Puzzling Patterns: Assessing Neck Range of Motion Using a Mobile Puzzle Exergame
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
Cervical range of motion (ROM) is a crucial aspect of assessment following a neck injury and prior to cervical rehabilitation. We explored using an exergame with a head-tracker to predict the degree of cervical ROM. Using head movement, users moved a cursor over a picture-reveal puzzle to remove tiles and reveal an underlying picture. In a within-subjects user study, we controlled mobility restriction by fitting participants with either a rigid cervical collar (severe restriction), a soft cervical collar (moderate restriction), or no collar (no restriction). We also controlled task difficulty through two levels each of number of tiles (13 × 10, 7 × 5) and gain (high, low). Selection rate by mobility restriction ranged from ≈ 30% for severe to ≈ 95% with none, and ≈ 50% for moderate. Results suggest the following ascending ranks for difficulty based on number of tiles and gain: (1) 7×5, high gain, (2) 7×5, low gain, (3) 13×10, high gain, and (4) 13×10, low gain. This ascending difficulty order is recommended for presenting the puzzles to people with cervical conditions to avoid overexertion. The collected data were also used in machine learning with a Random Forest model. Mobility restriction category (severe, moderate, none) was correctly predicted in 80.6% of 36 samples. The results are a first step in using an exergame and machine learning to automatically categorize patients according to their cervical ROM.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 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) | 0,002 | 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 découle