Een Quality of Experience-beoordeling van haptische en augmented reality feedbackmodaliteiten in een ganganalysesysteem

Een Quality of Experience-beoordeling van haptische en augmented reality feedbackmodaliteiten in een ganganalysesysteem

maart 24, 2020 0 Door admin


CBD Olie kan helpen bij artrose. Lees hoe op

Huile de CBD peut aider avec l’arthrose. Visite


  • Loading metrics

Open Access


Research Article

  • Thiago Braga Rodrigues, 
  • Ciarán Ó Catháin, 
  • Noel E. O’Connor, 
  • Niall Murray



Gait analysis is a technique that is used to understand movement patterns and, in some cases, to inform the development of rehabilitation protocols. Traditional rehabilitation approaches have relied on expert guided feedback in clinical settings. Such efforts require the presence of an expert to inform the re-training (to evaluate any improvement) and the patient to travel to the clinic. Nowadays, potential opportunities exist to employ the use of digitized “feedback” modalities to help a user to “understand” improved gait technique. This is important as clear and concise feedback can enhance the quality of rehabilitation and recovery. A critical requirement emerges to consider the quality of feedback from the user perspective i.e. how they process, understand and react to the feedback. In this context, this paper reports the results of a Quality of Experience (QoE) evaluation of two feedback modalities: Augmented Reality (AR) and Haptic, employed as part of an overall gait analysis system. The aim of the feedback is to reduce varus/valgus misalignments, which can cause serious orthopedics problems. The QoE analysis considers objective (improvement in knee alignment) and subjective (questionnaire responses) user metrics in 26 participants, as part of a within subject design. Participants answered 12 questions on QoE aspects such as utility, usability, interaction and immersion of the feedback modalities via post-test reporting. In addition, objective metrics of participant performance (angles and alignment) were also considered as indicators of the utility of each feedback modality. The findings show statistically significant higher QoE ratings for AR feedback. Also, the number of knee misalignments was reduced after users experienced AR feedback (35% improvement with AR feedback relative to baseline when compared to haptic). Gender analysis showed significant differences in performance for number of misalignments and time to correct valgus misalignment (for males when they experienced AR feedback). The female group self-reported higher utility and QoE ratings for AR when compared to male group.

Citation: Braga Rodrigues T, Ó Catháin C, O’Connor NE, Murray N (2020) A Quality of Experience assessment of haptic and augmented reality feedback modalities in a gait analysis system. PLoS ONE 15(3): e0230570.

Editor: Bijan Najafi, Baylor College of Medicine, UNITED STATES

Received: September 29, 2019; Accepted: March 3, 2020; Published: March 23, 2020

Copyright: © 2020 Braga Rodrigues et al. This is an open access article distributed under the terms of the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original author and source are credited.

Data Availability: All relevant data are within the paper and its Supporting Information files.

Funding: The work presented in this paper has been supported by the Irish Research Council under grant GOIPG/2017/803 awarded to T.B.R. This publication has also been supported by the Science Foundation Ireland (SFI) under grant number SFI/12/RC/2289_P2 awarded to N.OC. and grant number SFI/13/RC/2106 awarded to N.M. The funders had no role in study design, data collection and analysis, decision to publish, or preparation of the manuscript.

Competing interests: The authors have declared that no competing interests exist.

1 Introduction

The assessment of human gait facilitates identification of movement deficiencies and abnormalities that are associated with the development of chronic injuries and disease. It provides objective data to support rehabilitation and retraining. Gait can be analysed and assessed using a variety of methods such as: clinical evaluation techniques; the use of high-speed cameras; force plates; and inertial sensors [1]. The hip and knee are weight bearing joints and play a key role in gait stability. The displacement of knee—called varus/valgus—is a misalignment of the tibiofemoral joint. The valgus knee (as per Fig 1a) is a condition whereby the knees turn outwards, whilst in the varus knee (Fig 1c) is a condition that causes the knees to turn inwards inwards [2]. This disorder occurs because the tibia is not aligned correctly with the femur, giving a different shape to the leg line.

Excessive varus/valgus alignment can lead to serious orthopedics problems such as osteoarthritis [3]. Extreme cases of knee misalignment may need to be addressed surgically. If not properly treated, it can result in severe injuries from joint wear to diseases, e.g. knee arthrosis and osteoarthritis. However, in less severe cases, symptoms can be reduced with physiotherapy, corrective exercises, and through gait re-training [4]. There are some rehabilitation procedures to help with varus/valgus knee such as strengthening of hip and knee muscles [5]. Critical to all types of rehabilitation is appropriate feedback.

Feedback is a powerful tool for motor skill learning and helps with the sensory perceptual information as part of performing and learning a skill [6]. The accuracy of exercise performance with feedback in physiotherapy influences the healing process of the patient greatly. Crucial to successful rehabilitation is for the patient to understand the feedback, be it from a clinician or system. [7]. Some of the feedback systems include modalities such as: 2D screens; haptic; audio; expert guidance; and in more recent times Virtual Reality (VR) and Augmented Reality (AR) [810].

All of the different feedback approaches have advantages and disadvantages. For example, with 2D screen feedback, the user is limited in terms of the direction they can walk i.e. they are always required to walk towards the screen and must have their head up facing the screen. Audio guidance addresses this issue, but users need to clearly understand the guidance. With audio, this has shown to be an issue and a source of confusion [8]. The use of expert guidance has many benefits, but it requires the user to attend an expert clinic; the expert to be available; and is based on subjectivity of the clinician. Considering existing feedback modalities, 2D screens, audio and expert guidance, haptic has been shown to support the greatest user improvement for gait re-training [11, 12]. However, this requires the accurate placement of the haptic feedback display. AR has been very successful in education and considering the limitations of existing approaches, and the potential of AR as a portable, wearable and visual feedback modality is under researched and certainly worth investigating.

AR is an interactive experience in a real-world environment whereby real world objects are augmented with virtual information [13]. The future of AR points to a deeper use of technology augmenting human performance across a range of application domains [14]. Despite the countless possible applications and advances in the industrial sector, the understanding of user perception of AR technology is limited. Hence, there is a real need for user studies to determine the usability and utility of AR in different domains. This can be addressed through the Quality of Experience (QoE) framework. In this work we employed a questionnaire in order allow users to self-report on their perception of AR and Haptic feedback systems (in terms of utility, usability, interaction, and immersion). In terms of system utility (e.g. easiness to adjust to feedback), usability (e.g. feedback easy to understand), interaction (e.g. how users interact with feedback), immersion (e.g. awareness of body whilst moving.). The use of AR via wearable smart glasses in the field of gait rehabilitation is certainly an area under researched to-date. This study investigates if AR has the potential to be a lightweight and portable feedback alternative for rehabilitation protocols considering both objective (performance) and subjective (user QoE) evaluations.

Whist the previous discussion has justified the importance of understanding user perceptual quality of haptic and AR based gait feedback, the task of measuring user perceptual quality of multimedia experiences is complex. QoE is a user centric paradigm that allows us to evaluate the “degree of enjoyment or annoyance of an application, system, or service” of a multimedia experience [15]. It represents “the fulfillment of user’s expectation in respect to utility and enjoyment of that application or service” [16]. In order to evaluate any service and system from a QoE perspective, different Influencing Factors (IF) need to be considered. There are three main IF categories in QoE research: Human IF (e.g. gender, background), Context IF (e.g. Physical condition of varus/valgus in the case of this work, task), and System IF (e.g. AR versus Haptic, colour, screens).

In the recent years, with the advent of internet, advanced sensors, and internet of things (IoT), new proposals on evaluating QoE in a continuous manner have been proposed [17, 18], and models of assessing several multimedia systems were built [19]. Here, with the utility of the feedback as a key concern, the proposed work presents a novel QoE “system” level comparison of two feedback modalities (AR vs Haptic) within a gait analysis system. Our QoE comparison includes data analysis from post-test self-reported measures and also objective data comparison in terms of user responses (i.e. changes in gait if any) to each of the feedback modalities. In addition, we include analysis on the human factor (gender) and its effects on QoE and performance.

2 Related work

This section contains a critique of related research in terms of multimodal gait feedback systems and QoE assessments approaches for Haptic and AR (not all are specific to gait feedback). Each of these aspects are relevant to the scope of this work.

Haptic feedback has been studied in many works related to human activities [20], motor learning [21], and gait retraining [22]. Numerous works have compared haptic feedback with other modalities and have reported haptic: to be “less intrusive” than virtual reality feedback [23]; to be better in supporting task performance when compared to visual feedback for lower extremities [24] in gait; not to affect ecological validity of interaction compared with other modalities [25]. In addition, Haptic has been reported as easier to understand and follow when compared to auditory and visual stimuli [26]. Haptic feedback was also used to enhance the realism of a walking experience in multimodal environments [27]. Haptic feedback has also been used as an important tool in gait retraining for treatment of knee osteoarthritis [28]. In [11], closely aligned to the focus of this work, a gait re-training system employed haptic feedback to change gait parameters including varus/valgus misalignments. The system and results served as basis for this work by informing the use of haptic feedback to capture and improve gait parameters including knee alignment. They also highlighted issues whereby users were confused when receiving more than one feedback simultaneously (i.e. on different parts of the body). Such issues are again validation for why QoE assessments of such feedback mechanisms are required.

Some authors have applied Augmented Reality in gait analysis. In [29], a low-cost gait analysis system was developed using AR markers and a single video camera. The AR markers were used to track body segments and capture gait variables. Even though the authors achieved calibration and accurate tracking for gait angles, they highlighted the use of markers as a limitation (e.g. this system could not be used for treadmill walking). The use of different AR devices was also reported for guided walking in [30, 31]. These works indicated that novel AR technologies could be used in walking guidance with performance, body stability with positive impact in gaze and locomotor control [32, 33].

Considering these works, the use of AR for gait feedback has not been deeply explored. There are some exploratory works that suggest employing AR for gait retraining. The results reported in [34] results in significant improvement in gait over a 2D monitor. Other research has reported the use of AR in gait posture training [35] reported statistically significant improvement in posture, balance, and velocity. In [36], a gait retraining system was developed to modify footprint parameters. The authors concluded that AR could help to quickly modify user’s footprint parameters. Although these works make a valuable contribution, there was no qualitative metric employed that informs if users were satisfied or enjoyed the feedback experience. This is critical because it informs designers about how the users enjoy, engage, and experience such systems.

Several authors have used QoE assessment in multimedia systems as a paradigm to quantify how various factors of the system influence perceived quality levels from the user perspective. In [37], user QoE levels were compared in an immersive Virtual Reality and Augmented Reality applications. A sample size of twenty-one participants was divided randomly into two groups. Both objective and subjective metrics were gathered. The authors considered system, psychological, and user factor to evaluate quality. The QoE evaluation suggested that users felt safer and accustomed with the use of AR when compared to virtual reality. In [38], a QoE evaluation of a motor skills rehabilitation game was developed. The authors have assessed QoE through user engagement, task success, interaction, and socialization. This study reported that high QoE scores can be linked to high performance. These works demonstrate the need of a qualitative study for different applications. Several works have reported that valgus/varus incidence is different across gender groups [39, 40]. Anatomical differences between males and females lead to differences in knee alignment, and are a potential cause of anterior cruciate ligament injuries in females [41, 42]. Females, in general, have wider hips than males, influencing kinematic factors related to injury such as knee valgus/varus. Since the incidence of valgus/varus misalignments is different between males and females, we considered gender as an important factor to consider of this study.

Considering existing literature, the novelty of the work presented in this article lies in the evaluation and analysis of users’ QoE (self-reported measures and objective measures) of Haptic and AR feedbacks in our gait analysis system. The focus is on comparing subjective and objective metrics for correcting knee alignment with these two different feedback modalities (Haptic and AR).

3 System and feedback architecture

Our gait system is composed of a capturing module, a presentation module and a data processing module. The capturing module consists of 6 Inertial Measurement Units (IMUs). The Feedback module contains two components: Haptic and Augmented Reality modules. Finally, the data processing system is a quadcore Intel Core i7 laptop, 16GB DDR4 RAM, 3.2Ghz, GTX 1060-6GB was used to integrate all modules and is also the Wi-Fi WebSocket server for all modules as per Fig 2.

3.1 Capturing module—IMU

The capturing module contains 6 X-Sens IMU’s [43] and placed on the body as per Fig 2. A real-time Wi-Fi synchronization and streaming protocol for multiple IMUs was developed in C#. This streaming protocol is important for it ensures that no data is lost, that feedback is presented without delay, and all modules can work independently. In terms of internal configuration of each IMU, 10 streams of data were captured: 3D acceleration from triaxial accelerometer (Accxyz), 3D angular velocity from triaxial gyroscope (Gyroxyz), 3D magnetic field from a triaxial magnetometer (Magxyz), and UNIX timestamp. As discussed later in this section, the Accxyz, Gyroxyz, and Magxyz were fused to provide quaternion representation. The developed protocol fuses, in real-time, accelerometer, gyroscope, and magnetometer data and generates the quaternion orientation. The datasets from the IMU’s were synchronized with the computer CPU clock ensuring no packet loss. This module, processes in real time, the quaternion and Euler angles of each sensor and generates angles for knees, hips, tibia, and trunk lean. Data from the sensors was sampled at 40Hz on all three axes and sent through a Wi-Fi interface to the server computer. Further details on the multi-IMU streaming protocol is available in [44, 45] for the interested reader.

To represent the orientation of a rigid body or frame coordinates in 3D space, a quaternion representation was employed. This complex number representation defines any spatial rotation around a fixed point or coordinate system. A quaternion q = [q0q1q2q3] was used to calculate an angle θ about a fixed Euler axis [46, 47]. To get the angle between two joints with IMU, quaternion matrices were obtained by fusion of the 3 internal modules (Accxyz, Gyroxyz, Magxyz) using a Madgwick-based orientation filter [48]. The quaternion generated by the orientation filter represent s the spatial rotation of each IMU and can generate any joint angle (knee angle in this case) for each axis. Having each Euler angle, it is then possible to reference one IMU to another and determine the angle between two sensors. This angle between the two IMU’s was used as part of the walking evaluation during experiments. At the start of each test, while the user was stand, sensor calibration was obtained using the IMU quaternion in Euler angles θx, θy, θz in North-East-Down (NED) Z-Y-X sequence as in Eq (1). (1)

To find the tibia projection angle in the frontal, lateral, and sagittal planes, we need to calculate unit vectors on each quaternion coordinate system. This calculation converts the current quaternion of each IMU to direction cosine matrices. We take then the calibrated θx, θy, θz and convert them into a unit vector in the ZYX order as in Eq (2). We then applied this to the calibrated Euler angles. (2)

To get any IMU joint angle (tibia angle in our case), we convert each IMU quaternion into Direction Cosine Matrices (DCMxyz) (Eq (3)) and multiply the direction vector IMUxyz as in Eq (4). Finally, we apply trigonometry of right-angle triangle of IMUxyz of the directional vector vxyz on the desired plane (Eq (5)). The angle θ between two IMU will be as in Eq (6). (3) (4) (5) (6)

3.2 Feedback modules

In this section, Haptic and Augmented Reality feedback modules are presented.

3.2.1 Haptic module.

A bespoke wearable haptic module was designed for gait feedback purposes as illustrated in Fig 3. No off-the-shelf haptic modules satisfied our requirements of being lightweight, wearable, and provide a haptic sensation. The Haptic module was developed to provide the correct feedback to the user according to his/her movements [49]. The two haptic modules had an ESP8266 Wi-Fi micro-controller board with a WebSocket client. Each module was composed of a leg mounted strap; two vibration units (Fig 3a); and communication and micro-controller with battery unit (Fig 3b).


Fig 3. Haptic feedback module.

It contains haptic motors (a) and the Wi-Fi microcontroller responsible for the web-socket client (b). All the units are sheltered within ABS plastic cases (30x30x10mm) for the haptic module and (40x30x10mm) for the Wi-Fi micro-controller.

The leg mounted bracelet is attached to the users’ skin as per Fig 2. The vibration units are enclosed within the plastic casing. The design of the circuit contains MOSFET transistors operating as switches. There was also a pulse width modulation control to allow precise change of the intensity of the vibration unit if required. When the signal is received by the communication unit, the vibrating unit provides a high level TTL output signal to the transistor’s gate. This signal leads the transistor to operate in the “saturation region” and permitting the current to reach the motor. A freewheel diode was installed across each motor of the vibration units to remove voltage spikes due inductive nature of the load when switched off [50]. This prevents malfunction of the hardware, protecting the I/O ports of the microcontroller inside the communication unit from electromotive force (EMF).

3.2.2 Augmented reality module.

Our AR module consisted of an Epson Moverio Bt-300 Smart Glasses [51] connected with a WebSocket protocol. A WebSocket client in the AR module was employed as it allowed the web server to establish a connection with the feed terug naar de applicatie en er direct mee communiceren zonder enige vertraging (meestal bestaat webcommunicatie uit een reeks verzoeken en reacties tussen de client en de webserver, waar deze techniek voor realtime applicaties niet goed geschikt is [ 52 ]). Met het gebruik van WebSockets hebben we slechts één keer een verbinding tot stand gebracht, en de communicatie tussen de server en de feedbacktoepassing kon volgen zonder problemen met betrekking tot vertraging en synchronisatie.

3.2.3 Activering van feedbackmodules. h4 >

Het feedbackstatusdiagram wordt weergegeven in Fig 4 . De gebruikersinvoer wordt vergeleken met het kinematische model dat het feedbackmechanisme bestuurt volgens de activeringsdrempel. Het kinematische model werd gedefinieerd volgens Fig 4 , met activeringsdrempels voor elke feedback gedefinieerd op 7 o sup> voor valgus, en -7 o voor varus, dwz als de valgus / varushoek zich uitstrekte tot boven de gedefinieerde drempel, werd feedback gegeven aan de gebruiker. Deze waarden vertegenwoordigen normale hoeklimieten van knie-uitlijning [ 53 ]. Het model evalueert constant de huidige tibia-hoek om te vergelijken met drempelwaarden. Elke persoon heeft zijn eigen loopstijl en om deze reden is het voor een deelnemer moeilijk om een ​​perfecte uitlijning te hebben tijdens elk onderdeel van de loopcyclus terwijl hij op natuurlijke wijze loopt. Hierdoor werd tijdens het testen elke kleine verandering tussen baseline (geen feedback) en test (beide feedback) waargenomen.

Fig 4. Stroomdiagram (a) en feedbackstatusdiagram (b ).

Deze diagrammen vertegenwoordigen het feedbackcontrolesysteem. De kniehoek van de gebruiker wordt gebruikt als invoer, die constant wordt vergeleken met het kinematische model. De gebruiker ontvangt vervolgens haptische of AR-stimuli om de uitlijning van de knie te corrigeren.


De feedback in de haptische module werd gepresenteerd als trillingen op elk been wanneer de tibiale hoek van de deelnemer boven of onder de activeringsdrempels voor valgus en varus lag. De juiste uitlijning van elk been resulteerde in “geen trilling” (d.w.z. geen feedback gegeven) op de Haptic-armband. Tijdens de trainingsfase (zie sectie IV) werd de deelnemers verteld dat geen feedback van haptische middelen betekent dat ze correct zijn uitgelijnd. Het doel van de deelnemer was om zo min mogelijk trillingen op te vangen. De feedback in de AR-module werd gepresenteerd als cirkelvisualisaties op de AR-bril (zie figuren 4 en 5 ). De gebruiker ziet een projectie van 6 cirkels in hun gezichtsveld (3 van elk been volgens Fig 5 ). Nogmaals, telkens wanneer de scheenbeenhoek boven of onder de activeringsdrempels voor valgus en varus lag. Voor elk been bepalen drie cirkels de toestand van de knie volgens valgus- en varushoeken. De juiste uitlijning van elk been wordt bereikt wanneer de blauwe cirkel in het midden verlicht is. Het doel dat aan de deelnemer wordt gegeven, is om de cirkels blauw te houden tijdens de proefperiode.

Fig 5. AR en haptische feedback-activeringscontroles. p >

AR-feedback wordt gecontroleerd door gekleurde cirkels: rood voor verkeerde uitlijningen en blauw voor uitlijning. Haptische bedieningselementen zijn trillingen op elk been: 1 en 4 voor Valgus, 2 en 3 voor Varus.


4 Experimenteel protocol

Dit onderzoek werd goedgekeurd door de Athlone Institute of Technology Research Ethics Committee op 23 januari van 2019. De toestemming van de deelnemers is schriftelijk verkregen en op een veilige locatie opgeslagen. Gegevens werden geanonimiseerd voor alle proeven en deelnemers. Na goedkeuring door de ethiek werd een test met gezonde deelnemers uitgevoerd. Een steekproefbenadering werd gebruikt om zesentwintig deelnemers (13 mannen, 13 vrouwen) te rekruteren met een gemiddelde leeftijd van 27,54 (± 6,57) jaar. Vanwege eerdere knie- of loopafwijkingen werden gegevens van twee deelnemers weggelaten. De richtlijnen voor genderevenwicht zijn toegepast volgens de ITU-P913-normen voor objectieve en subjectieve kwaliteitsbeoordeling [ 54 ]. Er werd gebruik gemaakt van een experimenteel ontwerp binnen de groep; vandaar dat elke deelnemer zowel de haptische als AR-feedbackmodaliteiten ervoer. De volgorde waarin de deelnemers de feedback ervaarden, werd gerandomiseerd. De deelnemers werden op twee verschillende dagen getest en het protocol hield zich aan de benadering die werd gevolgd in tal van gerelateerde werken in de literatuur [ 17 , 37 , 55 ] en omvat de stappen die zijn beschreven in Fig 6 .

Tijdens de informatiefase werd elke deelnemer begroet en bedankt voor zijn deelname. Na een korte toelichting werd schriftelijke toestemming verkregen. Deelnemers werden naar de wachtkamer gebracht en kregen een informatieblad dat het experiment volledig beschreef. De screeningfase beoordeelde de kleurwaarneming van een deelnemer en het vermogen om de haptische stimuli waar te nemen [ 56 58 ]. Het screeningproces voor deelnemers voor gezichtsscherpte, kleurperceptie en haptische sensatie vereiste dat deelnemers een drempelscore bereikten om in aanmerking te komen voor de daadwerkelijke test. Voor de Snellen-test was een score van 20/20 vereist. Voor de Ishihara-test werden achtendertig kleurenplaten gebruikt en tijdens het onderzoek waren slechts vier fouten toegestaan. Voor de haptische screening moesten deelnemers 4 trillingspatronen en locatie [ 58 ] onderscheiden. Na voltooiing werden de basisgegevens van de loophoeken: linker- en rechterheup, linker- en rechterknie, linker- en rechterscheenbeen (voor varus / valgus-beoordeling) en romphelling gedurende een periode van twee minuten vastgelegd met behulp van de apparaten die worden beschreven in sectie III. Voor dit experiment hebben we alleen de tibia-hoek geanalyseerd om feedback te evalueren. Volledige ganganalyse waarbij alle hoeken worden bekeken, zal worden geëvalueerd als onderdeel van een toekomstige werkstudie.

Voor trainings- en testfasen werden deelnemers willekeurig ingedeeld in twee groepen (Haptic / AR, en AR / Haptic) afhankelijk van welke feedback de deelnemer als eerste heeft ervaren. Elke deelnemer ervoer een van de feedbackmodaliteiten en had een week pauze voordat ze de alternatieve modaliteitfeedback kregen. Als onderdeel van de training maakten de deelnemers kennis met de AR en de haptische modules, zoals van toepassing op de gegeven testdag. De apparaten werden door de hoofdonderzoeker op de deelnemer gemonteerd en er werd een mogelijkheid tot aanpassing geboden om ervoor te zorgen dat er geen ongemak was. Na plaatsing van de sensor werden deelnemers veilig naar een loopband geleid, waar hen werd gevraagd een loopsnelheid te kiezen waarmee ze zich prettig voelden (het door gebruikers geselecteerde bereik lag tussen 2,5 en 4 mijl per uur). Hierna werd in de test de snelheid behouden die elke deelnemer selecteerde voor het trainen en testen van beide feedbackmodaliteiten. Instructies voor elke feedback werden uitgelegd met 3 feedbackbladen (beschikbaar in S1-bestand ) die het verschil tussen de drie verschillende knietoestanden (valgus, normaal, varus) laten zien. Deelnemers waren zich ervan bewust dat elk been onafhankelijk was, dus hoewel het ene been in de valgustoestand was, kon het andere been bijvoorbeeld worden uitgelijnd. Deelnemers liepen 2 minuten voor het vastleggen van de basislijn (geen feedback), 30 seconden voor feedbacktraining en 2 minuten (met feedback).

4.1 QoE-vragenlijst

Volgens [ 59 ], werden twaalf vragen gesteld aan alle deelnemers over de ervaring van beide feedbackmodaliteiten. Voor de subjectieve analyse werden QoE-factoren geëvalueerd in de vorm van vragenlijsten na de gangbeoordelingsfase volgens Fig 6 . QoE houdt rekening met hoe systeem-, menselijke en contextuele factoren bijdragen aan de waargenomen kwaliteit van een systeem door een gebruiker [ 19 ]. De literatuur suggereert dat de geaccepteerde benadering voor het meten van de ervaren kwaliteit van zijn of haar ervaring is gebaseerd op zelfgerapporteerde metingen via vragenlijsten na ervaring. De ontwikkelde vragenlijst werd gebruikt om een ​​algehele gemiddelde opiniescore (MOS) te bepalen op basis van feedback van gebruikers [ 60 ].

De twaalf vragen zijn ontwikkeld om het systeemhulpprogramma te evalueren (vragen 1-3 ), bruikbaarheid (vragen 4-6), interactie (vragen 7-9) en onderdompeling (vragen 10-12). Voor elk van deze 4 beoordelingsvariabelen werden 4 standaardvragenlijsten gebruikt als richtlijnen: de System Usability Scale (SUS), ITU-T-methoden voor subjectieve kwaliteitsbeoordeling, Igroup-aanwezigheidsvragenlijst (IPQ) en Computer System Utility Questionnaire (CSUQ) [ 54 , 61 63 ]. Het gebruikte beoordelingssysteem was een Likert-schaal met zeven punten om te bepalen of de deelnemer het al dan niet eens was met de stelling. De volledige vragenlijst is beschikbaar in [ 59 ] en per Tabel 3 in de resultaten sectie. De volgorde van de vragen was willekeurig voor de verschillende deelnemers om eventuele volgorde-effecten teniet te doen.

4.2 Gegevensverwerking en statistieken

Zoals uiteengezet in het methodologiegedeelte, werden QoE en objectieve statistieken vastgelegd voor elke proef. Deelnemers werden gecategoriseerd in AR en haptisch. Subgroepen van mannen (N = 13) en vrouwen (N = 13) werden ook willekeurig gedefinieerd voor analyse van geslacht. Om verschillen tussen groepen te vergelijken, werd een Shapiro-Wilk-normaliteitstest [ 64 ] uitgevoerd. Alle variabelen hadden een normale verdeling (p> 0,05). Op de gegevens werd een afhankelijke t-toets voor monsters uitgevoerd met een betrouwbaarheidsniveau van 95%. Voor de objectieve analyse hebben we verschillen gemeld tussen AR- en haptische groepen voor het aantal afstemmingen na ontvangst van feedback en de hoeveelheid tijd dat deelnemers niet op één lijn waren. We hebben ook dezelfde analyse gerapporteerd met betrekking tot geslacht. Deze vergelijkingen zijn uitgevoerd door middel van een afhankelijke steekproef van t-tests met een betrouwbaarheidsniveau van 95%. Het QoE-model (QoEM F ) voor elke feedback voor een aantal p deelnemers was ontworpen om het gemiddelde te zijn van de vier beoordelingsstatistieken: Utility (UtF), Usability (UsF) ), Interaction (InF) ​​en Immersion (ImF) zoals in Eq (7) . (7)

5 resultaten

In deze sectie presenteren we analyse en bespreking van de gegevens die tijdens het experiment zijn vastgelegd: objectieve prestatiemetingen ( dwz aantal verkeerde uitlijningen voor elke feedbackmodaliteit); en subjectieve evaluatie van QoE-vragenlijsten na de test voor elk van de feedbackmodaliteiten. Daarnaast nemen we analyse op geslacht op.

5.1 Objectieve resultaten

Voor de objectieve gegevens hebben we geanalyseerd hoe de deelnemer reageerde op elk van de de soorten feedback, dwz of en hoe ze hun loopstijl hebben veranderd op basis van elke feedbackmodaliteit. Voor elk been werden 3 verschillende toestanden gedefinieerd: varus, juiste positie en valgus. We rapporteren voor elke staat de tijd dat de deelnemers tijdens het experiment niet goed uitgelijnd waren en het aantal keren dat de deelnemer feedback nodig had (feedbackcue) tijdens het experiment (2 minuten). We geven ook details over het aantal volledige uitlijningen (beide benen in de juiste positie) en verkeerde uitlijningen voor elk been.

Tabel 1 bevat een prestatierapport van de uitlijning van varus en valgus van alle deelnemers na het ervaren van AR- en haptische feedback. Het bevat ook een verdere indeling naar geslacht. De resultaten tonen statistisch significante verschillen tussen de AR- en haptische feedback in termen van het aantal varus, valgus en totale verkeerde uitlijningen voor baseline en test. Deelnemers presteerden beter met AR-feedback, met een reductie van 31% voor varus, 13% voor valgus. Alle gerapporteerde resultaten hielden rekening met een betrouwbaarheidsinterval van 95% en 90%. Statistisch significante prestatieverschillen worden gerapporteerd voor de AR-feedback bij het verminderen van varus en totale verkeerde uitlijningen met een tweezijdige p 0,1).

Tabel 2 bevat prestatiegegevens over hoe lang gebruikers in de varus- en valgusposities waren tijdens de 2 minuten durende proeven. We hebben bevestigd dat alleen AR-feedback de varustijd kan verminderen met een statistisch significant verschil voor baseline en testen. Deelnemers presteerden op tijd beter met AR-feedback bij het verminderen van varus in 11%, valgus 64% en totale verkeerde uitlijningen 37%. Mannetjes hadden een significante verbetering in valgustijd (63% p = 0,047). De prestaties voor de haptische feedback verhoogden het aantal verkeerde uitlijningen met de mannelijke groep (-49% p = 0,06). Dit suggereert dat de gebruikers enigszins in de war waren door de haptische feedback. Statistisch significant verschil in prestatie werd alleen gerapporteerd voor de AR-feedback bij het verminderen van varus en totale verkeerde uitlijningen met een tweezijdige p 0,1).

5.2 Zelfgerapporteerde resultaten van de vragenlijst

Tabel 3 presenteert de resultaten van de zelfgerapporteerde MOS-metingen via vragenlijsten na de test. Tabel IV geeft de resultaten weer, rekening houdend met de geslachtsvariabele. Aangezien de AR- en Haptic-groepen gerandomiseerde herhaalde metingen waren, werd een afhankelijke steekproeven-t-test uitgevoerd op de gegevens met een betrouwbaarheidsniveau van 95% met behulp van het IBM statistische analyse softwarepakket SPSS [ 65 ].

Volgens Tabel 3 was van de 12 gestelde vragen, alleen vraag 1, die werd gesteld als de deelnemer ontving feedback, hij of zij paste zich gemakkelijk en snel aan, rapporteerde een statistisch significant verschil tussen AR- en haptische feedback met een tweezijdige p-waarde van 0,015, p

Tabel 4 presenteert de resultaten van de MOS-vragenlijst per geslacht. De vrouwelijke groep rapporteerde een statistisch significant verschil tussen AR en Haptic voor vraag 1. De mannelijke groep rapporteerde ook een statistisch significant verschil voor vraag 2 (“Mijn loopstijl veranderde tijdens het experiment.”) En vraag 12 (“Ik was betrokken bij het systeem.” “).

Utility, bruikbaarheidinteractie, onderdompeling en QoEM-scores van AR- en haptische feedback per geslacht worden weergegeven in Fig 7 . AR-feedback toonde een significant nut (p

6 Discussie

In deze sectie bespreken we de resultaten van de vergelijking tussen AR en haptische feedback. Vanwege het feit dat haptische feedback is gerapporteerd als een levensvatbare feedbackmodaliteit op vele gebieden, zoals revalidatie en loopheropvoeding, was onze veronderstelling dat haptische feedback betere resultaten zou rapporteren in termen van gebruikersprestaties (en mogelijk ook QoE).

Haptische informatie wordt rechtstreeks bij het gewricht gegeven dat de gebruiker moet veranderen, terwijl AR feedback geeft over de deelnemer moest visuele informatie verwerken en het been dat verband houdt met die wijziging wijzigen. Verrassend genoeg, zoals te zien in de resultaten, verminderde AR-feedback niet alleen het aantal verkeerde uitlijningen, maar uit de subjectieve vragenlijstanalyse meldden gebruikers dat AR-feedback het aantal verkeerde uitlijningen beter dan haptisch hielp verminderen. Hoewel de resultaten aangeven dat beide feedbackmodaliteiten het optreden van varus- en valgusafwijkingen verminderen, verminderde AR-feedback het aantal varusafwijkingen (met 31%) aanzienlijk in vergelijking met de uitgangswaarden. Hoewel de verlagingen voor valgus (voor AR) en noch varus noch valgus significant zijn voor haptische, zijn geschatte verlagingen tussen 9% en 15% positief.

Dieper kijkend naar de analyse, rekening houdend met de geslachtsinvloed op de resultaten, voor de mannelijke AR-groep, het reductieniveau voor varus was 45% (en 18% voor verkeerde uitlijningen van valgus). In overeenstemming met de mannelijke groep verminderde AR-feedback, hoewel in mindere mate, het aantal varusafwijkingen met 35% voor de vrouwelijke groep (niet significant in vergelijking met baseline). Deze resultaten tonen het nut aan van het gebruik van beide feedbacks, maar in het bijzonder van AR-feedback. Het roept ook een interessante vraag op om te begrijpen waarom de knie van vrouwen geen significante verandering had na het ontvangen van feedback. Feedback en de reacties van gebruikers daarop is een belangrijk onderwerp om te begrijpen. In onze use-case kan het een aanzienlijke impact hebben op iemands kwaliteit van leven. Het verminderen van verkeerde uitlijningen kan ook de incidentie van letsel meer verminderen. Deze resultaten zijn belangrijk voor de onderzoeksgemeenschap en waren ook een goede indicator voor toekomstig werk, waar we het onderzoek zullen uitbreiden om fysiologische metingen te begrijpen en wat er gebeurt in een klinische opstelling voor mannen en vrouwen.

Voor de QoE-analyse, subjectieve evaluatie van vragenlijsten voor feedbackhulpprogramma, bruikbaarheid, interactie en immersie werd uitgevoerd. Tabel 3 rapporteerde resultaten van de MOS-vragenlijst voor alle deelnemers. Toen deelnemers in vraag 1 werd gevraagd naar aanpassing na feedback (“Toen ik feedback ontving, paste ik me gemakkelijk en snel aan.”), Voelden ze dat AR effectiever was in het veranderen van varus- en valgusafwijkingen. Dit komt overeen met de objectieve analyse in Tabel 1 . Voor de MOS-vragenlijst over geslacht, rapporteerde de mannelijke groep dat ze geloofden dat hun loopstijl veranderde op basis van de AR-feedback. Ze rapporteerden ook een grotere betrokkenheid bij het gebruik van de AR-bril dan haptische apparaten. De vrouwelijke groep rapporteerde een grotere bruikbaarheid van AR-feedback. Dit verschil tussen geslachtsgroepen benadrukt het belang van het overwegen van menselijke factoren en het gebruik van QoE-analyse in dit soort nieuwe feedbackstudies. Aangezien veel onderzoeken zijn uitgevoerd met behulp van huidige feedbacktools zoals 2D-scherm en haptisch, kan deze studie een nieuw paradigma zijn bij het gebruik van meeslepende technologieën bij het opnieuw trainen van het lopen en het promoten van revalidatieprotocollen.

7 Conclusie

Deze paper presenteerde een vergelijking van Haptic en Augmented Reality als feedbackmodaliteiten in een ganganalysesysteem. Het vergeleek, in termen van objectieve en subjectieve beoordelingen, hoe gebruikers Haptische en Augmented Reality-feedback zagen en erop reageerden. Op basis van de resultaten heeft de nieuwe AR-benadering een aanzienlijk potentieel als methode voor gangrevalidatie. De objectieve evaluatie leert ons dat AR het aantal verkeerde uitlijningen van de knie aanzienlijk vermindert. Bovendien levert subjectieve vragenlijstbeoordeling interessante resultaten op in termen van hoe gebruikers het gevoel hebben dat hun wandeling positief is veranderd met AR-feedback. De overeenstemming van objectieve en subjectieve evaluaties dient als basis voor het gebruik van AR als onderdeel van een revalidatieprotocol. Beide overwogen geslachtsgroepen rapporteerden dat AR meer bruikbaarheid had dan haptische feedback. De mannelijke groep vertoonde een statistisch significante verbetering in varus, valgus, totale foutieve uitlijning en valgustijd. Toekomstig werk zal ook de validiteit beoordelen dat AR-feedback niet alleen hogere QoE-scores oplevert, maar ook minder cognitieve werklast bevordert in vergelijking met haptische en instantiëring van het hierboven voorgestelde QoE-model. Fysiologische metingen en pupilrespons zullen ook worden geëvalueerd en hun gevolgtrekking aan QoE zal worden geanalyseerd.


De auteurs willen Dr. Paul Archbold en Mr. Eoin Woodlock erkennen voor het gebruik van de laboratoriumruimte voor gegevensverzameling.


  1. 1.              Harris GF, Wertsch JJ. Procedures voor ganganalyse. Archieven van fysische geneeskunde en revalidatie. 1994; 75: 216-225. pmid: 8311681
  2. 2.              Sharma L, Song J, Dunlop D, Felson D, Lewis CE, Segal N. Varus en valgusuitlijning en incidentele en progressieve knieartrose. Annalen van de reumatische aandoeningen. 2010; 69: 1940–1945. pmid: 20511608
  3. 3.              Freisinger GM, Hutter EE, Lewis J, Granger JF, Glassman AH, Beal MD. Relaties tussen varus-valguslaxiteit van de ernstig artrose en gang, instabiliteit, klinische prestaties en functie. Tijdschrift voor orthopedisch onderzoek: officiële publicatie van de Orthopedic Research Society. 2017; 35: 1644–1652.
  4. 4.              Baudet A, Morisset C, Athis P, Maillefert JF, Casillas JM, Ornetti P. Cross-talk correctiemethode voor knie-kinematica in ganganalyse met behulp van Principal Component Analysis (PCA): een nieuw voorstel. PLOS EEN. 2014; 9: 102098–102098.
  5. 5.              Jafarnezhadgero AA, Majlesi M, Etemadi H, Robertson DGE. Revalidatie verbetert de bewegings kinematica bij kinderen met een knie varus: gerandomiseerde gecontroleerde trial. Annalen van fysische en revalidatiegeneeskunde. 2018; 61: 125–134. pmid: 29476933
  6. 6.              Figueiredo LS, Ugrinowitsch H, Freire AB, Shea JB, Benda RN. Externe controle van kennis van resultaten: betrokkenheid van leerlingen verbetert overdracht van motorische vaardigheden. Perceptuele en motorische vaardigheden. 2018; 125: 400–416. pmid: 29350078
  7. 7.              Carr K, Zachariah N, Weir P, Mcnevin N.Een onderzoek naar feedbackgebruik in revalidatie-instellingen. Kritische beoordelingen in de fysische en revalidatiegeneeskunde. 2011; 23 (1-4): 147–160.
  8. 8.              Ahrens A, Lund KD, Marschall M, Dau T. Lokalisatie van geluidsbronnen met variërende hoeveelheid visuele informatie in virtual reality. PLOS EEN. 2019; 14: 214603–214603.
  9. 9.              Hartanto D, Kampmann IL, Morina N, Emmelkamp PGM, Neerincx MA, Brinkman WP. Beheersing van sociale stress in Virtual Reality-omgevingen. PLOS EEN. 2014; 9: 92804-92804.
  10. 10.              Stepp CE, An Q, Matsuoka Y. Herhaalde training met versterkte vibrotactiele feedback Verhoogt de prestaties van objectmanipulatie. PLOS EEN. 2012; 7: 32743–32743.
  11. 11.              Lurie KL, Shull PB, Nesbitt KF, Cutkosky MR. Informerend haptisch feedbackontwerp voor looptraining. 2011 IEEE World Haptics Conference. 2011; p. 19-24.
    • 12.              Shull PB, Jirattigalachote W, Zhu X. Een overzicht van draagbare waarneming en draagbare feedback voor looptraining. In: ICIRA; 2013.
      • 13.              Vu TM, Katushin N, Pumwa J. Motion-trackinghandschoen voor augmented reality en virtual reality. Paladyn. 2019; 10: 160–160.
      • 14.              Cipresso P, Giglioli IAC, Raya MA, Riva G. The Past, Present, and Future of Virtual and Augmented Reality Research: A Network and Cluster Analysis of the Literature. Vooraan. Psychol .; 2018.
      • 15.              Brunnstrm K, Moor KD, Dooms A, Egger-Lampl S, Garcia MN, Hossfeld T. Qualinet Witboek over definities van kwaliteit van ervaring; 2013.
        • 16.              ​​ Robitza W, Ahmad A, Kara PA, Atzori L, Martini MG, Raake A. Uitdagingen van toekomstige multimedia QoE-monitoring voor internetproviders. Multimediatools en -toepassingen. 2017; 76: 22243–22266.
        • 17.              Murray N, Lee B, Qiao Y, Miro-Muntean G. De impact van geurtype op Olfaction-verbeterde multimediakwaliteit. IEEE-transacties op systemen, mens en cybernetica: systemen. 2017; 47: 2503–2515.
        • 18.              Floris A, Atzori L. Kwaliteit van ervaring in het multimedia-internet der dingen: definitie en praktisch gebruik- gevallen. 2015 IEEE International Conference on Communication Workshop (ICCW). 2015; p. 1747–1752.
          • 19.              Martini M, Chen CW, Chen Z, Dagiuklas T, Sun L, Zhu X. QoE-Aware Draadloze multimediasystemen; 2012.
            • 20.              Linden JV, Schoonderwaldt E, Bird J. Op weg naar een realtime systeem om beginners correcte vioolstokschieten te leren techniek. 2009 IEEE International Workshop on Haptic Audio visual Environments and Games. 2009; p. 81–86.
              • 21.              Lieberman J, Breazeal C. TIKL: Ontwikkeling van een draagbaar vibrotactiel feedbackpak voor verbeterd menselijk motorisch leren. IEEE-transacties op robotica. 2007; 23: 919-926.
              • 22.              Xu J, Lee UH, Bao T, Huang Y, Sienko KH, Shull PB. Draagbaar detectie- en haptisch feedbackonderzoekplatform voor looptraining. IEEE 14e internationale conferentie 2017 over draagbare en implanteerbare lichaamssensornetwerken. 2017; p. 125–128.
                • 23.              Gaffary Y, Gouis BL, Marchal M, Argelaguet F, Arnaldi B, Lcuyer A. AR voelt zachter aan dan VR: haptische perceptie van stijfheid in augmented versus virtual reality. IEEE-transacties op visualisatie en computergraphics. 2017; 23: 2372–2377. pmid: 28809699
                • 24.              Koritnik T, Koenig A, Bajd T, Riener R, Munih M. Vergelijking van visuele en haptische feedback tijdens training van onderste ledematen. Ganghouding. 2010; 32 (4): 540-546. pmid: 20727763
                • 25.              Kauhanen L, Palomki T, Jylnki P, Aloise F, Nuttin M, Millan JDR. Haptische feedback vergeleken met visuele feedback voor BCI. Infoscience EPFL wetenschappelijke publicaties. 2006 ;.
                  • 26.              Sigrist R, Rauter G, Riener R, Wolf P.Aanvullende visuele, auditieve, haptische en multimodale feedback bij motorisch leren: een overzicht. Psychonomic Bulletin & Review. 2013; 20: 21-53.
                  • 27.              Turchet L, Burelli P, Serafin S. Haptic Feedback voor het verbeteren van het realisme van loopsimulaties. IEEE-transacties op haptiek. 2013; 6: 35–45. pmid: 24808266
                  • 28.              Shull P, Lurie K, Shin M, Besier T, Cutkosky M. Haptic gangtraining voor knieartrose behandeling. IEEE Haptics Symposium 2010. 2010; p. 409–416.
                    • 29.              Nagymt G, Kiss RM. Betaalbare ganganalyse met augmented reality-markers. PLOS EEN. 2019; 14: 212319–212319.
                    • 30.              Diaz GJ, Parade MS, Barton SL, Fajen BR. Het ophalen van visuele informatie over grootte en locatie tijdens het naderen van een obstakel. PLOS EEN. 2018; 13: 192044–192044.
                    • 31.              Matthis J, Barton S, Fajen B. De kritieke fase voor visuele controle van menselijk lopen over complex terrein. Proceedings of the National Academy of Sciences; 114: 7–24.
                    • 32.              Binaee K, Diaz GJ. Beoordeling van een augmented reality-apparaat voor de studie van visueel begeleid lopen en het oversteken van obstakels. Gedragsonderzoeksmethoden. 2019; 51: 523-531. pmid: 30132240
                    • 33.              Kothari R, Binaee K, Matthis JS, Bailey R, Diaz GJ. Nieuw apparaat voor het onderzoeken van oogbewegingen tijdens het lopen in aanwezigheid van 3D geprojecteerde obstakels. In: gepresenteerd op de Proceedings of the Ninth Biennial ACM Symposium on Eye Tracking Research & Applications; 2016.
                      • 34.              Sekhavat YA, Namani MS. Op projectie gebaseerde AR: effectieve visuele feedback bij gangrevalidatie. IEEE-transacties op mens-machinesystemen. 2018; 48: 626-636.
                      • 35.              Lee CH, Kim Y, Lee BH. Augmented reality-gebaseerde houdingscontrole training verbetert de loopfunctie bij patiënten met een beroerte: gerandomiseerde gecontroleerde studie. Hong Kong Physiotherapy Journal. 2014; 32: 51–57.
                      • 36.              Bennour S, Ulrich B, Legrand T, Jolles B, Favre J. Een looptrainingssysteem met augmented reality om footprintparameters te wijzigen: effecten op de sagittale vlak kinematica van de onderste ledematen. Journal of Biomechanics. 2017; 66 (26-35). pmid: 29137725
                      • 37.              Keighrey C, Flynn R, Murray S, Murray N.Een QoE-evaluatie van meeslepende augmented en virtual reality spraak- en taaltoepassingen. Negende internationale conferentie over kwaliteit van multimedia-ervaring 2017 (QoMEX. 2017; p. 1-6.
                        • 38.              Omelina L, Bonnechre B, Jan SVS, Jansen B. Het analyseren van de kwaliteit van de ervaring van computerspellen in revalidatie: het perspectief van de therapeut. In: en anderen, redacteur. REHAB’16 Proceedings of the 4th Workshop on ICTs for verbetering Patient Rehabilitation Research Techniques, 13-14, Lissabon. ACM; 2016.
                          • 39.              Haines T, Mcbride J, Triplett N, Skinner J, Fairbrother K, Kirby TJ. Een vergelijking van de verhouding tussen kracht en lichaamsmassa van mannen en vrouwen en varus / valgus-kniehoek tijdens spronglandingen. Tijdschrift voor sportwetenschappen. 2011; 29: 1435–1477. pmid: 21916796
                          • 40.              Schmitz RJ, Ficklin TK, Shimokochi Y, Nguyen AD, Beynnon BD, Perrin DH. Varus / valgus en interne / externe torsiestijfheid van het kniegewricht verschillen per geslacht. Het Amerikaanse tijdschrift voor sportgeneeskunde. 2008; 36: 1380–1388. pmid: 18535251
                          • 41.              Russell KA, Palmieri RM, Zinder SM, Ingersoll CD. Geslachtsverschillen in valgus-kniehoek tijdens een drop-jump met één been. Journal of atletische training. 2006; 41: 166–171. pmid: 16791301
                          • 42.              Quatman CE, Hewett TE. De controverse rond het voorste kruisbandletsel: is “valgus collaps” een seksespecifiek mechanisme? Brits tijdschrift voor sportgeneeskunde. 2009; 43: 328–335. pmid: 19372087
                          • 43.              Technologie XDMT. MTw Awinda – Wireless Motion Tracker; 2019. Beschikbaar vanaf: .
                            • 44.              Rodrigues T, Cathain C, Devine D, Moran K, O’Connor NE, Murray N. An Evaluatie van een 3D multimodaal markeringsloos bewegingsanalysesysteem. In: ACM Multimedia Systems Conference; 2019.
                              • 45.              Rodrigues TB, Salgado DP, Catháin CO, Connor N, Murray N. Beoordeling van menselijke gang met behulp van een 3D multimodaal bewegingsregistratiesysteem zonder markers. Multimediatools en -toepassingen. 2019 ;.
                                • 46.              Hu V, Charry E, Umer M, Ronchi A, Taylor S. Een traagheidssensorsysteem voor metingen van tibia-hoek met toepassingen op valgus / varus-detectie van de knie. In: en anderen, redacteur. IEEE 2014, negende internationale conferentie over intelligente sensoren, sensornetwerken en informatieverwerking (ISSNIP), 21-24, Singapore. IEEE; 2014.
                                  • 47.              Vargas-Valencia LS, Elias A, Rocon E, Bastos-Filho T, Frizera A.Een IMU-to-Body Alignment Method toegepast op Human Gait Analysis. Sensoren. 2016; 16: 2090-2090.
                                  • 48.              Sebastian M, OH, Andrew H, JL, Ravi V.  Schatting van IMU- en MARG-oriëntatie met behulp van een algoritme voor gradiëntafdaling. In: 2011 IEEE International Conference on Rehabilitation Robotics; 2011.
                                    • 49.              Mcdaniel T, Krishna S, Villanueva D, Panchanathan S. Een haptische riem voor vibrotactiele communicatie. 2010 IEEE International Symposium on Haptic Audio Visual Environments and Games. 2010; p. 1-2.
                                      • 50.              Rahman MF, Patterson D, Cheok A, Betz R. 30 – Motoraandrijvingen. Power Electronics Handbook. 2018; p. 945-1021.
                                      • 51.              Corp © SE. MOVERIO BT-30C – slimme bril; 2019. Beschikbaar vanaf: .
                                        • 52.              Bhatia V, Joshi S, Chapaneri R.Websocket-Evented realtime online coderingsmedewerker. In: Smart Intelligent Computing en toepassingen; 2019. p. 325–334.
                                        • 53.              Ilahi O, Kadakia N, Huo M. Inter- en intraobserver-variabiliteit van radiografische metingen van knie-uitlijning. Het Amerikaanse tijdschrift voor knieoperaties. 2001; 14: 238–280. pmid: 11703037
                                        • 54.              Itu-T. Methoden voor de subjectieve beoordeling van videokwaliteit, audiokwaliteit en audiovisuele kwaliteit van internetvideo en distributiekwaliteittelevisie in elke omgeving. TELECOMMUNICATIE STANDAARDISATIESECTOR VAN ITU2016 ;.
                                          • 55.              Egan D, Brennan S, Barrett J, Qiao Y, Timmerer C, Murray N. Een evaluatie van Hartslag en elektrodermale activiteit als objectieve QoE-evaluatiemethode voor immersieve virtual reality-omgevingen. Achtste Internationale Conferentie over kwaliteit van multimedia-ervaring 2016 (QoMEX). 2016; p. 1-6.
                                            • 56.              Gregori N, Feuer W, Rosenfeld P.Nieuwe methode voor het analyseren van snellen metingen van gezichtsscherpte. Retina, The Journal of Retinal and Vitreous Diseases. 2010; 30 (7): 1046-1050.
                                            • 57.              Pickford RW. De Ishihara-test voor kleurenblindheid. Natuur. 1944; 153: 656-657.
                                            • 58.              Bell-Krotoski JA, Fess EE, Figarola JH, Hiltz D. Threshold Detection en Semmes-Weinstein Monofilaments. Journal of Hand Therapy; 8: 155–162. pmid: 7550627
                                            • 59.              Rodrigues T. QoE-vragenlijst van Gait Feedback System; 2019. Beschikbaar vanaf: .
                                              • 60.              Laghari AA, Hui H, Shafiq M, Khan A. Beoordeling van het effect van Cloudafstand op de kwaliteit van eindgebruikers van ervaring (QoE). 2016 2e IEEE International Conference on Computer and Communications (ICCC). 2016; p. 500-505.
                                                • 61.              Bangor A, Kortum PT, Miller JT. Een empirische evaluatie van de systeemgebruiksschaal. International Journal of Human-Computer Interaction. 2008; 24: 7–7.
                                                • 62.              Schubert T, Friedmann F, Regenbrecht H. The Experience of Presence: Factor Analytic Insights. Aanwezigheid: tele-operators en virtuele omgevingen. 2001; 10: 266–281.
                                                • 63.              Lewis J, R J. IBM Computer Usability Tevredenheidsvragenlijsten: psychometrische evaluatie en instructies voor gebruik. International Journal of Human-Computer Interaction. 1993; 7 (1): 57-78.
                                                • 64.              Mishra P, Pandey CM, Singh U, Gupta A, Sahu C, Keshri A. Beschrijvende statistieken en normaliteitstests voor statistische gegevens. Ann Card Anaesth. 2019; 22 (1): 67-72. pmid: 30648682
                                                • 65.              Veld A; 2013. Statistieken ontdekken met IBM SPSS Statistics (4e ed.). Sage Publications Ltd.







                                                  Gearchiveerde tweets




                                                  Laad meer



                                                  Lees Meer