Immersive augmented reality: Investigating a new tool for Parkinson disease rehabilitation
Notice bibliographique
Résumé
Background: Immersive augmented reality (IAR) offers flexibility for designing rehabilitation tasks. The role of context in motor performance in persons with Parkinson disease (PD) suggests value in exploring the use of IAR in this population. Objective: Use IAR in a cohort of people with PD and controls to determine: 1) Does motor performance of PD differ between real-world (RW) and IAR tasks?; 2) Is this effect different in PwPD versus controls?; and 3) Does performance change with repeated exposure to the system? Method: Twenty-two participants with PD (15 male, mean age = 67.1 ± 6.1 years, mean disease duration = 6.2 ± 3.3 years) and 11 controls (6 male, mean age = 64.1 ± 5.6 years) completed functionally relevant motor tasks in two IAR scenarios: 1) Watering plants in a living room; and 2) Placing items in baskets at a grocery store. Comparable RW motor tasks were also performed. Visits were once per week for 3 weeks. Results: There was a significant effect of group (F(1, 31) = 4.980, p = 0.033, η2p = 0.138) and environment (Pillai's F(1, 31) = 98.519, p < 0.001, η2p = 0.761) in the living room task. For the grocery store scene, there was a multivariate effect of condition (Pillai's Trace F(2, 28) = 19.323, p < 0.05, η2 = 0.58), of visit (Pillai's Trace F(4, 116) = 3.371, p < 0.05, η2 = 0.208), and a within subjects multivariate condition x visit interaction (Pillai's Trace F(4, 116) = 4.487, p < 0.002, η2 = 0.265. Conclusions: An IAR program was developed to simulate two scenes and simple tasks were performed. Differences in performance between the IAR and RW environments may be due to altered delivery of visual information.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».