Archives of Rehabilitation

fa نقش هوش مصنوعی در بیومکانیک راه‌رفتن انسان: یک مطالعه مروری سیستماتیک The Role of Artificial Intelligence in Human Gait Biomechanics: A Systematic Review آسیب شناسی ورزشی و حرکات اصلاحی Sport Pathology and Corrective Movements مروری Systematic Review <div style="text-align: justify;">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.</div> <div style="text-align: justify;">Objective: Artificial intelligence has made a significant breakthrough with its ability to analyze complex data and identify hidden patterns, especially in the field of gait biomechanics. The aim of this study was to review and classify different AI approaches in gait biomechanics analysis. Methods: The present study was a systematic review. Searches were conducted in the Web of Science, SID, Magiran, Scopus, ISC, PubMed, and Google Scholar databases between 2020 and 2025 in both Persian and English. Inclusion criteria comprised experimental or applied studies using artificial intelligence for the analysis of human gait, involving data from healthy individuals or patients with neurological, muscular, or musculoskeletal conditions; reporting model performance metrics (e.g., accuracy, sensitivity, specificity) or measurable biomechanical parameters; employing direct motion capture or wearable/imaging sensors; and utilizing cross-sectional designs, algorithm validation, or clinical prediction/diagnostic approaches. Exclusion criteria included theoretical studies, narrative reviews without original data, editorials, case reports, animal studies or simulations without human data, studies relying solely on classical statistical methods without artificial intelligence, articles with incomplete data or limited accessibility, studies focusing on activities other than gait, and studies with low methodological quality. Of the 85 identified articles, 13 studies met the eligibility criteria. Study quality was assessed using the Downs and Black questionnaire. Findings: Based on the review of 14 studies on artificial intelligence and gait (including 7 studies on healthy individuals and 7 on patients), it was found that more than half of the studies (53.8%) used wearable sensors, approximately 23.1% employed markerless systems such as KinaTrax, 23% utilized machine/deep learning methods, and 10% applied conventional motion analysis systems. Cumulative analysis indicated that wearable sensors, particularly when combined with machine learning models such as Stack and SVR, were highly capable of classifying gait episodes (mean sensitivity 0.961 and MAE% below 2.1% for key parameters), reflecting the relatively high accuracy of these approaches. In studies using machine learning, the combination of ResNet101 and Naïve Bayes performed well in classifying body posture (sensitivity 0.87), and LSTM models also yielded notable results for gait path prediction in VR environments, particularly for short-term predictions (14.5 mm error), although long-term predictions required additional data such as eye-tracking. Furthermore, the use of smart insoles combined with the RF algorithm demonstrated the feasibility of extracting digital biomarkers for managing conditions such as sarcopenia, although the number of studies was limited and sample sizes were small. Conclusion: The present findings indicate that the combination of wearable sensors particularly self-powered triboelectric sensors with machine and deep learning methods (such as SVR, ResNet101, and LSTM) has considerable potential for analyzing biomechanical gait parameters and predicting movement trajectories in laboratory and simulated environments, such as VR. However, the existing evidence is limited to small sample sizes and controlled conditions, and few studies have been conducted on actual patients or in clinical settings. Therefore, any clinical or rehabilitation applications of these technologies still require further research and validation in real-world environments.</div> هوش مصنوعی, تحلیل بیومکانیکی, راهرفتن Artificial intelligence, Biomechanical analysis, Walking 0 0 http://rehabilitationj.uswr.ac.ir/browse.php?a_code=A-10-4128-2&slc_lang=fa&sid=1 Leila Sabouri لیلا صبوری leila.saburi.14@gmail.com No Department of Sports Biomechanics, Faculty of Sports Sciences, Shahid Bahonar University of Kerman, Kerman, Iran. گروه بیومکانیک ورزشی، دانشکده علوم ورزشی، دانشگاه شهید باهنر کرمان، کرمان، ایران. Ebrahim Piri ابراهیم پیری ebrahimm.piri@gmail.com No Department of Sports Biomechanics, Faculty of Educational Sciences and Psychology, University of Mohaghegh Ardabili, Ardabil, Iran. گروه بیومکانیک ورزشی، دانشکده علوم تربیتی و روانشناسی، دانشگاه محقق اردبیلی، اردبیل، ایران. AmirAli Jafarnezhadgero امیرعلی جعفرنژادگرو amiralijafarnezhad@gmail.com Yes Department of Sports Biomechanics, Faculty of Educational Sciences and Psychology, University of Mohaghegh Ardabili, Ardabil, Iran. گروه بیومکانیک ورزشی، دانشکده علوم تربیتی و روانشناسی، دانشگاه محقق اردبیلی، اردبیل، ایران.