Background: Community care professionals need to encourage older adults in performing functional activities to maintain independence. However, professionals often perform functional activities on behalf of older adults. To change this, insights into the behavior and barriers of professionals in encouraging activities are required. In the current study, the MAINtAIN questionnaire, which was developed for nursing homes, was adopted. The objective was to create a modified version that is suitable for measuring behavior and barriers of community care professionals in encouraging functional activities of clients in the community care setting. The overall aims were to assess the content validity, construct validity, and internal consistency of the modified version. Methods: Data was collected by qualitative and quantitative methods in two phases. During phase one, the MAINtAIN was assessed on appropriateness and feasibility by community nurses (N = 7), and the adapted questionnaire was assessed on content validity by research experts (N = 9) and community care professionals (N = 18). During phase two, the psychometric properties of the adapted MAINtAIN-C were assessed in community care professionals (N = 80). Construct validity was evaluated by an Exploratory Factor Analysis (EFA), and internal consistency was determined by calculating Cronbach’s alpha coefficients. Results: The formulation, verbs, and wording of the MAINtAIN were adapted; some items were excluded and relevant items were added, resulting in the MAINtAIN-C with two scales, showing good content validity. The Behaviors scale (20 items) measures perceived behavior in encouraging functional activities, expressing good internal consistency (Cronbach’s alpha: .92). The Barriers scale measures barriers in encouraging functional activities related to two dimensions: 1) the clients’ context (7 items), with good internal consistency (.78); and 2) the professional, social, and organizational contexts (21 items), showing good internal consistency (.83). Conclusions: The MAINtAIN-C seems promising to assess the behavior and barriers of community care professionals in encouraging functional activities. It can be used to display a possible difference between perceived and actual behavior, to develop strategies for removing barriers in encouraging activities to foster behavioral change. The results also provide guidance for further research in a larger sample to obtain more insight into the psychometric properties.
Aesthetic experiences have an influence on many aspects of life. Interest in the neural basis of aesthetic experiences has grown rapidly in the past decade, and fMRI studies have identified several brain systems supporting aesthetic experiences. Work on the rapid neuronal dynamics of aesthetic experience, however, is relatively scarce. This study adds to this field by investigating the experience of being aesthetically moved by means of ERP and time–frequency analysis. Participants' EEG was recorded while they viewed a diverse set of artworks and evaluated the extent to which these artworks moved them. Results show that being aesthetically moved is associated with a sustained increase in gamma activity over centroparietal regions. In addition, alpha power over right frontocentral regions was reduced in high- and low-moving images, compared to artworks given intermediate ratings. We interpret the gamma effect as an indication for sustained savoring processes for aesthetically moving artworks compared to aesthetically less-moving artworks. The alpha effect is interpreted as an indication of increased attention for aesthetically salient images. In contrast to previous works, we observed no significant effects in any of the established ERP components, but we did observe effects at latencies longer than 1 sec. We conclude that EEG time–frequency analysis provides useful information on the neuronal dynamics of aesthetic experience.
Self-efficacy and outcome expectations regarding client activation determine professionals’ level of actively engaging clients during daily activities. The Client Activation Self-Efficacy and Outcome Expectation Scales for nurses and domestic support workers (DSWs) were developed to measure these concepts. This study aimed to assess their psychometric properties. Cross-sectional data from a sample of Dutch nurses (n=150) and DSWs (n=155) were analysed. Descriptive statistics were used to examine floor and ceiling effects. Construct validity was assessed by testing research-based hypotheses. Internal consistency was determined with Cronbach’s alpha. The scales for nurses showed a ceiling effect. There were no floor or ceiling effects in the scales for domestic support workers. Three out of five hypotheses could be confirmed (construct validity). For all scales, Cronbach’s alpha coefficients exceeded 0.70. In conclusion, all scales had moderate construct validity and high internal consistency. Further research is needed concerning their construct validity, testretest reliability and sensitivity to change.
Achtergrond: Chronische pijn is een veelvoorkomend probleem. Hulpverleners hebben behoefte aan handvatten om de hulp aan mensen met chronische pjjn te verbeteren. Huidige behandelingen sorteren beperkt effect en de waardering van mensen over de ontvangen zorg is matig. Het faciliteren van betrokkenheid en eigen regie zijn voorwaardelijk voor effectieve hulp. EHealth toepassingen inclusief het monitoren van objectieve biomarkers voor pijn kunnen hierbij behulpzaam zijn. Een bestaande EHealth toepassing gericht op het informeren van mensen met een chronische aandoening en het faciliteren van zelfmanagement is beschikbaar. Doelstelling: 1)Het doorontwikkelen van een bestaande EHealth toepassing specifiek voor mensen met chronische pijn en het evalueren van biomarkers. 2)De ontwikkelde EHealth toepassing inclusief biomarkeranalyse te implementeren bij een beperkte groep van mensen met chronische musculoskeletale pijn om eerste effecten te evalueren en gebruikerservaringen te inventariseren en 3)op basis van de verkregen resultaten een vervolg onderzoeksaanvraag te schrijven om de effecten van deze nieuwe behandelwijze te onderzoeken en nieuwe biomarker-testen te ontwikkelen. Vraagstellingen: 1)Hoe ziet de doorontwikkeling (op basis van co-creatie) van de EHealth toepassing er concreet uit? 2)Is de biomarker α-amylase een objectieve maat voor pijnintensiteit? 3)Wat zijn de eerste effecten van deze EHealth applicatie? (uitkomstmaten zijn pijn, α-amylase concentratie, dagelijks functioneren en kwaliteit van leven) 4)Wat zijn de ervaringen van gebruikers (patiënten en hulpverleners)? Aanpak: Het onderzoek wordt uitgevoerd door een consortium van deskundigen op het gebied van niet-farmaceutische behandeling van mensen met chronische pijn en zelfmanagement, de ontwikkeling en het gebruik van biomarkers voor chronische pijn, een EHealth ontwikkelaar en behandelaren van mensen met chronische pijn en patiënten. Een EHealth toepassing wordt ontwikkeld, biomarkers waaronder α-amylase worden geëvalueerd en de eerste effecten en gebruikerservaringen van deze interventie inclusief biomarkerbepaling worden gemonitord in een populatie van mensen met chronische lage rug en/of nekpijn.
Computer Vision (CV) is een tak binnen de Artificiële Intelligentie (AI) die zich bezig houdt met visuele herkenning van patronen in afbeeldingen of videos. Daarbij wordt gebruik gemaakt van diepe representatiemodellen, die gebaseerd zijn op Euclidische geometrie. Dit betekent dat deze modellen getraind zijn op basis van een vlakke geometrische representatie. In veel gevallen sluit deze representatie niet goed aan bij de echte wereld. Visuele illusies, zoals Sheppard’s “Terror Subterra”, geven aanwijzingen waar de discrepanties zitten. Bij een verplaatsing van het monster op de horizontale en verticale as in een vlakke representatie lijkt het alsof het monster van grootte veranderd, terwijl dit in werkelijkheid niet zo is: beide monsters zijn exact even groot. Een verplaatsing van een object in de echte wereld heeft zo vaak invloed op de schaal dat onze hersenen erdoor misleid kunnen worden. Recente vorderingen in CV laten de potentie zien van de toepassing van niet-Euclidische geometrie voor het leren van visuele eigenschappen. Het verschil tussen de twee is met name dat de representatieve kracht van niet-Euclidische geometrie groter is. In een niet-Euclidische representatie kan de schaal van Shepard’s monster bij verplaatsing in de ruimte op een natuurlijke manier gepresenteerd worden, waardoor het beeld consistent blijft met onze visuele perceptie ervan. In dit onderzoek willen we de impact evalueren van niet-Euclidische visuele representatiemodellen op het verzamelen, ordenen en annoteren van de data die nodig is voor het trainen van deze nieuwe diepe representatiemodellen. Dit willen we doen we aan de hand van drie CV-problemen die praktische toepassingen dienen buiten de context van de academische wetenschap: beeldmerkherkenning in reclamevideo’s (bij Alpha.one), winkelpanddetectie in gelijkhoekige (visoogobjectief) video’s (bij The Big Data Company) en visuele inspectie van de binnenkant van cilindervormige opslagtanks (bij ScanTank).
"RoseGuardian" is een unieke samenwerking tussen de bedrijven Compas Agro BV, Frank Coenders Kwekerijen BV en Fontys Hogeschool met haar onderzoeks- en technologiegroep GreenTechLab. Dit project heeft als doel om gezamenlijk robotica toe te passen om de onkruidverwijdering en het beheer in de open teelt van rozen te verbeteren. Het project richt zich op het onderzoeken, testen en valideren van onkruidherkenning voor het elimineren van onkruid. Het doel van het project is de efficiëntie te verhogen, de arbeidskosten te verlagen en de gewasopbrengst te verbeteren terwijl de milieueffecten tot een minimum worden beperkt. Het project brengt de expertise van de bedrijven Compas Agro en Frank Coenders Kwekerijen op het gebied van vollegrondteelt samen met de expertise van GreenTechLab op het gebied van precisietuinbouw en robotica. Er wordt gestreefd naar een resultaat waarbij het lukt: - Om de beste methode voor het verwijderen van onkruid te onderzoeken. - Om onkruid en niet-onkruid te identificeren met behulp van een vision applicatie op basis van deep learning en AI. - Om praktijktesten te doen om onkruid te verwijderen in een proefomgeving. Hier vindt de validatie van dit project plaats.