Denna sida har översatts automatiskt och översättningens korrekthet kan inte garanteras. Vänligen se engelsk version för en källtext.

Artificiell intelligenss roll för att förutsäga muskeltrötthet med hjälp av virtuell verklighetsträning

8 juni 2023 uppdaterad av: Rami Abbas, Beirut Arab University

Artificiell intelligenss roll för att förutsäga muskeltrötthet med hjälp av virtuell verklighetsträning i friska och post-covid19-ämnen

Målet med denna observationsförutsedda studie är att förutsäga muskeltrötthet med hjälp av en specifik AI-algoritm hos friska kontra Covid-19-infekterade individer. Huvudfrågan den syftar till att besvara är:

Kan artificiell intelligens användas som en pålitlig källa för att förutsäga lokal muskeltrötthet hos friska kontra Covid-19-infekterade individer?

Deltagarna kommer att delas in i två grupper: en frisk grupp och en post Covid-19 grupp.

  • Varje grupp kommer att genomgå en bekantskapsprocess innan övningarna börjar.
  • Sedan kommer varje grupp att utföra hukövningar guidade av kynpasis virtual reality-apparat.
  • sEMG för vastus lateralis och rectus femorier, bröstexpansion och goniometriska mätningar av knät kommer att tas under olika rapporterade trötthetsnivåer med hjälp av Biopac-systemet.
  • Grupper kommer att fortsätta sitta på huk medan de registrerar sina subjektiva trötthetsnivåer med hjälp av Borg-skalan.
  • Data kommer sedan att köras genom maskininlärningsprocesser för att producera en AI-algoritm som kan förutsäga isolerad muskeltrötthet.

Studieöversikt

Status

Avslutad

Betingelser

Intervention / Behandling

Detaljerad beskrivning

Deltagarna delades in i två grupper, en bestående av friska individer och en annan bestående av Covid-19-personer. Båda grupperna fick en bekantningsträning för att övningen ska utföras med 15 minuters vila efteråt, innan datainsamlingen påbörjades.

Hukövningar utfördes med hjälp av en virtuell verklighet (VR) maskin (kynapsis) för vägledning i båda grupperna. Knäböj utfördes medan händerna hölls framför kropparna och knäna böjdes till 90 grader efter en rytm på två sekunder för nedstigning, två sekunders uppstigning efterliknade rörelsen som gjordes på VR-maskinen.

Ytterligare variabler övervägdes, inklusive bröstexpansion, och rörelseomfånget med en elektrisk goniometer, alla mättes och registrerades med hjälp av Biopac (BIOPAC Systems, Inc., Santa Barbara, CA) som, enligt bevis, har ett högpass frekvensfilter och bipolärt elektrodsystem.

Musklerna som testas är de tre huvudena av QF-muskeln RF, VM och VL. Deras områden rengjordes med alkohol och rakades för att minska elektrodernas motstånd. Tre engångselektroder på sEMG-ytan placerades, två av dem på muskelbuken med 2,5 cm avstånd mellan dem, och en kontrollelektrod placerad på agonistsidan, deltagaren ombads att sträcka ut sitt knä och böja det mot motstånd för att lokalisera laterala och mediala vasti. sEMG-elektroder placerades på underavdelningarna av QF-muskeln under träningen. Den extraherade informationen körs sedan genom en AI-algoritm som kommer att analysera och förutsäga muskeltrötthet.

Borg (C-10)-skalan förklarades för deltagarna och var närvarande framför dem när de utförde övningen som ett resultatmått för att bedöma den subjektiva muskeltrötthet som en gång nåddes kommer att avsluta övningen.

Studietyp

Observationell

Inskrivning (Faktisk)

90

Kontakter och platser

Det här avsnittet innehåller kontaktuppgifter för dem som genomför studien och information om var denna studie genomförs.

Studieorter

  • Libanon
      • Beirut, Libanon
        • Ahmad ElMelhat

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

  • Vuxen

Tar emot friska volontärer

Ja

Testmetod

Sannolikhetsprov

Studera befolkning

Studiepopulationen bestod av två grupper.

  • Icke-atletiska friska individer som inte utfört några intensiva aktiviteter under de senaste 3 dagarna och som inte hade kontaktat Covid-19 tidigare.
  • Icke-atletiska friska individer som inte utfört några intensiva aktiviteter under de senaste 3 dagarna men har ett bekräftat positivt PCR-test utfört inom ett års intervall.

Beskrivning

Inklusionskriterier:

  • Alla försökspersoner som ingår i båda grupperna av studien måste vara friska icke-atletiska individer som undvikit intensiva aktiviteter under de senaste 3 dagarna. Försökspersonerna som ingår i Covid-19-gruppen måste ha ett bekräftat positivt PCR-test gjort inom ett intervall på 1 år.

Exklusions kriterier:

  • De försökspersoner som inte uppfyller inklusionskriterierna, är äldre geriatrik (över 50 år) eller som har några andnings-, hjärt-, njur-, neuromuskulära, ortopediska och muskuloskeletala störningar måste uteslutas från studien. Rökare och vissa läkemedelsanvändare måste tas i beaktande eftersom det påverkar prestandan och ökar trötthetsnivåerna.

Studieplan

Det här avsnittet ger detaljer om studieplanen, inklusive hur studien är utformad och vad studien mäter.

Hur är studien utformad?

Designdetaljer

Kohorter och interventioner

Grupp / Kohort
Intervention / Behandling
Frisk grupp
  • Kommer att utföra hukövningar samtidigt som subjektiva muskeltrötthetsnivåer rapporteras periodiskt, tills maximal subjektiv trötthet uppnås
  • Kommer att ha sEMG för vastus lateralis och rectus femoris, bröstexpansion, goniometri för knäregistrering med hjälp av Biopac.
Övrig: Squatting med hjälp av Kynapsis virtuella träningsapparat.
Hukövningar utfördes med hjälp av en virtuell verklighet (VR) maskin (kynapsis) för vägledning i båda grupperna. Knäböj utfördes medan händerna hölls framför kropparna och knäna böjdes till 90 grader efter en rytm på två sekunder för nedstigning, två sekunders uppstigning efterliknade rörelsen som gjordes på VR-maskinen.
Post Covid-19 grupp
  • Kommer att utföra hukövningar samtidigt som subjektiva muskeltrötthetsnivåer rapporteras periodiskt, tills maximal subjektiv trötthet uppnås
  • Kommer att ha sEMG för vastus lateralis och rectus femoris, bröstexpansion, goniometri för knäregistrering med hjälp av Biopac.
Övrig: Squatting med hjälp av Kynapsis virtuella träningsapparat.
Hukövningar utfördes med hjälp av en virtuell verklighet (VR) maskin (kynapsis) för vägledning i båda grupperna. Knäböj utfördes medan händerna hölls framför kropparna och knäna böjdes till 90 grader efter en rytm på två sekunder för nedstigning, två sekunders uppstigning efterliknade rörelsen som gjordes på VR-maskinen.

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Ytelektromyografi
Tidsram: Under hukövningen.
icke-invasiv teknik där elektroder placerades på vastus lateralis och rectus femoris-huvudena av quadriceps femoris-muskeln, för att bedöma dess myoelektriska effekt. Deras områden rengjordes med alkohol och rakades för att minska elektrodernas motstånd. Tre engångselektroder på sEMG-ytan placerades, två av dem på muskelbuken med 2,5 cm avstånd mellan dem, och en kontrollelektrod placerad på agonistsidan, deltagaren ombads att sträcka ut sitt knä och böja det mot motstånd för att lokalisera laterala och mediala vasti. sEMG-elektroder placerades på underavdelningarna av QF-muskeln under träningen. Den extraherade informationen körs sedan genom en AI-algoritm som kommer att analysera och förutsäga muskeltrötthet.
Under hukövningen.
Borg Rating of Perceived Exertion (RPE)-skalan
Tidsram: Under hukövningen.
Ett verktyg för att mäta en individs ansträngning och ansträngning, andfåddhet och trötthet under fysiskt arbete och är därför mycket relevant för arbetsmiljöarbete. Det sträcker sig från 6 som ett minimum till 20 som ett maximum med 6 betyder ingen ansträngning och 20 betyder extrem maximal ansträngning
Under hukövningen.

Sekundära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Bröstexpansion.
Tidsram: Under hukövningen.
Använda en andningsgivare lindad runt patientens bröst med ett kardborrband som överför expansionsdata till huvudmottagningsmodulen på Biopac, som kommer att spelas in på datorn.
Under hukövningen.
Rörelseomfång.
Tidsram: Under hukövningen.
Med hjälp av en elektrisk goniometer kopplad på motivets knä som kommer att sända signaler om rörelseomfång till mottagarmodulen på Biopac som kommer att spelas in på datorn.
Under hukövningen.

Samarbetspartners och utredare

Det är här du hittar personer och organisationer som är involverade i denna studie.

Sponsor

Beirut Arab University

Publikationer och användbara länkar

Den som ansvarar för att lägga in information om studien tillhandahåller frivilligt dessa publikationer. Dessa kan handla om allt som har med studien att göra.

Allmänna publikationer

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 (Faktisk)

15 april 2023

Primärt slutförande (Faktisk)

1 juni 2023

Avslutad studie (Faktisk)

7 juni 2023

Studieregistreringsdatum

Först inskickad

3 april 2023

Först inskickad som uppfyllde QC-kriterierna

13 april 2023

Första postat (Faktisk)

14 april 2023

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

9 juni 2023

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

8 juni 2023

Senast verifierad

1 juni 2023

Mer information

Termer relaterade till denna studie

Nyckelord

Ytterligare relevanta MeSH-villkor

Andra studie-ID-nummer

  • AI in Prediciting Fatigue

Plan för individuella deltagardata (IPD)

Planerar du att dela individuella deltagardata (IPD)?

OBESLUTSAM

Läkemedels- och apparatinformation, studiedokument

Studerar en amerikansk FDA-reglerad läkemedelsprodukt

Nej

Studerar en amerikansk FDA-reglerad produktprodukt

Nej

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 .

Prenumerera