MétaCan
Menu
Retour à la cohorte
Enregistrement W4387741630 · doi:10.3389/fnins.2023.1256077

Brain–computer interface treatment for gait rehabilitation in stroke patients

2023· article· en· W4387741630 sur OpenAlexaff
Marc Sebastián-Romagosa, Woosang Cho, Rupert Ortner, Sebastian Sieghartsleitner, Tim J. von Oertzen, Kyousuke Kamada, Steven Laureys, Brendan Z. Allison, Christoph Guger

Notice bibliographique

RevueFrontiers in Neuroscience · 2023
Typearticle
Langueen
DomaineNeuroscience
ThématiqueEEG and Brain-Computer Interfaces
Établissements canadiensUniversité Laval
Organismes subventionnairesFondazione Europea Ricerca BiomedicaKoning BoudewijnstichtingFonds De La Recherche Scientifique - FNRSNational Natural Science Foundation of China
Mots-clésBrain–computer interfacePhysical medicine and rehabilitationRehabilitationSpasticityNeuroplasticityMedicineStroke (engine)GaitPhysical therapyElectroencephalography

Résumé

récupéré en direct d'OpenAlex

The use of Brain–Computer Interfaces (BCI) as rehabilitation tools for chronically ill neurological patients has become more widespread. BCIs combined with other techniques allow the user to restore neurological function by inducing neuroplasticity through real-time detection of motor-imagery (MI) as patients perform therapy tasks. Twenty-five stroke patients with gait disability were recruited for this study. Participants performed 25 sessions with the MI-BCI and assessment visits to track functional changes during the therapy. The results of this study demonstrated a clinically significant increase in walking speed of 0.19 m/s, 95%CI [0.13–0.25], p < 0.001. Patients also reduced spasticity and improved their range of motion and muscle contraction. The BCI treatment was effective in promoting long-lasting functional improvements in the gait speed of chronic stroke survivors. Patients have more movements in the lower limb; therefore, they can walk better and safer. This functional improvement can be explained by improved neuroplasticity in the central nervous system.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,610
Score d'incertitude au seuil0,810

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,025
Tête enseignante GPT0,290
Écart entre enseignants0,265 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations39
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in NeuroscienceMême sujetEEG and Brain-Computer InterfacesTravaux en français237 207