Elbow spasticity during passive stretch-reflex: clinical evaluation using a wearable sensor system
Notice bibliographique
Résumé
BACKGROUND: Spasticity is a prevalent chronic condition among persons with upper motor neuron syndrome that significantly impacts function and can be costly to treat. Clinical assessment is most often performed with passive stretch-reflex tests and graded on a scale, such as the Modified Ashworth Scale (MAS). However, these scales are limited in sensitivity and are highly subjective. This paper shows that a simple wearable sensor system (angle sensor and 2-channel EMG) worn during a stretch-reflex assessment can be used to more objectively quantify spasticity in a clinical setting. METHODS: A wearable sensor system consisting of a fibre-optic goniometer and 2-channel electromyography (EMG) was used to capture data during administration of the passive stretch-reflex test for elbow flexor and extensor spasticity. A kinematic model of unrestricted passive joint motion was used to extract metrics from the kinematic and EMG data to represent the intensity of the involuntary reflex. Relationships between the biometric results and clinical measures (MAS, isometric muscle strength and passive range of motion) were explored. RESULTS: Preliminary results based on nine patients with varying degrees of flexor and extensor spasticity showed that kinematic and EMG derived metrics were strongly correlated with one another, were correlated positively (and significantly) with clinical MAS, and negatively correlated (though mostly non-significant) with isometric muscle strength. CONCLUSIONS: We conclude that a wearable sensor system used in conjunction with a simple kinematic model can capture clinically relevant features of elbow spasticity during stretch-reflex testing in a clinical environment.
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 | 0,001 |
| 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 ».