Balancing for Gross Motor Ability in Exergaming Between Youth with Cerebral Palsy at Gross Motor Function Classification System Levels II and III
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: To test how three custom-built balancing algorithms minimize differences in game success, time above 40% heart rate reserve (HRR), and enjoyment between youth with cerebral palsy (CP) who have different gross motor function capabilities. Youth at Gross Motor Function Classification System (GMFCS) level II (unassisted walking) and level III (mobility aids needed for walking) competed in a cycling-based exercise video game that tested three balancing algorithms. MATERIALS AND METHODS: Three algorithms: a control (generic-balancing [GB]), a constant non-person specific (One-Speed-For-All [OSFA]), and a person-specific (Target-Cadence [TC]) algorithms were built. In this prospective repeated measures intervention trial with randomized and blinded algorithm assignment, 10 youth with CP aged 10-16 years (X ± standard deviation = 12.4 ± 1.8 years; GMFCS level II n = 4, III n = 6) played six exergaming sessions using each of the three algorithms. Outcomes included game success as measured by a normalized game score, time above 40% HRR, and enjoyment. RESULTS: The TC algorithm balanced game success between GMFCS levels similarly to GB (P = 0.11) and OSFA (P = 0.41). TC showed poorer balancing in time above 40% HRR compared to GB (P = 0.02) and OSFA (P = 0.02). Enjoyment ratings were high (6.4 ± 0.7/7) and consistent between all algorithms (TC vs. GB: P = 0.80 and TC vs. OSFA: P = 0.19). CONCLUSION: TC shows promise in balancing game success and enjoyment but improvements are needed to balance between GMFCS levels for cardiovascular exercise.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 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 découle