A Data Glove with Tactile Feedback for fMRI of Virtual Reality Experiments
Notice bibliographique
Résumé
Virtual reality (VR) technology is increasingly recognized as a useful tool for the assessment and rehabilitation of neurologic and psychiatric disorders. The hope that VR can accurately mimic real-life events is also of great interest in basic neuroscience, to identify the brain activity that underlies complex behavior by combining VR with techniques such as functional magnetic resonance imaging (fMRI). Toward these applications, in this study we designed and validated an fMRI-compatible data glove with a built-in vibratory stimulus device for tactile feedback during VR experiments. A simple VR-fMRI experiment was performed at 3.0 Tesla on four young healthy adults involving touching a virtual object with and without tactile feedback. The usefulness of the data glove was subsequently assessed using a series of questionnaires, behavioral performance, and the resulting activation images. Questionnaire scores indicated positive opinions with respect to the data glove, the tactile feedback, and the experimental paradigm. All subjects felt comfortable in the scanner during the VR experiment and were able to perform all aspects of the tasks successfully and with reasonable accuracy. In addition, activation maps showed the anticipated modulations in motor, somatosensory, and parietal cortex. These results support that tactile feedback enhances the realism of virtual hand-object interactions, and that the tactile data glove is suitable for use in other VR-fMRI research applications (e.g., VR physical therapy for stroke recovery).
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».