运动学分析中的人工智能
2022年7月1日 更新者:Zhou Mouwang、Peking University Third Hospital
人工智能关键点检测技术在运动学分析中的应用研究
- 建立数据集。 私人数据集包括相关参数,包括受试者步态的视频和运动学分析的标准方法;
- 开发新机型。 基于公共和私有数据集,进一步开发了人体关键点检测的运动学分析模型。
- 测试新模型。 通过参数与标准方法的对比,验证了模型的准确性,得到了准确率在98%以上的人工智能运动学分析模型
研究概览
详细说明
人工智能人体关键点检测模型主要有传统算法、“自上而下”算法和“自下而上”算法三种方法,三种方法各有优势。
本项目将综合运用以上三种方法,在公开数据集进行算法和参数调试,在私有数据集进行测试,从而获得最适合步态分析的人体关键点识别方法
研究类型
观察性的
注册 (预期的)
30
联系人和位置
本节提供了进行研究的人员的详细联系信息,以及有关进行该研究的地点的信息。
学习联系方式
- 姓名:Mouwang Zhou
- 电话号码:13910092892
- 邮箱:zhoumouwang@outlook.com
参与标准
研究人员寻找符合特定描述的人,称为资格标准。这些标准的一些例子是一个人的一般健康状况或先前的治疗。
资格标准
适合学习的年龄
18年 至 75年 (成人、年长者)
接受健康志愿者
不
有资格学习的性别
全部
取样方法
非概率样本
研究人群
正常步态受试者和异常步态受试者
描述
纳入标准:
- 1、步态异常。
- 能独立行走6m以上。
- 18 岁以上。
排除标准:
- 急性期或术后早期行走可加重骨折。 有心、肺、肝、肾等严重疾病,心功能分级大于Ⅰ级(NYHA),呼吸衰竭等症状体征或检查结果。
- 精神心理状态不能配合实验的完成。
- 高跌倒风险(Berg评分≤20)
- 步态运动学分析设备不能一起使用。
学习计划
本节提供研究计划的详细信息,包括研究的设计方式和研究的衡量标准。
研究是如何设计的?
设计细节
- 观测模型:病例对照
- 时间观点:横截面
队列和干预
团体/队列 |
干预/治疗 |
|---|---|
|
正常科目
人工智能和传统方法的步态分析
|
人工智能人体关键点检测模型主要有传统算法、“自上而下”算法和“自下而上”算法三种方法,三种方法各有优势。
本项目将综合运用以上三种方法,在公开数据集进行算法和参数调试,在私有数据集进行测试,从而获得最适合步态分析的人体关键点识别方法
|
|
步态异常的受试者
人工智能和传统方法的步态分析
|
人工智能人体关键点检测模型主要有传统算法、“自上而下”算法和“自下而上”算法三种方法,三种方法各有优势。
本项目将综合运用以上三种方法,在公开数据集进行算法和参数调试,在私有数据集进行测试,从而获得最适合步态分析的人体关键点识别方法
|
研究衡量的是什么?
主要结果指标
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
步态相关参数
大体时间:30分钟
|
步频/步速/步态周期/步长
|
30分钟
|
合作者和调查者
在这里您可以找到参与这项研究的人员和组织。
研究记录日期
这些日期跟踪向 ClinicalTrials.gov 提交研究记录和摘要结果的进度。研究记录和报告的结果由国家医学图书馆 (NLM) 审查,以确保它们在发布到公共网站之前符合特定的质量控制标准。
研究主要日期
学习开始 (预期的)
2022年7月10日
初级完成 (预期的)
2022年7月29日
研究完成 (预期的)
2022年8月30日
研究注册日期
首次提交
2022年6月3日
首先提交符合 QC 标准的
2022年7月1日
首次发布 (实际的)
2022年7月5日
研究记录更新
最后更新发布 (实际的)
2022年7月5日
上次提交的符合 QC 标准的更新
2022年7月1日
最后验证
2022年7月1日
更多信息
与本研究相关的术语
其他研究编号
- M2021231
此信息直接从 clinicaltrials.gov 网站检索,没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求,请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改,我们的网站上也会自动更新.