Quantification of Lower Extremity Kinesthesia Deficits Using a Robotic Exoskeleton in People With a Spinal Cord Injury
Notice bibliographique
Résumé
BACKGROUND: Our ability to sense movement is essential for motor control; however, the impact of kinesthesia deficits on functional recovery is not well monitored in the spinal cord injury (SCI) population. One problem is the lack of accurate and reliable tools to measure kinesthesia. OBJECTIVE: The purpose of this study was to establish the validity and reliability of a quantitative robotic assessment tool to measure lower limb kinesthesia in people with SCI. METHODS: Seventeen individuals with an incomplete SCI and 17 age-matched controls completed 2 robotic-based assessments of lower limb kinesthesia sense, separated by at least 1 week. The Lokomat, a lower limb robotic exoskeleton, was used to quantify the movement detection score bilaterally for the hip and knee joints. Four passive movement speeds (0.5, 1.0, 2.0, and 4.0 deg/s) were applied in both flexion and extension directions. Participants responded via pressing a joystick button when movement was felt. RESULTS: The movement detection score was significantly greater in people with SCI compared with the control group, particularly at the slowest movement speed. The difference between groups was more pronounced among those classified as ASIA (American Spinal Injury Association) Impairment Scale B. Our measure showed high test-retest reliability and good internal consistency for the hip and knee joints. CONCLUSIONS: Our findings demonstrated that lower limb kinesthesia deficits are common in the SCI population and highlighted the importance of valid and reliable tools to monitor sensory function. Future studies need to examine changes in sensory function in response to therapy.
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 | 0,000 | 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) | 0,000 | 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 ».