需要JoVE订阅才能观看此内容。 请登录或开始免费试用

方法文章

虚拟改良箱块测试中运动与肌肉活动定量评估的设置

1.5K 次观看

⸱

DOI：

10.3791/65736

⸱

2024年1月12日

 ,  ,  ,  , 
1Department of Neuroscience, West Virginia University, 2Department of Human Performance, West Virginia University, 3Department of Biomedical Engineering, West Virginia University

* These authors contributed equally

本文内容

摘要

本文所述方案旨在加强上肢功能障碍的定量评估，目标是开发更多可用于临床和家庭远程评估的技术。该方案结合虚拟现实与生物传感器技术以及标准临床技术，以深入了解神经肌肉系统的功能状态。

摘要

运动能力使我们能够与外界互动。当这种能力受损时，会显著降低个人的生活质量和独立性，并可能导致并发症。由于面对面医疗服务的可及性受限，远程患者评估与康复的重要性近年来日益凸显。例如，新冠肺炎疫情意外地导致了严格的管控措施，减少了非紧急医疗保健服务的获取机会。此外，远程医疗为解决农村、服务不足地区以及低收入地区长期存在的医疗资源不平等问题提供了契机。

通过远程医疗选项提高可及性，将减少患者前往医院或专科医生处就诊的次数，并使常规治疗更加经济实惠。最后，利用 readily available 的商用消费类电子产品进行居家护理，可通过对症状、治疗效果和治疗剂量进行更精确的定量观察，从而改善患者的治疗结局。尽管远程医疗是解决上述问题的一种有前景的手段，但仍迫切需要对此类应用中的运动功能障碍进行定量表征。以下方案旨在弥补这一知识空白，使临床医生和研究人员能够获取关于复杂运动及潜在肌肉活动的高分辨率数据。最终目标是建立一套用于远程实施功能性临床测试的标准化操作流程。

在此实验中，参与者被要求执行一项受医学启发的方盒方块任务（Box and Block task，BBT），该任务常用于评估手部功能。此任务要求受试者将标准化的立方体从被隔板分隔的两个区域之间来回搬运。我们通过虚拟现实实现了改良版的方盒方块任务，以展示开发远程评估方案的潜力。每位受试者的肌肉激活情况均通过表面肌电图（surface electromyography）进行采集。该方案能够获取高质量的数据，从而以更详细且定量的方式表征运动功能障碍。最终，这些数据有望用于开发虚拟康复及远程患者监测的相应方案。

引言

运动是我们与世界互动的方式。尽管日常活动（如拿起一杯水或步行上班）看似简单，但即使是这些动作也依赖于中枢神经系统、肌肉和肢体之间复杂的信号传递1。因此，个人的独立性和生活质量与其肢体功能水平密切相关2,3。神经系统损伤，例如脊髓损伤（SCI）或周围神经损伤，可能导致永久性运动功能障碍，从而削弱个体执行基本日常生活活动的能力4,5。根据美国国家神经疾病与中风研究所的数据，美国有超过一亿人存在运动功能障碍，其中中风是主要原因之一6,7,8。由于此类损伤的特性，患者通常需要长期护理，而定量的运动评估和远程治疗可能对其具有重要意义。

目前治疗运动障碍的常规方法通常需要通过物理治疗师或作业治疗师等经过培训的专家进行观察，以完成对功能的初始评估和持续临床评估。标准且经过验证的临床测试通常需要由经过培训的专业人员来实施，且具有特定的时间限制，并对预定义的动作或功能性任务进行主观评分。然而，即使在健康个体中，相同的动作也可以通过不同的关节角度组合来完成。这一概念被称为骨骼肌冗余。

功能性的临床测试通常未考虑个体冗余性所导致的受试者间差异。对于临床医生和研究人员而言，区分由冗余性引起的正常变异与运动中的病理性改变仍然是一个挑战。由训练有素的评估者执行的标准临床评估采用低分辨率的评分系统，以减少评估者间的差异并提高测试的有效性。然而，这种方法会引入天花板效应，从而降低对可能存在轻度运动功能障碍的受试者的敏感性和预测效度9,10。此外，这些临床测试无法判断功能缺陷是由被动的生物力学因素还是主动的肌肉协调障碍所致，而这一点在初步诊断及制定个体化康复方案时可能至关重要。随机临床试验表明，基于这些临床测试所提供的证据所制定的治疗方案，其疗效存在不一致性11,12,13。多项研究已强调，亟需开发定量且易于使用的临床指标，以指导未来干预措施的设计14,15。

在以往的研究中，我们已证明利用现成的消费级动作捕捉设备，可对中风后上肢功能障碍以及乳腺癌患者胸部手术后的肩关节功能进行自动化的运动评估16,17。此外，我们还表明，与关节角度相比，利用主动关节力矩来估算特定主动运动的肌肉力矩，是评估中风后运动功能缺损更为敏感的指标18。因此，动作捕捉与表面肌电图（EMG）在那些经标准临床检查被诊断为无症状、但仍可能存在运动困难、疲劳或疼痛的患者评估中，可能具有关键意义。本文介绍了一种系统，该系统有望在未来实现对运动障碍患者群体在家中进行评估与康复的方法开发中，对标准临床测试过程中的运动进行详细且定量的表征。

虚拟现实（VR）可用于构建沉浸式用户体验，同时模拟日常任务。通常，VR 系统会追踪用户的手部运动，以实现与虚拟环境的模拟交互。本文所述方案采用消费级 VR 产品进行动作捕捉，以量化评估运动功能障碍，这与其他研究中使用现成电子游戏控制器对中风或肩部手术后功能障碍进行定量评估的方法类似16,17。此外，肌电图（EMG）是一种用于测量肌肉收缩过程中潜在神经活动的非侵入性方法19。因此，EMG 可用于间接评估运动神经控制的质量，并提供对运动功能的详细分析。EMG 可检测肌肉和神经损伤，常用于监测肌营养不良和脑性瘫痪等疾病20,21。此外，EMG 还可用于追踪肌肉力量或痉挛性的变化，而这些变化在运动学评估中可能并不明显22,23，也可用于评估疲劳和肌肉共激活情况。此类指标在评估康复进展时至关重要23,24,25。

本文所述的实验范式旨在结合虚拟现实（VR）与肌电图（EMG）技术，以克服传统临床评估工具的局限性。在此实验中，受试者被要求使用真实物体以及在虚拟现实环境中完成改良版的方盒方块任务（Box and Block task, BBT）26。标准的BBT是一种用于总体评估上肢粗大功能的临床工具，要求受试者在一分钟内将尽可能多的2.5 cm见方的方块从一个隔间经隔板移动至相邻的另一个隔间。该测试虽常用于可靠地评估中风或其他神经肌肉疾病患者（如上肢轻瘫、痉挛性偏瘫）的功能缺损，但也已有针对6至89岁健康儿童和成年人的常模数据报道26。本研究采用虚拟运动评估方法，以模拟真实世界中已验证的临床测试的功能性要素。此处使用VR技术可在减少所需硬件设备的同时，提供标准化的指导说明，并实现程序化、自动化的评分。因此，不再需要训练有素的专业人员持续监督测试过程。

本研究中，BBT 已被简化，旨在专注于捕捉每次出现在同一位置的单个方块的抓取动作。这最大限度地提高了动作的可重复性，并减少了记录数据中的个体间差异。最后，虚拟现实头戴设备的购买价格可低至 300 美元，并具有集成多种评估工具的潜力。一旦完成编程，这将显著降低常规专业评估的相关成本，并使得这些标准化、经过验证的临床测试在临床环境以及远程或家庭环境中更易于推广应用。

访问受限。请登录或开始试用以查看此内容。

方案

实验方案已获得西弗吉尼亚大学机构审查委员会（IRB）批准，方案编号为 #1311129283，并遵循《赫尔辛基宣言》的原则。该方案存在的风险较小，但有必要向参与者说明所有操作步骤及潜在风险，并已获得机构伦理审查委员会批准的书面知情同意书。

1. 系统特性与设计

注意：本方案的设置包括以下组成部分：（1）肌电图（EMG）传感器及底座，（2）EMG 数据采集（DAQ）软件，（3）运动捕捉系统，以及（4）配备相应软件的虚拟现实（VR）头戴设备。这些组件如图1所示。

  1. 系统组件的设置
    1. 连接肌电图（EMG）系统。
      1. 将EMG基站接入电源。
      2. 将EMG基站连接至一台专用计算机（图1C），该计算机中包含数据采集（DAQ）脚本。
        注意：示例脚本可在以下网址获取：https://www.dropbox.com/sh/7se5lih4noxj584/AACqFDZytpDm-L8jAULFwfTHa?dl=0。某些商业产品可能附带授权的数据采集软件，也可使用。
    2. 连接运动捕捉系统。
      1. 将第二台专用计算机（图1A）连接至网络路由器。
      2. 将网络路由器连接至运动捕捉服务器。
      3. 将运动捕捉服务器连接至计算机显示器以进行可视化显示。
      4. 将摄像头连接至运动捕捉服务器。
    3. 连接虚拟现实（VR）系统。
      1. 将VR头戴显示器连接至第三台专用计算机，并加载相应的数据采集（DAQ）脚本（图1B）。
        注意：示例脚本可在以下网址获取：https://www.dropbox.com/sh/7se5lih4noxj584/AACqFDZytpDm-L8jAULFwfTHa?dl=0
      2. 将包含预定任务的VR游戏环境加载至连接VR头戴显示器的计算机中（图1B）。
    4. 准备受试者完成任务的区域。
      1. 使用无扶手且稳固的椅子，以确保不会干扰受试者正常的伸手动作。
      2. 为保障安全并确保所采集数据的准确性，需确认测试区域无任何障碍物。
    5. 同步各系统。
      1. 使用自定义软件功能，将各系统在时间上同步至一个统一的时间服务器。
      2. 或者，使用一台计算机或首选的消息管理器进行同步。

运动捕捉系统示意图；设置包括摄像头、VR交互、EMG系统；数据分析。
图1：实验设备设置。（A）标记式运动捕捉摄像头布置在实验区域周围的地面和天花板上，以建立最佳的运动追踪空间。使用专用计算机运行运动捕捉软件并保存数据。（B）用于在虚拟现实（VR）中显示改良版BBT的头戴式显示器，连接至一台专用计算机，用于保存虚拟评估和任务数据。（C）肌电图（EMG）系统主机连接至专用计算机，用于在任务执行期间记录和保存肌肉活动数据。在实验过程中，EMG传感器和用于运动捕捉的LED标记均放置于受试者手臂上（见图2）。缩写：VR = 虚拟现实；EMG = 肌电图。请点击此处查看该图的放大版本。

2. 实验步骤

注意：本方案所述实验流程的可视化示意图见图2。

  1. 设置肌电图（EMG）
    1. 为了确定肌电传感器的最佳放置位置以获得最佳信号质量，应在受试者收缩相关肌肉时触诊肌肉肌腹27。本方案所用肌肉的选择参见表1。
    2. 使用酒精棉片仔细清洁每个电极以及受试者手臂上预定的传感器放置部位。
      注意：彻底清洁肌电传感器和受试者皮肤可确保电极与皮肤之间的阻抗较低，从而保证记录的肌电信号具有较高的信噪比。即使清洁充分，传感器放置部位的过多毛发仍可能导致数据质量下降。此时可能需要剃除毛发。
    3. 在完成肌电电极和受试者皮肤的准备工作后，将肌电传感器贴附于受试者身上，确保电极与皮肤之间接触良好。双极电极应放置成传感器与肌纤维方向平行。
  2. 设置运动捕捉系统
    注意：如果仅使用VR头显来追踪手部运动以获取运动学数据，则此步骤可能非必需。
    1. 根据制造商的说明校准运动追踪相机。在整个实验空间内移动校准棒，以校准运动追踪相机并设定空间的三维坐标轴。
      注意：本方案中使用的标记式运动捕捉系统包含带有LED标记的校准棒。
    2. 将LED运动捕捉标记贴附于受试者上肢和躯干所需的骨性标志点上，以便构建所需的生物力学模型。
    3. 使用配套的运动捕捉软件，确保所有标记均被运动捕捉相机识别并持续追踪。指导受试者进行若干次练习性动作，同时研究人员实时目视监控标记数据。
  3. 设置VR技能评估任务
    1. 在运动捕捉实验空间中央放置一把椅子。应选用与传统真实世界测试中相似的椅子。
    2. 在受试者将要执行评估任务的椅子位置校准VR头显。校准完成后，指导受试者坐在椅子上并佩戴VR头显。
    3. 当受试者就座时，测量其肩部到地面的距离以及手臂长度。利用这些测量值设定虚拟环境中桌子和评估任务的生成位置。
    4. 在VR任务控制脚本中输入受试者的测量数据，并设定所需的任务模块生成重复次数。
      注意：在本改良版BBT中，虚拟模块将逐个生成，以提高可重复性。
  4. 指导受试者在VR中执行改良版BBT评估。
    1. 向受试者简要说明任务内容。
      1. 虚拟模块将根据实验人员设定，在左侧或右侧生成。
      2. 向受试者说明，他们需要拾取虚拟模块，将其越过隔板运输，并放置到对侧区域的目标位置（图2）。
        注意：在本研究所用的虚拟改良版BBT中，模块将在起始位置自动消失并重新生成，重复次数由实验人员预先设定。
    2. 开始采集肌电图（EMG）数据。
    3. 开始采集运动捕捉数据。
    4. 启动VR技能评估任务。
      1. 让任务按预设的重复次数自动运行直至结束。
    5. 保存肌电图和运动学数据用于事后分析。
    6. 事后根据临床相关性确定改良版BBT评分，即60秒内成功越过隔板的模块数量或完成任务的重复次数。

使用运动捕捉、肌电图和LED标记进行技能评估的虚拟现实任务工作流程图及设置
图 2：实验方案、虚拟现实任务及受试者设置。（A）描述本实验所用方案的流程图。（B）在虚拟现实环境中实现的改进版BBT任务示例视图。通过解剖学测量对虚拟现实任务进行校准，以确保虚拟桌面出现在正确的相对位置。（C）受试者身上LED运动捕捉标记和肌电图传感器的放置位置。肌电图传感器置于目标肌肉上，LED运动捕捉标记则置于骨性标志点上。缩写：VR = virtual reality；EMG = electromyography；LED = light-emitting diode。请点击此处查看该图的放大版本。

访问受限。请登录或开始试用以查看此内容。

结果

通过本方案获取的受试者肌电图（EMG）、运动学和力数据可用于表征同一任务多次重复过程中的运动特征，以及不同任务期间的运动特征。此处展示的数据来自健康对照参与者，用以证明该实验设置的可行性。图 3 展示了健康受试者在虚拟现实（VR）环境中执行改良版抓取搬运测试（BBT）时记录的代表性肌电图（EMG）曲线。可见三角肌前束（DELT_A）呈现高强度肌肉激活，提示其为每次伸手动作中上肢的主要主动肌。前臂和腕部伸肌（ECU 和 ECR）也表现出显著激活，表明这些肌肉在运动全程中用于辅助抓握方块。最后，拇短伸肌（EPB）和拇对掌肌（APB）活动增强，提示其参与了方块的抓握与释放动作。尽管在虚拟现实环境中进行改良版BBT时记录的肌电图（EMG）曲线与真实世界任务中的表现相似，但在虚拟现实评估期间的最大肌肉活动水平有所降低。这些结果表明，标准的真实世界BBT与虚拟现实环境中的改良版BBT均涉及相似的运动控制机制。

利用VR手部追踪数据获取运动学数据，从而生成在VR中改进的BBT任务期间关节角度轨迹的平滑曲线图(

访问受限。请登录或开始试用以查看此内容。

讨论

肌电图系统
肌电图系统的硬件包含15个肌电图传感器，用于获取肌肉激活数据。采用市售的应用程序编程接口（API）开发了定制的肌电图记录软件。虚拟现实系统硬件包括一个虚拟现实头戴式显示器，用于呈现沉浸式虚拟现实环境，以及一根将头显连接至专用计算机的电缆，虚拟评估任务存储于该计算机中。软件部分包括三维计算机图形软件，用于创建和运行虚拟现实任务。本研究采用经过修改的方盒方块测试作为评估任务，该测试改编自广泛使用的手部灵巧性评估方法26。通过专门设计的软件程序实现与虚拟现实环境的交互，该程序可计算桌面生成位置、启动任务、生成方块并保存数据。

动作捕捉系统
动作捕捉系统的硬件包括虚拟现实（VR）头戴式显示器、标记式动作捕捉系统和VR动作控制器。VR头戴式显示器通过内置的四个红外摄像头（72–120 Hz）实现手部追踪功能。这些数据被从设备中提取出来用于运动学分析。标记式动作捕捉系统由服务器、视场角为60°的摄像头、发光二极管（LED）标记点以及校准装置组成...

访问受限。请登录或开始试用以查看此内容。

披露

作者声明无利益冲突。

致谢

本研究工作由美国国防部卫生事务助理部长办公室通过战伤军人神经肌肉骨骼损伤修复研究计划（RESTORE）资助，资助编号为 W81XWH-21-1-0138。文中观点、解释、结论和建议均为作者个人意见，不一定代表美国国防部的立场，亦不构成其认可。

访问受限。请登录或开始试用以查看此内容。

材料

本文使用的材料清单
姓名公司目录编号评论
无扶手椅N/A供受试者就座的椅子应为无扶手设计，以避免对其手臂活动造成干扰。
计算机Dell Technologies使用三台计算机以配合数据采集设备。
Leap Motion 控制器Ultraleap一种光学手部追踪模块，可捕捉手部及手指的运动。该控制器配备两个640 x 240像素的近红外摄像头（120 Hz），能够追踪设备上方最远60 cm范围内、视场角为140 x 120°的空间内的运动。该设备可连接至VR头显，或在运动过程中固定于头部上方。
MATLABMathWorks, Inc. 用于开发自定义数据采集软件的编程平台
Oculus Quest 2Meta具备手部追踪功能的沉浸式虚拟现实头显，内置4个红外摄像头（72–120 Hz）。可使用其他类似设备替代（例如 HTC Vive、HP Reverb、PlayStation VR）。
Oculus Quest 2 连接线缆Meta用于将头显连接至存储VR游戏的计算机
PhaseSpace 动作捕捉系统PhaseSpace, Inc.一种基于标记点的动作捕捉系统，包含服务器、视场角为60°的摄像头、发光二极管（LED）标记点以及校准装置
Trigno 无线系统Delsys, Inc.由 Delsys 公司生产，包含肌电图（EMG）、加速度计、力传感器、基站及采集软件。使用 Trigno-MATLAB 应用程序编程接口（API）开发了自定义记录软件。
UnReal Engine 4Epic Games用于在虚拟现实中创建并运行改进版方盒方块任务的软件

参考文献

  1. Rosenbaum, D. A. Human motor control. , Elsevier Inc. (2010).
  2. Kalsi-Ryan, S., Curt, A., Fehlings, M., Verrier, M. Assessment of the hand in tetraplegia using the Graded Redefined Assessment of Strength, Sensibility and Prehension (GRASSP): impairment versus function. Topics in Spinal Cord Injury Rehabilitation. 14 (4), 34-46 (2009).
  3. Kalsi-Ryan, S., et al. The Graded Redefined Assessment of Strength Sensibility and Prehension: reliability and validity. Journal of Neurotrauma. 29 (5), 905-914 (2012).
  4. Menorca, R. M. G., Fussell, T. S., Elfar, J. C. Nerve physiology. Hand Clinics. 29 (3), 317-330 (2013).
  5. Spinal cord injury. National Institute of Neurological Disorders and Stroke. , Available from: https://www.ninds.nih.gov/health-information/disorders/spinal-cord-injury (2023).
  6. Peripheral neuropathy. National Institute of Neurological Disorders and Stroke. , Available from: https://www.ninds.nih.gov/health-information/patient-caregiver-education/fact-sheets/peripheral-neuropathy-fact-sheet (2023).
  7. Statistics: Get informed about Parkinson's disease with these key numbers. Parkinson's Foundation. , Available from: https://www.parkinson.org/understanding-parkinsons/statistics (2023).
  8. Virani, S. S., et al. Heart disease and stroke statistics-2021 update: a report from the American Heart Association. Circulation. 143 (8), e254(2021).
  9. Hsieh, Y., et al. Responsiveness and validity of three outcome measures of motor function after stroke rehabilitation. Stroke. 40 (4), 1386-1391 (2009).
  10. Van Der Lee, H., Beckerman, H., Lankhorst, G. J., Bouter, L. M. The responsiveness of the action research arm test and the Fugl-Meyer assessment scale in chronic stroke patients. Journal of Rehabilitation Medicine. 33 (3), 110-113 (2001).
  11. Duncan, P., et al. Randomized clinical trial of therapeutic exercise in subacute stroke. Stroke. 34 (9), 2173-2180 (2003).
  12. Saposnik, G., et al. Efficacy and safety of non-immersive virtual reality exercising in stroke rehabilitation (EVREST): a randomised, multicentre, single-blind, controlled trial. The Lancet Neurology. 15 (10), 1019-1027 (2016).
  13. Wolf, S. L., et al. The EXCITE stroke trial: Comparing early and delayed constraint-induced movement therapy. Stroke. 41 (10), 2309-2315 (2010).
  14. Krakauer, J. W., Carmichael, S. T. Broken movement: the neurobiology of motor recovery after stroke. , The MIT Press. Cambridge, MA. (2017).
  15. Pollock, A., et al. Interventions for improving upper limb function after stroke. Cochrane Database of Systematic Reviews. 2014 (11), (2014).
  16. Olesh, E. V., Yakovenko, S., Gritsenko, V. Automated assessment of upper extremity movement impairment due to stroke. PLoS ONE. 9 (8), e104487(2014).
  17. Gritsenko, V., et al. Feasibility of using low-cost motion capture for automated screening of shoulder motion limitation after breast cancer surgery. PLOS ONE. 10 (6), e0128809(2015).
  18. Thomas, A. B., Olesh, E. V., Adcock, A., Gritsenko, V. Muscle torques and joint accelerations provide more sensitive measures of poststroke movement deficits than joint angles. Journal of Neurophysiology. 126 (2), 591-606 (2021).
  19. De Luca, C. Electromyography. Encyclopedia of Medical Devices and Instrumentation. , (2006).
  20. Lin, C. -J., Guo, L. -Y., Su, F. -C., Chou, Y. -L., Cherng, R. -J. Common abnormal kinetic patterns of the knee in gait in spastic diplegia of cerebral palsy. Gait & Posture. 11 (3), 224-232 (2000).
  21. Lin, J., Shah, D., McCracken, C., Verma, S. Quantitative EMG in Duchenne muscular dystrophy (P6.328). Neurology. 86, (2016).
  22. EMG test for neuromuscular disease. Brigham and Women's Hospital. , Available from: https://www.brighamandwomens.org/medical-resources/emg-test (2023).
  23. Kuthe, C. D., Uddanwadiker, R. V., Ramteke, A. A. Surface electromyography based method for computing muscle strength and fatigue of biceps brachii muscle and its clinical implementation. Informatics in Medicine Unlocked. 12, 34-43 (2018).
  24. Holtermann, A., Grönlund, C., Karlsson, J. S., Roeleveld, K. Motor unit synchronization during fatigue: Described with a novel sEMG method based on large motor unit samples. Journal of Electromyography and Kinesiology. 19 (2), 232-241 (2009).
  25. Kim, H., Lee, J., Kim, J. Electromyography-signal-based muscle fatigue assessment for knee rehabilitation monitoring systems. Biomedical Engineering Letters. 8 (4), 345-353 (2018).
  26. Mathiowetz, V., Volland, G., Kashman, N., Weber, K. Adult norms for the box and block test of manual dexterity. American Journal of Occupational Therapy. 39 (6), 386-391 (1985).
  27. Hermens, H. J., Freriks, B., Disselhorst-Klug, C., Rau, G. Development of recommendations for SEMG sensors and sensor placement procedures. Journal of Electromyography and Kinesiology. 10 (5), 361-374 (2000).
  28. Yough, M. Advancing medical technology for motor impairment rehabilitation: Tools, protocols, and devices. Graduate Theses, Dissertations, and Problem Reports. , (2023).
  29. Velliste, M., Perel, S., Spalding, M. C., Whitford, A. S., Schwartz, A. B. Cortical control of a prosthetic arm for self-feeding. Nature. 453 (7198), 1098-1101 (2008).
  30. Talkington, W. J., Pollard, B. S., Olesh, E. V., Gritsenko, V. Multifunctional setup for studying human motor control using transcranial magnetic stimulation, electromyography, motion capture, and virtual reality. Journal of Visualized Experiments. (103), e52906(2015).
  31. Murillo, C., et al. High-density electromyography provides new insights into the flexion relaxation phenomenon in individuals with low back pain. Scientific Reports. 9 (1), 15938(2019).
  32. Péter, A., et al. Comparing surface and fine-wire electromyography activity of lower leg muscles at different walking speeds. Frontiers in Physiology. 10, 1283(2019).
  33. Isenstein, E. L., et al. Rapid assessment of hand reaching using virtual reality and application in cerebellar stroke. PLOS ONE. 17 (9), e0275220(2022).
  34. Varela-Aldás, J., Buele, J., López, I., Palacios-Navarro, G. Influence of hand tracking in immersive virtual reality for memory assessment. International Journal of Environmental Research and Public Health. 20 (5), 4609(2023).
  35. Robertson, D., et al. Human kinetics. Research methods in biomechanics. , Champaign, IL. (2004).
  36. Dunne, J. J., Uchida, T. K., Besier, T. F., Delp, S. L., Seth, A. A marker registration method to improve joint angles computed by constrained inverse kinematics. PLOS ONE. 16 (5), e0252425(2021).
  37. Delp, S. L., et al. OpenSim: Open-source software to create and analyze dynamic simulations of movement. IEEE Transactions on Biomedical Engineering. 54 (11), 1940-1950 (2007).
  38. Naceri, A., Gultekin, Y. B., Moscatelli, A., Ernst, M. O. Role of tactile noise in the control of digit normal force. Frontiers in Psychology. 12, 612558(2021).
  39. Wottawa, C. R., et al. The role of tactile feedback in grip force during laparoscopic training tasks. Surgical Endoscopy. 27 (4), 1111-1118 (2013).

访问受限。请登录或开始试用以查看此内容。

重印与许可

探索更多文章

虚拟方块与木块测试动作捕捉表面肌电图肌肉活动评估虚拟现实康复远程患者监测手功能测试运动功能障碍量化肌电传感器上肢运动
虚拟改良箱块测试中运动与肌肉活动定量评估的设置
联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。