Personalized Virtual Reality for Upper Extremity Rehabilitation: Moving from the Clinic to a Home Exercise Program
Notice bibliographique
Résumé
Introduction: Traditional rehabilitation does not provide adequate repetitions for maximal motor recovery in the clinic and home exercise programs (HEPs) have low compliance rates. Personalized virtual reality (PVR) is a promising low-cost therapeutic tool for improving compliance by incorporating the client's interests, abilities, and goals into a motivating and engaging intervention using internet games. Objectives: The current study aimed to develop and refine a clinic-to-home PVR intervention, determine its feasibility and usability in an outpatient rehabilitation clinic and as a HEP, and examine its effects on motivation/engagement, compliance, motor repetitions, and functional motor performance. Methods: The PVR system utilizes a Microsoft Kinect sensor to track the participants’ movements, free software to translate movements to keystrokes, and free internet games. The therapist matched participants’ interests to internet games, customized therapeutic movements for game play, and increased the movement thresholds for game activation as participants improved. Two participants who had strokes resulting in upper extremity (UE) hemiplegia were recruited. The participants attended outpatient occupational therapy (OT) services twice weekly. Following training, the participants used the PVR system at home in place of their UE HEP. They continued to receive traditional OT once a week and clinic-PVR once a week for 5-8 weeks. Results: The PVR intervention was successfully implemented in the clinic and the clients’ homes. PVR increased motivation and treatment compliance. The clients exhibited improvements in UE active range of motion, function, symptoms, and occupational performance. Conclusion: Preliminary evidence suggests PVR can improve motivation, compliance, function, and occupational performance. However, larger scale studies and protocol refinement are necessary.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».