Abstract Background: Patients with glioma often suffer from cognitive deficits. Physical exercise has been effective in ameliorating cognitive deficits in older adults and neurological patients. This pilot randomized controlled trial (RCT) explored the possible impact of an exercise intervention, designed to improve cognitive functioning in glioma patients, regarding cognitive test performance and patient-reported outcomes (PROs). Methods: Thirty-four clinically stable patients with World Health Organization grades II/III glioma were randomized to a home-based remotely coached exercise group or an active control group. Patients exercised 3 times per week for 20-45 minutes, with moderate to vigorous intensity, during 6 months. At baseline and immediate follow-up, cognitive performance and PROs were assessed with neuropsychological tests and questionnaires, respectively. Linear regression analyses were used to estimate effect sizes of potential between-group differences in cognitive performance and PROs at 6 months. Results: The exercise group (n = 21) had small- to medium-sized better follow-up scores than the control group (n = 11) on several measures of attention and information processing speed, verbal memory, and executive function, whereas the control group showed a slightly better score on a measure of sustained selective attention. The exercise group also demonstrated small- to medium-sized better outcomes on measures of self-reported cognitive symptoms, fatigue, sleep, mood, and mental health-related quality of life. Conclusions: This small exploratory RCT in glioma patients provides a proof of concept with respect to improvement of cognitive functioning and PROs after aerobic exercise, and warrants larger exercise trials in brain tumor patients.
Objective: To develop a blended physiotherapeutic intervention for patients with non-specific low back pain (e-Exercise LBP) and evaluate its proof of concept. Design: Focus groups with patients, physiotherapists, and eHealth and LBP experts were conducted to investigate values according to the development of e-Exercise LBP. Proof of concept was evaluated in a multicentre study. Setting: Dutch primary care physiotherapy practices (n=21 therapists). Participants: Adults with non-specific LBP (n=41). Intervention: e-Exercise LBP was developed based on clinical LBP guidelines and the focus groups, using the Center for eHealth Research Roadmap. Face-to-face physiotherapy sessions were integrated with a web application consisting of 12 information lessons, video-supported exercises and a physical activity module with the option to gradually increase individuals' level of physical activity. The intervention could be tailored to patients' risk of persistent disabling LBP, according to the STarT Back Screening Tool. Main outcome measures: Functional disability, pain, physical activity, sedentary behaviour and fear-avoidance beliefs, measured at baseline and 12 weeks. Results: After 12 weeks, improvements were found in functional disability [Quebec Back Pain Disability Scale: mean difference (MD) -12.2/100; 95% confidence interval (CI) 8.3 to 16.1], pain (Numeric Pain Rating Scale: MD -2.8/10; 95% CI 2.1 to 3.6), subjective physical activity (Short Questionnaire to Assess Health Enhancing Physical Activity: MD 11.5minutes/day; 95% CI -47.8 to 24.8) and objective sedentary behaviour (ActiGraph: MD -23.0minutes/day; 95% CI -8.9 to 55.0). Small improvements were found in objective physical activity and fear-avoidance beliefs. The option to gradually increase physical activity was activated for six patients (15%). On average, patients received seven face-to-face sessions alongside the web application. Conclusions: The results of this study provide the first indication of the effectiveness of e-Exercise LBP, particularly for disability and pain among patients with LBP. Future studies will focus on end-user experiences and (cost-) effectiveness.
LINK
Instead of using a passive AC power grid for low power applications, this paper describes a smart plug for DC networks that is capable of providing the correct power to a device (up to 100W) and that allows for communication between different plugs and monitoring of energy consumption across the DC network using the Ethernet protocol in conjunction with a signal modulator to adapt the signals to the DC network. The ability to monitor consumption on a device-per-device basis allows for closer monitoring of in-house energy use and provides an easily scalable platform to monitor consumption at a macro level. In order to make this paper attractive for the consumer market and easily integrable with existing consumer devices, a generally compatible solution is needed. To meet these demands and to take advantage of the trend of charging consumer devices through USB, we opted for the recently adapted USB Power Delivery standard. This standard allows devices to communicate with the plug and demand a specific voltage and current needed for the device to operate. The purpose of this paper is to give the reader insight in the development of a proof of concept of the smart DC/DC power plug. 10.1109/DUE.2014.6827761
INLEIDING: De Hogeschool Utrecht heeft op basis van praktijkgericht onderzoek een innovatief modulair bouwconcept (#SELFIECIENT) ontwikkeld. Met diverse gestandaardiseerde modulaire bouwdelen van #SELFIECIENT kan eenvoudig een bouwgevel worden samengesteld, en daarmee een gehele woning. Met behulp van deze SIA RAAK TAKE OFF subsidie wordt dit concept nu door enkele ondernemende studenten omgezet naar een marktwaardig product. HET PROBLEEM: #SELFIECIENT tackelt drie belangrijke uitdagingen in de huidige bouwsector / gebouwde omgeving op een nieuwe en innovatieve wijze, te weten 1) de ontwikkeling van circulaire en klimaat neutrale woningen, 2) de ontwikkeling van betaalbare woningen en 3) de ontwikkeling van flexibele / adaptieve woningen. DE OPLOSSING: De oplossing voor bovengenoemde uitdagingen ligt in het industrieel vervaardigen van modulaire bouwdelen op basis van circulaire materialen, die de realisatie van een comfortabele, betaalbare, klimaat neutrale en adaptieve woning garanderen = #SELFIECIENT. DE INNOVATIE: De modulaire bouwdelen van #SELFIECIENT hebben de volgende innovatieve eigenschappen. 1) Revolutionair is het ontwikkelen van geïntegreerde multifunctionele bouwdelen die in diverse marktsegmenten toegepast kunnen worden; 2) Schaalbaarheid door middel van (open source) standaardisatie en de mogelijkheid van hergebruik. 3) Industrialisatie van het productieproces van de modulaire bouwgevels waardoor goedkoop en milieuvriendelijke kan worden geproduceerd; 4) Vanuit externe industrieën zoals o.a. de ICT en duurzame energie sector ontstaan nieuwe producten die kunnen worden geïntegreerd in woning en die leiden tot nieuwe businesscases en exploitatie modellen. Voorbeelden zijn gedistribueerde IT-servers en lokale accu opslag systemen. MARKTANALYSE / VERDIENMODEL: De modulaire bouw elementen kennen een brede toepasbaarheid, waardoor er een groot marktpotentieel is. Voorbeelden zijn woningrenovatie, nieuwbouw, de toenemende vraag naar levensloopbestendige woningen, woningen voor vluchtelingen, en renovatie van kantoorpanden. Slechts een miniem marktaandeel in de renovatie of nieuwbouw betekent al een omzet van meer dan miljoenen euro’s. Er zijn zover bekend geen andere aanbieders van gelijksoortige producten op de markt. Het te verwachten verdienmodel is gebaseerd op de verkoop van de modulaire bouwdelen of een leen/lease exploitatie van de modulaire bouwdelen. DOEL VAN HET PROJECT / BUDGET (39900€): Het doel van het project is drieledig: 1) het uitwerken van het ontwerp van de modulaire bouwdelen op basis van eerdere ontwerpen en ideeën uit praktijkgericht onderzoek (14960€); 2) het maken van een proof-of-principle van het modulaire bouwdeel (13320€); 3) het uitvoeren van een haalbaarheidsstudie (8560€); en 4) het versterken van de entrepreneurial skills (3060€.). PROJECT TEAM: Een sterk team is gevormd om dit modulaire bouwconcept door te zetten naar een bijzonder bedrijf. Het team bestaat uit 3 ondernemende studenten, onderzoekers en lectoren verbonden aan het lectoraat Nieuwe Energie in de Stad, docenten van de opleiding werktuigbouwkunde en bouwkunde, en een ervaren entrepreneur. De studenten zijn al vroeg tijden hun opleiding gespot als bijzonder initiatiefrijk, gedreven en ondernemende studenten. Het studententeam bestaat uit een goede mix van werktuigbouwkunde, bouwkunde en technische bedrijfskunde.
Aaltjes: automatisch classificeren en tellen. Agrariërs laten bodemmonsters analyseren op onder meer aanwezigheid van aaltjes. Deze bodemanalyse is voor agrariërs cruciaal om de bodemgezondheid- en vruchtbaarheid vast te stellen maar behelst een grote kostenpost. Het identificeren, analyseren en tellen van aaltjes (nematoden) in een bodemmonster geschiedt in een gespecialiseerd laboratorium. Dit is tijdrovend, specialistisch en seizoensgebonden werk. Het tellen- en analyseren van aaltjes is mensenwerk en vergt training en ervaring van de laborant. Daarnaast hebben de laboratoria te maken met personeelstekort en de laboranten met sterk fluctuerende werkdruk. Derhalve is het speciaal voor dit project opgerichte samenwerkingsverband tussen Fontys GreenTechLab, ROBA Laboratorium en CytoSMART voornemens om een oplossing te ontwikkelen voor het automatisch classificeren en tellen van aaltjes. Dit project richt zich op de ontwikkeling van een proof of concept van een analysescanner. Het werk van de laboranten wordt grotendeels geautomatiseerd waarbij door de scanner de bodemmonsters middels toepassing van deep learning en virtual modeling kan worden geanalyseerd. Daarmee wordt beoogd een oplossing te bieden waarmee het personeelstekort wordt tegengegaan, de werkdruk kan worden verlaagd, mensenwerk wordt geautomatiseerd (waardoor de kans op fouten wordt verkleind) en de kosten voor agrariërs worden verlaagd.
The increasing amount of electronic waste (e-waste) urgently requires the use of innovative solutions within the circular economy models in this industry. Sorting of e-waste in a proper manner are essential for the recovery of valuable materials and minimizing environmental problems. The conventional e-waste sorting models are time-consuming processes, which involve laborious manual classification of complex and diverse electronic components. Moreover, the sector is lacking in skilled labor, thus making automation in sorting procedures is an urgent necessity. The project “AdapSort: Adaptive AI for Sorting E-Waste” aims to develop an adaptable AI-based system for optimal and efficient e-waste sorting. The project combines deep learning object detection algorithms with open-world vision-language models to enable adaptive AI models that incorporate operator feedback as part of a continuous learning process. The project initiates with problem analysis, including use case definition, requirement specification, and collection of labeled image data. AI models will be trained and deployed on edge devices for real-time sorting and scalability. Then, the feasibility of developing adaptive AI models that capture the state-of-the-art open-world vision-language models will be investigated. The human-in-the-loop learning is an important feature of this phase, wherein the user is enabled to provide ongoing feedback about how to refine the model further. An interface will be constructed to enable human intervention to facilitate real-time improvement of classification accuracy and sorting of different items. Finally, the project will deliver a proof of concept for the AI-based sorter, validated through selected use cases in collaboration with industrial partners. By integrating AI with human feedback, this project aims to facilitate e-waste management and serve as a foundation for larger projects.
