Design and Preliminary Evaluation of a Kinematically-Adaptive Immersive Virtual Reality Exergame for Post-Stroke Rehabilitation
Notice bibliographique
Résumé
Introduction: Upper limb rehabilitation after a stroke faces challenges such as low motivation and adherence to traditional therapies. This study presents an Immersive Virtual Reality (IVR) exergame incorporating a kinematically adaptive difficulty system that dynamically modifies exercise complexity in real time based on movement data collected by VR equipment. Objective: To evaluate the effectiveness of an adaptive system based on dimensionless jerk to optimize therapeutic effort in post-stroke participants. Methodology: A usability study was conducted with 20 participants divided into a control group (non-adaptive version) and an experimental group (adaptive version). The Borg Fatigue Scale and the Virtual Reality Neuroscience Questionnaire (VRNQ) were used to measure engagement, perceived fatigue, and user experience. Results: The adaptive system improved participants’ engagement and therapeutic outcomes and therapeutic outcomes. The experimental group reported perceived physical effort levels closer to the ideal therapeutic range defined in the literature. Additionally, this group achieved higher evaluations in user experience and immersion. Conclusions: The exergame proved to be an effective and personalized tool for post-stroke rehabilitation. While areas for improvement were identified, such as responsiveness in advanced stages, this system offers a dynamic and motivating approach to optimizing recovery processes.
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 | 0,005 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».