.elmelhat@cu.edu.eg
Места учебы
-
-
-
Beirut, Ливан
- Ahmad ElMelhat
-
-
Критерии участия
Критерии приемлемости
Возраст, подходящий для обучения
- Взрослый
Принимает здоровых добровольцев
Метод выборки
Исследуемая популяция
Исследуемая популяция состояла из двух групп.
- Здоровые люди, не занимающиеся спортом, которые не выполняли никаких интенсивных действий в течение последних 3 дней и ранее не контактировали с Covid-19.
- Здоровые люди, не занимающиеся спортом, которые не выполняли никаких интенсивных действий в течение последних 3 дней, но имеют подтвержденный положительный результат ПЦР-теста, проведенный в течение 1 года.
Описание
Критерии включения:
- Все субъекты, включенные в обе группы исследования, должны быть здоровыми людьми, не занимающимися спортом, которые избегали интенсивных занятий в течение последних 3 дней. Субъекты, включенные в группу Covid-19, должны пройти подтвержденный положительный ПЦР-тест с интервалом в 1 год.
Критерий исключения:
- Субъекты, которые не соответствуют критериям включения, гериатры пожилого возраста (старше 50 лет) или имеющие какие-либо респираторные, сердечные, почечные, нервно-мышечные, ортопедические и скелетно-мышечные нарушения, должны быть исключены из исследования. Необходимо учитывать курильщиков и некоторых наркоманов, поскольку это влияет на работоспособность и повышает уровень утомляемости.
Учебный план
Как устроено исследование?
Детали дизайна
Когорты и вмешательства
Группа / когорта |
Вмешательство/лечение |
---|---|
Здоровая группа
|
Упражнения на корточки выполнялись с использованием машины виртуальной реальности (VR) (kynapsis) для руководства в обеих группах.
Приседания выполнялись, когда руки находились перед телом, а колени были согнуты под углом 90 градусов в соответствии с ритмом в две секунды для спуска и две секунды для подъема, имитируя движение, выполняемое на тренажере VR.
|
Группа пост-ковид-19
|
Упражнения на корточки выполнялись с использованием машины виртуальной реальности (VR) (kynapsis) для руководства в обеих группах.
Приседания выполнялись, когда руки находились перед телом, а колени были согнуты под углом 90 градусов в соответствии с ритмом в две секунды для спуска и две секунды для подъема, имитируя движение, выполняемое на тренажере VR.
|
Что измеряет исследование?
Первичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
---|---|---|
Поверхностная электромиография
Временное ограничение: Во время выполнения приседаний.
|
неинвазивная методика, при которой электроды размещались на головках латеральной широкой мышцы бедра и прямой мышцы бедра четырехглавой мышцы бедра, оценивая ее миоэлектрический выход.
Их участки очищали спиртом и выбривали для уменьшения сопротивления электродов.
Были помещены три одноразовых поверхностных электрода sEMG, два из них на мышечном брюшке с расстоянием между ними 2,5 см, и один контрольный электрод, размещенный на стороне агониста, участника попросили разогнуть колено и согнуть его, преодолевая сопротивление, чтобы найти латеральный и медиальные васти.
Электроды sEMG были помещены на подразделения QF мышцы во время упражнения.
Извлеченные данные затем обрабатываются алгоритмом ИИ, который анализирует и прогнозирует мышечную усталость.
|
Во время выполнения приседаний.
|
Шкала оценки воспринимаемой нагрузки (RPE) Борга
Временное ограничение: Во время выполнения приседаний.
|
Инструмент для измерения усилий и напряжения человека, одышки и усталости во время физической работы, поэтому он очень важен для практики охраны труда и техники безопасности.
Он колеблется от 6 (минимум) до 20 (максимум), где 6 означает отсутствие нагрузки, а 20 означает крайнюю максимальную нагрузку.
|
Во время выполнения приседаний.
|
Вторичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
---|---|---|
Расширение груди.
Временное ограничение: Во время выполнения приседаний.
|
Использование датчика дыхания, обернутого вокруг груди испытуемого с помощью ремешка на липучке, который передает данные расширения на основной модуль приемника Biopac, которые будут записаны на компьютер.
|
Во время выполнения приседаний.
|
Диапазон движения.
Временное ограничение: Во время выполнения приседаний.
|
Использование электрического гониометра, закрепленного на колене испытуемого, который будет передавать сигналы диапазона движений на модуль приемника Biopac, которые будут записываться на компьютер.
|
Во время выполнения приседаний.
|
Соавторы и исследователи
Спонсор
Публикации и полезные ссылки
Общие публикации
- 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.
Даты записи исследования
Изучение основных дат
Начало исследования (Действительный)
Первичное завершение (Действительный)
Завершение исследования (Действительный)
Даты регистрации исследования
Первый отправленный
Впервые представлено, что соответствует критериям контроля качества
Первый опубликованный (Действительный)
Обновления учебных записей
Последнее опубликованное обновление (Действительный)
Последнее отправленное обновление, отвечающее критериям контроля качества
Последняя проверка
Дополнительная информация
Термины, связанные с этим исследованием
Ключевые слова
Дополнительные соответствующие термины MeSH
Другие идентификационные номера исследования
- AI in Prediciting Fatigue
Планирование данных отдельных участников (IPD)
Планируете делиться данными об отдельных участниках (IPD)?
Информация о лекарствах и устройствах, исследовательские документы
Изучает лекарственный продукт, регулируемый FDA США.
Изучает продукт устройства, регулируемый Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США.
Эта информация была получена непосредственно с веб-сайта clinicaltrials.gov без каких-либо изменений. Если у вас есть запросы на изменение, удаление или обновление сведений об исследовании, обращайтесь по адресу register@clinicaltrials.gov. Как только изменение будет реализовано на clinicaltrials.gov, оно будет автоматически обновлено и на нашем веб-сайте. .