Notice bibliographique
Résumé
Increased awareness of the signs of stroke and better stroke management has increased survival rate close to 90% in Canada. However, this means each year close to 4000 Albertans require rehabilitation to re-learn skills for performing daily activities. A major challenge for therapists carrying out rehabilitation is the assessment of motor and sensory functions, especially of the upper extremities. Assessment tools range from therapists using simplistic observer based ordinal scales to more quantitative research-based tools such as the NEOFECT data gloves, using which patients can perform virtual reality-based exercises displayed on a computer screen or using virtual reality headsets. However, existing smart-gloves are marketed towards a clinic, not home, environment. Apart from their high initial $15,000USD cost, they require additional interfacing including costly and precise installation of cameras/base-stations for position tracking in addition to headsets to interact with the virtual reality environments. We propose a prototype of a data glove and arm tracking system with a variety of low-cost, position, orientation, and feedback sensors to supplement clinic assessments, and enable their continued use at home. Preliminary results for gamified rehabilitation exercises to encourage participation in a wider variety of motor and sensory tasks using smart-glove monitoring will be presented. Covid-19 restrictions have limited the ability to evaluate the accuracy and effectiveness of the glove monitoring by comparison to existing assessment approaches for both simplistic and complex therapeutic activities in the clinic. An initial optimization of the real-time capture of smart-glove measurements will initiate our longer term research goal of implementing machine learning models for user’s hand performance evaluation. We believe our prototype has the potential to lead to a new device that could assist therapists, patients, and families by enabling an adjunctive route for monitoring and evaluating stroke rehabilitation and recovery of the post-stroke hand when used in home-based environments.
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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».