Quantifying lower limb joint position sense using a robotic exoskeleton: A pilot study
Notice bibliographique
Résumé
Clinicians and scientists often focus on tracking the recovery of motor skills after spinal cord injury (SCI), but less attention is paid to the recovery of sensory skills. Measures of sensory function are imperative for evaluating the efficacy of treatments and therapies. Proprioception is one sensory modality that provides information about static position and movement sense. Because of its critical contribution to motor control, proprioception should be measured during the course of recovery after neurological injury. Current clinical methods to test proprioception are limited to crude, manual tests of movement and position sense. The purpose of this study was to develop a quantitative assessment tool to measure joint position sense in the legs. We used the Lokomat, a robotic exoskeleton, and custom software to assess joint position sense in the hip and knee in 9 able-bodied (AB) subjects and 1 person with incomplete SCI. We used two different test paradigms. Both required the subject to move the leg to a target angle, but the presentation of the target was either a remembered or visual target angle. We found that AB subjects had more accurate position sense in the remembered task than in the visual task, and that they tended to have greater accuracy at the hip than at the knee. Position sense of the subject with SCI was comparable to those of the AB subjects. We show that using the Lokomat to assess joint position sense may be an effective clinical measurement tool.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».