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

Utveckla ett balansrehabiliteringssystem för äldre vuxna, baserat på IMU och AI: Personlig träning och förebyggande strategier

16 november 2025 uppdaterad av: National Taiwan University Hospital

Utveckla ett balansrehabiliteringssystem för äldre vuxna, baserat på avkänning av tröghetsmätenheter och artificiell intelligens: Personlig träning och förebyggande strategier

Det åldrande fysiologiska tillståndet hos äldre kan leda till problem som instabil gång, balansstörningar och fall. Tidigare forskning har bekräftat att träning kan bidra till att förbättra den fysiska funktionen, livskvaliteten och minska risken för fall hos äldre. För att uppnå effektiv och kontinuerlig interventionsträning har somatosensoriska spel blivit en trend de senaste åren. Bland dem ger användningen av icke-uppslukande träningsmetoder för virtuell verklighet inte bara träning för äldre, utan minskar också obehaget som den virtuella miljön orsakar; Det finns dock vissa begränsningar i kliniska rehabiliteringsträningsmetoder, såsom bristen på databaserad utvärdering och personalisering. För att lösa ovanstående problem kommer denna forskningsplan att använda tröghetsmätenheten som ett verktyg för klinisk övervakning och bedömning av mänskliga rörelser, och använda artificiell intelligensteknologi för att utvärdera och justera träningsplanen enligt dess gångegenskaper för att uppnå personalisering. förebyggande strategier.

Studieöversikt

Detaljerad beskrivning

Utvecklingen av ett balansrehabiliteringssystem för äldre vuxna, som integrerar avkänning av tröghetsmätenheter (IMU) och artificiell intelligens (AI). De viktigaste tekniska komponenterna och metodiken är följande:

Teknologisk grund:

IMU-sensorer kommer att användas för att övervaka och bedöma mänskliga rörelser och hållning. Dessa sensorer upptäcker rörelse genom accelerometrar, gyroskop och magnetometrar, vilket möjliggör exakt gånganalys.

AI och Generative Adversarial Networks (GAN) kommer att bearbeta data för att anpassa träningsregimer baserat på individens fysiologiska och rörelseegenskaper.

Ett Vicon 3D motion capture-system kommer att användas tillsammans med IMU:er för att validera och samla in data under utvecklingsfasen.

Forskningsfaser:

År 1: Utveckla ett AI-baserat gångträningssystem med hjälp av IMU. Detta innebär att skapa en gångdatabas och balansträningsprotokoll med bilaterala och unilaterala rörelser.

År 2: Optimera träningssystemet med hjälp av AI och GAN för att diversifiera data och förbättra träningseffektiviteten.

År 3: Klinisk validering av systemet genom att jämföra resultat mellan deltagare som genomgår IMU-baserad träning kontra vanliga fysiska övningar.

Utbildningsprotokoll:

Exergame Environment: Deltagarna deltar i övningar i en virtuell miljö, som efterliknar verkliga förhållanden men innehåller konstgjorda element för att utmana balans och koordination.

Balansträning: Skateboardbaserad träning fokuserar på ensidiga benrörelser, övervakade av IMU:er för att ge feedback och anpassa svårighetsgraden baserat på prestation.

Dataanalys:

Gångdata: AI och GAN används för att skapa personliga gångprofiler som kommer att matas in i träningssystemet.

Statistisk analys: Olika statistiska tester (t.ex. ANOVA) kommer att bedöma effektiviteten hos systemet jämfört med konventionella rehabiliteringsmetoder.

Detta system syftar till att ge äldre vuxna personlig rehabilitering, minska fallrisken och förbättra deras livskvalitet.

Studietyp

Interventionell

Inskrivning (Beräknad)

120

Fas

  • Inte tillämpbar

Kontakter och platser

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

Studiekontakt

  • Namn: Hsu Wei-Li, Ph. D
  • Telefonnummer: 886-2-33668127
  • E-post: wlhsu@ntu.edu.tw

Studieorter

      • Taipei, Taiwan, 100
        • Rekrytering
        • National Taiwan University, College of Medicine, School and Graduate Institute of Physical Therapy
        • Kontakt:

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
  • Äldre vuxen

Tar emot friska volontärer

Ja

Beskrivning

Inklusionskriterier:

Ålder mellan 18 och 80 år som kan gå självständigt

Uteslutningskriterier:

  1. historia av ortopedisk kirurgi i nedre extremiteterna, ankyloserande spondylit, reumatoid artrit, artros och andra medicinska ledsjukdomar
  2. De som inte kan kommunicera eller följa instruktioner, och de med grava syn- eller hörselnedsättningar
  3. den neurologiska försämringen eller vestibulära störningar, såsom stroke, ryggmärgsskada, Menières syndrom.

Studieplan

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

Hur är studien utformad?

Designdetaljer

  • Primärt syfte: Förebyggande
  • Tilldelning: Randomiserad
  • Interventionsmodell: Parallellt uppdrag
  • Maskning: Ingen (Open Label)

Vapen och interventioner

Deltagargrupp / Arm
Intervention / Behandling
Experimentell: experimentgrupp
IMU-baserad balansträning
Med hjälp av AI-teknik för att identifiera rörelsebrister kommer experimentgruppen att genomgå IMU-baserad balansträning
Övrig: kontrollgrupp
Allmän hälsoutbildning eller träningsträning
allmän hälsoutbildning eller träningsträning

Vad mäter studien?

Primära resultatmått

Resultatmått
Åtgärdsbeskrivning
Tidsram
Statisk stående balanstest
Tidsram: förträning, efterträning (efter 6 veckor), uppföljning (efter 2 veckor)
Balansbedömningar
förträning, efterträning (efter 6 veckor), uppföljning (efter 2 veckor)
Single Leg Standing Test
Tidsram: förträning, efterträning (efter 6 veckor), uppföljning (efter 2 veckor)
Balansbedömningar
förträning, efterträning (efter 6 veckor), uppföljning (efter 2 veckor)
Sitt fem gånger för att stå prov
Tidsram: förträning, efterträning (efter 6 veckor), uppföljning (efter 2 veckor)
Funktionstester
förträning, efterträning (efter 6 veckor), uppföljning (efter 2 veckor)
Timed Up and Go Test
Tidsram: förträning, efterträning (efter 6 veckor), uppföljning (efter 2 veckor)
Funktionstester
förträning, efterträning (efter 6 veckor), uppföljning (efter 2 veckor)
Sex minuters promenadtest
Tidsram: förträning, efterträning (efter 6 veckor), uppföljning (efter 2 veckor)
Funktionstester
förträning, efterträning (efter 6 veckor), uppföljning (efter 2 veckor)
Gå över marken
Tidsram: förträning, efterträning (efter 6 veckor), uppföljning (efter 2 veckor)
Gångtest
förträning, efterträning (efter 6 veckor), uppföljning (efter 2 veckor)
Går på ett löpband
Tidsram: förträning, efterträning (efter 6 veckor), uppföljning (efter 2 veckor)
Gångtest
förträning, efterträning (efter 6 veckor), uppföljning (efter 2 veckor)
Delsys Trigno EMG analyssystem
Tidsram: förträning, efterträning (efter 6 veckor), uppföljning (efter 2 veckor)
Tredimensionell rörelseanalys
förträning, efterträning (efter 6 veckor), uppföljning (efter 2 veckor)
Vicon Bonita
Tidsram: förträning, efterträning (efter 6 veckor), uppföljning (efter 2 veckor)
Tredimensionell rörelseanalys
förträning, efterträning (efter 6 veckor), uppföljning (efter 2 veckor)
Forcera plattor
Tidsram: förträning, efterträning (efter 6 veckor), uppföljning (efter 2 veckor)
Tredimensionell rörelseanalys
förträning, efterträning (efter 6 veckor), uppföljning (efter 2 veckor)

Samarbetspartners och utredare

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

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)

3 november 2023

Primärt slutförande (Beräknad)

1 december 2026

Avslutad studie (Beräknad)

1 december 2026

Studieregistreringsdatum

Först inskickad

11 september 2024

Först inskickad som uppfyllde QC-kriterierna

11 september 2024

Första postat (Faktisk)

19 september 2024

Uppdateringar av studier

Senaste uppdatering publicerad (Faktisk)

19 november 2025

Senaste inskickade uppdateringen som uppfyllde QC-kriterierna

16 november 2025

Senast verifierad

1 oktober 2025

Mer information

Termer relaterade till denna studie

Läkemedels- och apparatinformation, studiedokument

Studerar en amerikansk FDA-reglerad läkemedelsprodukt

Nej

Studerar en amerikansk FDA-reglerad produktprodukt

Nej

produkt tillverkad i och exporterad från U.S.A.

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