使用Rasch分析确定神经障碍患者平衡治疗的最佳虚拟现实Exergame方法:纵向观察研究gydF4y2Ba

简介gydF4y2Ba

平衡障碍在神经系统疾病患者中很常见，并导致活动能力下降，摔倒风险增加，并伴有损伤[gydF4y2Ba1gydF4y2Ba，gydF4y2Ba2gydF4y2Ba］．因此，平衡能力进一步退化，一般活动能力下降，对日常生活活动的依赖性增加[gydF4y2Ba3.gydF4y2Ba］．这对患者的生活质量有显著的负面影响;因此，改善平衡是神经康复的关键[gydF4y2Ba4gydF4y2Ba，gydF4y2Ba5gydF4y2Ba］．gydF4y2Ba

高剂量的治疗对有效的平衡康复很重要;这包括大量的重复和有挑战性的练习[gydF4y2Ba6gydF4y2Ba］．虚拟现实(VR)运动游戏因在神经康复期间提供高剂量的VR治疗而越来越受欢迎[gydF4y2Ba7gydF4y2Ba，gydF4y2Ba8gydF4y2Ba］．VR exergames是一种在虚拟环境中进行身体运动以达到治疗目的的游戏(例如，提高力量、平衡或灵活性)[gydF4y2Ba9gydF4y2Ba］．虚拟现实可有效地增加训练剂量，并可作为常规疗法的补充或部分替代而取得良好效果[gydF4y2Ba10gydF4y2Ba］．VR训练被认为可以有效改善多发性硬化症(MS)或中风等神经系统疾病患者的平衡结果和步态能力[gydF4y2Ba11gydF4y2Ba-gydF4y2Ba13gydF4y2Ba］．gydF4y2Ba

动机是VR锻炼游戏中的一个重要因素，因为它会影响游戏的持续时间，导致更高的重复次数，从而增加治疗剂量。在我们研究小组之前的工作中，研究表明，在最初的动机增强后，随着时间的推移，与纸质表格引导的自我调节练习相比，玩锻炼游戏的老年人的动机下降了[gydF4y2Ba14gydF4y2Ba］．对于这些结果的解释可以在早期关于游戏开发的研究中找到。gydF4y2Ba15gydF4y2Ba，gydF4y2Ba16gydF4y2Ba］．动机很大程度上取决于玩家的运动技能和目标对游戏参数的个人校准，如对运动范围、游戏位置或运动速度的适应。此外，游戏内部和游戏之间的变化对动机很重要，因为变化不足会降低注意力和身体活动水平。gydF4y2Ba17gydF4y2Ba］．难度的变化是为了让玩家在较长时间内保持专注，但也可以在整个康复过程中进行任务训练。循序渐进的任务训练对最好地刺激运动学习很重要。这是由挑战点框架所支持的，它表明任务的难度应该适应玩家的技能水平，以便他们能够获得最佳挑战并促进学习。gydF4y2Ba18gydF4y2Ba］．在VR exexgames中创造平衡挑战的特定参数可以是游戏速度或重心转移时的运动范围[gydF4y2Ba19gydF4y2Ba，gydF4y2Ba20.gydF4y2Ba］．从这些结果中，我们可以推测，为了保持患者的积极性，通过提供不同的练习来挑战患者是至关重要的，其中练习的难度与患者的能力相匹配。gydF4y2Ba

在机器人上肢治疗中，调整VR锻炼游戏的难度来挑战玩家已经被研究过了。gydF4y2Ba21gydF4y2Ba］．然而，VR exergames难度的调整是根据玩家在特定选择参数中的表现进行的。这在具有相似参数以适应难度的系统中是可能的，例如Zimmerli等人的机器人引导到达任务[gydF4y2Ba22gydF4y2Ba)，他通过控制病人到达给定目标的可用时间来优化任务的难度。然而，对于包含平衡练习的治疗项目来说，这是不可能的，因为平衡练习是由许多不同的参数组成的，而这些参数在不同的练习中差异很大。gydF4y2Ba23gydF4y2Ba］．因此，平衡练习的难度调整不应以表现为基础，而应以病人的能力为基础。gydF4y2Ba

在康复研究中已经找到了一个用于量表开发并据此调查项目难度和人的能力的统计框架。La Porta等[gydF4y2Ba24gydF4y2Ba]使用Rasch模型调查了伯格平衡量表的14个项目。Rasch模型被用来研究量表的结构，并对平衡量表的项目进行排序，从所有参与者都能成功执行的简单项目(即坐在椅子上)到所有参与者都不能执行的困难项目(即单腿站立)。该模型一方面考虑人的能力，另一方面考虑项目的难度，并将两者沿潜在特征的连续统结合在一起[gydF4y2Ba25gydF4y2Ba］．潜在特质是量表上所有项目都具有的共同属性，并旨在评估。在这项研究中，被调查的人的能力是中风和多发性硬化患者的能力。被调查的项目是来自MindMotion GO系统(MindMaze SA)的旨在改善坐立平衡的VR运动游戏。Rasch模型已被广泛用于构建和修改测量仪器，并测试其心理测量特性[gydF4y2Ba24gydF4y2Ba，gydF4y2Ba26gydF4y2Ba］．Rasch模型对技术指导康复训练数据的适用性迄今为止还没有进行过研究，因此，使用该模型是一种创新方法。gydF4y2Ba

为了确定Rasch模型是否适用于提供基于exergames分数的参与者能力和exergames难度的连续统一体，我们评估了exergames的单维性(即，如果所有exergames评估相同的潜在变量)和适合性(即，项目适合性)。当一个连续的VR练习被创建时，我们会通过确定每个练习的难度来调查锻炼游戏是否为特定的参与者提供了足够的变化和挑战，我们会评估这些难度评估是否涵盖了参与者的平衡能力的整个范围。gydF4y2Ba

方法gydF4y2Ba

招聘gydF4y2Ba

我们的目标是纳入来自瑞士瓦伦斯瓦伦斯康复诊所的30名中风患者和50名多发性硬化症患者。符合以下标准的患者被纳入住院康复治疗:(1)近期中风或多发性硬化症患者，扩展残疾状态量表得分在3至6.5之间，即经神经科医生确认的中度至重度残疾患者，行走时需要协助;(二)十八周岁以上;(3)转介接受最少3周的住院康复治疗;(4)平衡能力下降，基于伯格平衡量表得分低于52分(满分56分);(5)签署知情同意书。如果患者患有可能影响运动表现、行走能力和平衡的共患病(如视觉或认知障碍、精神障碍和肌肉骨骼问题)，则排除在研究之外。为了包括具有一定范围的平衡缺陷的参与者，以代表神经系统人群，我们的目标是包括50%的伯格平衡量表得分低于45分(满分56分)的参与者和50%的伯格平衡量表得分等于或高于45分的参与者。本研究在ClinicalTrials.gov网站进行前瞻性注册(NCT03993275)。gydF4y2Ba

伦理批准gydF4y2Ba

根据《赫尔辛基宣言》，这项研究获得了Sudostschweiz伦理委员会的伦理批准(BASEC[伦理委员会商业管理系统]No. 2018-01248) [gydF4y2Ba27gydF4y2Ba］．gydF4y2Ba

设备和平衡ExergamesgydF4y2Ba

使用MindMotion GO (MindMaze SA)进行VR运动游戏。MindMotion GO是一款医疗设备软件系统，支持康复中心成人和儿童以及家中成年人的身体和认知康复(gydF4y2Ba图1gydF4y2Ba)．MindMotion GO软件将安装在运行Windows 10操作系统的电脑上，并与Kinect体感设备(版本2;微软)。该设备由一个屏幕和一个Kinect摄像头组成，该摄像头以每秒30帧的速度跟踪25个关节来捕捉身体动作。该摄像机结合适当的运动跟踪算法，可以可靠地测量健康对照组的下肢运动，并有效地评估时空步态参数和姿态控制的运动学策略[gydF4y2Ba28gydF4y2Ba-gydF4y2Ba30.gydF4y2Ba］．该软件将人体动作转换为显示的虚拟角色动作，以执行VR exergame。该软件包括上肢、躯干和下肢康复练习库。为了专门训练坐着或站着的躯干控制和平衡，有9种不同的VR锻炼游戏可供选择。锻炼游戏的难度不同，取决于任务类型、游戏位置、静态或动态支撑基础、速度、双重任务的使用和去留反应。gydF4y2Ba图2gydF4y2Ba详细说明了不同锻炼游戏的目标和各种难度参数。gydF4y2Ba

共有九种不同的游戏可供选择，其中三种游戏可以坐着或站着玩(gydF4y2Ba图2gydF4y2Ba，灰色)，六局只能站姿(gydF4y2Ba图2gydF4y2Ba橙色和绿色)。难度增加10级以上。为了在所有难度级别上收集足够的数据，研究中只使用了级别2、4、6、8和10。这导致了60种VR锻炼游戏和关卡的组合，从此被称为练习。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

设计和数据收集gydF4y2Ba

我们实施了一项纵向观察设计，在MS患者中重复测量运动评分和平衡能力评分，持续时间为3周，中风患者为4周。纳入后，收集躯干控制、活动能力、步态能力、疲劳和认知的描述性数据，并进行平衡基线评估。在每位参与者的普通物理治疗期间，每周由一位经验丰富的物理治疗师用14项伯格平衡量表评估一次平衡能力。每一项评分从0到4分，总分56分。Rasch分析支持伯格平衡量表的有效性，并且测试-重测、评分者间信度和评分者内信度被认为足以使[gydF4y2Ba24gydF4y2Ba，gydF4y2Ba31gydF4y2Ba］．gydF4y2Ba

如果参与者的伯格平衡量表得分低于45分，他们就以坐姿进行练习;如果参与者的伯格平衡量表得分等于或高于45分，他们就以站姿和坐姿进行练习。研究人员解释了练习内容，参与者完成中等难度的30秒练习。此结果未用于分析。如果练习测试的分数低于50%，参与者的水平就会较低，如果分数高于50%，参与者的水平就会较高。参与者完成每项练习2分钟。运动分数被用于分析。参与者按照李克特量表(Likert)的6分制对锻炼难度进行评分，从0(非常容易)到5(无法完成)。参与者对运动难度的评分被用来调整运动选择。在每次治疗期间，参与者都要完成六项不同的练习。在整个治疗过程中，在考虑参与者安全的情况下，完成了不同的练习，以确保每个参与者完成尽可能多的不同练习。 Training was guided by an assistant under the supervision of an experienced physical therapist who specialized in robotics therapy.

统计分析gydF4y2Ba

样本大小gydF4y2Ba

最低样本量为150个观察值，才能在±½logit范围内实现稳定的项目校准，且置信度为99% [gydF4y2Ba32gydF4y2Ba］．为了达到这一观察数量，但仍然能够在组间平等地进行可行的研究设计，MS患者被纳入研究3周，而中风患者被纳入研究4周。多个观察结果按照以下规则进行统计:(1)在一周开始时，第一次会议被统计为观察1;(2)当参与者在同一周内完成两次练习时，这是一个新的观察结果;(3) exergame得分与该周Berg平衡量表得分进行比较分析。因此，这导致了对同一参与者的多次重复观察，产生了部分独立的数据。然而，Rasch分析可以自信地使用这种类型的数据进行[gydF4y2Ba33gydF4y2Ba］．gydF4y2Ba

分析gydF4y2Ba

描述性统计被用来描述研究参与者。主要分析采用Rasch分析。Rasch模型是一种数学模型，它提供预期的响应概率，显示具有一定能力的人(即正确测试项目的数量)以正确方式完成一定难度的项目(即成功完成该项目的人数)的可能性有多大。项目级别代表项目的难度，其中项目的难度范围从非常简单到非常困难。人的水平代表承担该项目的人的能力。两者都以比值比的自然对数(即logits)表示[gydF4y2Ba34gydF4y2Ba］．logit值越高，项目难度越大，人的能力越强[gydF4y2Ba35gydF4y2Ba］．成功的概率取决于项目的难度和个人能力之间的差异[gydF4y2Ba25gydF4y2Ba］．这样做的好处是，所调查的量表变成了一个区间量表，因此，一个logit的改进在与项目难度无关的量表连续统一体中具有相同的价值。因此，使用Rasch模型可以根据个人的能力选择正确的练习，使他们能够通过而不太容易，从而为患者创造足够的挑战而不产生挫败感。gydF4y2Ba

我们使用Winsteps(4.5.5版本)来评估数据对Rasch模型的拟合[gydF4y2Ba36gydF4y2Ba］．之所以使用部分积分模型，是因为游戏分数的结构在不同的练习中是不可比较的。gydF4y2Ba37gydF4y2Ba］．为了正确地使用Rasch模型，研究了单维性和项目拟合性，以表明各种锻炼游戏是否都训练了相同的潜在特征。以下各段将解释Rasch模型的主要概念。gydF4y2Ba

UnidimensionalitygydF4y2Ba

当所调查的所有项目(即练习)仅测量一个潜在变量时，即给予单维性[gydF4y2Ba25gydF4y2Ba］．用残差的主成分分析研究单维性[gydF4y2Ba38gydF4y2Ba］．特征值大于2表示潜在的二次维度[gydF4y2Ba39gydF4y2Ba］．在此，我们考虑了我们大量项目的对比中未解释的原始方差的数量。对比图用于评估单维性，同时仔细观察偏离项目或模式。对不减相关系数进行评估，以确定可能的不同维度之间的数据是否相关，并测量相同的潜在特征。低于0.3的值被认为是有问题的，高于0.7的值接近于1，表明来自不同集群的项目测量了相同的特征[gydF4y2Ba40gydF4y2Ba］．gydF4y2Ba

点二列相关gydF4y2Ba

在Rasch分析中，项目相关性是反应水平是否合理的直接检验，这意味着随着能力的增加，项目(即运动)得分也会增加。如果观察到的相关性为负，则响应收集是错误的。这可能是由于几个原因(例如，一个相反的调查项目被忽视了)。这些项目从最终模型中删除了。gydF4y2Ba

项目符合gydF4y2Ba

拟合统计量量化了基于Rasch模型的理论期望与原始数据的实际项目表现之间的差异，从而表明数据对Rasch模型的拟合程度。较大的残差表示一个项目不符合模型。采用拟合统计数据对项目拟合进行调查，其中装备均方值在0.5至1.5之间可用于测量[gydF4y2Ba41gydF4y2Ba］．值大于1.5为欠拟合;这意味着在项目的表现中有更多的噪音，因此，该项目不能用于作出充分的预测[gydF4y2Ba25gydF4y2Ba］．显示不匹配，没有临床合理解释的项目从分析中删除。gydF4y2Ba

低于0.5的值被归类为过拟合;这意味着多个项目是强烈相互依赖的，因此，测量是多余的。例如，这源于本质上密切相关的项目(例如，站立、踏步和行走康复的发展);因此，其他练习的反应太容易预测。在规模开发的情况下，删除冗余项可以提高效率而不降低精度。然而，由于我们不是在开发一个测量仪器，而是在开发一个练习的构造，因此可以在模型中留下多余的项目，因为它们增加了参与者练习计划的变化。gydF4y2Ba

项目阈值的排序gydF4y2Ba

阈值表示得分为0或1或1或2的概率相等的点。项目阈值显示了某项练习的得分顺序是否合乎逻辑，在某种程度上，具有成功完成手头任务能力的参与者在承担的项目变得更难时也能成功。随着人们的进步，他们的技能变得更好，分数的类别代表所调查的结构的进步水平是很重要的。gydF4y2Ba

反应分布:人-项目图gydF4y2Ba

锻炼难度和参与者能力的层次结构在人-项目图中显示。在这个地图中，最简单的项目在地图的右下方，能力最低的参与者显示在地图的左下方。该地图可以直观地检查练习范围是否符合参与者的能力范围。gydF4y2Ba

不同项目功能gydF4y2Ba

差异项目功能(DIF)显示中风患者和MS患者在项目难度上的差异。这是通过两组的比较来评估的，中风患者和MS患者应该在一个项目上表现出相同的能力，即相同的logit值(即相同的DIF测量)。gydF4y2Ba

结果gydF4y2Ba

概述gydF4y2Ba

中风患者和多发性硬化症患者的描述可在gydF4y2Ba表1gydF4y2Ba．共招募了32名中风患者和52名多发性硬化症患者。共有30名脑卒中患者和51名MS患者完成了数据收集步骤并纳入分析;2名中风患者和1名MS患者在基线测量后退出。用伯格平衡量表测量的平衡障碍严重程度在病理组之间具有可比性(gydF4y2BaPgydF4y2Ba= .35点)。共记录785个观测值以达到稳定项目校准。对培训计划的坚持非常好(99%)。使用该装置训练期间未发生严重不良事件。在训练中有两次从椅子上摔下来，没有受伤或其他后果;这是相当于传统的平衡训练在平衡的极限。60个练习中有4个没有被包括在分析中，因为它们只进行了2到4次，因此没有足够的数据(gydF4y2Ba表2gydF4y2Ba而且gydF4y2Ba3.gydF4y2Ba)．总共有56项运动和14项伯格平衡量表项目被纳入分析。分析包括两轮，以建立最终模型(gydF4y2Ba表2gydF4y2Ba)．最终的模型包括47个练习(gydF4y2Ba表4gydF4y2Ba)．gydF4y2Ba

UnidimensionalitygydF4y2Ba

残差的主成分分析表明，作为部分信用模型的一部分，第一个残差对比的特征值为2.36，表明可能存在2.3个条目强度的二次维度。这接近于预定义的2个特征值的单维阈值。考虑到大量的分析练习(n=61)， 2.3个项目的二次维度是非常小的。此外，第一个对比的总未解释方差仅为3.9%(分析中未解释方差的总原始方差)。标准化残差对比图的视觉探索显示，器械练习具有相似的因素负荷，并被分组在一起。伯格平衡量表的项目在同一维度内;然而，其中8个涉及了平衡的不同方面。所有不衰减的相关系数都接近于1，表明维度内的所有项目都测量了相同的特征。因此，可以得出结论，单维是足够的。gydF4y2Ba

点二列相关gydF4y2Ba

在第一轮分析中，三点双列相关性为负，表明项目得分与平衡能力呈负相关。从临床角度考虑这些项目导致在最终模型中排除这些项目(gydF4y2Ba表3gydF4y2Ba；过马路:自由台阶，4级;素食卫士，4级;Line Roller: sidesteps bilateral, level 8)。在最终的模型中，没有负的点双列相关性，说明所有项目都按照预期的方式工作。gydF4y2Ba

项目符合gydF4y2Ba

根据服装均方统计，高于1.5的值指定了显示欠拟合的项目，因此不适合模型。这导致在第一轮分析后删除以下项目(gydF4y2Ba表3gydF4y2Ba):飞机，4级，站姿(1.79);飞机，8级，站姿(2.12);赛车手2级，坐姿(1.77);过马路，向前后退一步，10级(1.64);素食卫士，6级(3.53);2级矿车，坐姿(1.95)。各种项目的值都低于0.5，表明过拟合，从而使项目冗余。然而，在我们的研究中，我们的目标不是删除冗余的项目，而是找到多个目标明确的项目，为参与者提供变化。因此，我们决定在模型中保留这些项。在最后一轮分析中，只有一个项目(即Car Racer, 10级，坐姿)显示出轻微的不适应，值为1.56 (gydF4y2Ba图3gydF4y2Ba)．在第一轮分析中，我们将1.5设置为阈值。然而，Wright和Linacre [gydF4y2Ba41gydF4y2Ba]认为1.7的阈值对于临床观察是可以接受的。由于上述项目只是轻微偏离了统计规律，并且有自己的logit值，所以我们没有从分析中删除这一项。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

项目阈值的排序gydF4y2Ba

项目阈值的顺序是可以接受的。对于38个项目，没有使用整个评分范围，因此，并不是所有的阈值都可用。对于9个项目，阈值的顺序不正确，这意味着分数并没有随着能力的增加而逐步增加。gydF4y2Ba

反应分布:人-项目图gydF4y2Ba

图4gydF4y2Ba显示最终的人-物品图;参与者的能力表示在图的左边，项目的难度表示在图的右边。个人能力范围从-4.0 logits到7.0 logits，物品难度范围从-4.0 logits到4.75 logits总的来说，我们可以看到，对于平衡能力较低到中等的参与者，练习的变化很大。对于具有较高平衡能力的参与者，练习的变化较小，特别是对于具有非常高平衡能力的参与者(例如，对于logit为4.5或更高的参与者，没有匹配的项目可用)。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

成对DIF对比gydF4y2Ba

脑卒中患者和MS患者的DIF对比显示，61个项目中有15个项目的难度有显著差异。在这些项目中，只有10项显示出0.5 logits的实质性差异，组间临床差异显著。其中7个项目是exergames项目，3个项目是Berg Balance Scale项目。gydF4y2Ba

讨论gydF4y2Ba

主要研究结果gydF4y2Ba

总的来说，我们的研究结果显示了足够的单维性和良好的统计拟合exergame分数与Rasch模型。由此产生的人-项目图显示，锻炼游戏涵盖了具有低到中等平衡能力的神经障碍患者的能力，并提供了足够的运动变化，特别是对具有中等能力的人。gydF4y2Ba

虚拟现实练习和许多伯格平衡量表项目显示出足够的单维性。然而，伯格平衡量表的8个项目处于第一维度的极限，测量的平衡方面与其他项目不同。这种差异是因为伯格平衡量表在短时间内测量静态和基本平衡，而练习在长达2分钟的较长时间内测量静态、动态和反应性平衡。因此，两者都测量平衡，但正如分析所表明的那样，它们测量平衡的不同方面。gydF4y2Ba

适合度统计数据显示，60项运动中有47项符合拉什模型。由于负的点二列相关性，必须从最终模型中删除三个项目。这可能是由于错误的分数计算，以及其他对分数计算有相当大影响的游戏参数，如需要避开的障碍或同时收集的收藏品。因此，分数并不能反映参与者的能力(例如，即使参与者的能力没有增加，分数也会上升)。gydF4y2Ba

由于不拟合，初步分析后删除了6个条目;因此，这些项目包含了太多的噪音，并不能充分符合Rasch模型。相应的项目在得分上显示出较大的IQR。临床上，我们注意到某些运动过于简单，例如Car Racer，第2级(坐姿)gydF4y2Ba．gydF4y2Ba因此，拥有各种能力的参与者经常分心，并且得到的分数似乎与他们的能力不匹配。在最后的分析中，10级的《Car Racer》(坐着的位置)出现了轻微的不适应。我们使用1.5作为更严格的临界值;然而，Wright和Linacre [gydF4y2Ba41gydF4y2Ba]认为1.7的阈值对于临床观察也是可以接受的。由于这项练习在难度的最高范围内，有自己的难度值，而且治疗师很欣赏以坐姿挑战参与者，因此专家们商议将这项练习保留在分析中。通常，当用于量表开发时，Rasch分析的目标是删除不匹配或冗余的项目，以便使量表更精简和更少时间。然而，在这项研究中，我们探索了具有挑战性的练习的数据，以适当的方式适合模型。除此之外，冗余在我们的研究中不是一个问题，因为练习的变化对于保持参与者尽可能高的积极性很重要。gydF4y2Ba

在分析的第二部分，构建了人-项目图，以显示项目的难度估计和参与者的能力。研究中的设备主要为严重到中度影响的参与者提供VR练习，中度影响的参与者变化最大。人-项目图显示，顶部很少有平衡能力非常高的患者，他们没有合适的运动。然而，应该指出的是，并不是所有的练习都进行了，因为治疗师没有使用四种练习，因为他们被认为对参与者不安全。至于难度更高的VR练习，可以看到没有达到最高分数。这向我们表明，这种可能性是可以用于这个患者群体的，但这些并没有临床应用。因此，建议在较高水平的平衡练习中使用挽具，以充分和安全地挑战患者的平衡能力极限。gydF4y2Ba

基于虚拟现实的适应性训练研究主要研究如何通过调整参数，如准确度、速度和运动幅度，在一次运动中挑战患者[gydF4y2Ba42gydF4y2Ba］．通过只调查一个练习，任务的变化和进展的重要性没有得到解决。所进行的分析为神经康复训练计划的发展提供了机会。在运动损伤康复中，存在许多分级康复方案，包括不同的运动和训练强度，以最佳地挑战患者并朝着康复方向努力。在神经康复中，这样的临床方案很少。Wüest等人的研究[gydF4y2Ba43gydF4y2Ba]是少数几位讨论基于运动康复计划的理论设计考虑因素的人之一，该计划旨在改善中风人群的行走能力。该模型显示了在重新学习如何走路时的明显进展，其中练习从稳定的环境背景下的稳定身体位置发展到身体运输和运动环境背景下的练习。我们基于临床数据的模型显示了在模型中站立姿势的练习顺序的相似性，从中可以看到从体重转移活动到踏步活动的进展，以及在不同的练习中改变环境背景。通过所进行的分析，制定了一个在神经系统人群中使用技术训练平衡能力的方案，以及如何增加难度，从而挑战，同时通过不同的康复VR练习取得进展。该模型进一步得到临床建立的伯格平衡量表的支持，该量表验证了VR练习，并提供了临床建立的起点，从中选择日常练习中的VR练习[gydF4y2Ba44gydF4y2Ba］．在类似的研究设计和数据类型中进一步使用该模型，可以显示Rasch模型在特定患者群体中使用各种技术创建具有挑战性和适应性的训练计划的潜力。gydF4y2Ba

该分析面临一些局限性。从统计的角度来看，各种虚拟现实练习的难度估计在某些项目上非常接近，这意味着练习的难度几乎相同。障碍物命中扣分过多，因此对练习最终得分有相当大的影响。因此，个人项目图应谨慎解释，临床医生在选择运动时应始终综合其对患者安全性的临床意见。因此，人-物品图是一种支持，而不是一个固定的指导方针。为了收集大量的数据，采用了重复测量模型。这意味着一个参与者的分数被用作独立分数，以建立最少数量的观察。在这项研究中，为每个训练周创建一个观察，将一个伯格平衡量表项目与VR练习结合起来，直到注意到双重练习。这导致了本周的第二次观测，以此类推。基于临床经验，我们假设参与者的技能在一周内保持相当稳定，因此以这种方式组合分数是可行的。 The choice for this method was based on the clinical character of the study. Not every participant could play all exercises because of severely affected motor function and increased risk of falling. Next to that, there were not enough resources available to meet the high number of single observations needed for stable item calibration. A previous study by Anselmi et al [45gydF4y2Ba]证实使用健康问卷重复测量是可行的。因此，我们决定使用重复测量模型，结果与Rasch模型很好地拟合。数据收集自严重影响良好平衡能力的广泛神经系统人群。我们纳入了多发性硬化症和中风患者，因为这两种病理经常出现在神经康复环境中，这些患者在功能平衡和躯干控制方面遭受类似的损害。因此，结果适用于广泛的神经学人群。未来的研究还可能包括健康的受试者来比较结果。gydF4y2Ba

个人项目图可以促进各种VR练习的整合，因为它支持临床医生决策哪种练习适合哪种能力，以及决定如何通过使用VR和遵循连续的练习来继续挑战患者。通过这种方式，这将保持玩家的挑战性和变化，以保持玩家的积极性，从而提高治疗的有效性。未来的工作可以集中在临床领域的人-项目图的实施，以及这种设备的可行性。第二步，根据Zahabi等人的系统文献综述[gydF4y2Ba42gydF4y2Ba]，基于自适应虚拟现实的训练的有效性应在大样本量的长期随访研究中进行调查，以评估学习技能在日常生活活动中的转移。gydF4y2Ba

结论gydF4y2Ba

Rasch模型被证明适用于基于VR exergame分数创建参与者能力和exergame难度的连续体。数据的单维性是足够的，47个项目显示出与模型的良好拟合。我们创建了一个连续的练习，由此可以看到，低平衡能力和中等平衡能力的人可以很好地挑战这些练习，大多数变化适用于中等平衡能力的人。有了这个连续体，治疗师就可以根据玩家的能力选择正确的练习来提供最佳的挑战。这些发现为Rasch模型在未来为MS和中风患者开发具有挑战性和量身定制的VR锻炼计划的应用提供了希望。在未来的工作中，可以探索在临床实践中实施这样一个项目，以及扩展使用来自不同康复技术和患者群体的数据的Rasch模型。gydF4y2Ba