The use of augmented auditory feedback to improve arm reaching in stroke: a case series
Notice bibliographique
Résumé
PURPOSE: After practice, augmented feedback is the most important factor that facilitates motor learning. We assess the potential effectiveness of two types of augmented auditory feedback on the re-learning of arm reaching in individuals with stroke: (a) real-time knowledge of performance (KP) feedback and (b) rhythmic cueing in the form of knowledge of results (KR) feedback. METHOD: Five participants with stroke underwent short-term practice, reaching with their affected arm with KP, KR and no feedback, on separate days. We assessed range of motion of the upper extremity (shoulder, elbow) and trunk, mean error and variability of the performed trajectory, and movement time, before and after training. RESULTS: All participants benefitted from practice with feedback, though the effects varied across participants and feedback type. In three participants, KP feedback increased elbow extension and reduced compensatory trunk flexion. In four participants, KR feedback reduced movement time taken to perform the reach. Of note, one participant benefitted mostly from KP feedback, which increased shoulder flexion and elbow extension, and decreased compensatory trunk flexion and mean error. CONCLUSIONS: Within day practice with augmented auditory feedback improves reaching in individuals with stroke. This warrants further investigation with longer practice periods in a larger sample size. IMPLICATIONS FOR REHABILITATION: After practice, augmented feedback is the second most important factor that facilitates motor learning. Music-based augmented auditory feedback has potential to enhance reaching abilities in individuals with stroke. Future studies are warranted to evaluate the long-term effectiveness of this feedback over a longer training period in a larger sample size.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».