Hand usage and inter-limb coordination parameters for the bimanual rapid visuomotor task to quantify sensorimotor dysfunction of participants with stroke
Notice bibliographique
Résumé
Clinical assessment provides a foundation for all aspects of patient care, assisting diagnosis, prognosis and overall patient care.Stroke can impact a broad range of sensory, motor and cognitive functions, but existing assessment tools tend to be largely subjective in nature and use relatively course rating systems.Thus, in practice the majority of stroke patients follow the same general rehabilitation program, which may not necessarily be optimal for each individual case.The major goal of this research is to develop advanced technologies that provide objective and accurate measurements of stroke-caused impairments and aid clinicians in the planning of individual rehabilitation therapy for stroke patients.The key technology in this research is a KINARM (Kinesiological Instrument for Normal and Altered Reaching Movements) robot that allows for the collection of quantitative measurements of upper limb movements of a subject performing a particular task [1].The apparatus permits planar movements of the upper limb in concert with a 2D virtual reality system that displays hand position and targets in the horizontal workspace.This abstract presents a technique for the evaluation of stroke impairment using statistical and time series analysis of the data collected with the KINARM robot.The data were collected from 154 stroke (91 left-and 63 right-affected) and 262 control participants.Each subject completed a bimanual object hit task.In this task participants are instructed to use their right and left hands (represented as green paddles) to hit red balls that move towards the participant.At the beginning of
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 | 0,000 | 0,002 |
| 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 | 0,001 |
| 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 ».