Developing a User-friendly System for Home-based Monitoring of Arm Use after Stroke
Notice bibliographique
Résumé
Stroke rehabilitation faces challenges in providing real-time care outside clinical settings, as they require in-person supervision and lack personalized monitoring of continuous progression in stroke rehabilitation. Recent advances in wearable sensors (e.g., inertial measurement unit (IMU), electromyography (EMG)) offer avenues to longitudinally track arm use in the real-world setting, e.g. during activities of daily living at home. However, challenges remain in translating such technology mainly due to practical barriers in transferring the technical knowledge and skills required for operating the sensor/device to acquire data. The main objective of this project was to develop a user-friendly system that consists of: 1) “easy-to-don and-doff” wearable sensors, 2) “easy-to-use” graphical user interface (GUI) for data acquisition, and 3) “on-the-go” receiver unit for reliable wireless connection. To this end, we used Myo Armband (Thalmic Labs, CANADA), which is a consumer-grade bracelet sensor capable of capturing IMU data and EMG signals to assess movement and muscle activity that communicates via bluetooth. We developed a Python-based GUI that collects and displays real-time data visualization for the two Myo Armbands on the upper arm and forearm. This system has enabled real-time monitoring, reliable tracking, and scalable rehabilitation, enhancing accessibility, engagement, and recovery outcome.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,010 | 0,004 |
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 ».