1- گروه بیومکانیک ورزشی، دانشکده علوم ورزشی، دانشگاه شهید باهنر کرمان، کرمان، ایران.
2- گروه بیومکانیک ورزشی، دانشکده علوم تربیتی و روانشناسی، دانشگاه محقق اردبیلی، اردبیل، ایران.
3- گروه بیومکانیک ورزشی، دانشکده علوم تربیتی و روانشناسی، دانشگاه محقق اردبیلی، اردبیل، ایران. ،amiralijafarnezhad@gmail.com
2- گروه بیومکانیک ورزشی، دانشکده علوم تربیتی و روانشناسی، دانشگاه محقق اردبیلی، اردبیل، ایران.
3- گروه بیومکانیک ورزشی، دانشکده علوم تربیتی و روانشناسی، دانشگاه محقق اردبیلی، اردبیل، ایران. ،
چکیده: (13 مشاهده)
هدف: هوش مصنوعی با توانایی تحلیل دادههای پیچیده و شناسایی الگوهای پنهان، به ویژه در حوزه بیومکانیک راهرفتن، تحولی چشمگیر ایجاد کرده است. هدف این مطالعه، مرور و طبقهبندی رویکردهای مختلف هوش مصنوعی در تحلیل بیومکانیکی راهرفتن بود.
روش بررسی: پژوهش حاضر یک مطالعه مروری سیستماتیک بود. جستوجو در پایگاههای Web of Science، SID، Magiran، Scopus، ISC، PubMed و Google Scholar بین سالهای ۲۰۲۰ تا ۲۰۲5 و به دو زبان فارسی و انگلیسی انجام گرفت. معیارهای ورود شامل مطالعات تجربی یا کاربردی با هوش مصنوعی در تحلیل راهرفتن انسان، شامل دادههای افراد سالم یا بیماران عصبی، عضلانی یا اسکلتی-عضلانی؛ ارائه شاخصهای عملکرد مدلها (دقت، حساسیت، ویژگی) یا پارامترهای بیومکانیکی قابل اندازهگیری؛ استفاده از ثبت مستقیم یا حسگرهای پوشیدنی/تصویری؛ طراحی مقطعی، اعتبارسنجی الگوریتم یا پیشبینی/تشخیص بالینی بود. معیارهای خروج شامل مطالعات نظری، مرور ادبیات بدون داده، سرمقاله، گزارش موردی، پژوهش حیوانی یا شبیهسازی بدون داده انسانی، استفاده صرف از روشهای آماری کلاسیک بدون هوش مصنوعی، مقالات با داده ناقص یا دسترسی محدود، مطالعات روی فعالیتهای غیر از راهرفتن و کیفیت روششناسی پایین بود. از ۸۵ مقاله شناساییشده، ۱۳ مطالعه واجد شرایط انتخاب شدند. کیفیت مطالعات با پرسشنامه Downs & Black ارزیابی شد.
یافته ها: با بررسی 13 مطالعه در زمینه هوش مصنوعی و راهرفتن (شامل ۷ مطالعه بر روی افراد سالم و ۷ مطالعه بر روی بیماران)، مشخص شد که بیش از نیمی از مطالعات (8/53 درصد) از حسگرهای پوشیدنی، حدود 1/23 درصد از سیستمهای بدون نشانگر مانند KinaTrax، ۲۳ درصد از روشهای یادگیری ماشین/عمیق و ۱۰ درصد از سیستمهای تحلیل حرکت مرسوم استفاده کردهاند. تحلیل تجمعی نشان داد که حسگرهای پوشیدنی، به ویژه در ترکیب با مدلهای یادگیری ماشین مانند Stack و SVR، توانایی بالایی در طبقهبندی اپیزودهای راهرفتن دارند (میانگین حساسیت 961/0 و MAE% کمتر از 1/2 درصد برای پارامترهای کلیدی)، که نشاندهنده دقت نسبتاً بالای این رویکردها است. در مطالعات استفادهکننده از یادگیری ماشین، ترکیب ResNet101 و Naïve Bayes عملکرد خوبی در طبقهبندی وضعیت بدن (حساسیت 87/0) نشان داد و مدلهای LSTM نیز در پیشبینی مسیر در محیط VRبه ویژه در کوتاهمدت، نتایج قابل توجهی ارائه کردند (خطای 5/14 میلیمتر)، هرچند دقت در پیشبینیهای بلندمدت نیازمند دادههای اضافی مانند ردیابی چشم بود. همچنین، استفاده از کفی هوشمند همراه با الگوریتم RF نشان داد که استخراج بیومارکرهای دیجیتال برای مدیریت بیماریهایی نظیر سارکوپنی امکانپذیر است، اگرچه تعداد مطالعات محدود و حجم نمونه کوچک بود.
نتیجهگیری: تحقیقات حاضر نشان میدهند که ترکیب حسگرهای پوشیدنی، به ویژه نوع تریبوالکتریک خودتأمین انرژی، با روشهای یادگیری ماشین و یادگیری عمیق (مانند SVR، ResNet101 و LSTM) توانایی قابل توجهی در تحلیل پارامترهای بیومکانیکی راهرفتن و پیشبینی مسیر حرکت در محیطهای آزمایشگاهی و شبیهسازیشده مانند VR دارد. با این حال، شواهد موجود محدود به نمونههای کوچک و شرایط کنترلشده است و مطالعات کمی بر روی بیماران واقعی یا در محیطهای بالینی انجام شده است. بنابراین، هرگونه کاربرد بالینی یا توانبخشی مبتنی بر این فناوریها هنوز نیازمند تحقیقات بیشتر و اعتبارسنجی در محیطهای واقعی است.
روش بررسی: پژوهش حاضر یک مطالعه مروری سیستماتیک بود. جستوجو در پایگاههای Web of Science، SID، Magiran، Scopus، ISC، PubMed و Google Scholar بین سالهای ۲۰۲۰ تا ۲۰۲5 و به دو زبان فارسی و انگلیسی انجام گرفت. معیارهای ورود شامل مطالعات تجربی یا کاربردی با هوش مصنوعی در تحلیل راهرفتن انسان، شامل دادههای افراد سالم یا بیماران عصبی، عضلانی یا اسکلتی-عضلانی؛ ارائه شاخصهای عملکرد مدلها (دقت، حساسیت، ویژگی) یا پارامترهای بیومکانیکی قابل اندازهگیری؛ استفاده از ثبت مستقیم یا حسگرهای پوشیدنی/تصویری؛ طراحی مقطعی، اعتبارسنجی الگوریتم یا پیشبینی/تشخیص بالینی بود. معیارهای خروج شامل مطالعات نظری، مرور ادبیات بدون داده، سرمقاله، گزارش موردی، پژوهش حیوانی یا شبیهسازی بدون داده انسانی، استفاده صرف از روشهای آماری کلاسیک بدون هوش مصنوعی، مقالات با داده ناقص یا دسترسی محدود، مطالعات روی فعالیتهای غیر از راهرفتن و کیفیت روششناسی پایین بود. از ۸۵ مقاله شناساییشده، ۱۳ مطالعه واجد شرایط انتخاب شدند. کیفیت مطالعات با پرسشنامه Downs & Black ارزیابی شد.
یافته ها: با بررسی 13 مطالعه در زمینه هوش مصنوعی و راهرفتن (شامل ۷ مطالعه بر روی افراد سالم و ۷ مطالعه بر روی بیماران)، مشخص شد که بیش از نیمی از مطالعات (8/53 درصد) از حسگرهای پوشیدنی، حدود 1/23 درصد از سیستمهای بدون نشانگر مانند KinaTrax، ۲۳ درصد از روشهای یادگیری ماشین/عمیق و ۱۰ درصد از سیستمهای تحلیل حرکت مرسوم استفاده کردهاند. تحلیل تجمعی نشان داد که حسگرهای پوشیدنی، به ویژه در ترکیب با مدلهای یادگیری ماشین مانند Stack و SVR، توانایی بالایی در طبقهبندی اپیزودهای راهرفتن دارند (میانگین حساسیت 961/0 و MAE% کمتر از 1/2 درصد برای پارامترهای کلیدی)، که نشاندهنده دقت نسبتاً بالای این رویکردها است. در مطالعات استفادهکننده از یادگیری ماشین، ترکیب ResNet101 و Naïve Bayes عملکرد خوبی در طبقهبندی وضعیت بدن (حساسیت 87/0) نشان داد و مدلهای LSTM نیز در پیشبینی مسیر در محیط VRبه ویژه در کوتاهمدت، نتایج قابل توجهی ارائه کردند (خطای 5/14 میلیمتر)، هرچند دقت در پیشبینیهای بلندمدت نیازمند دادههای اضافی مانند ردیابی چشم بود. همچنین، استفاده از کفی هوشمند همراه با الگوریتم RF نشان داد که استخراج بیومارکرهای دیجیتال برای مدیریت بیماریهایی نظیر سارکوپنی امکانپذیر است، اگرچه تعداد مطالعات محدود و حجم نمونه کوچک بود.
نتیجهگیری: تحقیقات حاضر نشان میدهند که ترکیب حسگرهای پوشیدنی، به ویژه نوع تریبوالکتریک خودتأمین انرژی، با روشهای یادگیری ماشین و یادگیری عمیق (مانند SVR، ResNet101 و LSTM) توانایی قابل توجهی در تحلیل پارامترهای بیومکانیکی راهرفتن و پیشبینی مسیر حرکت در محیطهای آزمایشگاهی و شبیهسازیشده مانند VR دارد. با این حال، شواهد موجود محدود به نمونههای کوچک و شرایط کنترلشده است و مطالعات کمی بر روی بیماران واقعی یا در محیطهای بالینی انجام شده است. بنابراین، هرگونه کاربرد بالینی یا توانبخشی مبتنی بر این فناوریها هنوز نیازمند تحقیقات بیشتر و اعتبارسنجی در محیطهای واقعی است.
نوع مطالعه: مروری |
موضوع مقاله:
آسیب شناسی ورزشی و حرکات اصلاحی
دریافت: 1404/9/12 | پذیرش: 1404/11/13
دریافت: 1404/9/12 | پذیرش: 1404/11/13
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
تمامی آثار مجله آرشیو توانبخشی تحت مجوز Attribution-NonCommercial 4.0 هستند.
تماس با ما
فصلنامه آرشیو توانبخشی
تلفن دفتر فصلنامه: 02171732812
تلفن ناشر : 02145355555 - 02145355000
ایمیل: rehabilitationj@gmail.com
