Summary
Vi utviklet en virtuell virkelighet test å vurdere instrumental aktiviteter dagliglivets (IADL) med motion capture system. Vi foreslår en detaljert Kinematisk analyse å tolke deltakerens ulike bevegelser, inkludert bane, flytte avstand og tid til ferdigstillelse å evaluere IADL evner.
Abstract
Manglende evne til å fullføre instrumental aktiviteter dagliglivets (IADL) er en forløper til ulike nevropsykologiske sykdommer. Spørreskjema-baserte vurderinger av IADL er enkel å bruke, men utsatt for subjektive bias. Her beskriver vi en ny virtual reality (VR) test for å vurdere to komplekse IADL oppgaver: håndtere finansielle transaksjoner og bruke offentlig transport. Mens deltaker utfører oppgaver i VR omgivelser, en bevegelse fange system spor på posisjon og orientering av dominante hånd og hodet i en tredimensjonal kartesisk koordinatsystem. Kinematisk rådata er samlet og konvertert til 'Kinematisk arbeidsmål,' dvsbevegelse bane, flytte avstand og tid til ferdigstillelse. Bevegelse bane er banen til en bestemt kroppsdel (f.eks, dominante hånd eller hodet) i rommet. Flytte avstand refererer til den totale avstanden av banen, og tid til ferdigstillelse er hvor lang tid det tok for å fullføre en IADL oppgave. Tiltakene Kinematisk kunne diskriminere pasienter med kognitiv svekkelse fra sunn kontroller. Utviklingen av denne Kinematisk måling protokollen oppdages tidlig IADL-relaterte kognitive hemninger.
Introduction
Instrumental dagliglivets aktiviteter (IADL), som håndterer finanstransaksjoner ved offentlig transport og matlaging, er medisinsk markører siden de krever flere nevropsykologiske funksjoner1. Svekket IADL evner anses dermed forløpere til nevrologiske sykdommer, slik som mild kognitiv svekkelse (MCI) og demens2. Golds omfattende gjennomgang av IADL aktiviteter3 indikerte at mer kognitivt krevende oppgaver, for eksempel håndtering økonomi og bruk av kollektivtransport, var den tidligste prediktor for MCI og demens.
Hittil er de mest brukte vurderingene av IADL egenrapporterte spørreskjemaer, informant-baserte spørreskjemaer og ytelsesbasert vurderinger4. Spørreskjema-baserte vurderinger av IADL er kostnadseffektiv og lett å bruke, men er utsatt for subjektive bias. For eksempel når selv rapporterer, pasienter tendens til å over - eller under - estimate deres IADL evner5. Tilsvarende informanter bedømme galt IADL evner på grunn av observatørens misoppfatninger eller kunnskap hull4. Dermed ha prestasjonsbasert vurderinger som spør pasienter til å utføre bestemte oppgaver som IADL vært foretrukket, men mange av oppgavene som er passende for en generell klinisk setting6.
Virtual reality (VR) studier har nylig vist at denne teknologien kan ha betydelig programmer i medisin og helsetjenester, som inkluderer alt fra trening til rehabilitering til medisinsk vurdering7. Alle deltakere kan testes under de samme VR-forholdene, som etterligner virkeligheten. For eksempel Allain et al. 8 utviklet en virtuell kaffe aktivitet og viste at pasienter med kognitiv svekkelse utført oppgaven dårlig. Klinger et al. 9 utviklet et annet VR miljø for adresseetiketter og shopping aktiviteter og fant et meningsfylt forhold mellom task Fullføringstidspunkt i VR og nevropsykologiske testresultater. Tidligere VR studier av IADL vurdering har hovedsakelig fokusert på enkel ytelse tiltak som reaksjon eller nøyaktighet ved konvensjonelle input-enheter som mus og tastatur8,9. Mer detaljert ytelsesdata om IADL er derfor nødvendig å effektivt skjermen for pasienter med MCI4.
Kinematisk analyse av real-time motion capture data er en kraftig tilnærming til kvantitativt dokumentere detaljerte ytelsesdata tilknyttet IADL aktiviteter. For eksempel hvit et al. 10 utviklet virtuell kjøkken som fanger deltakerens felles vinkel data under daglige levende oppgaver og brukes opptaksdata kvantitativt vurdere effektiviteten av fysioterapi. Dimbwadyo-Terrer et al. 11 utviklet en nedsenkning VR omgivelsene for å vurdere øvre lem ytelse når du utfører grunnleggende daglige levende oppgaver og viste at Kinematisk data registrert i VR omgivelser sterkt korrelert med funksjonell skalaer av den øvre lem. Disse Kinematisk analyser med motion capture systemer kunne gi ytterligere mulighet til å vurdere en pasient kognitiv svekkelse12. Inkludering av detaljert Kinematisk dataene i screening for pasienter med MCI forbedret klassifiseringen av pasienter i forhold til sunn kontroller13.
Her beskriver vi en protokoll for å vurdere kinematikken daglige levende bevegelser med motion capture systemer i en nedsenkning VR omgivelsene. Protokollen består to komplekse IADL oppgaver: "oppgave 1: ta ut penger" (håndtere finansielle transaksjoner) og "oppgave 2: buss" (med offentlig transport). Mens oppgavene var utført, sporet et motion capture system på posisjon og orientering av dominante hånd og hodet. Etter endt aktivitet 1, ble dominante hånd banen, flytte avstand og tid til ferdigstillelse samlet. I oppgave 2, ble leder banen, flytte avstand og tid til ferdigstillelse samlet. Representant resultatinndelingen i denne artikkelen detaljer foreløpig test av pasienter med MCI (dvs.IADL evner er svekket) sammenlignet med friske kontroller (dvs.IADL evner er intakt).
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Alle eksperimentelle prosedyrene som er beskrevet her ble godkjent av institusjonelle gjennomgang styret av Hanyang universitetet, ifølge erklæringen i Helsingfors (HYI-15-029-2). 6 sunne kontroller (4 menn og 2 kvinner) og 6 MCI pasienter (3 menn og 3 kvinner) var rekruttert fra et høyere medisinsk senter, Hanyang universitetssykehus.
1. rekrutter deltakere
- Rekruttere MCI pasienter (dvs., svekket IADL evner) og sunn kontroller (dvs., normal IADL evner) mellom 70-80 år.
- Ved hjelp av en nevrolog med mer enn 10 års klinisk erfaring, vurdere pasientens medisinske historie, og utelate pasienter med en historie med nevrologiske/psykiske lidelser eller hjernekirurgi.
Merk: Bruk følgende nevropsykologiske tester: Mini mentale tilstand eksamen-demens Screening, koreansk Instrumental Activities of Daily Living, gratis og Cued selektiv minner Test, siffer Span Test-forover/bakover, Trail gjør Test-A/B13 , og kriteriene for Albert et al. 14 å diagnostisere MCI.
2. installere VR programvare og koble datamaskiner
- Konfigurere maskinvaren på dedikert rommet ligner på figur 1. Utføre denne protokollen i en rom-størrelse oppslukende virtuelle miljø (4 x 2,5 x 2,5 m3) inneholder 4 datamaskiner, 4 stereoskopisk tredimensjonale (3D) projektorer og 8 bevegelse kamera å spore posisjonen og orientering av dominerende hånden og hodet under de to IADL aktivitetene.
Merk: VR-teknologier som brukes i denne artikkelen er maskinvare og programvare som gir oppslukende og interaktiv 3D erfaringer, som realistisk objekter og arrangementer kan presenteres i et virtuelt miljø. Detaljer om maskinvaren og programvaren er beskrevet i Materialer tabell. - Kontroller alle datamaskiner er utstyrt med den nødvendige programvaren (Visual Studio 2012 Videredistribuerbar pakke (x86), DirectX, og MiddleVR eller tilsvarende). For MiddleVR, dvs., mellomvare programvare, sjekk nettstedet15 for å få de nyeste versjonene av bibliotekene for inndataenheter, stereoscopy, klynger og interaksjoner.
- Koble datamaskinene til stereoskopisk 3D projektorer. Grafiske innstillingene er 1920 x 1080 piksler oppløsning.
- Opprette en Windows 10 hjemmegruppe for å koble det 4 datamaskiner på et hjemmenettverk. På den primære datamaskinen, oppretter du en mappe og dele den med andre hjemmegruppedatamaskiner.
- På den primære datamaskinen, kan du starte programmet mellomvare. Klikk på "Klynger". Angi den primære datamaskinen som en server og andre datamaskiner som klienter. Dette vil synkronisere tilstanden til alle enheter. Klikk "3D noder"-knappen. Angi posisjon, retning og størrelse på virtuelt miljø skjermen.
- Fullføre innstillingene basert på nettstedet15 og lagre konfigurasjonsfilen.
3. konfigurere Motion Capture systemer i et virtuelt miljø
- Montere 8 bevegelse kamera i et virtuelt miljø å fullt ut dekke fange volumet. Fastsette kameraer sikkert slik at de holdes under innspilling. Sikre objekter i et virtuelt miljø vil være synlig for minst 2 kameraer til alle tider.
- Installere OptiTrack motiv programvare, dvs., bevegelse fange programvare, på den primære datamaskinen med installasjon manuelle16. Koble den primære datamaskinen med motion capture systemer med kategori 6 Ethernet-kabler.
- Kalibrere motion capture systemene med følgende trinn, som beskrevet i programvare manuell16.
- Fjern alle unødvendige refleksjoner eller unødvendige markører fra fangst volumet.
- Klikk "Maske synlig" for å maskere uønskede refleksjoner eller ambient støy.
- Klikk "Start Wanding". Bruk kalibrering tryllestaven til å støtte fange av eksempel rammer for å beregne respektive posisjoner og orientering i 3D-rom.
- Klikk på "Beregn" knappen Kalibrer systemet benytter innsamlede eksemplene.
- Sjekke kalibrering resultatene (i rekkefølge fra verste til best): fattige, Fair, god, stor, utmerket og enestående. Hvis resultatet er bedre enn bra, klikk på "Apply"-knappen. Hvis ikke, klikk på "Avbryt"-knappen og gjenta wanding prosessen.
- Plass torget kalibrering inne 3D-rom der du vil opprinnelse ligger. Klikk "Sette grunnplan" for å etablere en merkede 3D koordinatsystem opprinnelse.
- Velg tilhørende reflekterende markører for dominante hånd og hodet. Klikk "Rigid kropp" og deretter "Opprette fra valgt markører".
- På bevegelse fange programvare, åpne "Streaming"-menyen. Kontroller at portnummeret oppført er 3883, og merk "Broadcast rammedata" i kategorien "VRPN Streaming motor". Klikk "Ctrl" + "S" for å lagre filen kalibrering.
- På den primære datamaskinen, kan du starte programmet mellomvare. Klikk "Enheter". Legge til en VRPN bane for å få informasjon fra motion capture system, og deretter lagre konfigurasjonsfilen.
4. forberede et virtuelt miljø for bruk
- Fjern alle reflekterende objekter (dvs., klokker, ringer, øredobber, metaller, etc.) fra det virtuelle miljøet.
- Slå på datamaskiner, stereoskopisk 3D projektorer og motion capture systemer (360 rammer per sekund).
- Når 4 datamaskiner kjører, start VRDaemon programvaren. For eksempel dobbel falle i staver opp på "VRDaemon.exe" som ligger i "C:\Program Files (x86) \MiddleVR\bin."
- På den primære datamaskinen, starte bevegelse fange programvare. Klikk på knappen øverst menyen merket "Åpne eksisterende Project." Last filen kameraet kalibrering.
- På den primære datamaskinen, kan du starte programmet mellomvare. Klikk på "Simulering"-knappen. Laste inn de nødvendige simulering og konfigurasjon filene fra en delt mappe.
- Mellomvare programvaren, trykk på "Run" knappen å effektuere en oppslukende virtuelle søknad med de valgte simulering og konfigurasjon.
5. gjøre kjent deltakeren med det virtuelle miljøet
- Gi deltakeren stereoscopic briller veier rundt 50 g. Visningsfrekvens stereoscopic briller er 192 Hz. sikre at stereoscopic briller er komfortabelt plassert over øyne og ører; se figur 2A.
- Fest reflekterende markører veier mindre enn 1 g deltakerens dominante hånd og hodet. Pass på å legge reflekterende markører tett; se figur 2B. Informere deltakerne at de kan fritt bevege eller i det virtuelle miljøet bruker head bevegelse og kan klikke virtuelle objekter med dominerende hånd. En virtuell hånd vises i det virtuelle miljøet å etterligne plasseringen av deltakerens pekefingeren; se Figur 3.
- Ber du deltakeren om å bevege seg fritt (dvs., stå opp, sitte, gå til venstre og gå rett) i det virtuelle miljøet for 5 min å gjøre seg kjent med VR miljøet. Deretter be deltakerne klikke virtuelle knapper for 5 min for å bli kjent med hvordan du samhandler med virtuelle objekter med dominerende hånd. Gi en annen 10 min treningsøkten hvis deltakeren ber om en.
- Kontroller om deltakeren er immun mot VR sykdom med en simulator sykdom spørreskjemaet17.
FORSIKTIG: Synkronisert bevegelse sporing på stereoskopisk visning kan forårsake VR sykdom, noe som kan føre til ubehag, hodepine, mage bevissthet, kvalme, oppkast, blekhet, svette, tretthet, tretthet, forvirring og apati. Hvis deltakeren klager over tretthet eller simulator sykdom er også høy, stoppe protokollen.
6. utføre "oppgave 1: ta ut penger"
FORSIKTIG: Motvekt sekvenser av aktivitet 1 og aktivitet 2 fjerne bære-over effekten.
- Forklare deltakeren detaljer om aktiviteten og gir 8 handlingen fremgangsmåten for å fullføre aktiviteten i det virtuelle miljøet. Trinnene er (1) sett inn kortet inn i ATM, (2) Velg "trekke" menyen, (3) Velg hvor å trekke, (4) Velg bill, (5) angir PIN (personlig identifikasjonsnummer), (6) velger du alternativet mottak, (7) fjerne kortet, og (8) ta pengene fra ATM (se Figur 4).
- På den primære datamaskinen, kan du starte programmet mellomvare. Kategorien "Simulering" Velg en simulering aktivitet 1 og en konfigurasjonsfil. Trykk "Kjør" knappen; "Oppgave 1: ta ut penger" kjøres i det virtuelle miljøet.
Merk: For aktivitet 1-filen, se "Oppgave 1 trekke Money.zip" vedlegget i supplerende fil 1. Merk at virtuelle oppgaven ble utviklet med Unity 3D-motoren. - Hvis det "oppgave 1: ta ut penger" kjører i det virtuelle miljøet, ber du deltakeren om å utføre som følger: "Vennligst trekke 70.000 KRW (tilsvarer rundt 60 USD) fra ATM for shopping. Velg to forskjellige typer notater, 50.000 KRW merknad for 50.000 KRW og to 10.000 KRW notater for 20.000 KRW. Passordet for transaksjonen er dagens dato. For eksempel hvis eksperimentet utføres på 11 November, er PIN 1111. Vennligst Hold kvittering på ytterligere referanse."
- Når oppgaven er ferdig, sjekke lagrede Kinematisk dataene i CSV-filer (kommadelt) for videre analyse fra en delt mappe.
Merk: Bruker motion capture systemer, under "oppgave 1: ta ut penger" spille inn på posisjon og orientering av dominerende hånden når du utfører en oppgave med innspillingen frekvens 1 ms. - Gi ca 5 min pause til deltakeren før du starter "oppgave 2: buss."
7. utføre "oppgave 2: buss"
- Forklare til deltakeren detaljer om aktiviteten og instruksjoner for hvordan du "oppgave 2: buss" som følger: "vent på busstoppet og busstransport mål. Buss målinformasjon gis på VR skjermen av en bestemt linjenummer, farge og destinasjon. Når målet bussen ankommer, må du gå ut av bussholdeplassen og til inngangsdøren til målet bussen. 8 ulike busser vil være tilfeldig generert og presentert." Se figur 5.
- På den primære datamaskinen, kan du starte programmet mellomvare. Kategorien "Simulering" Velg en simulering aktivitet 2 og en konfigurasjonsfil. Trykk "Kjør", deretter "oppgave 2: buss" kjøres i det virtuelle miljøet.
Merk: For aktivitet 2-filen, se "Oppgave 2 ta en Bus.zip" vedlegget i supplerende fil 2. Merk at virtuelle oppgaven ble utviklet med Unity 3D-motoren. - Hvis det "oppgave 2: buss" kjører i det virtuelle miljøet, ber du deltakeren om å vente i bussholdeplassen. Klikk "Mellomrom" tasten på tastaturet for å gjøre busser kommer til bussholdeplassen.
- Når oppgaven er ferdig, sjekke lagrede Kinematisk dataene i CSV-filer for videre analyse fra en delt mappe.
Merk: Bruker motion capture systemer, under "oppgave 2: buss" registrere posisjonen og orientering av hodet når du utfører oppgaven med innspillingen frekvens 1 ms. - Protokollen er fullført. Hjelpe deltakeren fjerne stereoscopic briller og koble den reflekterende markører fra dominante hånd og hodet.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
CSV-filer fra "oppgave 1: ta ut penger" ble analysert ved hjelp av statistisk programvare R til å beregne den dominante hånd banen, flytte avstand og tid til ferdigstillelse. Banen til den dominante hånd bevegelsen er visualisert (figur 6). Flytte avstanden av dominerende hånden beregnes ved å summere den totale avstanden mellom sekvensielle hånd posisjoner mens du utfører aktivitet 1. Avstanden mellom posisjoner er Euclidian avstanden. Tid til ferdigstillelse betyr tiden det tar å fullføre hele oppgaven (dvs.fra trinn 1 "sette kortet inn i ATM" til trinn 8 "ta penger fra Minibank"). Se "Oppgave 1 R Code.docx" vedlegget i supplerende filen 3for R-koden for statistisk analyse.
CSV-filer fra "oppgave 2: buss" analyseres for å beregne den hodet banen, avstand, og tid til ferdigstillelse ved hjelp av R statistisk programvare. Banen av hodet bevegelsen er visualisert (figur 7). Den flytte avstanden av hodet beregnes ved å summere den totale avstanden mellom sekvensielle hodet posisjoner når aktivitet 2. Avstanden mellom to posisjoner er Euclidian avstanden. Tid til ferdigstillelse betyr tiden fra begynnelsen til slutten av hele oppgaven med åtte mål busser. Se "Oppgave 2 R Code.docx" vedlegget i supplerende filen 4for R-koden for statistisk analyse.
Anthropometric egenskaper og Kinematisk tiltak fra pasienter med MCI og sunn kontroller er vist i tabell 1. Testarbeidet VR med motion capture systemer presenterer nye muligheter for å måle kinematikken av komplekse IADL oppgaver. Ved å følge protokollen presenteres her, forskere kan få Kinematisk ytelsesdata for "oppgave 1: ta ut penger" (håndtere finansielle transaksjoner) og "oppgave 2: buss" (med offentlig transport).
Faktisk en case-control study med denne protokollen ble utført med flere statistiske analyser (dvs., multivariabel analyse av varians, en Pearson korrelasjon analyse og en frem gradvis lineær discriminant analyse), som finnes i vår empirisk studie13.
Figur 1: en rom-størrelse oppslukende virtuelle miljøet Klikk her for å se en større versjon av dette tallet.
Figur 2: forberedelser før vurdering. (A) emnet bærer stereoscopic briller. (B) reflekterende markører er knyttet til den dominerende hånd og hodet. Klikk her for å se en større versjon av dette tallet.
Figur 3: virtuelle hånden representasjon i det virtuelle miljøet. (A) en hvit sfære representerer plasseringen av pekefingeren. Deltakeren klikker en virtuell nummer "2"-knappen. (B) Deltakeren klikker en virtuell nummer "4"-knappen. Klikk her for å se en større versjon av dette tallet.
Figur 4: oppgave 1: ta ut penger fra ATM. (A) deltaker skriver inn en PIN-kode i ATM. (B) deltaker trekker seg penger fra ATM. Klikk her for å se en større versjon av dette tallet.
Figur 5: oppgave 2: ta et feltene (A) deltaker venter på busstoppet. (B) deltaker går fra bussholdeplassen og til målet bussen. Klikk her for å se en større versjon av dette tallet.
Figur 6: oppgave 1: hånd bevegelse bane i 3D kartesiske plass. (A) sunn kontroller. (B) MCI pasienter. Klikk her for å se en større versjon av dette tallet.
Figur 7: oppgave 2: hodet bevegelse bane i 3D kartesiske plass. (A) sunn kontroller. (B) MCI pasienter. Klikk her for å se en større versjon av dette tallet.
| MCI pasienter | Sunn kontroller | |
| Tall (mann) | 6 (3) | 6 (4) |
| Alder (år) | 72.4 ± 1,9 | 72.6 ± 1.7 |
| Oppgave 1: Ta ut penger | ||
| Flytte avstand (m) | 34.7 ± 9.1 | 52.5 ± 10.5 |
| Tid til ferdigstillelse (min) | 1,8 ± 0,3 | 1.3 ± 0,2 |
| Oppgave 2: Ta buss | ||
| Flytte avstand (m) | 100.3 ± 11.4 | 128,5 ± 14.2 |
| Tid til ferdigstillelse (min) | 13,5 ± 0,2 | 13,5 ± 0,2 |
Tabell 1: Anthropometric egenskaper og Kinematisk tiltak . Verdiene er betyr ± SD.
Ekstra fil 1: oppgave 1 trekke Money.zip. Klikk her for å laste ned denne filen.
Ekstra filen 2: oppgave 2 ta en Bus.zip. Klikk her for å laste ned denne filen.
Ekstra filen 3: oppgave 1 R Code.docx. Klikk her for å laste ned denne filen.
Ekstra fil 4: oppgave 2 R Code.docx. Klikk her for å laste ned denne filen.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Vi detaljerte Kinematisk måling protokollen daglige levende bevegelser med motion capture systemer i en nedsenkning VR omgivelsene. Først eksperimentelle innstillingen guidet til å definere, forberede, og bli deltakere med oppslukende VR miljøet. Deretter utviklet vi to standardiserte IADL aktiviteter i VR. Tredje er trinn 3 og trinn 5 i delen protokollen de viktigste trinnene å minimere VR sykdom. Når du setter opp motion capture systemer i det virtuelle miljøet (trinn 3), er det viktig å montere sporing kameraet høy nok til å fullt ut dekke fange volumet, fikse kameraene stabilt å hindre bevegelse under innspilling, sørge for at minst to kameraer kan samtidig fange et objekt, og fjerne overflødig refleksjoner eller unødvendige markører fra det virtuelle miljøet. Mens kjent deltakerne med VR (trinn 5), er det avgjørende å gi nok opplæring for dem å bli vant til den virtuelle erfaringen. Hvis deltakerne VR sykdom symptomer (f.eks, ubehag, hodepine, kvalme, oppkast, blekhet, svette, tretthet, tretthet, forvirring og apati), bør eksperimentet stoppes. Endelig ble Kinematisk rådata oversatt av R statistisk programvare.
En begrensning og utfordringen med våre protokollen er at de virtuelle IADL oppgavene skal valideres sammenliknet med ekte IADL oppgaver. Selv om tidligere studier viste at både virtuelle og virkelige oppgaver var sterkt korrelert reaksjonstid, nøyaktighet8, kliniske, og funksjonelle måler11, skal gjeldende Kinematisk måling protokollen være kompatibelt med mange konvensjonelle nevropsykologiske vurderinger. Bygge på denne valideringen, må vi skalere opp denne protokollen med ulike IADL oppgaver. En annen begrensning er at denne protokollen analyserer bare typisk Kinematisk tiltak, så mer sofistikert Kinematisk arbeidsmål i et virtuelt miljø, for eksempel akselerasjon, bevegelse nøyaktighet og effektivitet, skal inkluderes.
Betydningen av gjeldende Kinematisk måling protokollen er at den er rask, sikker, enkel å utføre, og ikke-invasiv deteksjon av tidlig IADL underskudd. En tidligere studie med denne protokollen bekreftet at Kinematisk tiltak i forbindelse med et nevropsykologisk testresultat beste diskriminert MCI pasienter fra sunn kontroller13. Kvantifisering av bestemte funksjonelle underskudd kunne godt gi grunnlag for å finne kilden og omfanget av nevrologiske skader og derfor hjelpemiddel i klinisk beslutningsprosessen for individualisering terapier18. I denne sammenheng kan protokollen foreslått i denne artikkelen brukes for evidensbasert klinisk beslutningsprosesser.
Vurderer fremtidige applikasjoner, kan denne protokollen brukes for andre nevropsykologiske sykdommer som traumatisk brain skader19. Det kan også være interessant å analysere bestemte delaktivitetene i gjeldende protokollen å identifisere hvilke er mer utfordrende. Videre studier VR å trene slagpasienter viste forbedringer i hukommelse og oppmerksomhet funksjoner etter en VR-baserte spill intervensjon20. Det ville være av stor interesse for denne protokollen gjelder ekstra nevropsykologiske rehabilitering sammenhenger.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Forfatterne erklærer ikke interessekonflikter.
Acknowledgments
K.S. og Al bidrar like. Denne forskningen ble støttet av grunnleggende vitenskap forskningsprogrammet gjennom National Research Foundation av Korea (NRF) finansiert av departementet for vitenskap, IKT og fremtiden planlegging (NRF-2016R1D1A1B03931389).
Materials
| Name | Company | Catalog Number | Comments |
| Computer | N/A | N/A | Computer requirements: - Single socket H3 (LGA 1150) supports - Intel® Xeon® E3-1200 v3, 4th gen. Core i7/i5/i3 processors - Intel® C226 Express PCH - Up to 32GB DDR3 ECC/non-ECC 1600MHz UDIMM in 4 sockets - Dual Gigabit Ethernet LAN ports - 8x SATA3 (6Gbps) - 2x PCI-E 3.0 x16, 3x PCI-E 2.0 x1, and 2x PCI 5V 32-bit slots - 6x USB 3.0 (2 rear + 4 via headers) - 10x USB 2.0 (4 rear + 6 via headers) - HD Audio 7.1 channel connector by Realtek ALC1150 - 1x DOM power connector and 1x SPDIF Out Header - 800W High Efficiency Power Supply - Intel Xeon E3-1230v3 - DDR3 PC12800 8GB ECC - WD 1TB BLUE WD 10EZEX 3.5" - NVIDIA QUADRO K5000 & SYNC |
| Stereoscopic 3D Projector | Barco | F35 AS3D WUXGA | Resolution: - WQXGA (2,560 x 1,600) - Panorama (2,560 x 1,080) - WUXGA (1,920 x 1,200), 1080p (1,920 x 1,080) |
| Stereoscopic Glasses | Volfoni | Edge 1.2 | For further information, visit http://volfoni.com/en/edge-1-2/ |
| Motion Capture Systems | NaturalPoint OptiTrack | 17W | For further information, visit http://optitrack.com/products/prime-17w/ |
| OptiTrack (Motion capture software) | NaturalPoint OptiTrack | Motive 2.0 | For further information, visit https://optitrack.com/downloads/motive.html |
| MiddleVR (Middleware software) | MiddleVR | MiddleVR For Unity | For further information, visit http://www.middlevr.com/middlevr-for-unity/ |
| VRDaemon (Middleware software) | MiddleVR | MiddleVR For Unity | For further information, visit http://www.middlevr.com/middlevr-for-unity/ |
| Unity3D (Game engine) | Unity Technologies | Personal | For further information, visit https://unity3d.com/unity |
References
- Reppermund, S., et al. Impairment in instrumental activities of daily living with high cognitive demand is an early marker of mild cognitive impairment: the Sydney Memory and Ageing Study. Psychol. Med. 43 (11), 2437-2445 (2013).
- Graf, C. The Lawton instrumental activities of daily living scale. Am. J. Nurs. 108 (4), 52-62 (2008).
- Gold, D. A. An examination of instrumental activities of daily living assessment in older adults and mild cognitive impairment. J. Clin. Exp. Neuropsychol. 34 (1), 11-34 (2012).
- Jekel, K., et al. Mild cognitive impairment and deficits in instrumental activities of daily living: a systematic review. Alzheimers. Res. Ther. 7 (1), 17 (2015).
- Suchy, Y., Kraybill, M. L., Franchow, E. Instrumental activities of daily living among community-dwelling older adults: discrepancies between self-report and performance are mediated by cognitive reserve. J. Clin. Exp. Neuropsychol. 33 (1), 92-100 (2011).
- Desai, A. K., Grossberg, G. T., Sheth, D. N. Activities of Daily Living in patients with Dementia. CNS drugs. 18 (13), 853-875 (2004).
- Ma, M., Jain, L. C., Anderson, P. Virtual, augmented reality and serious games for healthcare 1. 68, Springer Science & Business Pubs. Berlin. (2014).
- Allain, P., et al. Detecting everyday action deficits in Alzheimer's disease using a nonimmersive virtual reality kitchen. J. Int. Neuropsychol. Soc. 20 (5), 468-477 (2014).
- Klinger, E., et al. AGATHE: A tool for personalized rehabilitation of cognitive functions based on simulated activities of daily living. IRBM. 34 (2), 113-118 (2013).
- White, D., Burdick, K., Fulk, G., Searleman, J., Carroll, J. A virtual reality application for stroke patient rehabilitation. ICMA. 2, 1081-1086 (2005).
- Dimbwadyo-Terrer, I., et al. Activities of daily living assessment in spinal cord injury using the virtual reality system Toyra: functional and kinematic correlations. Virtual Real. 20 (1), 17-26 (2016).
- Preische, O., Heymann, P., Elbing, U., Laske, C. Diagnostic value of a tablet-based drawing task for discrimination of patients in the early course of Alzheimer's disease from healthy individuals. J. Alzheimers. Dis. 55 (4), 1463-1469 (2017).
- Seo, K., Kim, J. K., Oh, D. H., Ryu, H., Choi, H. Virtual daily living test to screen for mild cognitive impairment using kinematic movement analysis. PLOS ONE. 12 (7), e0181883 (2017).
- Albert, M. S., et al. The diagnosis of mild cognitive impairment due to Alzheimer's disease: Recommendations from the National Institute on Aging-Alzheimer's Association workgroups on diagnostic guidelines for Alzheimer's disease. Alzheimers. Dement. 7 (3), 270-279 (2011).
- MiddleVR. User Guide. [FR]. , Available from: http://www.middlevr.com/doc/current/ c2014-c2017 (2017).
- OptiTrack. Motive Quick Start Guide. , Available from: https://optitrack.com/public/documents/motive-quick-start-guide-v1.10.0.pdf c1996-c2017 (2017).
- Kennedy, R. S., Lane, N. E., Berbaum, K. S., Lilienthal, M. G. Simulator sickness questionnaire: An enhanced method for quantifying simulator sickness. Int. J. Aviat. Psychol. 3 (3), 203-220 (1993).
- Singh, N. B., Baumann, C. R., Taylor, W. R. Can Gait Signatures Provide Quantitative Measures for Aiding Clinical Decision-Making? A Systematic Meta-Analysis of Gait Variability Behavior in Patients with Parkinson's Disease. Front. Hum. Neurosci. 10, 319 (2016).
- Hernandez, F., et al. Six degree-of-freedom measurements of human mild traumatic brain injury. Ann. Biomed. Eng. 43 (8), 1918-1934 (2015).
- Gamito, P., et al. Cognitive training on stroke patients via virtual reality-based serious games. Disabil. Rehabil. 39 (4), 385-388 (2017).
