Enhancing safety monitoring in post-stroke rehabilitation through wearable technologies
Notice bibliographique
Résumé
Objective Current clinical practice guidelines support structured, progressive protocols for improving walking after stroke. Technology enables monitoring of exercise and therapy intensity, but safety concerns could also be addressed. This study explores functional mobility in post-stroke individuals using wearable technology to quantify movement smoothness—an indicator of safe mobility. Design Observational cohort study. Setting A movement analysis and rehabilitation laboratory. Participants A total of 56 chronic post-stroke individuals and 51 healthy controls. Intervention Participants performed the mobility test while wearing an inertial measurement unit attached to their waist. Thirty-two healthy participants also engaged in a steady-state walking task. Main measures Functional mobility smoothness by examining angular velocities in the yaw, pitch, and roll axes, employing the spectral arc length metrics. Results Our findings reveal that post-stroke individuals extend the duration of the timed-up-and-go test (≈9 s and 23 s longer compared to the controls) to ensure safe mobility—greater mobility smoothness ( p < 0.001). Notably, for mild and severe impairments, post-stroke mobility demonstrated ≈8% and ≈11% greater smoothness in pitch movements, respectively ( p = 0.025 and p = 0.002). In the roll direction, mobility was ≈12% smoother in cases of severe strokes ( p = 0.006). Conclusion This study addresses a crucial gap in the understanding of mobility smoothness in chronic stroke survivors using wearable technology. Our study suggests the potential utility of spectral arc length to predict challenging mobility situations in real-world situations. We highlight the potential for automated monitoring of safety offering promising avenues for real-time, real-life monitoring.
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 | 0,002 | 0,057 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 | 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 ».