Artificiell intelligens i kinematisk analys
1 juli 2022 uppdaterad av: Zhou Mouwang, Peking University Third Hospital
Tillämpningsforskning av nyckelpunktsdetektionsteknologi för artificiell intelligens i kinematisk analys
- Upprätta datamängder. Den privata datamängden innehåller relevanta parametrar inklusive video av försökspersonens gång och standardmetoder för kinematisk analys;
- Utveckla nya modeller. Baserat på offentliga och privata datamängder utvecklas den kinematiska analysmodellen för mänsklig nyckelpunktsdetektion vidare.
- Testa den nya modellen. Genom att jämföra parametrarna med standardmetoden verifierades modellens noggrannhet, och kinematikanalysmodellen för artificiell intelligens med en noggrannhet över 98 % erhölls
Studieöversikt
Status
Har inte rekryterat ännu
Betingelser
Intervention / Behandling
Detaljerad beskrivning
Artificiell intelligens mänsklig nyckelpunkt upptäckt modell har främst traditionell algoritm, "top-down" algoritm och "bottom-up" algoritm tre metoder, tre metoder har fördelar.
Detta projekt kommer heltäckande att använda ovanstående tre metoder för att utföra algoritm- och parameterfelsökning i den offentliga datamängden och testa i den privata datamängden, för att erhålla den mest lämpliga metoden för mänsklig nyckelpunktigenkänning för gånganalys
Studietyp
Observationell
Inskrivning (Förväntat)
30
Kontakter och platser
Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.
Studiekontakt
- Namn: Mouwang Zhou
- Telefonnummer: 13910092892
- E-post: zhoumouwang@outlook.com
Deltagandekriterier
Forskare letar efter personer som passar en viss beskrivning, så kallade behörighetskriterier. Några exempel på dessa kriterier är en persons allmänna hälsotillstånd eller tidigare behandlingar.
Urvalskriterier
Åldrar som är berättigade till studier
18 år till 75 år (Vuxen, Äldre vuxen)
Tar emot friska volontärer
Nej
Kön som är behöriga för studier
Allt
Testmetod
Icke-sannolikhetsprov
Studera befolkning
Normala gångämnen och onormala gångämnen
Beskrivning
Inklusionskriterier:
- 1. Onormal gång.
- Kan gå 6m eller mer självständigt.
- Äldre än 18.
Exklusions kriterier:
- Fraktur kan förvärras av att gå i det akuta skedet eller tidigt postoperativt skede. Har hjärta, lunga, lever och njure Och andra allvarliga sjukdomar, hjärtfunktionsgradering högre än GRAD I (NYHA), andningssvikt och andra symtom och tecken eller Kontrollera resultaten.
- Det mentala och psykologiska tillståndet kan inte samarbeta med slutförandet av experimentet.
- Hög risk för fall (Berg-poäng ≤20）
- Utrustning för analys av gångkinematik kan inte användas tillsammans.
Studieplan
Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.
Hur är studien utformad?
Designdetaljer
- Observationsmodeller: Case-Control
- Tidsperspektiv: Tvärsnitt
Kohorter och interventioner
Grupp / Kohort |
Intervention / Behandling |
|---|---|
|
Normala ämnen
Gånganalys med artificiell intelligens och traditionella metoder
|
Artificiell intelligens mänsklig nyckelpunkt upptäckt modell har främst traditionell algoritm, "top-down" algoritm och "bottom-up" algoritm tre metoder, tre metoder har fördelar.
Detta projekt kommer heltäckande att använda ovanstående tre metoder för att utföra algoritm- och parameterfelsökning i den offentliga datamängden och testa i den privata datamängden, för att erhålla den mest lämpliga metoden för mänsklig nyckelpunktigenkänning för gånganalys
|
|
Försökspersoner med onormal gång
Gånganalys med artificiell intelligens och traditionella metoder
|
Artificiell intelligens mänsklig nyckelpunkt upptäckt modell har främst traditionell algoritm, "top-down" algoritm och "bottom-up" algoritm tre metoder, tre metoder har fördelar.
Detta projekt kommer heltäckande att använda ovanstående tre metoder för att utföra algoritm- och parameterfelsökning i den offentliga datamängden och testa i den privata datamängden, för att erhålla den mest lämpliga metoden för mänsklig nyckelpunktigenkänning för gånganalys
|
Vad mäter studien?
Primära resultatmått
Resultatmått |
Åtgärdsbeskrivning |
Tidsram |
|---|---|---|
|
Gångrelaterade parametrar
Tidsram: 30 minuter
|
Stegfrekvens/tempo/gångcykel/steglängd
|
30 minuter
|
Samarbetspartners och utredare
Det är här du hittar personer och organisationer som är involverade i denna studie.
Sponsor
Studieavstämningsdatum
Dessa datum spårar framstegen för inlämningar av studieposter och sammanfattande resultat till ClinicalTrials.gov. Studieposter och rapporterade resultat granskas av National Library of Medicine (NLM) för att säkerställa att de uppfyller specifika kvalitetskontrollstandarder innan de publiceras på den offentliga webbplatsen.
Studera stora datum
Studiestart (Förväntat)
10 juli 2022
Primärt slutförande (Förväntat)
29 juli 2022
Avslutad studie (Förväntat)
30 augusti 2022
Studieregistreringsdatum
Först inskickad
3 juni 2022
Först inskickad som uppfyllde QC-kriterierna
1 juli 2022
Första postat (Faktisk)
5 juli 2022
Uppdateringar av studier
Senaste uppdatering publicerad (Faktisk)
5 juli 2022
Senaste inskickade uppdateringen som uppfyllde QC-kriterierna
1 juli 2022
Senast verifierad
1 juli 2022
Mer information
Termer relaterade till denna studie
Andra studie-ID-nummer
- M2021231
Denna information hämtades direkt från webbplatsen clinicaltrials.gov utan några ändringar. Om du har några önskemål om att ändra, ta bort eller uppdatera dina studieuppgifter, vänligen kontakta register@clinicaltrials.gov. Så snart en ändring har implementerats på clinicaltrials.gov, kommer denna att uppdateras automatiskt även på vår webbplats .