The design and evaluation of electromyography and inertial biofeedback in hand motor therapy gaming
Notice bibliographique
Résumé
This article details the design of a co-created, evidence-based biofeedback therapy game addressing the research question: is the biofeedback implementation efficient, effective, and engaging for promoting quality movement during a therapy game focused on hand gestures? First, we engaged nine young people with Cerebral Palsy (CP) as design partners to co-create the biofeedback implementation. A commercially available, tap-controlled game was converted into a gesture-controlled game with added biofeedback. The game is controlled by forearm electromyography and inertial sensors. Changes required to integrate biofeedback are described in detail and highlight the importance of closely linking movement quality to short- and long-term game rewards. After development, 19 participants (8-17 years old) with CP played the game at home for 4 weeks. Participants played 17 ± 9 min/day, 4 ± 1 day/week. The biofeedback implementation proved efficient (i.e. participants reduced compensatory arm movements by 10.2 ± 4.0%), effective (i.e. participants made higher quality gestures over time), and engaging (i.e. participants consistently chose to review biofeedback). Participants found the game usable and enjoyable. Biofeedback design in therapy games should consider principles of motor learning, best practices in video game design, and user perspectives. Design recommendations for integrating biofeedback into therapy games are compiled in an infographic to support interdisciplinary knowledge sharing.
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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».