Nouvelles

Dec 04, 2023

Estimation de la contribution visuelle à l'équilibre debout à l'aide de la réalité virtuelle

Rapports scientifiques volume 13,

Rapports scientifiques volume 13, Numéro d'article : 2594 (2023) Citer cet article

620 accès

4 Altmétrique

Détails des métriques

Les perturbations sensorielles sont un outil précieux pour évaluer les mécanismes d'intégration sensorielle qui sous-tendent l'équilibre. Mis en œuvre en tant qu'approches d'identification des systèmes, ils peuvent être utilisés pour évaluer quantitativement les déficits d'équilibre et séparer les causes sous-jacentes. Cependant, les expériences nécessitent des perturbations contrôlées et des techniques sophistiquées de modélisation et d'optimisation. Ici, nous proposons et validons une implémentation de réalité virtuelle d'expériences de scènes visuelles en mouvement ainsi que des interprétations basées sur des modèles des résultats. L'approche simplifie la mise en œuvre expérimentale et offre une plate-forme pour mettre en œuvre des routines d'analyse standardisées. Le balancement de 14 jeunes sujets en bonne santé portant un visiocasque de réalité virtuelle a été mesuré. Les sujets ont vu une pièce virtuelle ou un écran à l'intérieur de la pièce, qui ont tous deux été déplacés au cours d'une série de séquences sinusoïdales ou pseudo-aléatoires de pièce ou d'inclinaison d'écran enregistrées sur deux jours. Dans une comparaison entre sujets de séquences pseudo-aléatoires de 10 \(\times\) 6 min, chacune appliquée à 5 amplitudes, nos résultats n'ont montré aucune différence par rapport à une expérience sur écran mobile dans le monde réel de la littérature. Nous avons utilisé le modèle de canal indépendant pour interpréter nos données, qui fournit une estimation directe de la contribution visuelle à l'équilibre, ainsi que des paramètres caractérisant la dynamique du système de rétroaction. Les estimations de fiabilité des paramètres d'un seul sujet à partir de six répétitions d'une séquence pseudo-aléatoire de 6 \(\times\) 20 s ont montré une mauvaise concordance test-retest. Les paramètres estimés montrent une excellente fiabilité lors de la moyenne sur trois répétitions au cours de chaque jour et de la comparaison entre les jours (corrélation intra-classe ; ICC 0,7-0,9 pour le poids visuel, le délai et le gain de rétroaction). Les réponses au balancement dépendaient fortement de la scène visuelle, où l'écran abstrait à contraste élevé évoquait un balancement plus important par rapport à la pièce photoréaliste. En conclusion, notre approche de réalité virtuelle proposée permet aux chercheurs d'évaluer de manière fiable la dynamique de contrôle de l'équilibre, y compris la contribution visuelle à l'équilibre avec un effort de mise en œuvre minimal.

Les humains se fient aux informations sensorielles pour maintenir leur équilibre1. Les perturbations contrôlées des entrées sensorielles sont un outil puissant pour étudier l'intégration sensorielle et ses déficits2,3,4,5,6. Cependant, les perturbations sensorielles contrôlées sont difficiles à mettre en œuvre, tant en termes de matériel que de techniques d'analyse. Dans notre étude, nous proposons et validons des expériences de perturbation sensorielle à l'aide d'une simple configuration de réalité virtuelle (VR). Nous utilisons en outre des interprétations basées sur des modèles des données enregistrées au niveau d'un seul sujet, comme proposé par Peterka5. Nous montrerons qu'une combinaison d'expériences de réalité virtuelle et d'interprétations basées sur des modèles peut évaluer de manière fiable et facile la dynamique du mécanisme de contrôle de l'équilibre, y compris des estimations quantitatives de la contribution sensorielle visuelle (facteur de pondération).

Un objectif important des expériences d'équilibre est l'évaluation de l'intégration sensorielle et de ses déficits pour diagnostiquer les troubles de l'équilibre7,8. Les troubles graves deviennent déjà visibles lors de tâches simples telles que se tenir pieds joints et fermer les yeux (position de Romberg)9. Les tests d'équilibre instrumentés, tels que l'évaluation du balancement spontané à l'aide des mesures de la plate-forme de force, fournissent des informations plus détaillées et objectives8. Cependant, les mesures de balancement spontané ne contiennent pas suffisamment d'informations pour séparer la dynamique de contrôle interne des propriétés de bruit inconnues inhérentes aux systèmes sensoriels et moteurs6. De plus, cela ne donne pas un aperçu de la façon dont le système traite les conflits sensoriels, qui se produisent dans la vie de tous les jours lorsque vous vous tenez debout sur des surfaces molles ou lorsque vous regardez une scène visuelle en mouvement (par exemple un train ou un bus). Ainsi, tout en fournissant des informations précieuses sur l'état du système, le balancement spontané ne fournit que des informations limitées sur l'intégration sensorielle6. La modification de la disponibilité sensorielle (support ferme et souple, yeux ouverts/fermés, etc.) peut être utilisée pour évaluer l'intégration sensorielle dans une certaine mesure2. Une mise en œuvre instrumentée basée sur l'élimination sensorielle principalement utilisée en milieu clinique est le test d'organisation sensorielle (SOT)10,11. Dans trois des conditions SOT, la surface de support et/ou la scène visuelle sont déplacées avec le balancement d'un sujet (« référençant au balancement »12). Dans ces conditions, le système référencé au balancement ne code pas avec précision la position du corps dans l'espace. Un comportement de balancement anormal ou l'incapacité de se tenir debout dans de telles conditions indique des déficits d'équilibre et fournit des indices sur les systèmes affectés. Le score SOT comprend le balancement spontané et les « chutes » des sujets. Si le score SOT est capable de révéler des déficits d'équilibre, il ne prend pas en compte les interactions entre déficits multiples et la complexité des interactions sensorimotrices. Ainsi, il fournit toujours un aperçu de l'état du système, plutôt que de révéler la dynamique et les propriétés du système lui-même.

Induire systématiquement des perturbations sensorielles est un paradigme très puissant pour étudier l'intégration sensorielle et caractériser le mécanisme de contrôle de l'équilibre lui-même2,3,4,5,6. Par exemple, les inclinaisons visuelles de la scène ou de la surface de support peuvent être utilisées pour induire des conflits subtils entre les entrées sensorielles. Le système nerveux central n'est pas capable de résoudre parfaitement les conflits sensoriels. Les imperfections conduisent à des interprétations erronées des mouvements visuels de la scène en tant qu'auto-mouvement. Un auto-mouvement détecté par erreur conduit à des contractions musculaires « correctrices », induisant ainsi un balancement du corps. La relation entre conflit et emprise évoquée est une riche source d'informations qui peut être utilisée pour caractériser et modéliser quantitativement le mécanisme d'intégration sensorielle sous-jacent1,6.

Au cours des trois dernières décennies, un cadre complet pour l'interprétation des données de perturbation d'inclinaison a été développé1,5,6,13,14,15. L'approche utilise des outils d'identification de systèmes issus de la théorie du contrôle qui réduisent le comportement d'équilibre complexe à un ensemble limité de paramètres physiologiquement significatifs. En cas de succès, les paramètres et le modèle de contrôle sous-jacent reproduisent quantitativement le comportement d'équilibre évalué expérimentalement.

Le modèle le plus répandu dans la littérature est le modèle « Independent-Channel » proposé par Peterka1. Une mise à jour plus récente comprend une description détaillée du modèle et des techniques requises pour une caractérisation à sujet unique du mécanisme de contrôle de l'équilibre5. Pour les perturbations de la scène visuelle, l'objet de l'étude actuelle, le modèle contient cinq paramètres qui sont optimisés pour reproduire les réponses de balancement des sujets individuels aux perturbations. L'intégration sensorielle est une somme pondérée de toutes les contributions sensorielles. Le paramètre de pondération visuel \(W_v\) donne un pourcentage de la contribution visuelle au couple global. Le reste (\(100\% - W_v\)) est généré par les apports proprioceptifs et vestibulaires, qui ne peuvent être séparés sans perturbations supplémentaires. Les paramètres \(K_p\) et \(K_d\) sont le gain de rétroaction proportionnel et dérivé, c'est-à-dire la force de la contraction musculaire par rapport à l'écart par rapport à la position verticale souhaitée et à la vitesse de balancement du corps, respectivement. Le paramètre de temporisation de rétroaction \(\tau\) tient compte de tous les composants de temporisation (temps de conduction neuronale, activation musculaire, etc.) dans le mécanisme de contrôle neuronal1. Enfin, le paramètre \(K_t\) est une mesure de la contribution d'une boucle de rétroaction de couple positive filtrée passe-bas, proposée pour expliquer les caractéristiques de balancement à basse fréquence avec une période \(\gtrapprox 20 s\)16,17. Ces paramètres peuvent être estimés à partir d'expériences de scènes visuelles en mouvement en combinaison avec des simulations de modèles et des techniques d'optimisation.

Un inconvénient majeur des expériences utilisant des perturbations sensorielles comme entrée est la configuration expérimentale requise. Les scènes (ou surfaces) visuelles motorisées sont coûteuses et difficiles à accorder avec la précision requise8. De plus, les configurations sont souvent des prototypes et donc uniques, ce qui rend difficile la reproduction des données entre les laboratoires. Diverses manipulations expérimentales alternatives ont été utilisées avec succès pour induire des perturbations sensorielles. Les exemples sont les vibrations tendineuses (proprioception)3, les disques à rotation rapide18, le schéma de flux optique projeté sur des écrans15,19,20, les salles mobiles réelles21,22,23,24 (visuelles) et la stimulation vestibulaire galvanique (vestibulaire)3,25,26. Le grand avantage des inclinaisons de surface ou de scène visuelle est qu'elles induisent des conflits écologiques, c'est-à-dire qu'elles miment les conflits naturels qui surviennent dans la vie de tous les jours. De plus, les perturbations d'inclinaison sont relativement faciles à modéliser en tant que variables cinématiques décrivant l'orientation physique entre le corps et les références sensorielles (surface, scène visuelle, etc.).

La réalité virtuelle peut être utilisée pour mettre en œuvre des scènes visuelles en mouvement en tant que perturbations sensorielles contrôlées15,19,27,28,29. Comme le matériel VR est devenu moins cher, facilement accessible, ainsi que meilleur en termes de champ de vision, de délais et de résolution, la VR pourrait remplacer les configurations motorisées et rendre les évaluations d'équilibre basées sur les perturbations universellement disponibles. De plus, certains systèmes VR ont des dispositifs de suivi intégrés qui peuvent être utilisés comme un système de capture de mouvement entièrement intégré. Dans une étude récente, nous avons montré qu'en équilibre debout, le balancement du corps est similaire lors de la visualisation d'une salle de réalité virtuelle photoréaliste par rapport à la visualisation de la salle du monde réel30. Nous l'avons testé sur des surfaces de support fixes et inclinables, mais en gardant l'espace visuel de la scène immobile.

Écran et salle virtuels utilisés pendant les expériences avec la configuration matérielle. L'avatar VR indique la perspective d'un sujet dans l'état respectif. Les deux images sont des captures d'écran de l'application personnalisée créée dans Unity (Unity Technologies, San Francisco, États-Unis). Le visiocasque utilisé pour afficher l'environnement virtuel et les deux trackers de mouvement VR utilisés pour les enregistrements de balancement du corps sont affichés en rouge. Le panneau supérieur à droite montre un exemple de la séquence de stimulus PRTS longue (60,5 s) qui a été répétée cinq fois consécutives pour chacune des 5 amplitudes (crête à crête, pp0,5, pp1, pp2, pp4, pp8). Le panneau du milieu montre un exemple de balancement du centre de masse du corps entier dérivé d'enregistrements de marqueurs. Le panneau inférieur montre l'ordre des essais appliqués au cours de l'expérience.

La question demeure de savoir si les expériences de scènes visuelles en mouvement en réalité virtuelle sont également comparables aux expériences de scènes en mouvement du monde réel et si elles peuvent être utilisées pour des évaluations d'équilibre fiables à l'aide de techniques d'identification de systèmes. Ainsi, le but de la présente étude était de valider des expériences de scènes en mouvement en VR. À cette fin, nous avons reconstruit un écran mobile à partir d'une configuration du monde réel publiée1,5 en réalité virtuelle (voir Fig. 1). L'expérience originale consistait en des séquences ternaires pseudo-aléatoires longues de 60,5 s ("long-PRTS"), qui ont été répétées 6 à 8 fois, chacune présentée à 5 amplitudes. Nous avons mis en œuvre les mêmes séquences avec dix répétitions pour comparer nos résultats VR aux résultats publiés dans le monde réel. La première hypothèse testée était :

H1 : Les réponses de balancement à un écran mobile virtuel ne diffèrent pas de celles d'un écran similaire du monde réel.

Les évaluations PRTS longues ont nécessité de longues périodes d'attente pour les sujets, ce qui n'est pas possible pour de nombreuses questions de recherche appliquée5. Nous avons donc également mis en place une version de 120 s avec six répétitions de séquences de 20 s ("short-PRTS") pour une évaluation complète. Nous avons testé la fiabilité de cette version courte en répétant l'essai deux fois avant les essais PRTS longs et une fois après. Nous avons également répété l'expérience complète un deuxième jour, nous fournissant six répétitions, que nous avons utilisées pour une analyse de fiabilité. La seconde hypothèse était :

H2 : Les estimations des paramètres du PRTS court montrent une corrélation intraclasse élevée entre les répétitions au sein d'une session et entre deux sessions sur deux jours différents.

Dans notre précédente étude sur l'équilibre dans une scène visuelle virtuelle stationnaire, nous avons trouvé des différences entre le balancement dans une scène photo-réaliste et une scène abstraite30. Nous avons émis l'hypothèse que cela pourrait être causé par le fait que les sujets se sentent moins présents dans la scène abstraite ou par la différence d'apport visuel. En revanche, d'autres études utilisant des scènes abstraites31 et photoréalistes28 ont trouvé des valeurs de cohérence similaires pour les réponses de balancement aux inclinaisons visuelles pseudo-aléatoires de la scène, respectivement. Par conséquent, il reste une incertitude quant à la manière dont le type de scène visuelle peut affecter les réponses au balancement. Comme l'écran que nous avons utilisé dans la configuration de l'écran mobile était également assez abstrait, nous avons en outre ajouté une comparaison des réponses de balancement aux mouvements de l'écran et d'une pièce virtuelle (voir Fig. 1). Dans des essais séparés, la pièce et l'écran étaient inclinés selon un très petit sinus. Un sinus fournit beaucoup moins d'informations par rapport à un PRTS, cependant la durée de cycle très courte nous a permis d'obtenir plus de répétitions et donc plus de moyennage lors d'enregistrements courts. Cela nous a permis d'implémenter de très petites amplitudes sinusoïdales tout en obtenant une estimation raisonnablement fiable de l'amplitude de réponse au sinus. Les sujets ont été invités à regarder la pièce/l'écran et le balancement du corps a été mesuré pendant les perturbations.

H3 : Les réponses de balancement à une petite inclinaison de scène visuelle sinusoïdale diffèrent en fonction du type de scène.

La figure 2 montre les résultats des cinq conditions d'amplitude PRTS longues enregistrées en VR (bleu). Les séquences d'inclinaison de l'écran sont affichées dans la rangée supérieure. La deuxième rangée montre le balancement du centre de masse (com) en moyenne sur 14 sujets et huit répétitions de séquences chacun (quatre pour chaque amplitude de crête à crête chaque jour, la première séquence supplémentaire a été rejetée pour éviter les transitoires). Com sway montre des modèles de réponse cohérents au stimulus à toutes les amplitudes. Cependant, par rapport aux fortes augmentations des amplitudes de stimulus (pp\(0,5^{\circ }\) à pp\(8^{\circ }\)), le balancement com augmente beaucoup moins et sature en affichant des valeurs crête à crête de \(0,25^{\circ }\), \(0,38^{\circ }\), \(0,54^{\circ }\), \(0,57^{\circ }\) et \(0,50^{\circ }\), respectivement. Cette saturation est encore mieux visible dans l'analyse dans le domaine fréquentiel. Nous avons calculé les fonctions de réponse en fréquence à valeurs complexes (FRF) et les avons affichées sous forme de gain et de phase (Fig. 2 rangées 3 et 4). Le gain est le rapport d'amplitude du stimulus et de la réponse dans le domaine fréquentiel, où gain = 1 signifie des amplitudes de stimulus et de réponse égales, gain = 2 réponse deux fois plus grande par rapport à l'amplitude du stimulus et gain = 0 sans balancement évoqué par le stimulus. Les valeurs de gain enregistrées montrent une forte diminution à travers les amplitudes de stimulus (notez la différence dans les axes y de gauche à droite). Ainsi, les amplitudes de réponse de balancement sont beaucoup plus petites par rapport au stimulus dans des conditions d'amplitude plus grandes. Les valeurs de phase (Fig. 2 ligne 4) représentent la relation temporelle entre le stimulus et la réponse, où une phase de \(0^\circ\) signifie « en phase » et \(\pm 180^\circ\) « contre-phase ». La phase a systématiquement diminué avec l'augmentation de la fréquence, montrant une avance de phase de \(\approx 50^\circ\) à 0,0165 Hz et un retard de phase de \(\approx 180^\circ\) à environ 1 Hz. Avec l'augmentation de l'amplitude du stimulus, la phase a montré un décalage de phase légèrement réduit à des fréquences plus élevées, mais sinon aucune différence systématique. Les valeurs de cohérence étaient globalement assez faibles et montraient une diminution vers des fréquences plus élevées. En moyenne sur toute la fréquence, la cohérence était de \(Coh\environ 0,21\) pour pp0,5 et \(Coh\environ 0,28\) dans toutes les autres conditions d'amplitude.

Séquences PRTS longues et réponses de balancement des expériences d'écran mobile VR (bleu) et réponses de balancement du monde réel1 pour comparaison (rouge), chacune représentée sous forme de moyenne et d'intervalle de confiance \(95\%\) (zone ombrée). La séquence de stimulus (rangée du haut) a été appliquée à cinq amplitudes crête à crête. Chaque condition pp contient des moyennes sur huit répétitions de la séquence et 14 sujets. La deuxième ligne montre le balancement moyen du centre de masse (com), les lignes 3 et 4 les fonctions de réponse en fréquence (FRF) affichées sous forme de gain et de phase à travers la fréquence. La ligne cinq montre la comparaison statistique des FRF VR et du monde réel, où la ligne pointillée rouge indique le seuil \(\alpha =0,05\). La rangée du bas montre la cohérence indiquant le rapport entre le balancement aléatoire et le balancement évoqué par le stimulus. Des valeurs plus petites indiquent une plus grande composante de balancement aléatoire.

Dans le domaine fréquentiel, les données d'écran mobile du monde réel de Peterka1 sont affichées à des fins de comparaison (Fig. 2 rouge, en pointillés). Dans l'ensemble, nos données VR et les données du monde réel ont montré un comportement très similaire : les valeurs de gain ont une forme concave à travers la fréquence et diminuent fortement dans les conditions d'amplitude ; les valeurs de phase montrent un déclin systématique à travers la fréquence et une légère diminution du déphasage dans les conditions d'amplitude ; les valeurs de cohérence sont également faibles dans les deux ensembles de données. Visuellement, les valeurs de gain ont montré une plus grande influence dans les données du monde réel, par rapport à la réalité virtuelle pour le pic à pic (pp) 0,5 et pp1. Nous avons statistiquement comparé la réalité virtuelle et les FRF du monde réel à l'aide d'un test T \ (^ {2} \) de cartographie statistique non paramétrique 1D de Hotellings (Fig. 2, rangée 5). La comparaison statistique n'a pas montré de différence significative \((\alpha <0,05)\).

Nous avons utilisé des interprétations basées sur des modèles des données de réponse au balancement pour extraire des paramètres descriptifs qui permettent des interprétations intuitives (Independent-Channel Model5). La figure 3 montre les paramètres estimés des cinq conditions PRTS longues et pour la moyenne de toutes les conditions PRTS courtes (Fig. 4 's1'). Le poids visuel (\(W_v\)) diminuait systématiquement avec l'augmentation de l'amplitude du stimulus (rmANOVA ; \(p<0,001\), \(\eta ^2=0,915\)). De plus, le poids visuel a montré des schémas cohérents chez les sujets, où des poids visuels relativement faibles ou élevés par rapport aux autres sujets ont été maintenus dans les conditions d'amplitude. D'autres différences ont été trouvées pour \(\tau\), \(K_t\) et \(\beta\). Les paramètres \(\tau\) et \(K_t\) diminuaient avec l'augmentation de l'amplitude du stimulus (\(p<0,05\), \(\eta ^2=0,253\) et \(\eta ^2=0,269\), respectivement). \(\beta\) a montré une forte baisse de pp0,5 à toutes les autres conditions (\(p<0,001\), \(\eta ^2=0,395\)). Ces effets étaient moins systématiques chez le sujet par rapport au poids visuel. Les paramètres \(K_p\) et \(K_d\) n'ont montré aucune différence significative entre les conditions pp. Les paramètres PRTS courts ont été comparés à la condition pp4. Dans des expériences pilotes, nous avons trouvé une forte similitude entre les valeurs de poids visuel (\(W_v\)) pour les séquences PRTS avec des vitesses similaires. Pour tester cette dépendance hypothétique de la vitesse de stimulation des paramètres du modèle en faveur d'une amplitude ou d'une autre caractéristique de forme PRTS, nous avons conçu le PRTS court pour qu'il corresponde à la vitesse de la condition pp4 long-PRTS. La comparaison statistique à l'aide d'un test de rang signé de Wilcoxon pour échantillons appariés n'a montré qu'une différence significative pour \(\beta\) (\(p<0,05\)) et une tendance vers des valeurs de retard plus faibles dans le PRTS court (\(p=0,068\)).

Paramètres du modèle de canal indépendant estimés pour les cinq conditions d'amplitude crête à crête du PRTS long et la condition d'amplitude du PRTS court (s1). De plus, le paramètre de variance \(\beta\) est affiché. Les paramètres sont indiqués pour chaque sujet individuel (gris) et la moyenne inter-sujets, le quartile inférieur et la plage (boîtes à moustaches). \(K_p\) et \(K_d\) sont normalisés par mgh (masse du sujet*com-taille*constante gravitationnelle).

La condition PRTS courte a été testée deux fois avant et une fois après les cinq essais PRTS longs chaque jour pour obtenir la fiabilité test-retest des estimations des paramètres. La figure 4 montre les résultats des cinq paramètres ainsi que la puissance de réponse au balancement, le paramètre de variance \(\beta\) et l'erreur de simulation de la procédure d'optimisation. Les estimations des paramètres ont montré une grande variabilité intra- et inter-sujets. Des changements systématiques n'ont été trouvés que pour le poids visuel, qui a été légèrement réduit le deuxième par rapport au premier jour (rmANOVA : \(p<0,05\), \(\eta ^2=0,139\)). Nous avons calculé les corrélations intra-classe (ICC) pour obtenir la fiabilité test-retest sur les six mesures individuelles (tableau 1, rangée du haut). Les valeurs de l'ICC étaient généralement inférieures à 0,5, ce qui indique une mauvaise concordance des mesures, lors de l'utilisation de 5 cycles de stimulation pour estimer les paramètres. Nous avons ensuite regroupé tous les cycles courts de PRTS au cours de chaque jour et estimé les paramètres de la réponse de balancement moyenne sur ces 15 cycles et recalculé l'ICC entre les jours (tableau 1, rangée du bas). Ici, nous avons obtenu un accord bon à excellent à l'exception du gain du filtre passe-bas \(K_t\) et du paramètre de variance \(\beta\) qui ont montré un accord faible à moyen d'une journée à l'autre.

Paramètres de modèle de canal indépendant pour chaque condition individuelle de PRTS court (pre1, pre2, post comme 1–3 sur l'axe des x). De plus, la puissance de réponse descriptive du balancement, le paramètre de variance \(\beta\) et l'erreur de simulation (SimErr) sont affichés. Les paramètres sont affichés pour chaque sujet individuel (gris) ainsi que la moyenne et l'écart type entre les sujets. \(K_p\) et \(K_d\) sont normalisés par mgh.

La figure 5 montre le balancement com à la fréquence du stimulus pour des inclinaisons de scène identiques autour des articulations de la cheville, dans la vue de l'écran ou la vue de la pièce. Les deux scènes ont été testées au début (pré) et à la fin (post) de chaque session et sur 2 jours. Les 2 \(\times\) 2 \(\times\) 2 rmANOVA (2 scènes, 2 jours, pré-post) ont montré des différences significatives pour tous les effets principaux (tous \(p<0,001\); scène \(\eta ^2 =0,35\); pré-post \(\eta ^2 =0,15\); jour \(\eta ^2 =0,02\)), ainsi que pour les interactions pré-post*scène et scène*jour (\ (p<0,05\)). Suite à notre hypothèse et compte tenu de l'effet principal significatif du type de scène sur nos réponses au balancement, nous avons effectué une analyse post-hoc pour étudier plus en détail les différences observées entre les types de scène (hypothèse 3). Les comparaisons post-hoc des scènes ont montré un balancement significativement plus important pendant la vue de l'écran par rapport à la vue de la pièce, avec une très grande taille d'effet (\(p<0,001\), Cohen's \(d=1,423\)).

Balancement du corps en réponse aux inclinaisons visuelles de la scène lors de la visualisation de la pièce ou de l'écran. La puissance de balancement com est indiquée à la fréquence du stimulus d'inclinaison de la scène (sinus de 0,5 Hz avec \(0,05^{\circ }\)). La vue de la salle et la vue de l'écran ont été mesurées au début et à la fin de chaque session (avant et après) et sur 2 jours différents (jour1, jour2).

Nous avons validé une implémentation en réalité virtuelle d'un test d'intégration sensorielle utilisant des perturbations de scènes visuelles en mouvement. Nous avons répondu à trois questions : (1) Les réponses de balancement sont-elles comparables à une configuration réelle ? (2) Quelle est la qualité de la fiabilité test-retest ? (3) Les réponses au balancement dépendent-elles du type de scène ? Nos résultats ont montré que la mise en œuvre de la réalité virtuelle peut être comparée à la mise en œuvre dans le monde réel, car nous n'avons trouvé aucune différence entre les réponses d'équilibre (Fig. 2). De plus, les estimations des paramètres ont montré le même schéma général que celui décrit pour les données du monde réel en utilisant un modèle très similaire1. Nous avons trouvé une faible fiabilité pour les six mesures de PRTS courts. Cependant, les estimations des paramètres à partir des données regroupées des trois mesures PRTS courtes (15 cycles) ont montré une excellente fiabilité entre les deux jours avec une petite réduction systématique du poids visuel le deuxième jour. Enfin, nous avons constaté que la puissance de balancement pendant les inclinaisons sinusoïdales de l'écran abstrait était trois fois plus grande que l'inclinaison de la pièce réaliste, confirmant la dépendance hypothétique des réponses de balancement sur le type de scène.

L'approche que nous avons utilisée pour l'évaluation de l'équilibre dépend de l'interprétation des données basée sur le modèle. Un modèle ne capture toujours que des aspects spécifiques de l'objet ou du système naturel. Ainsi, le pouvoir explicatif et prédictif, l'utilité pour guider notre compréhension et nos recherches, ainsi que sa fécondité en termes d'applications telles que les capacités de diagnostic sont des facteurs par lesquels un modèle doit être jugé. Notre discussion de l'approche proposée et nos résultats seront guidés par ces critères.

Le modèle IC utilisé pour notre analyse des données est capable de reproduire la plupart des caractéristiques des réponses de balancement aux inclinaisons de la scène visuelle du monde réel. Nos estimations utilisant seulement cinq cycles de stimulation ont entraîné une très grande variabilité et une faible fiabilité des estimations des paramètres. Peterka et al.5 ont montré qu'une moyenne de 9 à 14 cycles au lieu des cinq utilisés dans notre étude améliore encore la fiabilité des estimations des paramètres pour des réponses de balancement aussi faibles que lors de perturbations visuelles de la scène (voir Fig. 4 in5). En accord avec cette constatation, nous avons obtenu de bien meilleures corrélations intra-classe en regroupant nos données sur les trois mesures de PRTS courts au cours de chaque jour et en comparant les estimations des paramètres de ces 15 cycles entre les jours. Par conséquent, nous concluons que cinq cycles sont insuffisants pour des estimations fiables.

Fait intéressant, nous avons trouvé des différences pour les réponses de balancement sinusoïdal qui n'étaient pas présentes dans la puissance de réponse de balancement des essais PRTS courts : les réponses de balancement aux inclinaisons de l'écran sinusoïdal étaient plus petites au début d'une session (pré) par rapport à la fin (post) et plus petites le deuxième jour. Les raisons potentielles sont purement spéculatives, car on s'attendrait à ce que pour tout type d'apprentissage, les changements pré-post soient dans la même direction que du jour 1 au jour 2. De plus, l'absence de ces effets dans la vue de la salle et les séquences courtes PRTS apparaît contre-intuitive. Les vitesses de stimulation considérablement plus grandes pour le PRTS court (\(\approx 0,94^\circ\)/s) par rapport aux très petites amplitudes de stimulation sinusoïdale (\(peak~velocity \approx 0,16^\circ\)/s) pourraient masquer les effets observés dans les conditions sinusoïdales.

Le modèle IC n'explique pas la dépendance vis-à-vis du type de scène visuelle. Nous avons trouvé des réponses de balancement plus importantes aux inclinaisons de la vue de l'écran VR par rapport exactement à la même séquence d'inclinaison appliquée à la vue de la salle VR (voir Figs. 1, 5). Dans une étude antérieure, nous avons constaté une influence accrue lors de la visualisation d'une scène virtuelle abstraite par rapport à une scène virtuelle photoréaliste30. Le balancement spontané réduit, tel que constaté dans l'étude précédente, est généralement lié à une utilisation accrue de l'entrée visuelle plus fiable. En supposant que le réalisme de la scène serait le facteur de modulation, l'entrée visuelle serait moins utilisée lors de la visualisation de l'écran abstrait. Ainsi, l'écran évoquerait des réponses de balancement plus petites, ce qui contraste avec nos résultats. Une autre explication serait la différence de contenu informationnel de la scène visuelle. L'écran VR était à \(\approx 1,2\) m devant l'axe de l'articulation de la cheville et donc beaucoup plus proche du sujet que les murs de la pièce (\(\approx 4,5\) m). De plus, la vue à l'écran contenait des contrastes beaucoup plus forts. Une inclinaison de scène et/ou un balancement du sujet égaux entraînent donc des modèles de flux optique différents, ce qui pourrait avoir provoqué des réponses de balancement évoquées plus importantes dans la vue de l'écran. Cependant, une analyse plus systématique de la relation entre les propriétés du flux optique et le balancement évoqué est nécessaire pour étayer cette affirmation. D'autres recherches devraient également prendre en compte d'autres aspects tels que la dépendance des effets visuels vis-à-vis de l'équilibre32.

Le modèle IC montre des changements systématiques de paramètres sur différentes amplitudes de stimulus, montrant que les changements dans les réponses de balancement sont principalement causés par la repondération sensorielle. Bien que cette interprétation fournisse une explication physiologiquement plausible, elle ne fournit pas d'explication sur la manière dont la repondération est réalisée par le système nerveux central. Plusieurs mécanismes de repondération ont été proposés dans la littérature pour les inclinaisons de surface d'appui14,33,34,35 et le déplacement d'une référence tactile36, ainsi que pour les inclinaisons de scène visuelle37. La mise en œuvre et la comparaison de tels modèles dépassent le cadre de la présente étude.

Le test d'intégration sensorielle mis en œuvre repose sur des perturbations visuelles. Ainsi, il est capable d'identifier la contribution visuelle, mais ne peut pas séparer la contribution des systèmes proprioceptif et vestibulaire5. Bien que cet aspect soit une limitation considérable de l'approche proposée basée sur la réalité virtuelle, il fournit toujours une quantité considérable d'informations. Par exemple, la dépendance visuelle peut être estimée, car le poids visuel fournit une mesure directe de la contribution visuelle à l'équilibre. Cela peut être particulièrement pertinent pour diagnostiquer les patients chez qui on soupçonne une dépendance visuelle accrue. D'autres approches telles que le ratio de Romberg ont une validité limitée, car les changements dans les schémas de balancement spontané peuvent avoir de nombreuses raisons en dehors des aspects sensoriels, tels que l'attention, l'anxiété38 ou la raideur39. La dépendance visuelle a également été estimée à l'aide de procédures perceptives (test tige et cadre ou tige et disque)20, qui ont montré que la dépendance visuelle augmente avec l'âge et est liée aux chutes40. Notre approche permet désormais aux chercheurs d'évaluer la contribution visuelle lors de l'équilibre avec un effort de mise en œuvre minimal.

Les expériences présentées et la mise en œuvre VR ont plusieurs limites. Notre approche a utilisé une conception inter-sujets. Bien que nos résultats montrent un bon accord avec les expériences du monde réel ainsi qu'une très bonne fiabilité, des différences plus petites pourraient nécessiter une comparaison intra-sujet. D'autres limitations concernent les spécifications techniques de l'environnement VR. Les systèmes VR sont limités en termes de champ de vision, de résolution et de taux de rafraîchissement. Par exemple, le balancement spontané augmente lorsque la taille du champ de vision est réduite41. De plus, le délai entre le mouvement de la tête et la mise à jour de l'affichage influence probablement les résultats. Le retard technique s'ajoute probablement au retard physiologique d'une manière ou d'une autre, augmentant ainsi les valeurs des paramètres du modèle de retard \(\tau\) de quelques millisecondes. La perception en réalité virtuelle est affectée par un conflit vergence-accommodation, car la lentille de l'œil doit s'ajuster à une distance fixe, tandis que la convergence des yeux varie en fonction de la distance de l'objet mis au point. Ceci, ainsi que les erreurs potentielles dans les ajustements IPD et d'autres facteurs, sont supposés conduire à une distorsion de la perception de la profondeur42. Bien que nous n'ayons trouvé aucune différence majeure avec le comportement d'équilibre dans le monde réel, il est probable que le comportement d'équilibre et les paramètres mesurés soient affectés par ces limitations dans une certaine mesure.

Malgré ces limitations, les systèmes de réalité virtuelle sont largement utilisés et sont devenus très abordables. De plus, ils semblent être bien acceptés dans les populations âgées43. Par conséquent, avec une mise en œuvre standardisée appropriée, l'approche validée dans cette étude peut être appliquée dans divers domaines. Les exemples sont les diagnostics de patients neurologiques, dans la recherche appliquée sur l'équilibre pour adapter les interventions et tester leur effet sur l'intégration sensorielle, les évaluations de retour aux sports après des commotions cérébrales, l'évaluation de la perte sensorielle après des blessures traumatiques en contexte orthopédique, etc.

En conclusion, nos résultats démontrent que la configuration de réalité virtuelle proposée fournit des estimations fiables de l'équilibre sous-jacent du mécanisme d'intégration sensorielle humaine. Les résultats sont comparables aux données du monde réel. Il est facile à mettre en œuvre et les configurations peuvent être reproduites exactement dans tous les laboratoires, ce qui le rend possible pour les études multicentriques. La force du modèle IC en tant que base pour l'interprétation des données réside dans sa capacité à séparer les contributions sensorielles et à estimer la dynamique de rétroaction du mécanisme de contrôle de l'équilibre. Bien que l'analyse soit complexe, les routines d'analyse peuvent être standardisées et mises en œuvre. Dans l'ensemble, l'approche peut servir d'outil pour diagnostiquer les déficits dans les processus d'intégration sensorielle sous-jacents à l'équilibre.

Quatorze sujets sains (8f/6m/0d ; 23,8 ± 2,6 ans ; 172 ± 9 cm ; 66,9 ± 9,1 kg) ont participé à l'étude. Les critères d'exclusion étaient les troubles orthopédiques et neuraux autodéclarés, les commotions cérébrales, ainsi que des antécédents d'épilepsie. Le protocole était en accord avec la dernière révision de la Déclaration d'Helsinki et a été approuvé par le comité d'éthique de l'Université de Constance. Les sujets ont été informés de l'objectif et des procédures de l'étude, ont donné leur consentement éclairé écrit avant leur participation et ont été payés 10 €/h en laboratoire.

La configuration expérimentale est illustrée à la Fig. 1. Les sujets portaient un visiocasque (HMD ; Vive Pro Eye, HTC, Taoyuan, Taïwan), qui a un champ de vision \(110^{\circ }\), un taux de rafraîchissement de 90 Hz et une résolution de 1440 \(\times\) 1600 pixels par œil. Des Vive Trackers (HTC, Taoyuan, Taïwan) ont été attachés à la hanche et à l'épaule à l'aide de bandes velcro et 4 phares (SteamVR Base Station 2.0, HTC, Taoyuan, Taïwan) ont été positionnés dans les coins d'une pièce de 5 \(\times\) 5 m. Les positions du tracker et du HMD ont été enregistrées à chaque mise à jour de l'écran (\(\approx 90 \,\hbox {Hz}\)). L'environnement virtuel, l'enregistrement des positions du tracker et du HMD et une interface utilisateur pour exécuter les expériences ont été implémentés dans une application personnalisée développée avec Unity (Unity Technologies, San Francisco, USA) et SteamVR (Valve, Bellevue, USA). L'environnement virtuel consistait en un salon de 6x8 m contenant un écran semi-cylindrique (rayon 1 m) à rayures verticales et horizontales (Fig. 1). L'application était capable de déplacer la salle ou l'écran en six dimensions (3 rotations, 3 translations), suivant des séquences prédéfinies.

Au cours des expériences, la scène visuelle s'inclinait autour des articulations de la cheville dans le sens antéro-postérieur (l'axe de rotation était à 8,8 cm au-dessus du sol). La scène visuelle était soit le salon (vue de la pièce), soit la vue de l'écran, où les sujets ne voyaient rien d'autre que l'écran lorsqu'ils regardaient directement l'écran (Fig. 1). Nous avons utilisé trois types de stimulus, un sinus (\(0,05^{\circ }\); 0,5 Hz) et deux types de séquences pseudo-aléatoires-ternaires (PRTS). Les séquences de stimulation contenant un sinus commençaient et se terminaient par un cosinus surélevé pour éviter les fortes accélérations. Le PRTS alterne une vitesse fixe positive, négative ou nulle1,44. Le PRTS court avait 80 états avec une durée d'état de 0,25 s et a été répété six fois à une amplitude crête à crête de \ (2,1 ^ {\ circ } \), résultant en des essais de 120 s qui ont été superposés avec un sinus linéairement indépendant. Le sinus superposé n'a pas été utilisé dans les analyses ultérieures. La longue séquence PRTS avait 242 états avec une durée d'état de 0,25 s et était identique au stimulus utilisé par Peterka1. La séquence longue de 60,5 s a été répétée cinq fois consécutives, ce qui a donné lieu à des essais longs de \(\approx 5\) min. Cinq essais de 5 minutes ont été testés, chacun à une amplitude crête à crête (pp) différente : 0,5 ; 1; 2 ; 4 ; et \(8^{\circ }\). En résumé, trois séquences de stimulus différentes ont été appliquées (1) sinusoïdale uniquement (inclinaison de la pièce ou de l'écran) ; (2) court-PRTS (inclinaison de l'écran); (3) long-PRTS à cinq amplitudes (inclinaison de l'écran).

Après avoir signé le consentement éclairé, les sujets ont rempli un questionnaire de santé de base et la masse et la taille ont été mesurées. La distance entre les lentilles du HMD, ainsi que la séparation de la caméra de rendu ont été ajustées à la distance interpupillaire (IPD) des sujets. L'IPD a été mesuré en utilisant la procédure suggérée par le fabricant de l'appareil VR. Les sujets devaient fermer un œil et aligner une échelle sur la pupille de l'œil ouvert à l'aide d'un miroir. Puis, fermant l'autre œil, on leur demandait de lire la distance de l'autre élève à l'échelle. Des sangles velcro avec les trackers ont été attachées et les sujets ont été invités à mettre le HMD, qui montrait déjà le salon. Les sujets disposaient d'un court laps de temps (2 à 3 minutes) pour se familiariser avec l'environnement virtuel, mais il leur était demandé de ne pas marcher à plus d'un mètre de la position de départ. Pour la vue de la salle, les sujets ont été invités à se tenir sur une ligne au sol. La position du pied était corrigée si nécessaire pour aligner les articulations de la cheville avec l'axe de rotation. Pour la vue écran, les sujets ont été invités à se retourner et à faire face à l'écran, en positionnant à nouveau les pieds. Pour les essais sinusoïdaux (les deux premiers et les deux derniers de chaque jour), les sujets n'étaient pas informés du mouvement de la scène et on leur demandait de "se tenir debout et confortablement" et de "regarder droit devant" pour un enregistrement de position calme de 2 minutes. Pour les essais PRTS court et PRTS long, on a dit aux sujets que l'écran bougerait et on leur a demandé de "se tenir debout et confortablement" et de "regarder droit devant". Les sujets ont écouté des livres audio non rythmiques pendant tous les enregistrements pour se distraire de la tâche d'équilibrage et éviter l'orientation auditive. Les sujets ont reçu de courtes pauses pour se déplacer entre les essais et ont été autorisés à enlever le HMD et à s'asseoir pour des pauses plus longues sur demande. L'ensemble de la procédure a duré 60 à 90 minutes et les sujets ont été invités à revenir pour un deuxième enregistrement un autre jour.

Les données ont été enregistrées sous forme de fichiers CSV et analysées plus en détail dans Matlab (The Mathworks, Natick, États-Unis). Comme l'enregistrement était couplé au taux de rafraîchissement des écrans, le taux d'échantillonnage réel était de 11,11 ± 0,29 ms. Les données ont été rééchantillonnées à exactement 90 Hz à l'aide de la fonction "rééchantillonner" de Matlab, avant un traitement ultérieur. L'inclinaison du centre de masse du corps entier autour des articulations de la cheville (com) dans la direction antéro-postérieure a été utilisée comme variable principale pour toutes les analyses. Nous avons utilisé le marqueur de l'épaule et de la hanche pour approximer le com pour tous les enregistrements, en supposant une biomécanique à deux segments avec des articulations de la cheville et de la hanche. Les orientations des segments des jambes et du tronc ont été calculées à partir des positions antéro-postérieures des marqueurs de l'épaule et de la hanche et l'angle de com a été calculé à l'aide de l'anthropométrie des sujets et des tables de distribution de masse45. Comme le marqueur d'épaule a chuté dans quatre enregistrements d'un sujet (problèmes de batterie), nous avons estimé le mouvement du tronc à partir des mouvements de la tête (HMD) pour ces essais. Comme cela simplifierait la configuration si vous utilisiez le HMD au lieu d'un marqueur d'épaule supplémentaire, nous avons estimé la validité d'une telle approximation. Le balancement du tronc estimé à partir du mouvement relatif du marqueur de la hanche à l'épaule était considérablement plus important par rapport à une estimation du mouvement de la hanche à la tête. Nous pensons que la petite erreur est justifiée dans notre cas en raison du petit nombre d'approximations. Cependant, nos résultats indiquent que le marqueur d'épaule généralement utilisé pour l'estimation de com ne peut généralement pas être remplacé par le mouvement HMD.

La première des cinq répétitions de la séquence PRTS a été écartée pour éviter les transitoires et les 2 \(\times\) 4 cycles pour chaque sujet ont été transformés dans le domaine fréquentiel à l'aide d'une transformée de Fourier rapide (fonction Matlab 'fft'). Les fonctions de réponse en fréquence (FRF) ont été calculées en divisant le spectre com moyen par le spectre de stimulus moyen, en supprimant même les points de fréquence, où le stimulus n'a pas d'énergie, et en faisant la moyenne sur la fréquence pour réduire le nombre de points de fréquence à des fréquences plus élevées1. La cohérence a été calculée comme le produit des spectres de puissance moyens de com et du stimulus, divisés par le spectre de puissance croisée moyen de com et du stimulus (pour plus de détails, voir 1, 5, 46). Les FRF sont des fonctions à valeurs complexes de la fréquence et ont été affichées sous forme de gain et de phase, où le gain est le rapport des amplitudes de balancement et de stimulus, tandis que la phase donne leur relation temporelle. La cohérence est une mesure de la relation entre les composants aléatoires et évoqués par le stimulus. Une cohérence de un indiquerait une oscillation non aléatoire et uniquement évoquée par un stimulus, tandis qu'une cohérence de zéro indiquerait uniquement une oscillation aléatoire et aucun stimulus évoqué.

Les longues données PRTS de nos expériences VR ont été comparées à l'ensemble de données enregistré par Peterka1 à l'aide d'un écran motorisé du monde réel. Les FRF d'un seul sujet des deux études ont été utilisées pour la comparaison statistique entre les sujets. Les FRF sont à valeurs complexes, ce qui a été pris en compte à l'aide de tests \(Hotellings-T^2\) bilatéraux traitant les composants réels et imaginaires comme des variables dépendantes. Comme les FRF sont unidimensionnels à travers la fréquence, c'est-à-dire qu'ils contiennent de nombreux points de fréquence, la statistique de test doit être corrigée pour les tests d'hypothèses multiples. Comme les points de données FRF ne sont pas indépendants, il y a moins de degrés de liberté que le nombre de points de fréquence. Nous avons utilisé le package de cartographie statistique non paramétrique (spm1d.org version M.0.4.8), qui applique la théorie des champs aléatoires pour calculer les ajustements de niveau alpha pour les données 1D47,48,49. En résumé, nous avons calculé des tests \(1D-Hotellings-T^2\) non paramétriques bilatéraux avec un niveau alpha de \(\alpha = 0,05\) pour les FRF dépendant de la fréquence afin de comparer le Peterka1 (monde réel) et nos données VR à chaque amplitude de stimulus.

Les fonctions de réponse en fréquence des séquences PRTS courtes ont été calculées de manière analogue à celles des séquences PRTS longues et à nouveau moyennées sur la fréquence, comme proposé par Peterka5. Les FRF ont été interprétées à l'aide d'un modèle paramétrique, où le mécanisme d'intégration sensorielle est modélisé comme un mécanisme de rétroaction, formulé comme une équation différentielle. Des techniques d'optimisation sont ensuite utilisées pour identifier les paramètres qui reproduisent le mieux les FRF expérimentales. La formulation du modèle et l'estimation des paramètres ont été réalisées en grande partie selon les méthodes décrites par Peterka5. La dynamique du modèle est donnée par :

avec la dynamique corporelle linéarisée (approximation aux petits angles \(\sin (\gamma )\approx \gamma\)) \(B=\frac{1}{Js^2-mgh}\), le contrôleur neuronal \(NC=K_p + K_d s\), la temporisation \(TD = \exp ^{-\tau s}\), la rétroaction de couple passe-bas \(TF=\frac{K_t}{sF_{lp}+1} \), et la variable de Laplace \(s(k)=j\omega (k)\). L'inertie corporelle J et la masse*constante gravitationnelle*com taille (mgh) ont été calculées à partir du poids et de la taille des sujets et des tables anthropométriques45. Nous avons utilisé un \(F_{lp}=20\) fixe, qui différait des méthodes décrites par Peterka, qui estimait \(F_{lp}\)1 pour les séquences PRTS longues ou proposait d'utiliser \(TF=\frac{K_t}{s}\) pour les séquences PRTS courtes. Les séquences PRTS courtes sont trop courtes pour des estimations fiables de \(F_{lp}\), tandis qu'un intégrateur pur ne fonctionne pas très bien pour les séquences PRTS longues. Nous avons donc choisi le \(F_{lp}\) fixe sur la base d'une estimation issue de la littérature16. Les paramètres du modèle soumis à optimisation sont donc \(\theta =(W_v,K_p,K_d,K_t,\tau )\).

Nous proposons un estimateur du maximum de vraisemblance en supposant une distribution de Laplace normalisée pour formuler le problème d'estimation des paramètres. La distribution de Laplace est donnée par :

La probabilité d'observer la FRF expérimentale \(H_e(k)\) pour tout modèle FRF \(H_m(\theta ,k)\) est alors donnée par :

La log-vraisemblance négative est alors donnée par

Le problème d'optimisation des paramètres peut alors être formulé comme

Des comparaisons statistiques des paramètres ont été mises en œuvre dans JASP50. Pour les ANOVA à mesures répétées, nous avons utilisé les vérifications d'hypothèses (test de Mauchly pour la sphéricité) et les corrections appropriées (Greenhouse-Geisser) le cas échéant. Nous avons également testé la normalité (Shapiro-Wilk) dans des comparaisons par paires et utilisé le test des rangs signés de Wilcoxon pour toutes les comparaisons, car l'hypothèse de normalité était violée dans certains paramètres. L'analyse de fiabilité a été effectuée à l'aide de la corrélation intraclasse (ICC3,1) implémentée dans JASP50.

Les amplitudes de réponse de balancement à la fréquence de stimulation sinusoïdale ont été calculées pour chaque sujet et condition. Les données de Com sway ont été transformées à l'aide d'une transformée de Fourier rapide ("fft") et le spectre de puissance à demi-face a été mis à l'échelle (1/Fs/N ; N \(=\) échantillons dans le domaine temporel ; Fs = fréquence d'échantillonnage). Enfin, la valeur à la fréquence du stimulus (0,5 Hz) a été prise pour des comparaisons statistiques entre les conditions. Les réponses de balancement des conditions sinusoïdales ont été comparées statistiquement à l'aide d'une rmANOVA à 3 niveaux avec les niveaux « scène » (salle, écran), « pré-post » (pré, post) et « jour » (jour1, jour2).

Les données sont disponibles auprès de LA sur demande raisonnable.

Peterka, RJ Intégration sensorimotrice dans le contrôle postural humain. J. Neurophysiol. 88, 1097-118 (2002).

Article CAS PubMed Google Scholar

Forbes, PA, Chen, A. & Blouin, JS Contrôle sensorimoteur de l'équilibre debout. Handb. Clin. Neurol. 159, 61–83. https://doi.org/10.1016/B978-0-444-63916-5.00004-5 (2018).

Article PubMed Google Scholar

Hwang, S., Agada, P., Kiemel, T. & Jeka, JJ Repondération dynamique de trois modalités pour la fusion de capteurs. PloS One 9, e88132. https://doi.org/10.1371/journal.pone.0088132 (2014).

Article CAS PubMed PubMed Central ADS Google Scholar

Pasma, JH et al. Équilibre debout altéré : Le besoin clinique de boucler la boucle. Neurosciences 267, 157–165. https://doi.org/10.1016/j.neuroscience.2014.02.030 (2014).

Article CAS PubMed Google Scholar

Peterka, RJ, Murchison, CF, Parrington, L., Fino, PC & King, LA Mise en œuvre d'un test d'intégration sensorimotrice centrale pour la caractérisation du contrôle de l'équilibre humain pendant la position. Devant. Neurol. 9, 1045 (2018).

Article PubMed PubMed Central Google Scholar

van der Kooij, H., van Asseldonk, E. & van der Helm, FCT Comparaison de différentes méthodes pour identifier et quantifier le contrôle de l'équilibre. J. Neurosci. Méthodes 145, 175–203. https://doi.org/10.1016/j.jneumeth.2005.01.003 (2005).

Article PubMed Google Scholar

Nardone, A. & Schieppati, M. Le rôle de l'évaluation instrumentale de l'équilibre dans la prise de décision clinique. EUR. J.Phys. Réhabilit. Méd. 46, 221-237 (2010).

CAS PubMed Google Scholar

Visser, JE, Carpenter, MG, van der Kooij, H. & Bloem, BR L'utilité clinique de la posturographie. Clin. Neurophysiol. 119, 2424–2436. https://doi.org/10.1016/j.clinph.2008.07.220 (2008).

Article PubMed Google Scholar

Romberg, MH Manuel des maladies nerveuses de l'homme (1846) (A. Duncker, 1846).

Google Scholar

Peterka, RJ & Black, FO Changements liés à l'âge dans le contrôle de la posture humaine : tests d'organisation sensorielle. J. Vestibular Res. 1, 73–85 (1990).

Article Google Scholar

Grove, CR, Whitney, SL, Hetzel, SJ, Heiderscheit, BC & Pyle, GM Validation d'un test d'organisation sensorielle de nouvelle génération chez des adultes avec et sans dysfonction vestibulaire. J. Vestibular Res. 31, 33–45 (2021).

Article Google Scholar

Nashner, L. & Berthoz, A. Contribution visuelle aux réponses motrices rapides pendant le contrôle postural. Cerveau Res. 150, 403–407 (1978).

Article CAS PubMed Google Scholar

Johansson, R. & Magnusson, M. Dynamique posturale humaine. Crit. Rév. Biomed. Ing. 18, 413–437 (1991).

CAS PubMed Google Scholar

Mergner, T. Une vue neurologique sur le contrôle réactif de la position humaine. Annu. Rev. Control 34, 177–198. https://doi.org/10.1016/j.arcontrol.2010.08.001 (2010).

Article Google Scholar

Oie, KS, Kiemel, T. & Jeka, JJ Fusion multisensorielle : repondération simultanée de la vision et du toucher pour le contrôle de la posture humaine. Cerveau Res. Connaître. Cerveau Res. 14, 164–176 (2002).

Article Google Scholar

Cenciarini, M. & Peterka, RJ Changements dépendants du stimulus dans la contribution vestibulaire au contrôle postural humain. J. Neurophysiol. 95, 2733–2750. https://doi.org/10.1152/jn.00856.2004 (2006).

Article PubMed Google Scholar

Peterka, RJ Simplifier les complexités du maintien de l'équilibre. IEEE Eng. Méd. Biol. Mag. Q.Mag. Ing. Méd. Biol. Soc. 22, 63–68 (2003).

Article Google Scholar

Dichgans, J., Held, R., Young, LR et Brandt, T. Les scènes visuelles en mouvement influencent la direction apparente de la gravité. Sciences 178, 1217-1219 (1972).

Article CAS PubMed ADS Google Scholar

Dokka, K., Kenyon, RV, un Keshner, E. & Kording, KP Self versus mouvement de l'environnement dans le contrôle postural. Calcul PLoS. Biol. 6, e1000680. https://doi.org/10.1371/journal.pcbi.1000680 (2010) (Dupliqué 2).

Article CAS PubMed PubMed Central ADS Google Scholar

Yu, Y., Lauer, RT, Tucker, CA, Thompson, ED et Keshner, EA La dépendance visuelle affecte les réponses de balancement postural au mouvement continu du champ visuel chez les personnes atteintes de paralysie cérébrale. Dév. Neuroréhabilitation. 21, 531–541. https://doi.org/10.1080/17518423.2018.1424265 (2018).

Article PubMed PubMed Central Google Scholar

Lee, DN & Lishman, JR Contrôle proprioceptif visuel de la position. J. Hum. Movem. Étalon. 1, 87–95 (1975).

Google Scholar

Bronstein, AM Suppression des réponses posturales évoquées visuellement. Exp. Cerveau Res. Exp. Hirnforschung. Exp. Cérébrale 63, 655–658. https://doi.org/10.1007/BF00237488 (1986).

Article CAS Google Scholar

Blümle, A., Maurer, C., Schweigart, G. & Mergner, T. Un mécanisme d'interaction intersensorielle cognitive dans le contrôle postural humain. Exp. Cerveau Res. 173, 357–63. https://doi.org/10.1007/s00221-006-0384-z (2006).

Article PubMed Google Scholar

Peterka, RJ & Benolken, MS Rôle des signaux somatosensoriels et vestibulaires dans l'atténuation du balancement postural humain induit visuellement. Exp. Cerveau Res. 105, 101–110 (1995).

Article CAS PubMed Google Scholar

Fitzpatrick, RC & Day, BL Sonder le système vestibulaire humain avec une stimulation galvanique. J. Appl. Physiol. (Bethesda, Maryland : 1985) 96, 2301–16. https://doi.org/10.1152/japplphysiol.00008.2004 (2004).

Article Google Scholar

Mian, OS, Dakin, CJ, Blouin, J.-S., Fitzpatrick, RC & Day, BL Absence d'implication des otolithes dans les réponses d'équilibre évoquées par la stimulation électrique mastoïdienne. J. Physiol. 588, 4441–4451 (2010).

Article CAS PubMed PubMed Central Google Scholar

Mohebbi, A., Amiri, P. & Kearney, RE Identification des réponses de contrôle de l'équilibre humain aux entrées visuelles à l'aide de la réalité virtuelle. J. Neurophysiol. (2022).

Nielsen, EI, Cleworth, TW & Carpenter, MG Explorer la modulation émotionnelle des réponses posturales évoquées visuellement à travers la réalité virtuelle. Neurosci. Lett. 8, 136586 (2022).

Article Google Scholar

Wang, Y., Kenyon, RV et Keshner, E. Identifier le contrôle des réponses de balancement évoquées physiquement et perceptivement avec des vitesses de scène visuelles coïncidentes et l'inclinaison de la base du support. Exp. Cerveau Res. 201, 663–672. https://doi.org/10.1007/s00221-009-2082-0 (2010).

Article PubMed Google Scholar

Assländer, L. & Streuber, S. La réalité virtuelle comme outil de recherche d'équilibre : le balancement du corps avec les yeux ouverts est reproduit dans des scènes virtuelles photo-réalistes, mais pas dans des scènes abstraites. PLoS ONEhttps://doi.org/10.1371/journal.pone.0241479 (2020).

Article PubMed PubMed Central Google Scholar

Engel, D. et al. Cohérence des phases inter-essais des réponses posturales évoquées visuellement en réalité virtuelle. Exp. Cerveau Res. 238, 1177-1189 (2020).

Article CAS PubMed PubMed Central Google Scholar

Liang, H.-W. et coll. Les effets des arrière-plans visuels dans les environnements virtuels sur la stabilité posturale de la station debout. IEEE Trans. Système neuronal. Réhabilit. Ing. 29, 1129-1137 (2021).

Article PubMed Google Scholar

Mahboobin, A., Loughlin, P., Atkeson, C. & Redfern, M. Un mécanisme de repondération sensorielle dans le contrôle postural. Méd. Biol. Ing. Calcul. 47, 921–929. https://doi.org/10.1007/s11517-009-0477-5 (2009).

Article PubMed PubMed Central Google Scholar

Mergner, T., Maurer, C. & Peterka, RJ Un modèle de contrôle de posture multisensoriel de la position debout humaine. Programme. Cerveau Res. 142, 189–201. https://doi.org/10.1016/S0079-6123(03)42014-1 (2003).

Article CAS PubMed Google Scholar

Assländer, L., Hettich, G. & Mergner, T. Contribution visuelle à l'équilibre debout humain pendant les inclinaisons de la surface de support. Hum. Movem. Sci. 41, 147–164. https://doi.org/10.1016/j.humov.2015.02.010 (2015).

Article Google Scholar

Assländer, L., Smith, CP & Reynolds, RF Intégration sensorielle d'une référence tactile légère dans l'équilibre debout humain. PloS One 13, e0197316. https://doi.org/10.1371/journal.pone.0197316 (2018).

Article CAS PubMed PubMed Central Google Scholar

Mergner, T., Schweigart, G., Maurer, C. & Blümle, A. Réponses posturales humaines au mouvement d'environnements visuels réels et virtuels dans différentes conditions de base de support. Exp. Cerveau Res. 167, 535–556. https://doi.org/10.1007/s00221-005-0065-3 (2005).

Article CAS PubMed Google Scholar

Cleworth, TW, Horslen, BC & Carpenter, MG Influence des hauteurs réelles et virtuelles sur l'équilibre debout. Gait Posture 36, 172–176 (2012).

Article PubMed Google Scholar

Sakanaka, TE, Lakie, M. & Reynolds, RF Différences individuelles dans la rigidité intrinsèque de la cheville et leur relation avec le balancement du corps et le couple de la cheville. Plos One 16, e0244993 (2021).

Article CAS PubMed PubMed Central Google Scholar

Lord, SR & Webster, IW Dépendance du champ visuel chez les abatteurs et les non-abatteurs âgés. Int. J. Vieillissement Hum. Dév. 31, 267-277. https://doi.org/10.2190/38MH-2EF1-E36Q-75T2 (1990).

Article CAS PubMed Google Scholar

Paulus, WM & Straube, A. Stabilisation visuelle de la posture. caractéristiques des stimuli physiologiques et aspects cliniques. Cerveau J. Neurol. 107(Pt 4), 1143–1163 (1984).

Article Google Scholar

El Jamiy, F. & Marsh, R. Estimation de distance en réalité virtuelle et réalité augmentée : une enquête. en 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 Acceptation de la réalité virtuelle immersive montée sur la tête chez les personnes âgées. Sci. Rep. 9, 1–12 (2019).

Article CAS Google Scholar

Davies, W. Identification du système pour le contrôle auto-adaptatif (Wiley, 1970).

MATH Google Scholar

Winter, DA Biomécanique et contrôle moteur du mouvement humain (Wiley, 2009).

Réserver Google Scholar

Pintelon, R. & Schoukens, J. Identification du système : une approche dans le domaine fréquentiel (Wiley, 2012).

Livre MATH Google Scholar

Pataky, TC Cartographie paramétrique statistique unidimensionnelle en Python. Calcul. Méthodes Biomech. Biomédical. Ing. 15, 295–301. https://doi.org/10.1080/10255842.2010.527837 (2012).

Article Google Scholar

Pataky, TC, Robinson, MA et Vanrenterghem, J. Analyse statistique de champ vectoriel des trajectoires cinématiques et de force. J. Biomech. 46, 2394–2401. https://doi.org/10.1016/j.jbiomech.2013.07.031 (2013).

Article PubMed Google Scholar

Pataky, TC, Vanrenterghem, J. & Robinson, MA Zéro-vs. procédures de test unidimensionnel, paramétrique vs non paramétrique et d'intervalle de confiance vs hypothèse dans l'analyse de trajectoire biomécanique unidimensionnelle. J. Biomech. 48, 1277-1285. https://doi.org/10.1016/j.jbiomech.2015.02.051 (2015).

Article PubMed Google Scholar

L'équipe JAP. JASP (Version 0.16.1) [Logiciel informatique] (2022).

Télécharger les références

Nous tenons à remercier Robert J Peterka pour avoir fourni les données de la fonction de réponse en fréquence de sujets individuels de l'étude qu'il a publiée en 2002 et LA tient à remercier pour de nombreuses années de précieux mentorat.

Financement Open Access activé et organisé par Projekt DEAL.

Centre de recherche sur les performances humaines, Université de Constance, 78464, Constance, Allemagne

Lorenz Assländer & Matthias Albrecht

Département d'informatique et des sciences de l'information, Université de Constance, 78464, Constance, Allemagne

Matthieu Albrecht

Département de mathématiques, Université de Fribourg, 79110, Fribourg, Allemagne

Moritz Diehl

École de kinésiologie, Université de la Colombie-Britannique, Vancouver, V6T 2A1, Canada

Kyle J. Misses et Mark G. Carpenter

Département de génie électrique et d'informatique, Université des sciences appliquées et des arts de Cobourg, 96450, Cobourg, Allemagne

Stéphan Streuber

Future College, Université de Constance, 78464, Constance, Allemagne

Stéphan Streuber

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Doit inclure tous les auteurs, identifiés par des initiales, par exemple : LA, MC, KM, SS ont conçu l'expérience, MA, LA et SS ont créé la mise en œuvre de la réalité virtuelle, LA et MA ont réalisé l'expérience, LA et MD ont analysé les résultats. Tous les auteurs ont examiné le manuscrit.

Correspondance à Lorenz Assländer.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui permet l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Assländer, L., Albrecht, M., Diehl, M. et al. Estimation de la contribution visuelle à l'équilibre debout à l'aide de la réalité virtuelle. Sci Rep 13, 2594 (2023). https://doi.org/10.1038/s41598-023-29713-7

Télécharger la citation

Reçu : 27 avril 2022

Accepté : 09 février 2023

Publié: 14 février 2023

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

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.