Evaluating Mixed Reality Technology for Tracking Hand Motion for Shoulder Rehabilitation Assessment
Notice bibliographique
Résumé
Shoulder injuries and conditions are common musculoskeletal complaints that can limit a patient's range of motion and daily activities. Recently, serious games and mixed reality technologies, such as the HoloLens, have been proposed for shoulder rehabilitation. However, it is unclear if this technology accurately tracks 3D hand movements for reporting therapy-related kinematic metrics. This paper presents accuracy and repeatability tests of the HoloLens 2 in tracking hand movements, and its potential for shoulder rehabilitation assessment. Comparisons were made between index fingertip, palm, and wrist movements captured by the HoloLens 2 and an Aurora electromagnetic system, which was used as the ground truth. A mixed-reality environment was developed to capture static hand positions, as well as dynamic hand movements performed during a shoulder physiotherapy-based exercise. The tracking data were used to calculate several kinematic metrics. The results show that the HoloLens 2 hand-tracking system is accurate to within a median of 10.2 mm and has repeatability comparable to the Aurora system, with the palm exhibiting the best results. The HoloLens 2 data are suitable for computing kinematic metrics for shoulder rehabilitation assessment, achieving accuracies above 86.9% for all of the tested metrics. Metrics such as time-to-speed peak and the$\log$dimensionless jerk were found to have significant differences between dynamic hand movements. These findings support the mixed reality technology potential to assist shoulder rehabilitation through immersive and interactive 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 | 0,004 | 0,014 |
| 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 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».