Summary
Vi har utformat en virtuell verklighet test för att bedöma instrumental dagliga aktiviteter (IADL) med en motion capture system. Vi föreslår en detaljerad kinematisk analys att tolka deltagarens olika rörelser, inklusive trajectory, rörliga avstånd och tid till avslutning att utvärdera IADL kapacitet.
Abstract
Oförmåga att slutföra instrumental dagliga aktiviteter (IADL) är en föregångare till olika neuropsykologiska sjukdomar. Frågeformulär-baserade bedömningar av IADL är lätt att använda men benägna att subjektiva bias. Här beskriver vi ett roman virtual reality (VR) test för att bedöma två komplexa IADL uppgifter: hantering av finansiella transaktioner och med kollektivtrafik. Medan en deltagare utför uppgifter i en VR-miljö, en rörelse fånga system spår position och orientering i dominerande hand och huvud i ett tredimensionella Cartesian koordinerat system. Kinematisk raw-data samlas in och omvandlas till 'kinematisk prestandamått,' dvsrörelse bana, rörliga avstånd och tid till avslutning. Motion bana är sökvägen till en viss kroppsdel (t.ex., dominerande hand eller huvudet) i rymden. Flytta avstånd avser den totala sträckan av banan, och tid till avslutning är hur lång tid det tog för att slutföra en IADL uppgift. Dessa kinematisk åtgärder kunde diskriminera patienter med kognitiv nedsättning från friska kontroller. Utvecklingen av detta kinematiska mätning protokoll tillåter identifiering av tidiga IADL-relaterade kognitiva funktionsnedsättningar.
Introduction
Instrumentella aktiviteter av daily living (IADL), såsom hantering av finansiella transaktioner, med allmänna kommunikationer och matlagning, är medicinska markörer eftersom de kräver flera neuropsykologiska funktioner1. Nedsatt IADL kapacitet anses således föregångare till neurologiska sjukdomar, såsom kognitiv svikt (MCI) och demens2. Golds totalöversyn av IADL uppgifter3 visade att mer kognitivt krävande uppgifter, till exempel hantera ekonomi och med kollektivtrafik, den tidigaste prediktorn för MCI och demens.
Hittills, är de vanligaste bedömningarna av IADL självrapporterade enkäter, informant-baserade enkäter och prestanda-baserade bedömningar4. Frågeformulär-baserade bedömningar av IADL är kostnadseffektiva och lätt att använda, men är benägna att subjektiva bias. Exempelvis när egen rapportering, tenderar patienter att över - eller under - estimate deras IADL kapacitet5. På samma sätt missbedömer informanter IADL kapacitet på grund av observatörens missuppfattningar eller kunskap luckor4. Prestanda-baserade bedömningar som ber patienter att utföra specifika IADL uppgifter har således varit föredra, även om många av uppgifterna som är olämpliga för en allmän klinisk inställning6.
Virtual reality (VR) studier har nyligen visat att denna teknik skulle kunna ha betydande tillämpningar inom medicin och vård, som inkluderar allt från utbildning till rehabilitering till medicinsk bedömning7. Alla deltagare kan testas på samma villkor VR, som efterliknar den verkliga världen. Exempelvis Allain et al. 8 utvecklat en virtuell kaffe uppgift och visade att patienter med kognitiv nedsättning utfört uppgiften dåligt. Klinger o.a. 9 utvecklade en annan VR miljö för utskick och shopping uppgifter och hittade en meningsfull relation mellan uppgift sluttid i VR och neuropsykologiska testresultat. Tidigare VR studier av IADL bedömning har främst fokuserat på enkla prestanda åtgärder såsom reaktionstid eller noggrannhet när du använder konventionella inmatningsenheter såsom en mus och tangentbord8,9. Mer detaljerad prestandadata om IADL behövs således att effektivt skärm för patienter med MCI4.
Kinematisk analys av realtids motion capture data är en kraftfull metod att kvantitativt dokumentera detaljerad prestanda-data som är associerade med IADL uppgifter. Exempelvis vita et al. 10 utvecklat ett virtuella kök som fångar deltagarens gemensamma vinkel data under dagliga levande uppgifter och används fångade data att kvantitativt bedöma effektiviteten av sjukgymnastik. Dimbwadyo-Terrer o.a. 11 utvecklat en uppslukande VR-miljö för att bedöma övre extremiteterna prestanda när de utför grundläggande dagliga levande uppgifter och visade att kinematiska data registreras i en VR-miljö som starkt korrelerade med funktionella skalor av övre extremiteten. Dessa kinematisk analyser med motion capture system kunde ge ytterligare möjlighet att snabbt bedöma en patients kognitiva12. Införande av detaljerade kinematiska data i screening för patienter med MCI betydligt bättre klassificering av patienter jämfört med friska kontroller13.
Här beskriver vi ett protokoll för att bedöma kinematik daglig levande rörelser med motion capture system i en uppslukande VR-miljö. Protokollet består två komplexa IADL uppgifter ”: uppgift 1: ta ut pengar” (hantering av finansiella transaktioner) och ”uppgift 2: ta en buss” (med kollektivtrafiken). Medan uppgifterna utfördes, spåras en motion capture-systemet position och orientering i dominerande hand och huvud. Efter avslutad uppgift 1, samlades dominerande hand bana, rörliga avstånd och tid till avslutning. I uppgift 2 samlades huvud bana, rörliga avstånd och tid till avslutning. Avsnittet representant i denna artikel beskriver det inledande testet av patienter med MCI (dvsIADL förmåga är nedsatt) jämfört med friska kontroller (dvsIADL kapacitet är intakt).
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Alla experimentella procedurer beskrivs här godkändes av institutionella i Hanyang universitetets styrelse, enligt Helsingforsdeklarationen (HYI-15-029-2). 6 friska kontroller (4 hanar och 2 honor) och 6 MCI patienter (3 hanar och 3 honor) rekryterades från en tertiär vårdcentral, Hanyang University Hospital.
1. rekrytera deltagare
- Rekrytera MCI patienter (dvs, nedsatt IADL kapacitet) och friska kontroller (dvs., normala IADL kapacitet) mellan 70-80 år.
- Med hjälp av en neurolog med mer än 10 års klinisk erfarenhet, granska patientens medicinska historia och utesluta patienter med en historia av neurologiska/psykiska sjukdomar eller hjärnkirurgi.
Obs: Använd följande neuropsykologiska tester: Mini Mental State Examination-demens Screening, koreanska instrumentella aktiviteter av Daily Living, fria och Cued Selective påminna Test, Digit Span Test-framåt/bakåt, Trail att göra Test-A/B13 , och kriterierna för Albert o.a. 14 att diagnostisera MCI.
2. Installera VR programvara och ansluta datorer
- Setup hårdvaran i den dedikerade rum liknar figur 1. Utföra detta protokoll i ett rum och medelstora uppslukande virtuell miljö (4 x 2,5 x 2,5 m3) innehållande 4 datorer, 4 stereoskopisk tredimensionella (3D) projektorer och 8 motion tracking kameror att spåra position och orientering av dominerande handen och chef under två IADL aktiviteter.
Obs: Den VR-teknik som används i den här artikeln är datormaskinvara och programvara som erbjuder uppslukande och interaktiv 3D upplevelser, som realistiska objekt och händelser kan presenteras i en virtuell miljö. Information om maskinvara och programvara som beskrivs i Material tabell. - Säkerställa att alla datorer är utrustade med programvaran som krävs (Visual Studio 2012 distribuerbara paketet (x86), DirectX, och MiddleVR eller motsvarande). För MiddleVR, dvs, middleware software, kolla webbplatsen15 för att få de senaste versionerna av biblioteken för inmatningsenheter, stereoskopi, klustring, och interaktioner.
- Ansluta datorer till stereoskopisk 3D projektorer. Grafiska inställningar är 1920 x 1080 pixlars upplösning.
- Skapa en Windows 10 Hemgrupp för att ansluta 4 datorer till ett hemnätverk. På den primära datorn, skapa en mapp och dela den med andra datorer i hemgruppen.
- På den primära datorn, starta programvaran middleware. Klicka ”kluster”. Ange den primära datorn som en server och andra datorer som klienter. Det synkroniserar tillståndet för alla enheter. Klicka ”3D noder”. Ange position, riktning och storlek på skärmen virtuella miljön.
- Slutför inställningarna baserat på webbplatsen15 och spara konfigurationsfilen.
3. ställa in Motion Capture system i en virtuell miljö
- Montera 8 motion tracking kameror i en virtuell miljö att fullt ut täcka fånga volymen. Fixa kameror ordentligt så att de förblir stillastående under bildhämtningen. Se till objekt i en virtuell miljö kommer att visas av minst 2 kameror vid alla tidpunkter.
- Installera OptiTrack motiv programvara, dvs, motion capture programvara, på den primära datorn använder den installation manuell16. Ansluta den primära datorn med motion capture system med kategori 6 Ethernet-kablar.
- Kalibrera de motion capture system med följande steg, som beskrivs i programvara manuell16.
- Ta bort alla ovidkommande reflektioner eller onödiga markörer från fånga volymen.
- Klicka på knappen ”Mask synliga” att dölja oönskade reflektioner eller omgivande störningar.
- Klicka på knappen ”starta Wanding”. Använda kalibrering staven för att stödja avskiljning av provet ramar för att beräkna respektive ståndpunkter och orienteringar i 3D-rymden.
- Klicka på knappen ”Beräkna” för att kalibrera systemet med hjälp av insamlade prover.
- Kontrollera kalibreringsresultat (i ordning från sämsta till bästa): fattiga, rättvis, bra, bra, utmärkt och enastående. Om resultatet är bättre än bra, klicka på ”Apply”-knappen. Om inte, klicka på knappen ”Avbryt” och upprepa wanding.
- Placera kvadrattal kalibrering inuti 3D rymden där du vill att ursprunget ska placeras. Klicka ”Ange jordplan” för att upprätta ett spårade 3D-koordinatsystem ursprung.
- Välj associerade reflekterande markörer för dominerande hand och huvud. Klicka på knappen ”stel kropp” och klicka sedan på knappen ”Skapa från utvalda markörer”.
- På rörelse fånga programvara, öppna menyn ”Streaming”. Kontrollera att det portnummer som listas är 3883, och markera rutan ”Broadcast ramdata” i kategorin ”VRPN Streaming Engine”. Klicka på ”Ctrl” + ”S” för att spara filen kalibrering.
- På den primära datorn, starta programvaran middleware. Klicka på knappen ”enheter”. Lägg till en VRPN Tracker för att erhålla uppföljningsdata från motion capture-systemet, och sedan spara konfigurationsfilen.
4. Förbered en virtuell miljö för användning
- Ta bort alla reflekterande föremål (dvs, klockor, ringar, örhängen, metaller, etc.) från den virtuella miljön.
- Aktivera datorer, stereoskopisk 3D projektorer och motion capture system (360 bildrutor per sekund).
- När 4 datorer körs, starta programvaran VRDaemon. Till exempel, dubbel klick på ”VRDaemon.exe” som ligger i ”C:\Program Files (x86) \MiddleVR\bin”.
- På den primära datorn, starta programvaran motion capture. Klicka på knappen nära den övre menyn märkt ”öppna befintliga projekt”. Ladda kameran kalibrering filen.
- På den primära datorn, starta programvaran middleware. Klicka på knappen ”simuleringar”. Läsa in lämpliga simulering och konfiguration filer från en delad mapp.
- Middleware programvaran, trycker du på knappen ”Kör” att utföra en omslutande virtuella programmet med de markerade filerna för simulering och konfiguration.
5. bekanta deltagaren med den virtuella miljön
- Ge deltagaren stereoskopiska glasögon väger omkring 50 gram. Displayfrekvens de stereoskopiska glasögon är 192 Hz. se till att de stereoskopiska glasögon är bekvämt placerade över ögon och öron; Se figur 2A.
- Fäst reflekterande markörer som väger mindre än 1 g till deltagarens dominerande hand och huvud. Var noga med att bifoga de reflekterande markörerna tätt; Se figur 2B. Informera deltagare att de fritt kan flytta eller rotera i den virtuella miljön använda huvudrörelser och kan klicka på virtuella objekt med den dominerande handen. En virtuell hand visas i den virtuella miljön att efterlikna positionen för deltagarens pekfingret; Se figur 3.
- Be deltagaren att fritt flytta (dvs, stå upp, sitta ner, gå till vänster och gå till höger) i den virtuella miljön för 5 min att bekanta sig med VR miljön. Sedan be deltagaren att klicka på virtuella knappar för 5 min för att bli bekant med hur man interagerar med virtuella objekt med den dominerande handen. Ge en annan 10 min träningspass om deltagaren frågar för en.
- Kontrollera om deltagaren är immun mot VR sjukdom med en simulator sjukdom frågeformulär17.
Varning: Den synkroniserad motion tracking på Stereoskopisk skärmen kan orsaka VR sjukdom, vilket kan resultera i obehag, huvudvärk, mage medvetenhet, illamående, kräkningar, blekhet, svettning, trötthet, dåsighet, förvirring och apati. Om deltagaren klagar över trötthet eller simulator sjukdom är för hög, stoppa protokollet.
6. utföra ”uppgift 1: ta ut pengar”
FÖRSIKTIGHET: Motverka sekvenserna av aktivitet 1 och aktivitet 2 ta bort effekten överföring.
- Förklara för deltagaren detaljerna i uppgiften och ge 8 åtgärd stegen för att slutföra aktiviteten i den virtuella miljön. Stegen är (1) sätt in kortet i Bankomaten, (2) väljer du 'dra' menyn, (3) Välj beloppet att återkalla, (4) Välj vilken bill, (5) ange den PIN-kod (Personligt identifieringsnummer), (6) väljer du kvittoalternativet, (7) avlägsna kortet, och (8) ta pengar från ATM (se figur 4).
- På den primära datorn, starta programvaran middleware. På fliken ”simuleringar” Välj en simulering fil för uppgift 1 och en konfigurationsfil. Tryck på knappen ”Kör”; ”Uppgift 1: ta ut pengar” körs i den virtuella miljön.
Obs: För uppgift 1-fil, se den bifogade filen i ”uppgift 1 återkalla Money.zip” i kompletterande fil 1. Observera att virtuella uppgiften utvecklades med Unity 3D motorn. - Om den ”uppgift 1: ta ut pengar” körs i den virtuella miljön, instruera deltagaren att utföra enligt följande: ”Vänligen dra tillbaka 70 000 KRW (motsvarande omkring 60 USD) från ATM för shopping. Välj två olika typer av anteckningar, en 50 000 KRW anmärkning för 50 000 KRW och två 10 000 KRW noterar för 20 000 KRW. Lösenordet för din transaktion är dagens datum. Exempelvis om experimentet utförs på den 11 November, är då STIFTET 1111. Behåll kvittot för vidare referens ”.
- När uppgiften är klar, kontrollera kinematiska data som sparats i CSV-filer (kommaavgränsade värden) för ytterligare analys från en delad mapp.
Obs: Använder motion capture system, under ”uppgift 1: ta ut pengar” registrera position och orientering av dominerande handen när de utför en uppgift med en inspelning frekvens av 1 ms. - Ger cirka 5 min paus till deltagaren innan du börjar ”uppgift 2: ta en buss”.
7. utföra ”uppgift 2: ta en buss”
- Förklara för deltagaren detaljerna i uppgiften och ge instruktioner om hur att slutföra ”uppgift 2: ta en buss” enligt följande: ”vänta vid busshållplatsen och ta mål bussen. Buss målinformationen kommer att ges på skärmen VR av en specifik radnummer, färg och destination. När målet bussen anländer, vara säker på att gå ur busshållplatsen och till ytterdörren av mål bussen. 8 olika mål bussar kommer slumpmässigt genereras och presenteras ”. Se figur 5.
- På den primära datorn, starta programvaran middleware. På fliken ”simuleringar” Välj en simulering fil för aktivitet 2 och en konfigurationsfil. Tryck på knappen ”Kör”, sedan ”uppgift 2: ta en buss” körs i den virtuella miljön.
Obs: För aktivitet 2-fil, se den bifogade filen ”uppgift 2 ta ett Bus.zip” i kompletterande fil 2. Observera att virtuella uppgiften utvecklades med Unity 3D motorn. - Om den ”uppgift 2: ta en buss” körs i den virtuella miljön, instruera deltagaren att vänta i busshållplatsen. Klicka på ”mellanslagstangenten” tangenten på tangentbordet för att göra bussar anländer vid busshållplatsen.
- När uppgiften är klar, kontrollera kinematiska data som sparats i CSV-filer för ytterligare analys från en delad mapp.
Obs: Använder motion capture system, under ”uppgift 2: ta en buss” registrera position och orientering av huvudet när de utför aktiviteten med en inspelning frekvens av 1 ms. - Protokollet är komplett. Hjälpa deltagaren ta bort de stereoskopiska glasögon och lossa de reflekterande markörerna från den dominerande hand och huvud.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
CSV filer från ”uppgift 1: ta ut pengar” analyserades med statistiska programvaran R för att beräkna dominerande hand bana, rörliga avstånd och tid till avslutning. Banan för den dominerande hand rörelsen visualiseras (figur 6). Rörliga distansera av den dominerande handen beräknas genom att summera de totala avstånden mellan sekventiella hand positioner medan du utför uppgift 1. Avståndet mellan positioner är det Euclidian avståndet. Tid till avslutning innebär den tid det tar att avsluta hela uppgiften (dvs.från steg 1 ”sätta in kortet i Bankomaten” till steg 8 ”ta pengar från Bankomaten”). För R koden för statistisk analys, se den bifogade filen i ”uppgift 1 R Code.docx” i kompletterande fil 3.
CSV filer från ”uppgift 2: ta en buss” analyseras för att beräkna huvudet banan, flytta avstånd, och tid till avslutning med hjälp av R statistisk programvara. Banan för huvudrörelser visualiseras (figur 7). Det rörliga avståndet av huvudet beräknas genom att summera de totala avstånden mellan sekventiella huvud positioner när du utför uppgift 2. Avståndet mellan två positioner är det Euclidian avståndet. Tiden till fullbordan innebär den tid det tar från start till slutet av hela uppgiften med åtta mål bussar. Se den bifogade ”uppgift 2 R Code.docx” filen i kompletterande fil 4R koden för statistisk analys.
Antropometriska kännetecken och kinematisk åtgärder från patienter med MCI och friska kontroller visas i tabell 1. Detta VR test med motion capture system presenterar nya möjligheter för att mäta komplexa IADL uppgifter kinematik. Genom att följa protokollet presenteras här, kan forskare få kinematisk prestandadata för ”uppgift 1: ta ut pengar” (hantering av finansiella transaktioner) och ”uppgift 2: ta en buss” (med kollektivtrafiken).
Faktiskt, en fall-kontroll studie med detta protokoll utfördes med flera statistiska analyser (dvs, multivariat variansanalys, en Pearson korrelation analys och en framåt stegvis linjär diskriminantanalys), som kan hittas i vår empirisk studie13.
Figur 1: en rum-sized uppslukande virtuell miljö Klicka här för att se en större version av denna siffra.
Figur 2: Förberedelser före bedömningen. (A) föremål bär stereoskopiska glasögon. (B) reflekterande markörer är kopplade till den dominerande hand och huvud. Klicka här för att se en större version av denna siffra.
Figur 3: Virtual hand representation i den virtuella miljön. (A) en vit cirkel representerar positionen för pekfingret. Deltagaren klickar ett virtuellt nummer ”2”-knappen. (B) Deltagaren klickar ett virtuellt nummer ”4”-knappen. Klicka här för att se en större version av denna siffra.
Figur 4: uppgift 1: ta ut pengar från ATM. (A) deltagare träder en PIN-kod i ATM. (B) deltagare drar sig pengar ur ATM. vänligen klicka här för att visa en större version av denna siffra.
Figur 5: uppgift 2: ta ett företag (A) deltagare väntar vid busshållplatsen. (B) deltagare går ur busshållplatsen och in i mål-bussen. Klicka här för att se en större version av denna siffra.
Figur 6: uppgift 1: Hand rörelse banan i 3D kartesiska utrymme. (A) friska kontroller. (B), MCI patienter. Klicka här för att se en större version av denna siffra.
Figur 7: uppgift 2: huvud rörelse banan i 3D kartesiska utrymme. (A) friska kontroller. (B), MCI patienter. Klicka här för att se en större version av denna siffra.
| MCI patienter | Friska kontroller | |
| Nummer (hane) | 6 (3) | 6 (4) |
| Ålder (år) | 72,4 ± 1,9 | 72,6 ± 1,7 |
| Uppgift 1: Ta ut pengar | ||
| Rörliga avstånd (m) | 34,7 ± 9,1 | 52,5 ± 10,5 |
| Tid till avslutning (min) | 1.8 ± 0,3 | 1,3 ± 0,2 |
| Uppgift 2: Ta en buss | ||
| Rörliga avstånd (m) | 100,3 ± 11,4 | 128,5 ± 14,2 |
| Tid till avslutning (min) | 13,5 ± 0,2 | 13,5 ± 0,2 |
Tabell 1: Antropometriska kännetecken och kinematisk åtgärder . Värden är medel ± SD.
Kompletterande fil 1: uppgift 1 återkalla Money.zip. Vänligen klicka här för att hämta den här filen.
Kompletterande fil 2: uppgift 2 ta en Bus.zip. Vänligen klicka här för att hämta den här filen.
Kompletterande fil 3: uppgift 1 R Code.docx. Vänligen klicka här för att hämta den här filen.
Kompletterande fil 4: uppgift 2 R Code.docx. Vänligen klicka här för att hämta den här filen.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Vi detaljerade en kinematisk mätning protokoll av daglig levande rörelser med motion capture system i en uppslukande VR-miljö. Först inställningen experimentella guidade till hur du ställer in, förbereda och bekanta deltagarna med den uppslukande VR-miljön. Andra har utvecklat vi två standardiserade IADL aktiviteter i VR. Tredje, steg 3 och steg 5 i avsnittet protokollet är de mest kritiska steg för att minimera VR sjukdom. När du ställer in motion capture system i den virtuella miljön (steg 3), är det viktigt att montera tracking kameran tillräckligt hög för att helt täcka fånga volymen, fixa kamerorna stabilt att förhindra rörelse under capture, se till att minst två kameror kan samtidigt fånga ett objekt och ta bort eventuella främmande reflektioner eller onödiga markörer från den virtuella miljön. Samtidigt bekanta deltagarna med VR (steg 5), är det avgörande att tillhandahålla tillräcklig utbildning för dem att bli vana vid den virtuell upplevelsen. Om deltagarna uppleva VR sjukdom symtom (t.ex., obehag, huvudvärk, illamående, kräkningar, blekhet, svettning, trötthet, dåsighet, förvirring och apati), bör experimentet stoppas. Slutligen, kinematisk rådata översattes av R statistisk programvara.
En begränsning och utmaning i våra protokoll är att de virtuella IADL uppgifterna ska valideras jämfört med riktiga IADL uppgifter. Men tidigare studier har visat att både virtuella och verkliga uppgifter var starkt korrelerade när det gäller reaktionstid, noggrannhet8, kliniska och funktionella åtgärder11, bör nuvarande kinematisk mäta protokollet vara kompatibel med många konventionella neuropsykologiska bedömningar. Bygga vidare på denna validering, behöver vi skala upp detta protokoll med olika IADL uppgifter. En annan begränsning är att detta protokoll analyserar endast typisk kinematisk åtgärder, så mer sofistikerade kinematisk prestandamått i en virtuell miljö, som acceleration, rörelse noggrannhet och effektivitet, bör inkluderas.
Betydelsen av nuvarande kinematisk measurement protocol är att det är snabb, säker, enkel att utföra och icke-invasiv för detektion av tidig IADL underskott. En tidigare studie som använder detta protokoll bekräftade att kinematisk åtgärder i samband med neuropsykologiska testresultat bästa diskriminerade MCI patienter från friska kontroller13. Kvantifiering av specifika funktionella underskott kunde väl ge en grund för att lokalisera källan och omfattningen av neurologiska skador och därför stöd i kliniska beslutsfattandet för individualizing terapier18. I detta sammanhang skulle protokollet föreslås i denna artikel kunna användas för evidensbaserade kliniska beslutsfattandet.
Med tanke på framtida tillämpningar, detta protokoll skulle kunna användas för andra neuropsykologiska sjukdomar såsom traumatiska hjärnan skada19. Det kan också vara intressant att analysera specifika underaktiviteter i det nuvarande protokollet att identifiera vilka typer är mer utmanande. Dessutom senaste VR studier att träna strokepatienter visade förbättringar i minne och uppmärksamhet funktioner efter en VR-baserade spel ingripande20. Det vore av stort intresse att tillämpa detta protokoll till ytterligare neuropsykologisk rehabilitering sammanhang.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Författarna förklarar inga intressekonflikter.
Acknowledgments
K.S. och A.L. bidra lika. Denna forskning stöds av grundläggande vetenskap forskningsprogrammet genom den nationella forskning stiftelsen av Korea (NRF) finansieras av ministeriet för vetenskap, IKT & framtida planering (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).
