Affective computing in serious games for physical rehabilitation: Scoping review (Preprint)
Notice bibliographique
Résumé
Abstract Background Serious games have become an alternative support for traditional physical therapy. However, many of these games do not address the emotional needs of patients. People with disabilities often experience emotions such as sadness, frustration, and even anger, which can create a barrier to their rehabilitation treatment. Objective This review presents a comprehensive overview of technologies, techniques, and methods in affective computing as applied to serious games for physical rehabilitation and identifies key gaps to guide future research in this field. Methods A scoping review was conducted following PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) guidelines, using the databases PubMed, ScienceDirect, IEEE Xplore, ACM Digital Library, PEDro, Springer, and Google Scholar. Results The initial search yielded 5293 records, of which 9 papers met the inclusion criteria. Data were systematically extracted from these papers based on predefined research questions. Notably, engagement, tiredness, and pain were the most identified emotions, reported in 4 of 9 (50%) studies. Only 3 studies applied theoretical frameworks for emotion classification. Facial expression analysis and gesture recognition were the most frequently used affective computing techniques, yet only 2 studies implemented adaptive gameplay based on affective feedback. Conclusions The integration of affective computing into serious games represents a promising approach for detecting affective states in patients undergoing rehabilitation. However, the limited number of primary studies, methodological limitations, and potential selection and reference-standard biases limit the reliability and generalizability of the current findings. Future research should prioritize rigorous multicenter designs, standardized evaluation protocols, and multidisciplinary collaboration. Developing these areas is essential to establishing clinical effectiveness.
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 | 0,006 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,009 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».