رویا خسروپور

هدف این پژوهش بررسی استراتژی های جبران تعادل در سالمندان با استفاده از حسگرهای پوشیدنی و تحلیل کاربردهای آن ها در پایش حرکتی، پیش بینی سقوط و ارائه مداخلات هوشمند است. این مطالعه از نوع مرور روایی با روش تحلیل توصیفی بوده و با استفاده از منابع علمی منتشرشده در بازه زمانی ۲۰۲۰ تا ۲۰۲۵ انجام شده است. جستجوی مقالات در پایگاه های PubMed، Scopus، Google Scholar و IEEE Xplore صورت گرفت. مقالات منتخب بر اساس ارتباط با موضوع، جمعیت هدف (سالمندان)، نوع فناوری پوشیدنی و اهداف کاربردی آن ها انتخاب و تحلیل شدند. یافته ها نشان داد که حسگرهای پوشیدنی ابزارهایی مؤثر در ارزیابی بیومکانیکی حرکات بدن، اندازه گیری دقیق پارامترهای گام برداری و شناسایی ناهنجاری های حرکتی هستند. این حسگرها توانایی پیش بینی خطر سقوط را از طریق الگوریتم های یادگیری ماشین دارند و می توانند در مداخلات بازخوردی برای اصلاح سریع وضعیت بدن مورد استفاده قرار گیرند. واقعیت افزوده و مجازی نیز به عنوان بسترهای آموزشی نوین برای تمرین تعادل در ترکیب با داده های حسگر معرفی شدند. استفاده از حسگرهای پوشیدنی در حوزه توانبخشی تعادل سالمندان، رویکردی نوین و چندوجهی است که با ارائه داده های دقیق، مداخلات شخصی سازی شده و امکان پایش در محیط طبیعی زندگی، می تواند نقش مؤثری در پیشگیری از سقوط و ارتقای کیفیت زندگی سالمندان ایفا کند.

بررسی نقش هوش مصنوعی در تحلیل مکانیسم های مرکزی و محیطی مرتبط با سازگاری راه رفتن در سالمندان. این پژوهش به صورت مروری روایی با رویکرد تحلیل توصیفی انجام شده و با مرور نظام مند منابع علمی بین المللی بین سال های ۲۰۱۵ تا ۲۰۲۵، مطالعات مرتبط با به کارگیری هوش مصنوعی در تحلیل راه رفتن سالمندان بررسی شده است. داده ها از پایگاه های علمی معتبر استخراج و بر اساس نوع داده (حرکتی، عصبی، عضلانی، پوشیدنی) و الگوریتم های مورد استفاده طبقه بندی و تحلیل شده اند. یافته های این مطالعه نشان می دهد که الگوریتم های هوش مصنوعی توانسته اند الگوهای اختلالی راه رفتن سالمندان را با دقت بالا شناسایی کرده و ارتباط بین فعالیت مغزی، عضلانی و دینامیک مفاصل را مدل سازی کنند. همچنین استفاده از داده های چندمنبعی مانند EEG، EMG، تصویربرداری fNIRS و حسگرهای پوشیدنی امکان پیش بینی تغییرات پاتولوژیک را در مراحل اولیه فراهم کرده است. الگوریتم هایی مانند شبکه های عصبی، Random Forest و SVM عملکرد مطلوبی در تحلیل این داده ها نشان داده اند. هوش مصنوعی با توانایی پردازش داده های پیچیده و استخراج الگوهای پنهان، ابزار مؤثری برای تحلیل مکانیسم های راه رفتن در سالمندان محسوب می شود. علی رغم چالش هایی مانند وابستگی به داده های با کیفیت و مسائل تفسیرپذیری، این فناوری می تواند در تشخیص زودهنگام، برنامه ریزی توانبخشی شخصی سازی شده، و ارتقاء استقلال حرکتی سالمندان نقشی کلیدی ایفا کند.