Nachricht

Dec 04, 2023

Abschätzung des visuellen Beitrags zum Gleichgewicht im Stehen mithilfe der virtuellen Realität

Wissenschaftliche Berichte Band 13,

Wissenschaftliche Berichte Band 13, Artikelnummer: 2594 (2023) Diesen Artikel zitieren

620 Zugriffe

4 Altmetrisch

Details zu den Metriken

Sensorische Störungen sind ein wertvolles Instrument zur Beurteilung sensorischer Integrationsmechanismen, die dem Gleichgewicht zugrunde liegen. Als systemidentifizierende Ansätze implementiert, können sie zur quantitativen Bewertung von Bilanzdefiziten und zur Trennung zugrunde liegender Ursachen genutzt werden. Allerdings erfordern die Experimente kontrollierte Störungen und ausgefeilte Modellierungs- und Optimierungstechniken. Hier schlagen wir eine Virtual-Reality-Implementierung von Experimenten mit bewegten visuellen Szenen zusammen mit modellbasierten Interpretationen der Ergebnisse vor und validieren sie. Der Ansatz vereinfacht die experimentelle Durchführung und bietet eine Plattform zur Implementierung standardisierter Analyseroutinen. Es wurde die Schwankung von 14 gesunden jungen Probanden gemessen, die ein am Kopf montiertes Virtual-Reality-Display trugen. Die Probanden betrachteten einen virtuellen Raum oder einen Bildschirm im Raum, die beide während einer Reihe sinusförmiger oder pseudozufälliger Raum- oder Bildschirmneigungssequenzen bewegt wurden, die an zwei Tagen aufgezeichnet wurden. In einem Vergleich zwischen Subjekten von 10 \(\times\) 6 Minuten langen pseudozufälligen Sequenzen, die jeweils mit 5 Amplituden angewendet wurden, zeigten unsere Ergebnisse keinen Unterschied zu einem realen Experiment mit beweglichen Bildschirmen aus der Literatur. Zur Interpretation unserer Daten haben wir das unabhängige Kanalmodell verwendet, das eine direkte Schätzung des visuellen Beitrags zum Gleichgewicht zusammen mit Parametern liefert, die die Dynamik des Feedbacksystems charakterisieren. Zuverlässigkeitsschätzungen einzelner Probandenparameter aus sechs Wiederholungen einer 6 \(\times\) 20-s-Pseudozufallssequenz zeigten eine schlechte Test-Retest-Übereinstimmung. Die geschätzten Parameter zeigen eine hervorragende Zuverlässigkeit, wenn der Durchschnitt über drei Wiederholungen an jedem Tag gebildet und über Tage hinweg verglichen wird (Korrelation innerhalb der Klasse; ICC 0,7–0,9 für visuelles Gewicht, Zeitverzögerung und Feedback-Gewinn). Schwankungsreaktionen hingen stark von der visuellen Szene ab, wobei der kontrastreiche, abstrakte Bildschirm im Vergleich zum fotorealistischen Raum größere Schwankungen hervorrief. Zusammenfassend lässt sich sagen, dass unser vorgeschlagener Virtual-Reality-Ansatz es Forschern ermöglicht, die Dynamik der Gleichgewichtskontrolle einschließlich des visuellen Beitrags zum Gleichgewicht mit minimalem Implementierungsaufwand zuverlässig zu bewerten.

Der Mensch verlässt sich auf sensorische Informationen, um das Gleichgewicht aufrechtzuerhalten1. Kontrollierte Störungen der sensorischen Eingaben sind ein leistungsstarkes Instrument zur Untersuchung der sensorischen Integration und ihrer Defizite2,3,4,5,6. Allerdings sind kontrollierte sensorische Störungen sowohl hinsichtlich der Hardware als auch der Analysetechniken schwierig zu implementieren. In unserer Studie schlagen wir Experimente zur sensorischen Störung mithilfe eines einfachen Virtual-Reality-Aufbaus (VR) vor und validieren ihn. Darüber hinaus verwenden wir modellbasierte Interpretationen der aufgezeichneten Daten auf einer einzelnen Subjektebene, wie von Peterka5 vorgeschlagen. Wir werden zeigen, dass eine Kombination aus VR-Experimenten und modellbasierten Interpretationen die Dynamik des Gleichgewichtskontrollmechanismus zuverlässig und einfach beurteilen kann, einschließlich quantitativer Schätzungen des visuellen sensorischen Beitrags (Gewichtungsfaktor).

Ein wichtiger Schwerpunkt von Gleichgewichtsexperimenten ist die Beurteilung der sensorischen Integration und ihrer Defizite zur Diagnose von Gleichgewichtsstörungen7,8. Schwere Störungen werden bereits bei einfachen Tätigkeiten wie Stehen mit zusammengefügten Füßen und geschlossenen Augen (Romberg-Haltung) sichtbar9. Instrumentierte Gleichgewichtstests, wie die Beurteilung spontaner Schwankungen mithilfe von Kraftmessplatten, liefern detailliertere und objektivere Informationen8. Allerdings enthalten spontane Schwankungsmessungen nicht genügend Informationen, um die interne Kontrolldynamik von den unbekannten Geräuscheigenschaften zu trennen, die sensorischen und motorischen Systemen innewohnen6. Darüber hinaus liefert es keinen Einblick in die Art und Weise, wie das System mit sensorischen Konflikten umgeht, die im Alltag beim Stehen auf weichen Oberflächen oder beim Betrachten einer sich bewegenden visuellen Szene (z. B. eines Zuges oder Busses) auftreten. Während die spontane Schwankung wertvolle Informationen über den Zustand des Systems liefert, liefert sie nur begrenzte Informationen über die sensorische Integration6. Die Veränderung der sensorischen Verfügbarkeit (feste und weiche Unterstützung, offene/geschlossene Augen usw.) kann in gewissem Umfang zur Beurteilung der sensorischen Integration herangezogen werden2. Eine instrumentierte Implementierung, die auf der sensorischen Entfernung basiert und hauptsächlich in klinischen Umgebungen verwendet wird, ist der sensorische Organisationstest (SOT)10,11. Innerhalb von drei der SOT-Bedingungen werden die Auflagefläche und/oder die visuelle Szene mit der Schwankung eines Motivs bewegt („Schwingungsreferenzierung“12). Unter diesen Bedingungen kodiert das schwankungsbezogene System die Körperposition im Raum nicht genau. Ungewöhnliches Schwankverhalten oder die Unfähigkeit, unter solchen Bedingungen zu stehen, weisen auf Gleichgewichtsdefizite hin und geben Hinweise auf die betroffenen Systeme. Der SOT-Score berücksichtigt das spontane Schwanken und „Stürzen“ von Probanden. Während der SOT-Score Gleichgewichtsdefizite aufdecken kann, berücksichtigt er nicht die Wechselwirkungen zwischen mehreren Defiziten und die Komplexität sensomotorischer Interaktionen. Somit liefert es immer noch Einblicke in den Zustand des Systems, anstatt die Dynamik und Eigenschaften des Systems selbst offenzulegen.

Die systematische Auslösung sensorischer Störungen ist ein sehr wirkungsvolles Paradigma zur Untersuchung der sensorischen Integration und zur Charakterisierung des Gleichgewichtskontrollmechanismus selbst2,3,4,5,6. Beispielsweise können visuelle Szenen- oder Auflageflächenneigungen verwendet werden, um subtile Konflikte zwischen sensorischen Eingaben hervorzurufen. Das Zentralnervensystem ist nicht in der Lage, die Sinneskonflikte perfekt zu lösen. Die Unvollkommenheiten führen zu fälschlichen Interpretationen visueller Szenenbewegungen als Eigenbewegung. Falsch wahrgenommene Eigenbewegungen führen zu „korrigierenden“ Muskelkontraktionen und induzieren dadurch Körperschwankungen. Die Beziehung zwischen Konflikt und hervorgerufener Einflussnahme ist eine reichhaltige Informationsquelle, die zur Charakterisierung und quantitativen Modellierung des zugrunde liegenden sensorischen Integrationsmechanismus1,6 verwendet werden kann.

In den letzten drei Jahrzehnten wurde ein umfassender Rahmen für die Interpretation von Neigungsstörungsdaten entwickelt1,5,6,13,14,15. Der Ansatz nutzt Systeme zur Systemidentifikation aus der Kontrolltheorie, die komplexes Gleichgewichtsverhalten auf einen begrenzten Satz physiologisch bedeutsamer Parameter reduzieren. Im Erfolgsfall reproduzieren die Parameter und das zugrunde liegende Kontrollmodell das experimentell ermittelte Gleichgewichtsverhalten quantitativ.

Das bekannteste Modell in der Literatur ist das von Peterka1 vorgeschlagene „Independent-Channel“-Modell. Ein neueres Update enthält eine detaillierte Beschreibung des Modells und der erforderlichen Techniken für eine Einzelsubjektcharakterisierung des Gleichgewichtskontrollmechanismus5. Für visuelle Szenenstörungen, die im Mittelpunkt der aktuellen Studie stehen, enthält das Modell fünf Parameter, die optimiert sind, um die Schwankungsreaktionen einzelner Probanden auf Störungen zu reproduzieren. Die sensorische Integration ist eine gewichtete Summe aller sensorischen Beiträge. Der visuelle Gewichtungsparameter \(W_v\) gibt einen Prozentsatz des visuellen Beitrags zum Gesamtdrehmoment an. Der Rest (\(100\% - W_v\)) wird durch den propriozeptiven und den vestibulären Beitrag erzeugt, die nicht ohne zusätzliche Störungen getrennt werden können. Die Parameter \(K_p\) und \(K_d\) sind die proportionale und die abgeleitete Rückkopplungsverstärkung, dh die Stärke der Muskelkontraktion im Verhältnis zur Abweichung von der gewünschten aufrechten Position bzw. der Körperschwankgeschwindigkeit. Der Feedback-Zeitverzögerungsparameter \(\tau\) berücksichtigt alle Zeitverzögerungskomponenten (neuronale Leitungszeiten, Muskelaktivierung usw.) im neuronalen Kontrollmechanismus1. Schließlich ist der Parameter \(K_t\) ein Maß für den Beitrag einer tiefpassgefilterten positiven Drehmoment-Rückkopplungsschleife, die vorgeschlagen wird, um niederfrequente Pendeleigenschaften mit einer Periode \(\gtrca. 20 s\)16,17 zu erklären. Diese Parameter können aus Experimenten mit bewegten visuellen Szenen in Kombination mit Modellsimulationen und Optimierungstechniken geschätzt werden.

Ein großer Nachteil von Experimenten, die sensorische Störungen als Input nutzen, ist der erforderliche Versuchsaufbau. Motorisierte visuelle Szenen (oder Oberflächen) sind kostspielig und schwer auf die erforderliche Präzision abzustimmen8. Außerdem handelt es sich bei Setups oft um Prototypen und sind daher einzigartig, was es schwierig macht, Daten in verschiedenen Laboren zu reproduzieren. Verschiedene alternative experimentelle Manipulationen wurden erfolgreich eingesetzt, um sensorische Störungen hervorzurufen. Beispiele sind Sehnenvibrationen (Propriozeption)3, schnell rotierende Bandscheiben18, auf Bildschirme projizierte optische Flussmuster15,19,20, sich in der realen Welt bewegende Räume21,22,23,24 (visuell) und galvanische Vestibularstimulation (vestibulär)3,25,26. Der große Vorteil von Oberflächen- oder visuellen Szenenneigungen besteht darin, dass sie ökologische Konflikte hervorrufen, dh sie imitieren natürliche Konflikte, die im Alltag auftreten. Darüber hinaus lassen sich Neigungsstörungen relativ einfach als kinematische Variablen modellieren, die die physische Ausrichtung zwischen Körper und sensorischen Referenzen (Oberfläche, visuelle Szene usw.) beschreiben.

Mithilfe der virtuellen Realität können bewegte visuelle Szenen als kontrollierte Sinnesstörungen umgesetzt werden15,19,27,28,29. Da VR-Hardware kostengünstiger, leicht zugänglich und hinsichtlich Sichtfeld, Zeitverzögerungen und Auflösung besser geworden ist, könnte VR motorisierte Setups ersetzen und störungsbasierte Gleichgewichtsbewertungen allgemein verfügbar machen. Einige VR-Systeme verfügen außerdem über integrierte Tracking-Geräte, die als vollständig integriertes Bewegungserfassungssystem verwendet werden können. In einer kürzlich durchgeführten Studie haben wir gezeigt, dass die Körperbewegung beim Betrachten eines fotorealistischen Virtual-Reality-Raums beim Stehen im Gleichgewicht ähnlich ist wie beim Betrachten des realen Raums30. Wir haben dies auf festen und neigbaren Auflageflächen getestet, wobei der visuelle Szenenraum jedoch stationär blieb.

Virtueller Bildschirm und Raum, der während der Experimente zusammen mit dem Hardware-Setup verwendet wird. Der VR-Avatar gibt die Perspektive eines Probanden im jeweiligen Zustand an. Bei beiden Bildern handelt es sich um Screenshots der maßgeschneiderten Anwendung, die in Unity (Unity Technologies, San Francisco, USA) erstellt wurde. Das am Kopf montierte Display zur Anzeige der virtuellen Umgebung und die beiden VR-Motion-Tracker zur Aufzeichnung von Körperbewegungen sind rot dargestellt. Das obere Feld rechts zeigt ein Beispiel der langen PRTS-Stimulussequenz (60,5 s), die fünf Mal hintereinander für jede der 5 Amplituden wiederholt wurde (Spitze-zu-Spitze, pp0,5, pp1, pp2, pp4, pp8). . Das mittlere Feld zeigt ein Beispiel für die Schwerpunktschwankung des gesamten Körpers, abgeleitet aus Markierungsaufzeichnungen. Das untere Feld zeigt die Reihenfolge der Versuche, wie sie während des Experiments angewendet wurden.

Es bleibt die Frage, ob Experimente mit bewegten visuellen Szenen in VR gleichermaßen mit Experimenten mit realen bewegten Szenen vergleichbar sind und ob sie für zuverlässige Gleichgewichtsbewertungen mithilfe von Systemidentifikationstechniken verwendet werden können. Ziel der aktuellen Studie war es daher, Experimente mit bewegten Szenen in VR zu validieren. Zu diesem Zweck haben wir einen bewegten Bildschirm aus einem veröffentlichten realen Setup1,5 in VR rekonstruiert (siehe Abb. 1). Das ursprüngliche Experiment bestand aus 60,5 s langen pseudozufälligen ternären Sequenzen („Long-PRTS“), die 6–8 Mal wiederholt wurden und jeweils mit 5 Amplituden präsentiert wurden. Wir haben die gleichen Sequenzen mit zehn Wiederholungen implementiert, um unsere VR-Ergebnisse mit den veröffentlichten Ergebnissen aus der realen Welt zu vergleichen. Die erste getestete Hypothese war:

H1: Schwankungsreaktionen auf einen virtuellen beweglichen Bildschirm unterscheiden sich nicht von denen eines ähnlichen realen Bildschirms.

Die Langzeit-PRTS-Bewertungen erforderten lange Standzeiten der Probanden, was für viele Fragen der angewandten Forschung nicht durchführbar ist5. Für eine vollständige Beurteilung haben wir daher auch eine 120-s-Version mit sechs Wiederholungen von 20-s-Sequenzen („Short-PRTS“) implementiert. Wir haben die Zuverlässigkeit dieser Kurzversion getestet, indem wir den Versuch zweimal vor den Langzeit-PRTS-Versuchen und einmal danach wiederholt haben. Wir haben das gesamte Experiment auch an einem zweiten Tag wiederholt, sodass wir sechs Wiederholungen hatten, die wir für eine Zuverlässigkeitsanalyse verwendeten. Die zweite Hypothese war:

H2: Die Schätzungen der Kurz-PRTS-Parameter zeigen eine hohe klasseninterne Korrelation zwischen Wiederholungen innerhalb einer Sitzung und zwischen zwei Sitzungen an zwei verschiedenen Tagen.

In unserer vorherigen Studie zur Untersuchung des Gleichgewichts in einer stationären virtuellen visuellen Szene haben wir Unterschiede zwischen dem Schwanken in einer fotorealistischen und einer abstrakten Szene festgestellt30. Wir vermuteten, dass dies daran liegen könnte, dass sich die Probanden in der abstrakten Szene weniger präsent fühlten oder dass der visuelle Input unterschiedlich war. Im Gegensatz dazu fanden andere Studien mit abstrakten31 und fotorealistischen Szenen28 ähnliche Kohärenzwerte für Schwankungsreaktionen auf pseudozufällige visuelle Szenenneigungen. Daher besteht weiterhin Ungewissheit darüber, wie sich der visuelle Szenentyp auf Schwankungsreaktionen auswirken kann. Da der Bildschirm, den wir bei der Konfiguration des beweglichen Bildschirms verwendeten, ebenfalls recht abstrakt war, haben wir außerdem einen Vergleich der Schwankungsreaktionen auf Bewegungen des Bildschirms und eines virtuellen Raums hinzugefügt (siehe Abb. 1). In separaten Versuchen wurden Raum und Bildschirm einer sehr kleinen Sinuskurve folgend geneigt. Ein Sinus liefert im Vergleich zu einem PRTS viel weniger Informationen, die sehr kurze Zyklusdauer ermöglichte es uns jedoch, bei kurzen Aufzeichnungen mehr Wiederholungen und damit eine bessere Mittelung zu erzielen. Dadurch konnten wir sehr kleine Sinusamplituden implementieren und dennoch eine einigermaßen zuverlässige Schätzung der Antwortamplitude auf den Sinus erhalten. Die Probanden wurden gebeten, auf den Raum/Bildschirm zu schauen und die Körperbewegungen wurden während der Störungen gemessen.

H3: Schwankungsreaktionen auf eine kleine sinusförmige visuelle Szenenneigung unterscheiden sich je nach Art der Szene.

Abbildung 2 zeigt die Ergebnisse der fünf in VR aufgezeichneten Long-PRTS-Amplitudenbedingungen (blau). In der oberen Reihe werden Bildschirmneigungssequenzen angezeigt. Die zweite Zeile zeigt die über 14 Probanden gemittelte Schwerpunktschwankung (com) und jeweils acht Sequenzwiederholungen (vier für jede Spitze-zu-Spitze-Amplitude an jedem Tag; eine zusätzliche erste Sequenz wurde verworfen, um Transienten zu vermeiden). Com Sway zeigt bei allen Amplituden konsistente Reaktionsmuster auf den Reiz. Im Vergleich zu den großen Anstiegen der Reizamplituden (pp\(0,5^{\circ }\) bis pp\(8^{\circ }\)) nimmt die Com-Schwankung jedoch viel weniger zu und geht in die Sättigung, wobei sich Spitze zu Spitze zeigt Werte von \(0.25^{\circ }\), \(0.38^{\circ }\), \(0.54^{\circ }\), \(0.57^{\circ }\) und \(0.50 ^{\circ }\). Diese Sättigung ist in der Frequenzbereichsanalyse noch besser sichtbar. Wir haben komplexwertige Frequenzgangfunktionen (FRF) berechnet und sie als Verstärkung und Phase angezeigt (Abb. 2, Zeile 3 und 4). Verstärkung ist das Amplitudenverhältnis von Reiz und Reaktion im Frequenzbereich, wobei Verstärkung = 1 gleiche Reiz- und Reaktionsamplituden bedeutet, Verstärkung = 2 doppelt so große Reaktion im Vergleich zur Reizamplitude und Verstärkung = 0, keine durch den Reiz hervorgerufene Schwankung. Die aufgezeichneten Verstärkungswerte zeigen einen starken Rückgang über die Stimulusamplituden hinweg (beachten Sie den Unterschied auf der Y-Achse von links nach rechts). Daher sind die Schwankungsreaktionsamplituden im Vergleich zum Reiz bei Bedingungen mit größerer Amplitude viel kleiner. Phasenwerte (Abb. 2, Zeile 4) stellen die zeitliche Beziehung von Reiz und Reaktion dar, wobei eine Phase von \(0^\circ\) „in Phase“ und \(\pm 180^\circ\) „Gegenphase“ bedeutet. . Die Phase nahm mit zunehmender Frequenz systematisch ab und zeigte eine Phasenvoreilung von \(\ca. 50^\circ\) bei 0,0165 Hz und eine Phasenverzögerung von \(\ca. 180^\circ\) bei etwa 1 Hz. Mit zunehmender Reizamplitude zeigte die Phase bei höheren Frequenzen eine leicht verringerte Phasenverzögerung, ansonsten jedoch keinen systematischen Unterschied. Die Kohärenzwerte waren insgesamt recht niedrig und zeigten eine Abnahme zu höheren Frequenzen. Über die Frequenz gemittelt betrug die Kohärenz \(Coh\ungefähr 0,21\) für pp0,5 und \(Coh\ungefähr 0,28\) bei allen anderen Amplitudenbedingungen.

Lange PRTS-Sequenzen und Schwankungsreaktionen von VR-Experimenten mit beweglichen Bildschirmen (blau) und reale Schwankungsreaktionen1 zum Vergleich (rot), jeweils dargestellt als Mittelwert und \(95\%\)-Konfidenzintervall (schattierter Bereich). Die Reizsequenz (obere Reihe) wurde mit fünf Spitze-zu-Spitze-Amplituden angewendet. Jede pp-Bedingung enthält Durchschnittswerte über acht Wiederholungen der Sequenz und 14 Probanden. Zeile zwei zeigt die gemittelte Schwerpunktschwankung (com), Zeilen 3 und 4 die Frequenzgangfunktionen (FRFs), angezeigt als Verstärkung und Phase über der Frequenz. Zeile fünf zeigt den statistischen Vergleich von VR- und realen FRFs, wobei die rote gestrichelte Linie den \(\alpha =0,05\)-Grenzwert angibt. Die untere Reihe zeigt die Kohärenz, die das Verhältnis zwischen zufälliger Schwankung und durch den Reiz hervorgerufener Schwankung angibt. Kleinere Werte deuten auf eine größere zufällige Schwankungskomponente hin.

Im Frequenzbereich werden zum Vergleich die realen Bewegtbilddaten von Peterka1 angezeigt (Abb. 2 rot, gestrichelt). Insgesamt zeigten unsere VR-Daten und die realen Daten ein sehr ähnliches Verhalten: Die Verstärkungswerte haben über die Frequenz hinweg eine konkave Form und nehmen über die Amplitudenbedingungen stark ab; Phasenwerte zeigen einen systematischen Rückgang über die Frequenz hinweg und eine leichte Abnahme der Phasenverzögerung über die Amplitudenbedingungen hinweg; Kohärenzwerte sind in beiden Datensätzen ähnlich niedrig. Visuell zeigten die Verstärkungswerte in den realen Daten im Vergleich zu VR für Spitze-zu-Spitze (pp) 0,5 und pp1 eine größere Schwankung. Wir haben VR- und reale FRFs mithilfe eines statistischen, nichtparametrischen 1D-Mapping-Hotellings-T\(^{2}\)-Tests statistisch verglichen (Abb. 2, Zeile 5). Der statistische Vergleich ergab keinen signifikanten Unterschied \((\alpha <0,05)\).

Wir haben modellbasierte Interpretationen der Schwankungsreaktionsdaten verwendet, um beschreibende Parameter zu extrahieren, die intuitive Interpretationen ermöglichen (Independent-Channel-Modell5). Abbildung 3 zeigt die geschätzten Parameter der fünf Lang-PRTS-Bedingungen und für den Durchschnitt aller Kurz-PRTS-Bedingungen (Abb. 4 „s1“). Das visuelle Gewicht (\(W_v\)) nahm systematisch mit zunehmender Reizamplitude ab (rmANOVA; \(p<0,001\), \(\eta ^2=0,915\)). Auch das visuelle Gewicht zeigte konsistente Muster innerhalb der Probanden, wobei relativ niedrige oder hohe visuelle Gewichte im Vergleich zu anderen Probanden über alle Amplitudenbedingungen hinweg beibehalten wurden. Weitere Unterschiede wurden für \(\tau\), \(K_t\) und \(\beta\) gefunden. Die Parameter \(\tau\) und \(K_t\) nahmen mit zunehmender Reizamplitude ab (\(p<0,05\), \(\eta ^2=0,253\) und \(\eta ^2=0,269\), jeweils). \(\beta\) zeigte einen starken Abfall von pp0,5 zu allen anderen Bedingungen (\(p<0,001\), \(\eta ^2=0,395\)). Diese Effekte waren innerhalb des Probanden im Vergleich zum visuellen Gewicht weniger systematisch. Die Parameter \(K_p\) und \(K_d\) zeigten keinen signifikanten Unterschied zwischen den pp-Bedingungen. Die kurzen PRTS-Parameter wurden mit der pp4-Bedingung verglichen. In Pilotexperimenten haben wir eine starke Ähnlichkeit zwischen den visuellen Gewichtungswerten (\(W_v\)) für PRTS-Sequenzen mit ähnlichen Geschwindigkeiten festgestellt. Um diese hypothetische Stimulusgeschwindigkeitsabhängigkeit der Modellparameter zugunsten einer Amplitude oder einer anderen PRTS-Formcharakteristik zu testen, haben wir das kurze PRTS so entworfen, dass es mit der Geschwindigkeit der pp4-Lang-PRTS-Bedingung übereinstimmt. Der statistische Vergleich unter Verwendung eines vorzeichenbehafteten Wilcoxon-Rangtests für gepaarte Stichproben zeigte nur einen signifikanten Unterschied für \(\beta\) (\(p<0,05\)) und einen Trend zu kleineren Zeitverzögerungswerten im Kurz-PRTS (\(p= 0,068\)).

Unabhängige Kanalmodellparameter, geschätzt für die fünf Spitze-zu-Spitze-Amplitudenbedingungen des langen PRTS und die Amplitudenbedingung des kurzen PRTS (s1). Zusätzlich wird auch der Varianzparameter \(\beta\) angezeigt. Die Parameter werden für jedes einzelne Subjekt (grau) sowie der subjektübergreifende Mittelwert, das untere Quartil und der Bereich (Boxplots) angezeigt. \(K_p\) und \(K_d\) werden durch mgh (Masse des Subjekts*com-Höhe*Gravitationskonstante) normalisiert.

Die Kurz-PRTS-Bedingung wurde zweimal vor und einmal nach den fünf Lang-PRTS-Versuchen an jedem Tag getestet, um die Test-Retest-Zuverlässigkeit der Parameterschätzungen zu ermitteln. Abbildung 4 zeigt die Ergebnisse der fünf Parameter zusammen mit der Pendelleistung, dem Varianzparameter \(\beta\) und dem Simulationsfehler des Optimierungsverfahrens. Die Parameterschätzungen zeigten eine große Variabilität innerhalb und zwischen den Probanden. Systematische Veränderungen wurden nur für das visuelle Gewicht festgestellt, das am zweiten Tag im Vergleich zum ersten Tag leicht reduziert war (rmANOVA: \(p<0,05\), \(\eta ^2=0,139\)). Wir haben Intra-Class-Korrelationen (ICC) berechnet, um die Test-Retest-Zuverlässigkeit über alle sechs Einzelmessungen hinweg zu erhalten (Tabelle 1, obere Reihe). Die ICC-Werte lagen im Allgemeinen unter 0,5, was auf eine schlechte Übereinstimmung aller Messungen hindeutet, wenn 5 Stimuluszyklen zur Parameterschätzung verwendet wurden. Anschließend haben wir alle kurzen PRTS-Zyklen innerhalb jedes Tages zusammengefasst, Parameter für die durchschnittliche Schwankungsreaktion über diese 15 Zyklen geschätzt und den ICC zwischen den Tagen neu berechnet (Tabelle 1, untere Zeile). Hier erzielten wir eine gute bis ausgezeichnete Übereinstimmung, abgesehen von der Tiefpassfilterverstärkung \(K_t\) und dem Varianzparameter \(\beta\), die über Tage hinweg eine schlechte bis gute Übereinstimmung zeigten.

Unabhängige Kanalmodellparameter für jede einzelne Kurz-PRTS-Bedingung (pre1, pre2, post als 1–3 auf der x-Achse). Darüber hinaus werden auch die beschreibende Pendelreaktionsleistung, der Varianzparameter \(\beta\) und der Simulationsfehler (SimErr) angezeigt. Für jedes einzelne Subjekt werden Parameter (grau) sowie der subjektübergreifende Mittelwert und die Standardabweichung angezeigt. \(K_p\) und \(K_d\) werden durch mgh normalisiert.

Abbildung 5 zeigt die Com-Schwankung bei der Reizfrequenz bei identischen Szenenneigungen um die Knöchelgelenke in der Bildschirmansicht oder der Raumansicht. Beide Szenen wurden zu Beginn (vor) und am Ende (nach) jeder Sitzung sowie an zwei Tagen getestet. Die 2 \(\times\) 2 \(\times\) 2 rmANOVA (2 Szenen, 2 Tage, vor und nach) zeigte signifikante Unterschiede für alle Haupteffekte (alle \(p<0,001\); Szene \(\eta ^2 =0,35\); Prä-Post \(\eta ^2 =0,15\); Tag \(\eta ^2 =0,02\)), sowie für die Interaktionen Prä-Post*Szene und Szene*Tag ( \(p<0,05\)). Gemäß unserer Hypothese und angesichts des signifikanten Haupteffekts des Szenentyps auf unsere Schwankungsreaktionen führten wir eine Post-hoc-Analyse durch, um die beobachteten Unterschiede zwischen den Szenentypen weiter zu untersuchen (Hypothese 3). Post-hoc-Vergleiche der Szenen zeigten eine deutlich größere Schwankung während der Bildschirmansicht im Vergleich zur Raumansicht, mit einer sehr großen Effektgröße (\(p<0,001\), Cohens \(d=1,423\)).

Körperschwankung als Reaktion auf visuelle Szenenneigungen beim Betrachten des Raums oder des Bildschirms. Dargestellt ist die Com-Sway-Leistung bei der Frequenz des Szenenneigungsreizes (0,5 Hz Sinus mit \(0,05^{\circ }\)). Die Raumansicht und die Bildschirmansicht wurden zu Beginn und am Ende jeder Sitzung (vor und nach der Sitzung) und an zwei verschiedenen Tagen (Tag 1, Tag 2) gemessen.

Wir validierten eine Virtual-Reality-Implementierung eines sensorischen Integrationstests unter Verwendung bewegter visueller Szenenstörungen. Wir haben uns mit drei Fragen befasst: (1) Sind Schwankungsreaktionen mit einem realen Aufbau vergleichbar? (2) Wie gut ist die Test-Retest-Reliabilität? (3) Hängen Schwankungsreaktionen vom Szenentyp ab? Unsere Ergebnisse zeigten, dass die VR-Implementierung mit der realen Implementierung verglichen werden kann, da wir keine Unterschiede zwischen den Gleichgewichtsreaktionen fanden (Abb. 2). Auch Parameterschätzungen zeigten das gleiche allgemeine Muster, wie es für die realen Daten unter Verwendung eines sehr ähnlichen Modells beschrieben wurde1. Wir haben bei allen sechs Kurzzeit-PRTS-Messungen eine schlechte Zuverlässigkeit festgestellt. Parameterschätzungen aus gepoolten Daten aller drei Kurz-PRTS-Messungen (15 Zyklen) zeigten jedoch eine ausgezeichnete Zuverlässigkeit zwischen beiden Tagen mit einer geringfügigen systematischen Verringerung des visuellen Gewichts am zweiten Tag. Schließlich stellten wir fest, dass die Schwankungskraft bei sinusförmigen Neigungen des abstrakten Bildschirms im Vergleich zur Neigung des realistischen Raums dreimal größer ist, was die hypothetische Abhängigkeit der Schwankungsreaktionen vom Szenentyp bestätigt.

Der von uns zur Bilanzbewertung verwendete Ansatz hängt von der modellbasierten Interpretation der Daten ab. Ein Modell erfasst immer nur bestimmte Aspekte des natürlichen Objekts oder Systems. Daher sind die Erklärungs- und Vorhersagekraft, der Nutzen für unser Verständnis und unsere Forschung sowie seine Fruchtbarkeit in Bezug auf Anwendungen wie Diagnosefähigkeiten Faktoren, anhand derer ein Modell beurteilt werden sollte. Unsere Diskussion des vorgeschlagenen Ansatzes und unserer Ergebnisse wird sich an diesen Kriterien orientieren.

Das für unsere Datenanalyse verwendete IC-Modell ist in der Lage, die meisten Eigenschaften von Schwankungsreaktionen auf Neigungen realer visueller Szenen zu reproduzieren. Unsere Schätzungen unter Verwendung von nur fünf Stimuluszyklen führten zu einer sehr großen Variabilität und einer geringen Zuverlässigkeit der Parameterschätzungen. Peterka et al.5 zeigten, dass die Mittelung von 9–14 Zyklen anstelle der in unserer Studie verwendeten fünf die Zuverlässigkeit von Parameterschätzungen für so kleine Schwankungsreaktionen wie bei visuellen Szenenstörungen weiter verbessert (siehe Abb. 4 in5). In Übereinstimmung mit diesem Befund erzielten wir viel bessere Korrelationen innerhalb der Klasse, wenn wir unsere Daten über alle drei Kurz-PRTS-Messungen an jedem Tag zusammenfassten und Parameterschätzungen dieser 15 Zyklen zwischen Tagen verglichen. Daher kommen wir zu dem Schluss, dass fünf Zyklen für zuverlässige Schätzungen nicht ausreichen.

Interessanterweise fanden wir Unterschiede bei den Sinus-Schwankungsreaktionen, die in der Schwankungsreaktionsstärke von Kurz-PRTS-Versuchen nicht vorhanden waren: Die Schwankungsreaktionen auf die Sinus-Bildschirmneigungen waren zu Beginn einer Sitzung (vor) kleiner als am Ende (nachher). ) und am zweiten Tag kleiner. Mögliche Gründe sind rein spekulativ, da man erwarten würde, dass die Änderungen vor und nach dem Lernen bei jeder Art von Lernen in die gleiche Richtung verlaufen wie von Tag 1 zu Tag 2. Darüber hinaus erscheint das Fehlen dieser Effekte in der Raumansicht und den kurzen PRTS-Sequenzen kontraintuitiv. Die erheblich größeren Reizgeschwindigkeiten für das Kurz-PRTS (\(\ungefähr 0,94^\circ\)/s) im Vergleich zu den sehr kleinen Sinus-Stimulusamplituden (\(Spitzengeschwindigkeit \ungefähr 0,16^\circ\)/s) könnte die bei den Sinusbedingungen beobachteten Effekte maskieren.

Das IC-Modell erklärt nicht die Abhängigkeit vom visuellen Szenentyp. Wir fanden größere Schwankungsreaktionen auf Neigungen der VR-Bildschirmansicht im Vergleich zu genau der gleichen Neigungssequenz, die auf die VR-Raumansicht angewendet wurde (siehe Abb. 1, 5). In einer früheren Studie haben wir beim Betrachten einer abstrakten virtuellen Szene im Vergleich zu einer fotorealistischen virtuellen Szene eine stärkere Schwankung festgestellt30. Eine verringerte spontane Schwankung, wie sie in der vorherigen Studie festgestellt wurde, ist typischerweise mit einer stärkeren Nutzung der zuverlässigeren visuellen Eingabe verbunden. Unter der Annahme, dass der Realismus der Szene der modulierende Faktor wäre, würden beim Betrachten des abstrakten Bildschirms weniger visuelle Eingaben erforderlich sein. Somit würde der Bildschirm geringere Schwankungsreaktionen hervorrufen, was im Gegensatz zu unseren Ergebnissen steht. Eine andere Erklärung wäre der Unterschied im Informationsgehalt der visuellen Szene. Der VR-Bildschirm befand sich \(\ca. 1,2\) m vor der Knöchelgelenksachse und damit viel näher am Probanden als die Wände des Raumes (\(\ca. 4,5\) m). Darüber hinaus enthielt die Bildschirmansicht deutlich stärkere Kontraste. Die gleiche Neigung der Szene und/oder die gleiche Schwankung des Motivs führt daher zu unterschiedlichen optischen Flussmustern, die zu größeren evozierten Schwankungsreaktionen in der Bildschirmansicht geführt haben könnten. Um diese Behauptung zu untermauern, ist jedoch eine systematischere Analyse der Beziehung zwischen den Eigenschaften des optischen Flusses und der hervorgerufenen Schwankung erforderlich. Weitere Untersuchungen sollten auch andere Aspekte wie die Aufgabenabhängigkeit visueller Effekte vom Gleichgewicht32 berücksichtigen.

Das IC-Modell zeigt systematische Änderungen von Parametern über verschiedene Reizamplituden hinweg und zeigt, dass Änderungen der Schwankungsreaktionen hauptsächlich durch sensorische Neugewichtung verursacht werden. Während diese Interpretation eine physiologisch plausible Erklärung liefert, liefert sie keine Erklärung dafür, wie die Neugewichtung durch das Zentralnervensystem erreicht wird. In der Literatur wurden mehrere Neugewichtungsmechanismen für Neigungen der Auflagefläche14,33,34,35 und die Bewegung einer Berührungsreferenz36 sowie für Neigungen visueller Szenen37 vorgeschlagen. Die Implementierung und der Vergleich solcher Modelle liegen außerhalb des Rahmens der vorliegenden Studie.

Der implementierte sensorische Integrationstest basiert auf visuellen Störungen. Als solches ist es in der Lage, den visuellen Beitrag zu identifizieren, kann jedoch den Beitrag des propriozeptiven und des vestibulären Systems nicht trennen5. Obwohl dieser Aspekt eine erhebliche Einschränkung des vorgeschlagenen VR-basierten Ansatzes darstellt, liefert er dennoch eine beträchtliche Menge an Informationen. Beispielsweise kann die visuelle Abhängigkeit geschätzt werden, da das visuelle Gewicht ein direktes Maß für den visuellen Beitrag zum Gleichgewicht darstellt. Dies kann insbesondere für die Diagnose von Patienten mit Verdacht auf eine erhöhte Sehabhängigkeit relevant sein. Andere Ansätze wie das Romberg-Verhältnis haben eine begrenzte Gültigkeit, da Veränderungen in spontanen Schwankungsmustern viele Ursachen außerhalb sensorischer Aspekte wie Aufmerksamkeit, Angst38 oder Steifheit39 haben können. Die visuelle Abhängigkeit wurde auch mithilfe von Wahrnehmungsverfahren (Stab- und Rahmentest oder Stab- und Bandscheibentest)20 geschätzt. Dabei zeigte sich, dass die visuelle Abhängigkeit mit dem Alter zunimmt und mit Stürzen zusammenhängt40. Unser Ansatz ermöglicht es Forschern nun, den visuellen Beitrag während des Gleichgewichts mit minimalem Implementierungsaufwand zu bewerten.

Die vorgestellten Experimente und die VR-Implementierung weisen mehrere Einschränkungen auf. Unser Ansatz nutzte ein Zwischen-Subjekt-Design. Obwohl unsere Ergebnisse eine gute Übereinstimmung mit realen Experimenten sowie eine sehr gute Zuverlässigkeit zeigen, erfordern kleinere Unterschiede möglicherweise einen Vergleich innerhalb der Probanden. Weitere Einschränkungen betreffen die technischen Spezifikationen der VR-Umgebung. VR-Systeme sind hinsichtlich des Sichtfeldes, der Auflösung und der Bildwiederholfrequenz begrenzt. Beispielsweise nimmt die spontane Schwankung zu, wenn die Größe des Sichtfelds verringert wird41. Auch die Verzögerung zwischen Kopfbewegung und Aktualisierung der Anzeige beeinflusst wahrscheinlich die Ergebnisse. Die technische Verzögerung trägt wahrscheinlich in gewisser Weise zur physiologischen Verzögerung bei und erhöht dadurch die Parameterwerte des Zeitverzögerungsmodells \(\tau\) um einige Millisekunden. Die Wahrnehmung in VR wird durch einen Vergenz-Akkommodations-Konflikt beeinflusst, da sich die Augenlinse an einen festen Abstand anpassen muss, während die Konvergenz der Augen abhängig von der Entfernung des fokussierten Objekts variiert. Es wird spekuliert, dass dies sowie mögliche Fehler bei IPD-Anpassungen und anderen Faktoren zu einer Verzerrung der Tiefenwahrnehmung führen42. Obwohl wir keine wesentlichen Unterschiede zum Gleichgewichtsverhalten in der realen Welt festgestellt haben, ist es wahrscheinlich, dass das Gleichgewichtsverhalten und die gemessenen Parameter in gewissem Maße von diesen Einschränkungen betroffen sind.

Trotz dieser Einschränkungen sind Virtual-Reality-Systeme weit verbreitet und sehr erschwinglich geworden. Darüber hinaus scheinen sie in der älteren Bevölkerung gut akzeptiert zu werden43. Dadurch kann der in dieser Studie validierte Ansatz bei entsprechender standardisierter Umsetzung in verschiedenen Bereichen angewendet werden. Beispiele hierfür sind die Diagnostik neurologischer Patienten, die angewandte Gleichgewichtsforschung zur Anpassung von Interventionen und der Prüfung ihrer Wirkung auf die sensorische Integration, die Bewertung der Rückkehr zum Sport nach Gehirnerschütterungen, die Beurteilung des sensorischen Verlusts nach traumatischen Verletzungen in orthopädischen Einrichtungen und andere.

Zusammenfassend zeigen unsere Ergebnisse, dass der vorgeschlagene Virtual-Reality-Aufbau zuverlässige Schätzungen des menschlichen sensorischen Integrationsmechanismus liefert, der dem Gleichgewicht zugrunde liegt. Die Ergebnisse sind mit realen Daten vergleichbar. Es ist einfach zu implementieren und die Konfigurationen können in allen Laboren exakt reproduziert werden, sodass multizentrische Studien möglich sind. Die Stärke des IC-Modells als Grundlage für Dateninterpretationen liegt in seiner Fähigkeit, sensorische Beiträge zu trennen und die Rückkopplungsdynamik des Gleichgewichtskontrollmechanismus abzuschätzen. Während die Analyse komplex ist, können Analyseroutinen standardisiert und implementiert werden. Insgesamt kann der Ansatz als Instrument zur Diagnose von Defiziten in den dem Gleichgewicht zugrunde liegenden sensorischen Integrationsprozessen dienen.

An der Studie nahmen vierzehn gesunde Probanden (8w/6m/0d; 23,8 ± 2,6 Jahre; 172 ± 9 cm; 66,9 ± 9,1 kg) teil. Ausschlusskriterien waren selbstberichtete orthopädische und neurale Störungen, Gehirnerschütterungen sowie eine Vorgeschichte von Epilepsie. Das Protokoll stimmte mit der letzten Revision der Deklaration von Helsinki überein und wurde von der Ethikkommission der Universität Konstanz genehmigt. Die Probanden wurden über den Zweck und die Verfahren der Studie informiert, gaben vor der Teilnahme eine schriftliche Einverständniserklärung ab und erhielten im Labor 10 €/h.

Der Versuchsaufbau ist in Abb. 1 dargestellt. Die Probanden trugen ein am Kopf montiertes Display (HMD; Vive Pro Eye, HTC, Taoyuan, Taiwan), das ein Sichtfeld von \(110^{\circ }\) und eine Bildwiederholfrequenz aufweist von 90 Hz und einer Auflösung von 1440 \(\times\) 1600 Pixeln pro Auge. Vive Tracker (HTC, Taoyuan, Taiwan) wurden mit Klettbändern an Hüfte und Schulter befestigt und 4 Leuchttürme (SteamVR Base Station 2.0, HTC, Taoyuan, Taiwan) wurden in den Ecken eines 5 x 5 m großen Raums positioniert . Tracker- und HMD-Positionen wurden bei jeder Bildschirmaktualisierung aufgezeichnet (\(\ca. 90 \,\hbox {Hz}\)). Die virtuelle Umgebung, die Aufzeichnung von Tracker- und HMD-Positionen sowie eine Benutzeroberfläche zum Ausführen der Experimente wurden in einer benutzerdefinierten Anwendung implementiert, die mit Unity (Unity Technologies, San Francisco, USA) und SteamVR (Valve, Bellevue, USA) entwickelt wurde. Die virtuelle Umgebung bestand aus einem Wohnzimmer von 6x8 m, das einen halbzylindrischen Bildschirm (Radius 1 m) mit vertikalen und horizontalen Streifen enthielt (Abb. 1). Die Anwendung war in der Lage, den Raum oder den Bildschirm in sechs Dimensionen (3 Drehungen, 3 Translationen) nach vordefinierten Sequenzen zu bewegen.

Während der Experimente neigte sich die visuelle Szene um die Knöchelgelenke in anterior-posteriorer Richtung (die Rotationsachse befand sich 8,8 cm über dem Boden). Die visuelle Szene war entweder das Wohnzimmer (Raumansicht) oder die Bildschirmansicht, wo die Probanden nichts außer dem Bildschirm sahen, wenn sie direkt auf den Bildschirm blickten (Abb. 1). Wir verwendeten drei Reizarten, einen Sinus (\(0,05^{\circ }\); 0,5 Hz) und zwei Arten von pseudozufälligen ternären Sequenzen (PRTS). Reizsequenzen, die einen Sinus enthalten, begannen und endeten mit einem erhöhten Kosinus, um große Beschleunigungen zu vermeiden. Das PRTS wechselt zwischen einer festen positiven, negativen oder Nullgeschwindigkeit1,44. Das kurze PRTS hatte 80 Zustände mit einer Zustandsdauer von 0,25 s und wurde sechsmal mit einer Spitze-zu-Spitze-Amplitude von \(2,1^{\circ }\) wiederholt, was zu 120-s-Versuchen führte, die mit einem linear unabhängigen überlagert wurden Sinus. Der überlagerte Sinus wurde in späteren Analysen nicht verwendet. Die lange PRTS-Sequenz hatte 242 Zustände mit einer Zustandsdauer von 0,25 s und war identisch mit dem von Peterka1 verwendeten Stimulus. Die 60,5 Sekunden lange Sequenz wurde fünf Mal hintereinander wiederholt, was zu ca. 5 Minuten langen Versuchen führte. Es wurden fünf 5-minütige Versuche getestet, jeder mit einer unterschiedlichen Spitze-zu-Spitze-Amplitude (pp): 0,5; 1; 2; 4; und \(8^{\circ }\). Zusammenfassend wurden drei verschiedene Reizsequenzen angewendet (1) nur Sinus (entweder Raum- oder Bildschirmneigung); (2) Kurz-PRTS (Bildschirmneigung); (3) Lang-PRTS mit fünf Amplituden (Bildschirmneigung).

Nach Unterzeichnung der Einverständniserklärung füllten die Probanden einen grundlegenden Gesundheitsfragebogen aus und es wurden Masse und Größe gemessen. Der Abstand zwischen den Linsen des HMD sowie der Abstand der Renderkamera wurden an den Pupillenabstand (IPD) des Probanden angepasst. Der IPD wurde mit dem vom Hersteller des VR-Geräts empfohlenen Verfahren gemessen. Die Probanden wurden gebeten, ein Auge zu schließen und mithilfe eines Spiegels eine Skala an der Pupille des offenen Auges auszurichten. Dann wurden sie gebeten, bei geschlossenem anderen Auge den Abstand der anderen Pupille von der Skala abzulesen. Klettbänder mit den Trackern wurden befestigt und die Probanden wurden gebeten, das HMD aufzusetzen, das bereits das Wohnzimmer zeigte. Den Probanden wurde eine kurze Zeitspanne (2–3 Minuten) gegeben, um sich mit der virtuellen Umgebung vertraut zu machen, sie wurden jedoch gebeten, sich nicht weiter als 1 m von der Ausgangsposition zu entfernen. Für die Raumansicht wurden die Probanden gebeten, auf einer Linie auf dem Boden zu stehen. Bei Bedarf wurde die Fußstellung korrigiert, um die Sprunggelenke mit der Rotationsachse auszurichten. Für die Bildschirmansicht wurden die Probanden gebeten, sich umzudrehen und auf den Bildschirm zu blicken, wobei sie wiederum ihre Füße positionierten. Bei den Sinusversuchen (die ersten beiden und die letzten beiden an jedem Tag) wurden die Probanden nicht über die Bewegung in der Szene informiert und gebeten, für eine zweiminütige Aufzeichnung in ruhiger Haltung „aufrecht und bequem zu stehen“ und „geradeaus zu schauen“. Bei den Kurz-PRTS- und den Lang-PRTS-Versuchen wurde den Probanden mitgeteilt, dass sich der Bildschirm bewegen würde, und sie wurden aufgefordert, „aufrecht und bequem zu stehen“ und „geradeaus zu schauen“. Die Probanden hörten während aller Aufnahmen nicht-rhythmische Hörbücher, um von der Balanceaufgabe abzulenken und eine auditive Orientierung zu vermeiden. Den Probanden wurden zwischen den Versuchen kurze Bewegungspausen eingeräumt und auf Anfrage durften sie das HMD abnehmen und sich für längere Pausen hinsetzen. Der gesamte Vorgang dauerte 60–90 Minuten und die Probanden wurden gebeten, an einem anderen Tag für eine zweite Aufnahme erneut zu kommen.

Die Daten wurden als CSV-Dateien gespeichert und in Matlab (The Mathworks, Natick, USA) weiter analysiert. Da die Aufzeichnung an die Bildwiederholfrequenz der Displays gekoppelt war, betrug die tatsächliche Abtastrate 11,11 ± 0,29 ms. Die Daten wurden vor der weiteren Verarbeitung mithilfe der Matlab-Funktion „Resample“ auf genau 90 Hz neu abgetastet. Als primäre Variable für alle Analysen wurde die Neigung des gesamten Körperschwerpunkts um die Knöchelgelenke (com) in anterior-posteriorer Richtung verwendet. Wir verwendeten den Schulter- und Hüftmarker, um den Com für alle Aufnahmen anzunähern, wobei wir von einer zweisegmentigen Biomechanik mit Knöchel- und Hüftgelenken ausgingen. Die Ausrichtung der Bein- und Rumpfsegmente wurde aus den Positionen der anterior-posterioren Schulter- und Hüftmarkierungen berechnet, und der Com-Winkel wurde daraus unter Verwendung der Anthropometrie der Probanden und der Massenverteilungstabellen berechnet45. Da der Schultermarker in vier Aufnahmen eines Probanden ausfiel (Probleme mit der Batterie), schätzten wir für diese Versuche die Rumpfbewegung aus den Kopfbewegungen (HMD). Da die Verwendung des HMD anstelle eines zusätzlichen Schultermarkers die Einrichtung vereinfachen würde, haben wir die Gültigkeit einer solchen Näherung abgeschätzt. Die aus der relativen Hüft-zu-Schulter-Markerbewegung geschätzte Rumpfschwankung war im Vergleich zu einer Schätzung aus der Hüft-zu-Kopf-Bewegung erheblich größer. Wir glauben, dass der kleine Fehler in unserem Fall aufgrund der geringen Anzahl von Approximationen gerechtfertigt ist. Unsere Ergebnisse deuten jedoch darauf hin, dass der Schultermarker, der typischerweise für die Kom-Schätzung verwendet wird, im Allgemeinen nicht durch eine HMD-Bewegung ersetzt werden kann.

Die erste der fünf PRTS-Sequenzwiederholungen wurde verworfen, um Transienten zu vermeiden, und die 2 \(\times\) 4 Zyklen für jedes Subjekt wurden mithilfe einer schnellen Fourier-Transformation (Matlab-Funktion „fft“) in den Frequenzbereich transformiert. Frequenzantwortfunktionen (FRF) wurden berechnet, indem das gemittelte Kom-Spektrum durch das gemittelte Reizspektrum dividiert wurde, gerade Frequenzpunkte, an denen der Reiz keine Energie hat, verworfen und über die Frequenz gemittelt wurde, um die Anzahl der Frequenzpunkte bei höheren Frequenzen zu reduzieren1. Die Kohärenz wurde als Produkt der gemittelten Leistungsspektren von Kom und Reiz dividiert durch das gemittelte Kreuzstärkespektrum von Kom und Reiz berechnet (Einzelheiten siehe 1,5,46). FRFs sind komplexwertige Funktionen der Frequenz und wurden als Verstärkung und Phase angezeigt, wobei die Verstärkung das Verhältnis der Schwingungs- und Reizamplituden ist, während die Phase deren zeitliche Beziehung angibt. Kohärenz ist ein Maß für die Beziehung zwischen den zufälligen und durch den Reiz hervorgerufenen Com-Sway-Komponenten. Eine Kohärenz von eins würde keine zufällige und nur durch einen Reiz hervorgerufene Schwankung anzeigen, während eine Kohärenz von null nur eine zufällige und keine durch einen Reiz hervorgerufene Schwankung anzeigen würde.

Die langen PRTS-Daten aus unseren VR-Experimenten wurden mit dem Datensatz verglichen, der von Peterka1 mithilfe eines motorisierten Real-World-Bildschirms aufgezeichnet wurde. Für den statistischen Vergleich zwischen Probanden wurden FRFs einzelner Probanden aus beiden Studien verwendet. FRFs sind komplexwertig, was mithilfe zweiseitiger \(Hotellings-T^2\)-Tests berücksichtigt wurde, bei denen reale und imaginäre Komponenten als abhängige Variablen behandelt wurden. Da FRFs über die Häufigkeit hinweg eindimensional sind, dh viele Häufigkeitspunkte enthalten, muss die Teststatistik für das Testen mehrerer Hypothesen korrigiert werden. Da die FRF-Datenpunkte nicht unabhängig sind, gibt es weniger Freiheitsgrade als die Anzahl der Frequenzpunkte. Wir haben das statistische nichtparametrische Mapping-Paket (spm1d.org Version M.0.4.8) verwendet, das die Zufallsfeldtheorie anwendet, um Alpha-Level-Anpassungen für 1D-Daten zu berechnen47,48,49. Zusammenfassend haben wir zweiseitige nichtparametrische \(1D-Hotellings-T^2\)-Tests mit einem Alpha-Level von \(\alpha =.05\) für die frequenzabhängigen FRFs berechnet, um den Peterka1 (real- Welt) und unsere VR-Daten bei jeder Reizamplitude.

Die Frequenzantwortfunktionen der Kurz-PRTS-Sequenzen wurden analog zu denen der Lang-PRTS-Sequenzen berechnet und erneut über die Frequenz gemittelt, wie von Peterka5 vorgeschlagen. Die FRFs wurden mithilfe eines parametrischen Modells interpretiert, bei dem der sensorische Integrationsmechanismus als Rückkopplungsmechanismus modelliert und als Differentialgleichung formuliert wird. Anschließend werden Optimierungstechniken verwendet, um die Parameter zu identifizieren, die die experimentellen FRFs am besten reproduzieren. Die Modellformulierung und Parameterschätzung erfolgte größtenteils nach den von Peterka5 beschriebenen Methoden. Die Modelldynamik ist gegeben durch:

mit der linearisierten (Kleinwinkelnäherung \(\sin (\gamma )\ approx \gamma\)) Körperdynamik \(B=\frac{1}{Js^2-mgh}\), dem neuronalen Controller \(NC= K_p + K_d s\), die Zeitverzögerung \(TD = \exp ^{-\tau s}\), die Tiefpass-Drehmomentrückführung \(TF=\frac{K_t}{sF_{lp}+1}\ ) und die Laplace-Variable \(s(k)=j\omega (k)\). Die Körperträgheit J und die Masse*Gravitationskonstante*com Körpergröße (mgh) wurden aus Gewicht und Größe der Probanden sowie anthropometrischen Tabellen45 berechnet. Wir verwendeten ein festes \(F_{lp}=20\), das sich von den von Peterka beschriebenen Methoden unterschied, der \(F_{lp}\)1 für die Long-PRTS-Sequenzen schätzte oder die Verwendung von \(TF=\ frac{K_t}{s}\) für die Kurz-PRTS-Sequenzen. Die kurzen PRTS-Sequenzen sind zu kurz für zuverlässige Schätzungen von \(F_{lp}\), während ein reiner Integrator für die langen PRTS-Sequenzen keine sehr gute Leistung erbringt. Daher haben wir das feste \(F_{lp}\) basierend auf einer Schätzung aus der Literatur16 gewählt. Die zu optimierenden Modellparameter sind somit \(\theta =(W_v,K_p,K_d,K_t,\tau )\).

Wir schlagen einen Maximum-Likelihood-Schätzer vor, der eine normalisierte Laplace-Verteilung annimmt, um das Problem der Parameterschätzung zu formulieren. Die Laplace-Verteilung ist gegeben durch:

Die Wahrscheinlichkeit, den experimentellen FRF \(H_e(k)\) für jeden Modell-FRF \(H_m(\theta,k)\) zu beobachten, ist dann gegeben durch:

Die negative Log-Likelihood ist dann gegeben durch

Das Parameteroptimierungsproblem kann dann wie folgt formuliert werden:

Statistische Vergleiche von Parametern wurden in JASP50 implementiert. Für ANOVAs mit wiederholten Messungen haben wir Annahmeprüfungen (Mauchly-Test für Sphärizität) und gegebenenfalls entsprechende Korrekturen (Greenhouse-Geisser) verwendet. Außerdem haben wir in paarweisen Vergleichen die Normalität (Shapiro-Wilk) getestet und für alle Vergleiche den Wilcoxon-Signed-Rang-Test verwendet, da die Normalitätsannahme bei einigen Parametern verletzt wurde. Die Zuverlässigkeitsanalyse wurde mithilfe der in JASP50 implementierten Intraklassenkorrelation (ICC3,1) durchgeführt.

Für jedes Subjekt und jede Bedingung wurden Schwankungsreaktionsamplituden bei der Sinusreizfrequenz berechnet. Die Com-Sway-Daten wurden mithilfe einer Fast-Fourier-Transformation („fft“) transformiert und das halbseitige Leistungsspektrum wurde skaliert (1/Fs/N; N \(=\) Abtastwerte im Zeitbereich; Fs = Abtastrate). . Schließlich wurde der Wert bei der Reizfrequenz (0,5 Hz) für statistische Vergleiche zwischen den Bedingungen herangezogen. Die Schwankungsreaktionen der Sinusbedingungen wurden mithilfe einer 3-stufigen rmANOVA mit den Stufen „Szene“ (Raum, Bildschirm), „Vor-Nach“ (Vor, Nach) und „Tag“ (Tag 1, Tag 2) statistisch verglichen.

Die Daten sind auf begründete Anfrage in LA erhältlich.

Peterka, RJ Sensomotorische Integration in die menschliche Haltungskontrolle. J. Neurophysiol. 88, 1097–118 (2002).

Artikel CAS PubMed Google Scholar

Forbes, PA, Chen, A. & Blouin, JS Sensomotorische Kontrolle des Gleichgewichts im Stehen. Handb. Klin. Neurol. 159, 61–83. https://doi.org/10.1016/B978-0-444-63916-5.00004-5 (2018).

Artikel PubMed Google Scholar

Hwang, S., Agada, P., Kiemel, T. & Jeka, JJ Dynamische Neugewichtung von drei Modalitäten für die Sensorfusion. PloS One 9, e88132. https://doi.org/10.1371/journal.pone.0088132 (2014).

Artikel CAS PubMed PubMed Central ADS Google Scholar

Pasma, JH et al. Beeinträchtigtes Gleichgewicht im Stehen: Die klinische Notwendigkeit, den Kreislauf zu schließen. Neurowissenschaften 267, 157–165. https://doi.org/10.1016/j.neuroscience.2014.02.030 (2014).

Artikel CAS PubMed Google Scholar

Peterka, RJ, Murchison, CF, Parrington, L., Fino, PC & King, LA Implementierung eines zentralen sensomotorischen Integrationstests zur Charakterisierung der menschlichen Gleichgewichtskontrolle während des Stehens. Vorderseite. Neurol. 9, 1045 (2018).

Artikel PubMed PubMed Central Google Scholar

van der Kooij, H., van Asseldonk, E. & van der Helm, FCT Vergleich verschiedener Methoden zur Identifizierung und Quantifizierung der Gleichgewichtskontrolle. J. Neurosci. Methoden 145, 175–203. https://doi.org/10.1016/j.jneumeth.2005.01.003 (2005).

Artikel PubMed Google Scholar

Nardone, A. & Schieppati, M. Die Rolle der instrumentellen Bewertung des Gleichgewichts bei der klinischen Entscheidungsfindung. EUR. J. Phys. Rehabilitation. Med. 46, 221–237 (2010).

CAS PubMed Google Scholar

Visser, JE, Carpenter, MG, van der Kooij, H. & Bloem, BR Der klinische Nutzen der Posturographie. Klin. Neurophysiol. 119, 2424–2436. https://doi.org/10.1016/j.clinph.2008.07.220 (2008).

Artikel PubMed Google Scholar

Romberg, M. H. Lehrbuch der Nervenkrankheiten des Menschen (1846) (A. Duncker, 1846).

Google Scholar

Peterka, RJ & Black, FO Altersbedingte Veränderungen in der menschlichen Haltungskontrolle: Tests zur sensorischen Organisation. J. Vestibular Res. 1, 73–85 (1990).

Artikel Google Scholar

Grove, CR, Whitney, SL, Hetzel, SJ, Heiderscheit, BC & Pyle, GM Validierung eines sensorischen Organisationstests der nächsten Generation bei Erwachsenen mit und ohne vestibuläre Dysfunktion. J. Vestibular Res. 31, 33–45 (2021).

Artikel Google Scholar

Nashner, L. & Berthoz, A. Visueller Beitrag zu schnellen motorischen Reaktionen während der Haltungskontrolle. Gehirnres. 150, 403–407 (1978).

Artikel CAS PubMed Google Scholar

Johansson, R. & Magnusson, M. Menschliche Haltungsdynamik. Krit. Rev. Biomed. Ing. 18, 413–437 (1991).

CAS PubMed Google Scholar

Mergner, T. Eine neurologische Sicht auf die reaktive menschliche Haltungskontrolle. Annu. Rev. Control 34, 177–198. https://doi.org/10.1016/j.arcontrol.2010.08.001 (2010).

Artikel Google Scholar

Oie, KS, Kiemel, T. & Jeka, JJ Multisensorische Fusion: Gleichzeitige Neugewichtung von Sehen und Fühlen zur Kontrolle der menschlichen Körperhaltung. Gehirnres. Kognitiv. Gehirnres. 14, 164–176 (2002).

Artikel Google Scholar

Cenciarini, M. & Peterka, RJ Reizabhängige Veränderungen im vestibulären Beitrag zur menschlichen Haltungskontrolle. J. Neurophysiol. 95, 2733–2750. https://doi.org/10.1152/jn.00856.2004 (2006).

Artikel PubMed Google Scholar

Peterka, RJ Vereinfachung der Komplexität der Aufrechterhaltung des Gleichgewichts. IEEE Eng. Med. Biol. Mag. Q. Mag. Ing. Med. Biol. Soc. 22, 63–68 (2003).

Artikel Google Scholar

Dichgans, J., Held, R., Young, LR & Brandt, T. Bewegte visuelle Szenen beeinflussen die scheinbare Richtung der Schwerkraft. Wissenschaft 178, 1217–1219 (1972).

Artikel CAS PubMed ADS Google Scholar

Dokka, K., Kenyon, RV, a Keshner, E. & Kording, KP Selbst- und Umgebungsbewegung bei der Haltungskontrolle. PLoS Comput. Biol. 6, e1000680. https://doi.org/10.1371/journal.pcbi.1000680 (2010) (aus Duplikat 2).

Artikel CAS PubMed PubMed Central ADS Google Scholar

Yu, Y., Lauer, RT, Tucker, CA, Thompson, ED & Keshner, EA Visuelle Abhängigkeit beeinflusst Haltungsschwankungen als Reaktion auf kontinuierliche Gesichtsfeldbewegungen bei Personen mit Zerebralparese. Entwickler Neurorehabil. 21, 531–541. https://doi.org/10.1080/17518423.2018.1424265 (2018).

Artikel PubMed PubMed Central Google Scholar

Lee, DN & Lishman, JR Visuelle propriozeptive Kontrolle der Haltung. J. Hum. Bewegung. Zucht. 1, 87–95 (1975).

Google Scholar

Bronstein, AM Unterdrückung visuell hervorgerufener Haltungsreaktionen. Exp. Gehirnres. Exp. Hirnforschung. Exp. Cerebral 63, 655–658. https://doi.org/10.1007/BF00237488 (1986).

Artikel CAS Google Scholar

Blümle, A., Maurer, C., Schweigart, G. & Mergner, T. Ein kognitiver intersensorischer Interaktionsmechanismus in der menschlichen Haltungskontrolle. Exp. Gehirnres. 173, 357–63. https://doi.org/10.1007/s00221-006-0384-z (2006).

Artikel PubMed Google Scholar

Peterka, RJ & Benolken, MS Rolle somatosensorischer und vestibulärer Reize bei der Abschwächung visuell induzierter menschlicher Haltungsschwankungen. Exp. Gehirnres. 105, 101–110 (1995).

Artikel CAS PubMed Google Scholar

Fitzpatrick, RC & Day, BL Untersuchung des menschlichen Vestibularsystems mit galvanischer Stimulation. J. Appl. Physiol. (Bethesda, Md.: 1985) 96, 2301–16. https://doi.org/10.1152/japplphysiol.00008.2004 (2004).

Artikel Google Scholar

Mian, OS, Dakin, CJ, Blouin, J.-S., Fitzpatrick, RC & Day, BL Fehlende Beteiligung der Otolithen an Gleichgewichtsreaktionen, die durch elektrische Mastoidstimulation hervorgerufen werden. J. Physiol. 588, 4441–4451 (2010).

Artikel CAS PubMed PubMed Central Google Scholar

Mohebbi, A., Amiri, P. & Kearney, RE Identifizierung menschlicher Gleichgewichtskontrollreaktionen auf visuelle Eingaben mithilfe der virtuellen Realität. J. Neurophysiol. (2022).

Nielsen, EI, Cleworth, TW & Carpenter, MG Erforschung der emotionalen Modulation visuell hervorgerufener Haltungsreaktionen durch virtuelle Realität. Neurosci. Lette. 8, 136586 (2022).

Artikel Google Scholar

Wang, Y., Kenyon, RV und Keshner, E. Identifizierung der Kontrolle physischer und wahrnehmungsmäßig hervorgerufener Schwankungsreaktionen bei gleichzeitiger visueller Szenengeschwindigkeit und Neigung der Stützbasis. Exp. Gehirnres. 201, 663–672. https://doi.org/10.1007/s00221-009-2082-0 (2010).

Artikel PubMed Google Scholar

Assländer, L. & Streuber, S. Virtuelle Realität als Werkzeug für die Gleichgewichtsforschung: Augen und Körperbewegungen werden in fotorealistischen, aber nicht in abstrakten virtuellen Szenen wiedergegeben. PLoS ONEhttps://doi.org/10.1371/journal.pone.0241479 (2020).

Artikel PubMed PubMed Central Google Scholar

Engel, D. et al. Phasenübergreifende Kohärenz visuell hervorgerufener Haltungsreaktionen in der virtuellen Realität. Exp. Gehirnres. 238, 1177–1189 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Liang, H.-W. et al. Die Auswirkungen visueller Hintergründe in den virtuellen Umgebungen auf die Haltungsstabilität beim Stehen. IEEE Trans. Neuronales System. Rehabilitation. Ing. 29, 1129–1137 (2021).

Artikel PubMed Google Scholar

Mahboobin, A., Loughlin, P., Atkeson, C. & Redfern, M. Ein Mechanismus zur sensorischen Neugewichtung bei der Haltungskontrolle. Med. Biol. Ing. Berechnen. 47, 921–929. https://doi.org/10.1007/s11517-009-0477-5 (2009).

Artikel PubMed PubMed Central Google Scholar

Mergner, T., Maurer, C. & Peterka, RJ Ein multisensorisches Haltungskontrollmodell der aufrechten Haltung des Menschen. Prog. Gehirnres. 142, 189–201. https://doi.org/10.1016/S0079-6123(03)42014-1 (2003).

Artikel CAS PubMed Google Scholar

Assländer, L., Hettich, G. & Mergner, T. Visueller Beitrag zum menschlichen Standgleichgewicht bei Neigungen der Auflagefläche. Summen. Bewegung. Wissenschaft. 41, 147–164. https://doi.org/10.1016/j.humov.2015.02.010 (2015).

Artikel Google Scholar

Assländer, L., Smith, CP & Reynolds, RF Sensorische Integration einer leichten Berührungsreferenz in das menschliche Gleichgewicht im Stehen. PloS One 13, e0197316. https://doi.org/10.1371/journal.pone.0197316 (2018).

Artikel CAS PubMed PubMed Central Google Scholar

Mergner, T., Schweigart, G., Maurer, C. & Blümle, A. Menschliche Haltungsreaktionen auf Bewegungen realer und virtueller visueller Umgebungen unter verschiedenen Unterstützungsbasisbedingungen. Exp. Gehirnres. 167, 535–556. https://doi.org/10.1007/s00221-005-0065-3 (2005).

Artikel CAS PubMed Google Scholar

Cleworth, TW, Horslen, BC & Carpenter, MG Einfluss realer und virtueller Höhen auf das Gleichgewicht im Stehen. Ganghaltung 36, 172–176 (2012).

Artikel PubMed Google Scholar

Sakanaka, TE, Lakie, M. & Reynolds, RF Individuelle Unterschiede in der intrinsischen Knöchelsteifheit und ihre Beziehung zu Körperschwankungen und Knöcheldrehmoment. Plos One 16, e0244993 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Lord, SR & Webster, IW Gesichtsfeldabhängigkeit bei älteren Stürzen und Nicht-Sturzenden. Int. J. Alterndes Summen. Entwickler 31, 267–277. https://doi.org/10.2190/38MH-2EF1-E36Q-75T2 (1990).

Artikel CAS PubMed Google Scholar

Paulus, WM & Straube, A. Visuelle Stabilisierung der Körperhaltung. physiologische Reizeigenschaften und klinische Aspekte. Gehirn J. Neurol. 107 (Teil 4), 1143–1163 (1984).

Artikel Google Scholar

El Jamiy, F. & Marsh, R. Entfernungsschätzung in der virtuellen Realität und der erweiterten Realität: Eine Umfrage. im Jahr 2019 IEEE International Conference on Electro Information Technology (EIT). 063–068 (IEEE, 2019).

Huygelier, H., Schraepen, B., Van Ee, R., Vanden Abeele, V. & Gillebert, CR Akzeptanz der immersiven, am Kopf montierten virtuellen Realität bei älteren Erwachsenen. Wissenschaft. Rep. 9, 1–12 (2019).

Artikel CAS Google Scholar

Davies, W. Systemidentifikation für selbstadaptive Kontrolle (Wiley, 1970).

MATH Google Scholar

Winter, DA Biomechanik und motorische Kontrolle menschlicher Bewegung (Wiley, 2009).

Buchen Sie Google Scholar

Pintelon, R. & Schoukens, J. Systemidentifikation: Ein Frequenzbereichsansatz (Wiley, 2012).

Buchen Sie MATH Google Scholar

Pataky, TC Eindimensionale statistische parametrische Zuordnung in Python. Berechnen. Methoden Biomech. Biomed. Ing. 15, 295–301. https://doi.org/10.1080/10255842.2010.527837 (2012).

Artikel Google Scholar

Pataky, TC, Robinson, MA & Vanrenterghem, J. Vektorfeldstatistische Analyse von Kinematik- und Krafttrajektorien. J. Biomech. 46, 2394–2401. https://doi.org/10.1016/j.jbiomech.2013.07.031 (2013).

Artikel PubMed Google Scholar

Pataky, TC, Vanrenterghem, J. & Robinson, MA Zero-vs. eindimensionale, parametrische vs. nichtparametrische und Konfidenzintervall vs. Hypothesentestverfahren in der eindimensionalen biomechanischen Trajektorienanalyse. J. Biomech. 48, 1277–1285. https://doi.org/10.1016/j.jbiomech.2015.02.051 (2015).

Artikel PubMed Google Scholar

JASP-Team. JASP (Version 0.16.1) [Computersoftware] (2022).

Referenzen herunterladen

Wir möchten Robert J. Peterka für die Bereitstellung der Frequenzgangfunktionsdaten einzelner Probanden aus der von ihm im Jahr 2002 veröffentlichten Studie danken und LA möchte sich für die langjährige wertvolle Betreuung bedanken.

Open-Access-Förderung ermöglicht und organisiert durch Projekt DEAL.

Human Performance Research Centre, University of Konstanz, 78464, Konstanz, Germany

Lorenz Assländer & Matthias Albrecht

Fachbereich Informatik und Informationswissenschaft, Universität Konstanz, 78464, Konstanz, Deutschland

Matthias Albrecht

Fachbereich Mathematik, Universität Freiburg, 79110, Freiburg, Deutschland

Moritz Diehl

School of Kinesiology, University of British Columbia, Vancouver, V6T 2A1, Kanada

Kyle J. Misses & Mark G. Carpenter

Fachbereich Elektrotechnik und Informatik, Hochschule Coburg, 96450, Coburg, Deutschland

Stephan Streuber

Zukunftskolleg, University of Konstanz, 78464, Konstanz, Germany

Stephan Streuber

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Muss alle Autoren enthalten, die durch Initialen gekennzeichnet sind, zum Beispiel: LA, MC, KM, SS haben das Experiment konzipiert, MA, LA und SS haben die VR-Implementierung erstellt, LA und MA haben das Experiment durchgeführt, LA und MD haben die Ergebnisse analysiert. Alle Autoren haben das Manuskript überprüft.

Correspondence to Lorenz Assländer.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Assländer, L., Albrecht, M., Diehl, M. et al. Abschätzung des visuellen Beitrags zum Gleichgewicht im Stehen mithilfe der virtuellen Realität. Sci Rep 13, 2594 (2023). https://doi.org/10.1038/s41598-023-29713-7

Zitat herunterladen

Eingegangen: 27. April 2022

Angenommen: 09. Februar 2023

Veröffentlicht: 14. Februar 2023

DOI: https://doi.org/10.1038/s41598-023-29713-7

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.