An Automated Electronic System in a Motorized Wheelchair for Telemonitoring: Mixed Methods Study Based on Internet of Things
Notice bibliographique
Résumé
BACKGROUND: Wheelchair positioning systems can prevent postural deficits and pressure injuries. However, a more effective professional follow-up is needed to assess and monitor positioning according to the specificities and clinical conditions of each user. OBJECTIVE: This study aims to present the concept of an electronic system embedded in a motorized wheelchair, based on the Internet of Things (IoT), for automated positioning as part of a study on wheelchairs and telemonitoring. METHODS: We conducted a mixed methods study with a user-centered design approach, interviews with 16 wheelchair users and 66 professionals for the development of system functions, and a formative assessment of 5 participants with descriptive analysis to design system concepts. RESULTS: We presented a new wheelchair system with hardware and software components developed based on coparticipation with singular components in an IoT architecture. In an IoT solution, the incorporation of sensors from the inertial measurement unit was crucial. These sensors were vital for offering alternative methods to monitor and control the tilt and recline functions of a wheelchair. This monitoring and control could be achieved autonomously through a smartphone app. In addition, this capability addressed the requirements of real users. CONCLUSIONS: The technologies presented in this system can benefit telemonitoring and favor real feedback, allowing quality provision of health services to wheelchair users. User-centered development favored development with specific functions to meet the real demands of users. We emphasize the importance of future studies on the correlation between diagnoses and the use of the system in a real environment to help professionals in treatment.
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 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 | 0,020 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».