人工智能在使用虚拟现实训练预测肌肉疲劳中的作用
2023年6月8日 更新者：Rami Abbas、Beirut Arab University
人工智能在使用虚拟现实训练预测健康和 COVID19 后受试者的肌肉疲劳中的作用
这项观察性预测研究的目的是使用特定的 AI 算法预测健康人与 Covid-19 感染后感染者的肌肉疲劳。 它旨在回答的主要问题是：
人工智能能否用作预测健康人与 Covid-19 后感染者局部肌肉疲劳的可靠来源？
参与者将分为两组：健康组和 Covid-19 后组。
- 在练习开始之前，每个小组都将经历一个熟悉过程。
- 然后，各组在kynpasis虚拟现实仪的指导下进行深蹲练习。
- 将使用 Biopac 系统在报告的不同疲劳水平期间进行股外侧肌和股直肌的 sEMG、胸部扩张和膝关节测角测量。
- 小组将继续蹲下，同时使用博格量表记录他们的主观疲劳程度。
- 然后数据将通过机器学习过程运行，以产生能够预测孤立肌肉疲劳的人工智能算法。
研究概览
详细说明
参与者被分为两组，一组由健康人组成，另一组由 Covid-19 受试者组成。 在开始数据收集之前，两组都接受了练习的熟悉训练，之后休息 15 分钟。
两组均使用虚拟现实 (VR) 机器 (kynapsis) 进行下蹲运动指导。 进行下蹲时，双手保持在身体前方，膝盖弯曲至 90 度，以两秒的节奏下降，两秒上升模仿在 VR 机器上完成的运动。
还考虑了其他变量，包括胸部扩张和使用电动测角仪的运动范围，所有这些都是使用 Biopac（BIOPAC Systems, Inc., Santa Barbara, CA）测量和记录的，根据证据，Biopac 具有高通频率滤波器和双极电极系统。
测试的肌肉是 QF 肌肉 RF、VM 和 VL 的 3 个头。 他们的区域用酒精清洁并剃光以减少电极的电阻。 放置三个一次性 sEMG 表面电极，其中两个位于肌肉腹部，它们之间的距离为 2.5cm，一个控制电极放置在激动剂侧，要求参与者伸展膝盖并抵抗阻力弯曲以定位外侧和内侧阔肌。 在运动过程中，sEMG 电极被放置在 QF 肌肉的细分上。 提取的数据然后通过 AI 算法运行，该算法将分析和预测肌肉疲劳。
向参与者解释了 Borg (C-10) 量表，并在进行锻炼时将其呈现在他们面前，作为评估一旦达到将结束锻炼的主观肌肉疲劳的结果测量。
研究类型
观察性的
注册 (实际的)
90
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。
学习地点
-
-
-
Beirut、黎巴嫩
- Ahmad ElMelhat
-
-
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
- 成人
接受健康志愿者
是的
取样方法
概率样本
研究人群
研究人群由两组组成。
- 在过去 3 天内没有进行任何剧烈活动并且之前没有接触过 Covid-19 的非运动健康个体。
- 过去 3 天未进行任何剧烈活动但在 1 年间隔内进行的 PCR 检测确认呈阳性的非运动健康个体。
描述
纳入标准：
- 研究两组中包括的所有受试者必须是非运动健康个体，在过去 3 天内避免剧烈活动。 Covid-19 组中的受试者必须在 1 年的时间间隔内进行确认的阳性 PCR 检测。
排除标准：
- 不符合纳入标准的受试者，如高龄（50 岁以上），或患有任何呼吸、心脏、肾脏、神经肌肉、骨科和肌肉骨骼疾病的受试者必须排除在研究之外。 必须考虑吸烟者和一些药物使用者，因为它会影响性能并增加疲劳程度。
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
队列和干预
团体/队列 |
干预/治疗 |
|---|---|
|
健康集团
|
两组均使用虚拟现实 (VR) 机器 (kynapsis) 进行下蹲运动指导。
进行下蹲时，双手保持在身体前方，膝盖弯曲至 90 度，以两秒的节奏下降，两秒上升模仿在 VR 机器上完成的运动。
|
|
后Covid-19组
|
两组均使用虚拟现实 (VR) 机器 (kynapsis) 进行下蹲运动指导。
进行下蹲时，双手保持在身体前方，膝盖弯曲至 90 度，以两秒的节奏下降，两秒上升模仿在 VR 机器上完成的运动。
|
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 |
|---|---|---|
|
表面肌电图
大体时间：在深蹲练习中。
|
非侵入性技术，将电极放置在股四头肌的股外侧肌和股直肌头上，评估其肌电输出。
他们的区域用酒精清洁并剃光以减少电极的电阻。
放置三个一次性 sEMG 表面电极，其中两个位于肌肉腹部，它们之间的距离为 2.5cm，一个控制电极放置在激动剂侧，要求参与者伸展膝盖并抵抗阻力弯曲以定位外侧和内侧阔肌。
在运动过程中，sEMG 电极被放置在 QF 肌肉的细分上。
提取的数据然后通过 AI 算法运行，该算法将分析和预测肌肉疲劳。
|
在深蹲练习中。
|
|
自觉劳累 (RPE) 量表的博格评分
大体时间：在深蹲练习中。
|
一种用于测量个人在体力劳动期间的努力和用力、呼吸困难和疲劳的工具，因此与职业健康和安全实践高度相关。
它的范围从最低 6 到最高 20，其中 6 表示没有用力，20 表示极度最大用力
|
在深蹲练习中。
|
次要结果测量
结果测量 |
措施说明 |
大体时间 |
|---|---|---|
|
扩胸。
大体时间：在深蹲练习中。
|
使用将扩展数据传输到 Biopac 的主接收器模块的魔术贴绑带缠绕在受试者胸部周围的呼吸传感器，这些数据将记录在计算机上。
|
在深蹲练习中。
|
|
活动范围。
大体时间：在深蹲练习中。
|
使用连接在受试者膝盖上的电动测角仪将运动范围信号传输到将记录在计算机上的 Biopac 接收器模块。
|
在深蹲练习中。
|
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。
出版物和有用的链接
负责输入研究信息的人员自愿提供这些出版物。这些可能与研究有关。
一般刊物
- 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.
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 (实际的)
2023年4月15日
初级完成 (实际的)
2023年6月1日
研究完成 (实际的)
2023年6月7日
研究注册日期
首次提交
2023年4月3日
首先提交符合 QC 标准的
2023年4月13日
首次发布 (实际的)
2023年4月14日
研究记录更新
最后更新发布 (实际的)
2023年6月9日
上次提交的符合 QC 标准的更新
2023年6月8日
最后验证
2023年6月1日
更多信息
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.