חומר זה מבוסס על עבודה הנתמכת על ידי תוכנית מלגות המחקר לתארים מתקדמים של הקרן הלאומית למדע (DGE-2140004), Weill Neurohub והמכון הלאומי לבריאות (UH3NS100544). כל הדעות, הממצאים, המסקנות או ההמלצות המובעות בחומר זה הן של המחבר(ים) ואינן משקפות בהכרח את הדעות של הקרן הלאומית למדע, Weill Neurohub או המכון הלאומי לבריאות. אנו מודים לטיאנג'יאו ז'אנג על התייעצויותיו המקצועיות בנושא עיצוב פלטפורמה ושילוב נתוני וידאו. אנו מודים במיוחד למטופלים על השתתפותם במחקר זה ועל המשוב והייעוץ בנושא אבטחת רשת ועיצוב פלטפורמות.

אופטימיזציה של גירוי מוחי עמוק עבור חולים עם הפרעות נוירולוגיות

<ol>
	<li>World Health Organization. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Parkinson disease. , (2022).</li><li>Herrington, T. M., Cheng, J. J., Eskandar, E. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Mechanisms+of+deep+brain+stimulation.">Mechanisms of deep brain stimulation.</a> Journal of Neurophysiology. 115 (1), 19-38 (2016).</li><li>Little, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Adaptive+deep+brain+stimulation+for+Parkinson's+disease+demonstrates+reduced+speech+side+effects+compared+to+conventional+stimulation+in+the+acute+setting.">Adaptive deep brain stimulation for Parkinson's disease demonstrates reduced speech side effects compared to conventional stimulation in the acute setting.</a> Journal of Neurology, Neurosurgery &amp; Psychiatry. 87 (12), 1388-1389 (2016).</li><li>Mohammed, A., Bayford, R., Demosthenous, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Toward+adaptive+deep+brain+stimulation+in+Parkinson's+disease:+a+review.">Toward adaptive deep brain stimulation in Parkinson's disease: a review.</a> Neurodegenerative Disease Management. 8 (2), 115-136 (2018).</li><li>Gilron, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Long-term+wireless+streaming+of+neural+recordings+for+circuit+discovery+and+adaptive+stimulation+in+individuals+with+Parkinson's+disease.">Long-term wireless streaming of neural recordings for circuit discovery and adaptive stimulation in individuals with Parkinson's disease.</a> Nature Biotechnology. 39 (9), 1078-1085 (2021).</li><li>Ray, N. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Local+field+potential+beta+activity+in+the+subthalamic+nucleus+of+patients+with+Parkinson's+disease+is+associated+with+improvements+in+bradykinesia+after+dopamine+and+deep+brain+stimulation.">Local field potential beta activity in the subthalamic nucleus of patients with Parkinson's disease is associated with improvements in bradykinesia after dopamine and deep brain stimulation.</a> Experimental Neurology. 213 (1), 108-113 (2008).</li><li>Neumann, W. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Subthalamic+synchronized+oscillatory+activity+correlates+with+motor+impairment+in+patients+with+Parkinson's+disease.">Subthalamic synchronized oscillatory activity correlates with motor impairment in patients with Parkinson's disease.</a> Movement Disorders: Official Journal of the Movement Disorder Society. 31 (11), 1748-1751 (2016).</li><li>Swann, N. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Adaptive+deep+brain+stimulation+for+Parkinson's+disease+using+motor+cortex+sensing.">Adaptive deep brain stimulation for Parkinson's disease using motor cortex sensing.</a> J. Neural Eng. 11, (2018).</li><li>Little, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Adaptive+deep+brain+stimulation+in+advanced+Parkinson+disease.">Adaptive deep brain stimulation in advanced Parkinson disease.</a> Annals of Neurology. 74 (3), 449-457 (2013).</li><li>Connolly, M. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Multi-objective+data-driven+optimization+for+improving+deep+brain+stimulation+in+Parkinson's+disease.">Multi-objective data-driven optimization for improving deep brain stimulation in Parkinson's disease.</a> Journal of Neural Engineering. 18 (4), 046046 (2021).</li><li>Stanslaski, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Creating+neural+&amp;#34;co-processors&amp;#34;+to+explore+treatments+for+neurological+disorders.">Creating neural &amp;#34;co-processors&amp;#34; to explore treatments for neurological disorders.</a> 2018 IEEE International Solid - State Circuits Conference - (ISSCC). , 460-462 (2018).</li><li>. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Rights+(OCR),+O.+for+C.+The+HIPAA+Privacy+Rule.">Rights (OCR), O. for C. The HIPAA Privacy Rule.</a> HHS.gov. , (2008).</li><li>. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Rights+(OCR),+O.+for+C.+The+Security+Rule.">Rights (OCR), O. for C. The Security Rule.</a> HHS.gov. , (2009).</li><li>Perrone, R., Gilron, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> SCBS Patient Facing App (Summit Continuous Bilateral Streaming). , (2021).</li><li>Strandquist, G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> In-Home Video and IMU Kinematics of Self Guided Tasks Correlate with Clinical Bradykinesia Scores. , (2023).</li><li>Donenfeld, J. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=WireGuard:+Next+Generation+Kernel+Network+Tunnel.">WireGuard: Next Generation Kernel Network Tunnel.</a> Proceedings 2017 Network and Distributed System Security Symposium. , (2017).</li><li>etzion. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Ubuntu 20.04 and TPM2 encrypted system disk - Running Systems. , (2021).</li><li>Craig-Wood, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Rclone. , (2023).</li><li>Chen, W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+Role+of+Large-Scale+Data+Infrastructure+in+Developing+Next-Generation+Deep+Brain+Stimulation+Therapies.">The Role of Large-Scale Data Infrastructure in Developing Next-Generation Deep Brain Stimulation Therapies.</a> Frontiers in Human Neuroscience. 15, 717401 (2021).</li><li>Hidalgo, G. i. n. &. #. 2. 3. 3. ;. s., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> CMU-Perceptual-Computing-Lab/openpose. , (2023).</li><li>Cao, Z., Hidalgo, G., Simon, T., Wei, S. E., Sheikh, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=OpenPose:+Realtime+Multi-Person+2D+Pose+Estimation+Using+Part+Affinity+Fields.">OpenPose: Realtime Multi-Person 2D Pose Estimation Using Part Affinity Fields.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 43 (1), 172-186 (2021).</li><li>Cao, Z. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> openpose/calibration_module.md at master &#183; CMU-Perceptual-Computing-Lab/openpose. , (2023).</li><li>Sellers, K. K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Analysis-rcs-data:+Open-Source+Toolbox+for+the+Ingestion,+Time-Alignment,+and+Visualization+of+Sense+and+Stimulation+Data+From+the+Medtronic+Summit+RC+S+System.">Analysis-rcs-data: Open-Source Toolbox for the Ingestion, Time-Alignment, and Visualization of Sense and Stimulation Data From the Medtronic Summit RC+S System.</a> Frontiers in Human Neuroscience. 15, 398 (2021).</li><li>Ranti, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Rune Labs Stream API. , (2023).</li><li>. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=ffmpeg+development+community.">ffmpeg development community.</a> FFmpeg Formats Documentation. , (2023).</li><li>Goetz, C. G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Movement+Disorder+Society-sponsored+revision+of+the+Unified+Parkinson's+Disease+Rating+Scale+(MDS-UPDRS):+Scale+presentation+and+clinimetric+testing+results:+MDS-UPDRS:+Clinimetric+Assessment.">Movement Disorder Society-sponsored revision of the Unified Parkinson's Disease Rating Scale (MDS-UPDRS): Scale presentation and clinimetric testing results: MDS-UPDRS: Clinimetric Assessment.</a> Movement Disorders. 23 (15), 2129-2170 (2008).</li></ol>

למחברים אין ניגודי עניינים לחשוף.

אנו חולקים את התכנון של אב טיפוס ביתי של פלטפורמת איסוף נתונים רב-מודאלית לתמיכה במחקר עתידי במחקר נוירומודולציה. העיצוב הוא קוד פתוח ומודולרי, כך שניתן להחליף כל פיסת חומרה, וניתן לעדכן או לשנות כל רכיב תוכנה מבלי שהפלטפורמה הכוללת תקרוס. בעוד שהשיטות לאיסוף וביטול זיהוי של נתונים עצביים...

גירוי מוחי עמוק (DBS) מטפל בהפרעות נוירולוגיות כגון מחלת פרקינסון (PD) על ידי העברת זרם חשמלי ישירות לאזורים ספציפיים במוח. ישנם כ-8.5 מיליון מקרים של פרקינסון ברחבי העולם, ו-DBS הוכיח את עצמו כטיפול קריטי כאשר התרופות אינן מספיקות לניהול תסמינים 1,2. עם זאת, יעילות DBS יכולה להיות מוגבלת על ידי תופעות לוואי המתרחשות לעיתים מגירוי המועבר באופן קונבנציונלי באמפליטודה קבועה, תדירות ורוחב דופק3. יישום לולאה פתוחה זה אינו מגיב לתנודות במצב התסמינים, וכתוצאה מכך הגדרות גירוי שאינן מותאמות כראוי לצרכים המשתנים של המטופל. DBS מעוכב עוד יותר על ידי התהליך הגוזל זמן של כוונון פרמטרים לגירוי, אשר מבוצע כיום באופן ידני על ידי רופאים עבור כל מטופל בנפרד.
DBS אדפטיבי (aDBS) היא גישה בלולאה סגורה שהוכחה כאיטרציה הבאה יעילה של DBS על ידי התאמת פרמטרי גירוי בזמן אמת בכל פעם שסמנים ביולוגיים הקשורים לתסמינים מזוהים 3,4,5. מחקרים הראו כי תנודות בטא (10-30 הרץ) בגרעין התת-תלמי (STN) מתרחשות באופן עקבי במהלך ברדיקינזיה, האטה בתנועה האופיינית ל-PD 6,7. באופן דומה, תנודות גמא גבוהות (50-120 הרץ) בקליפת המוח ידועות כמתרחשות בתקופות של דיסקינזיה, תנועה מוגזמת ולא רצונית הנפוצה גם ב-PD8. עבודות אחרונות ניהלו בהצלחה aDBS מחוץ למרפאה לתקופות ממושכות5, אולם היעילות ארוכת הטווח של אלגוריתמי aDBS שהוגדרו במרפאה בזמן שהמטופל נמצא בבית לא נקבעה.
מערכות מרוחקות נחוצות כדי ללכוד את היעילות משתנה בזמן של אלגוריתמים דינמיים אלה בדיכוי סימפטומים שבהם נתקלים במהלך חיי היומיום. בעוד שגישת הגירוי הדינמי של aDBS עשויה לאפשר טיפול מדויק יותר עם תופעות לוואי מופחתות3,9, aDBS עדיין סובל מעומס גבוה על הרופאים לזהות באופן ידני פרמטרים לגירוי עבור כל מטופל. בנוסף לקבוצה הגדולה כבר של פרמטרים לתכנת במהלך DBS קונבנציונאלי, אלגוריתמים aDBS להציג פרמטרים חדשים רבים אשר חייב גם להיות מותאם בקפידה. שילוב זה של פרמטרי גירוי ואלגוריתם מניב מרחב פרמטרים עצום עם מספר בלתי ניתן לניהול של שילובים אפשריים, המונע מ- aDBS להתרחב למטופלים רבים10. גם במסגרות מחקר, הזמן הנוסף הנדרש להגדרה והערכה של מערכות aDBS מקשה על אופטימיזציה נאותה של אלגוריתמים אך ורק במרפאה, ויש צורך בעדכון מרחוק של פרמטרים. כדי להפוך את aDBS לטיפול שיכול להתרחב, גירוי וכוונון פרמטרים של אלגוריתם חייב להיות אוטומטי. בנוסף, יש לנתח את תוצאות הטיפול על פני ניסויים חוזרים ונשנים כדי לבסס את aDBS כטיפול בר קיימא לטווח ארוך מחוץ למרפאה. יש צורך בפלטפורמה שתוכל לאסוף נתונים לצורך הערכה מרחוק של יעילות הטיפול, ולפריסה מרחוק של עדכונים לפרמטרים של אלגוריתם aDBS.
מטרת פרוטוקול זה היא לספק תכנון לשימוש חוזר עבור פלטפורמת איסוף נתונים רב-מודאלית בבית כדי לשפר את יעילות aDBS מחוץ למרפאה, ולאפשר לטיפול זה להתרחב למספר גדול יותר של אנשים. למיטב ידיעתנו, זהו תכנון פלטפורמת איסוף הנתונים הראשונה המעריכה מרחוק תוצאות טיפוליות באמצעות מצלמות וידאו ביתיות, חיישנים לבישים, הקלטת אותות עצביים כרוניים ומשוב מונחה מטופל כדי להעריך מערכות aDBS במהלך משימות מבוקרות והתנהגות נטורליסטית.
הפלטפורמה היא אקוסיסטם של רכיבי חומרה ותוכנה הבנויים על מערכות שפותחו בעבר5. ניתן לתחזק אותו לחלוטין באמצעות גישה מרחוק לאחר התקנה ראשונית של חומרה מינימלית כדי לאפשר איסוף נתונים רב-מודאלי מאדם בנוחות ביתו. מרכיב מרכזי הוא מערכת הגירוי העצבי המושתלת (INS)11 אשר חשה בפעילות עצבית ומספקת גירוי ל- STN, ורושמת תאוצה משתלי חזה. עבור השתל המשמש בפריסה הראשונית, הפעילות העצבית נרשמת ממוליכים דו-צדדיים שהושתלו ב-STN ומאלקטרודות אלקטרוקורטיקוגרפיה שהושתלו מעל קליפת המוח המוטורית. מערכת הקלטת וידאו מסייעת לרופאים לעקוב אחר חומרת הסימפטומים ויעילות הטיפול, הכוללת ממשק משתמש גרפי (GUI) המאפשר ביטול קל של הקלטות שוטפות כדי להגן על פרטיות המטופלים. סרטונים מעובדים כדי לחלץ מסלולים קינמטיים של מיקום בדו מימדי (2D) או תלת מימדי (3D), ושעונים חכמים נענדים על שני פרקי כף היד כדי ללכוד מהירות זוויתית ומידע על תאוצה. חשוב לציין, כל הנתונים מוצפנים לפני העברתם לאחסון ענן לטווח ארוך, וניתן לגשת למחשב עם סרטונים המזהים את המטופל רק דרך רשת וירטואלית פרטית (VPN). המערכת כוללת שתי גישות ליישור זמן פוסט-הוק של כל זרמי הנתונים, והנתונים משמשים לניטור מרחוק של איכות התנועה של המטופל, ולזיהוי סמנים ביולוגיים הקשורים לתסמינים לצורך זיקוק אלגוריתמים של aDBS. חלק הווידיאו של עבודה זו מציג את תהליך איסוף הנתונים והאנימציות של מסלולים קינמטיים שחולצו מסרטונים שנאספו.
מספר שיקולי עיצוב הנחו את פיתוח הפרוטוקול: הבטחת אבטחת מידע ופרטיות המטופלים: איסוף נתוני מטופלים הניתנים לזיהוי דורש טיפול מרבי בשידור ובאחסון על מנת להיות חוק ניידות ואחריות של ביטוח בריאות (HIPAA)12,13 לציית ולכבד את פרטיות המטופל בביתו. בפרויקט זה, זה הושג על ידי הגדרת VPN מותאם אישית כדי להבטיח פרטיות של כל התעבורה הרגישה בין מחשבי המערכת. גבולות הבטיחות של פרמטר הגירוי: זה קריטי להבטיח כי המטופל נשאר בטוח בעת ניסיון אלגוריתמים aDBS שעשויים להיות השפעות לא מכוונות. אח"י של המטופל חייב להיות מוגדר על ידי קלינאי כך שיהיו גבולות בטוחים לפרמטרים של גירוי שאינם מאפשרים השפעות לא בטוחות מגירוי יתר או תת-גירוי. עם מערכת אח"י11 בשימוש במחקר זה, תכונה זו מופעלת על ידי מתכנת קלינאי. הבטחת וטו למטופל: אפילו בגבולות הפרמטרים הבטוחים, השונות היומית של הסימפטומים ותגובות הגירוי עלולה לגרום למצבים לא נעימים עבור המטופל שבהם הם לא אוהבים אלגוריתם שנבדק ורוצים לחזור ל- DBS קליני פתוח רגיל. מערכת INS שנבחרה כוללת מודול טלמטריה למטופל (PTM) המאפשר למטופל לשנות באופן ידני את קבוצת הגירוי ואת משרעת הגירוי שלו ב-mA. קיים גם יישום מחקר המחובר ל-INS המשמש להגדרה מרחוק של אח"י לפני איסוף הנתונים14אשר גם מאפשר למטופל להפיל ניסויים aDBS ולשלוט בטיפול שלהם., לכידת התנהגות מורכבת וטבעית: נתוני וידאו שולבו בפלטפורמה כדי לאפשר לקלינאים לעקוב מרחוק אחר יעילות הטיפול, ולחלץ מסלולים קינמטיים מאומדני תנוחות לשימוש בניתוחי מחקר15. בעוד חיישנים לבישים הם פחות פולשניים, קשה ללכוד את טווח התנועה הדינמי המלא של גוף שלם באמצעות מערכות לבישות בלבד. סרטונים מאפשרים הקלטה סימולטנית של טווח התנועה המלא של המטופל והתסמינים שלו לאורך זמן. שימושיות המערכת עבור מטופליםאיסוף נתונים רב-מודאליים בבית דורש התקנה ושימוש במספר מכשירים בבית המטופל, מה שעלול להפוך למעיק על המטופלים לנווט בהם.: כדי להפוך את המערכת לקלה לשימוש תוך הבטחת שליטה במטופל, יש להפעיל ידנית רק את המכשירים המושתלים או המחוברים פיזית למטופל (במקרה זה הוא כלל את מערכת אח"י ושעונים חכמים) לפני תחילת ההקלטה. עבור מכשירים נפרדים מהמטופל (במקרה זה הוא כולל נתונים שהוקלטו ממצלמות וידאו), הקלטות מתחילות ומסתיימות באופן אוטומטי ללא צורך באינטראקציה כלשהי עם המטופל. במהלך תכנון ממשק המשתמש הגרפי ננקטה זהירות כדי למזער את מספר הכפתורים ולהימנע מעצי תפריט עמוקים כך שהאינטראקציות יהיו פשוטות. לאחר התקנת כל המכשירים, מתאם מחקר הראה למטופל כיצד לתקשר עם כל המכשירים באמצעות ממשקי משתמש גרפיים הפונים למטופל שהם חלק מכל מכשיר, כגון כיצד להפסיק הקלטות בכל מכשיר וכיצד להזין את היסטוריית התרופות ודוחות הסימפטומים שלהם. שקיפות איסוף נתוניםציון ברור מתי מצלמות מופעלות הוא הכרחי כדי שאנשים ידעו מתי הן מוקלטות ויוכלו להשעות את ההקלטה אם הם זקוקים לרגע של פרטיות.: כדי להשיג זאת, יישום מערכת מצלמה משמש לשליטה בהקלטות וידאו עם ממשק משתמש גרפי הפונה למטופל. ממשק המשתמש הגרפי נפתח באופן אוטומטי בעת הפעלת היישום ומפרט את השעה והתאריך של ההקלטה המתוזמנת הבאה. כאשר הקלטה נמשכת, מופיעה הודעה המציינת מתי ההקלטה מתוזמנת להסתיים. במרכז ממשק המשתמש הגרפי מוצגת תמונה גדולה של אור אדום. התמונה מראה את האור מואר באור בהיר בכל פעם שהקלטה נמשכת, ומשתנה לתמונה שאינה מוארת כאשר ההקלטות כבויות.
הפרוטוקול מפרט שיטות לתכנון, בנייה ופריסה של פלטפורמה לאיסוף נתונים בבית, לבדיקת איכות הנתונים שנאספו לשלמות וחוסן, ולעיבוד נתונים לאחר עיבוד לשימוש במחקר עתידי.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/65305/65305fig01.jpg"> איור 1: זרימת נתונים. הנתונים עבור כל שיטה נאספים באופן עצמאי ממקום מגורי המטופל לפני שהם מעובדים ומצטברים לנקודת קצה אחת של אחסון מרוחק. הנתונים עבור כל שיטה נשלחים באופן אוטומטי לנקודת קצה של אחסון מרוחק. בעזרתו של אחד מחברי הצוות, ניתן לאחזר אותו, לבדוק את תקפותו, ליישר את הזמן בין האופנים, כמו גם לעבור עיבוד מקדים ספציפי יותר למודאליות. ערכת הנתונים שעברה הידור מועלית לאחר מכן לנקודת קצה של אחסון מרוחק שכל חברי הצוות יכולים לגשת אליה באופן מאובטח לצורך ניתוח מתמשך. כל המחשבים עם גישה לנתונים, במיוחד עבור נתונים רגישים כמו וידאו גולמי, מוקפים בתוך VPN שמבטיח שכל הנתונים מועברים בצורה מאובטחת והנתונים המאוחסנים תמיד מוצפנים. <a href="https://www.jove.com/files/ftp_upload/65305/65305fig01large.jpg" target="_blank">אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.</a>

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>Analysis RCS Data Processing</td>
			<td>OpenMind</td>
			<td></td>
			<td>https://github.com/openmind-consortium/Analysis-rcs-data, open-source</td>
		</tr>
		<tr>
			<td>Apple Watches</td>
			<td>Apple, Inc</td>
			<td></td>
			<td>Use 2 watches for each patient, one on each wrist</td>
		</tr>
		<tr>
			<td>BRIO ULTRA HD PRO BUSINESS WEBCAM</td>
			<td>Logitech</td>
			<td>960-001105</td>
			<td>Used 3 in our platform design&#160;</td>
		</tr>
		<tr>
			<td>DaVinci Resolve video editing software&#160;</td>
			<td>DaVinci Resolve</td>
			<td></td>
			<td>used to support camera calibration</td>
		</tr>
		<tr>
			<td>Dell XPS PC&#160;</td>
			<td>Dell</td>
			<td></td>
			<td>2T hard disk drive, 500GB SSD</td>
		</tr>
		<tr>
			<td>Dropbox</td>
			<td>Dropbox</td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td>ffmpeg&#160;</td>
			<td>N/A</td>
			<td></td>
			<td>open-source, install to run the Video Recording App</td>
		</tr>
		<tr>
			<td>Gooseneck mounts for webcams</td>
			<td>N/A</td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td>GPU</td>
			<td>Nvidia</td>
			<td></td>
			<td>A minimum of 8GB GPU memory is recommended to run OpenPose, 12GB is ideal</td>
		</tr>
		<tr>
			<td>Java 11</td>
			<td>Oracle</td>
			<td></td>
			<td>Install to run the Video Recording App</td>
		</tr>
		<tr>
			<td>Microsoft Surface tablet&#160;</td>
			<td>Microsoft</td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td>NoMachine&#160;</td>
			<td>NoMachine</td>
			<td></td>
			<td>Ideal when using a Linux OS, open-source</td>
		</tr>
		<tr>
			<td>OpenPose&#160;</td>
			<td>N/A</td>
			<td></td>
			<td>open-source</td>
		</tr>
		<tr>
			<td>Rclone file transfer program</td>
			<td>Rclone</td>
			<td></td>
			<td>Encrypts data and copies or moves data to offsite storage, open-source</td>
		</tr>
		<tr>
			<td>StrivePD app</td>
			<td>RuneLabs</td>
			<td></td>
			<td>We installed the app on the Apple Watches to start recordings and upload data to an online portal.</td>
		</tr>
		<tr>
			<td>Summit RC+S neuromodulation system</td>
			<td>Medtronic</td>
			<td></td>
			<td>For investigational use only</td>
		</tr>
		<tr>
			<td>touchscreen-compatible monitor</td>
			<td>N/A</td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td>Video for Linux 2 API</td>
			<td>The Linux Kernel</td>
			<td></td>
			<td>Install if using a Linux OS for video recording&#160;</td>
		</tr>
		<tr>
			<td>Wasabi&#160;</td>
			<td>Wasabi</td>
			<td></td>
			<td>Longterm cloud data storage</td>
		</tr>
		<tr>
			<td>WireGuard VPN Protocol</td>
			<td>WireGuard</td>
			<td></td>
			<td>open-source</td>
		</tr>
	</tbody>
</table>

bringing the clinic home: an at-home multi-modal data collection ecosystem to support adaptive deep brain stimulation

גירוי מוחי עמוק אדפטיבי (aDBS) מראה הבטחה לשיפור הטיפול בהפרעות נוירולוגיות כגון מחלת פרקינסון (PD). aDBS משתמש בסמנים ביולוגיים הקשורים לתסמינים כדי להתאים את פרמטרי הגירוי בזמן אמת כדי להתמקד בסימפטומים בצורה מדויקת יותר. כדי לאפשר התאמות דינמיות אלה, יש לקבוע פרמטרים עבור אלגוריתם aDBS עבור כל מטופל בנפרד. זה דורש כוונון ידני גוזל זמן על ידי חוקרים קליניים, מה שמקשה על מציאת תצורה אופטימלית עבור מטופל בודד או קנה מידה לחולים רבים. יתר על כן, היעילות ארוכת הטווח של אלגוריתמי aDBS המוגדרים במרפאה בזמן שהמטופל בבית נותרה שאלה פתוחה. כדי ליישם טיפול זה בקנה מידה גדול, יש צורך במתודולוגיה להגדרה אוטומטית של פרמטרים של אלגוריתם aDBS תוך ניטור מרחוק של תוצאות הטיפול. במאמר זה, אנו חולקים תכנון עבור פלטפורמת איסוף נתונים ביתית כדי לעזור לשטח לטפל בשתי הבעיות. הפלטפורמה מורכבת מאקוסיסטם משולב של חומרה ותוכנה שהוא קוד פתוח ומאפשר איסוף ביתי של נתוני וידאו עצביים, אינרציאליים ומרובי מצלמות. כדי להבטיח פרטיות עבור נתונים הניתנים לזיהוי מטופלים, הפלטפורמה מצפינה ומעבירה נתונים באמצעות רשת וירטואלית פרטית. השיטות כוללות יישור זמן של זרמי נתונים וחילוץ הערכות תנוחה מהקלטות וידאו. כדי להדגים את השימוש במערכת זו, פרסנו פלטפורמה זו בביתו של אדם עם פרקינסון ואספנו נתונים במהלך משימות קליניות בהדרכה עצמית ותקופות של התנהגות חופשית במשך שנה וחצי. הנתונים נרשמו באמפליטודות גירוי תת-טיפוליות, טיפוליות ועל-טיפוליות כדי להעריך את חומרת הסימפטומים המוטוריים בתנאים טיפוליים שונים. נתונים אלה המותאמים בזמן מראים כי הפלטפורמה מסוגלת לאיסוף נתונים רב-מודאלי מסונכרן בבית לצורך הערכה טיפולית. ארכיטקטורת מערכת זו עשויה לשמש לתמיכה במחקר aDBS אוטומטי, לאיסוף מערכי נתונים חדשים ולחקר ההשפעות ארוכות הטווח של טיפול DBS מחוץ למרפאה עבור אלה הסובלים מהפרעות נוירולוגיות.

Deep brain stimulation (DBS) treats neurological disorders such as Parkinson&#39;s disease (PD) by delivering electrical current directly to specific regions in the brain. There are an estimated 8.5 million cases of PD worldwide, and DBS has proved to be a critical therapy when medication is insufficient for managing symptoms1,2. However, DBS effectiveness can be constrained by side-effects that sometimes occur from stimulation that is conventionally delivered at fixed amplitude, frequency, and pulse width3. This open-loop implementation is not responsive to fluctuations in symptom state, resulting in stimulation settings that are not appropriately matched to the changing needs of the patient. DBS is further hindered by the time-consuming process of tuning stimulation parameters, which is currently performed manually by clinicians for each individual patient.
Adaptive DBS (aDBS) is a closed-loop approach shown to be an effective next iteration of DBS by adjusting stimulation parameters in real time whenever symptom-related biomarkers are detected3,4,5. Studies have shown beta oscillations (10-30 Hz) in the subthalamic nucleus (STN) occur consistently during bradykinesia, a slowing of movement that is characteristic of PD6,7. Similarly, high-gamma oscillations (50-120 Hz) in the cortex are known to occur during periods of dyskinesia, an excessive and involuntary movement also commonly seen in PD8. Recent work has successfully administered aDBS outside the clinic for prolonged periods5, however the long-term effectiveness of aDBS algorithms that were configured in-clinic while a patient is home has not been established.
Remote systems are needed to capture the time-varying effectiveness of these dynamic algorithms in suppressing symptoms encountered during daily living. While the dynamic stimulation approach of aDBS potentially enables a more precise treatment with reduced side-effects3,9, aDBS still suffers from a high burden on clinicians to manually identify stimulation parameters for each patient. In addition to the already large set of parameters to program during conventional DBS, aDBS algorithms introduce many new parameters which must also be carefully adjusted. This combination of stimulation and algorithm parameters yields a vast parameter space with an unmanageable number of possible combinations, prohibiting aDBS from scaling to many patients10. Even in research settings, the additional time required to configure and assess aDBS systems make it difficult to adequately optimize algorithms solely in the clinic, and remote updating of parameters is needed. To make aDBS a treatment that can scale, stimulation and algorithm parameter tuning must be automated. In addition, outcomes from therapy must be analyzed across repeated trials to establish aDBS as a viable long-term treatment outside the clinic. There is a need for a platform that can collect data for remote evaluation of therapy effectiveness, and to remotely deploy updates to aDBS algorithm parameters.
The goal of this protocol is to provide a reusable design for a multi-modal at-home data collection platform to improve aDBS effectiveness outside the clinic, and to enable this treatment to scale to a greater number of individuals. To our knowledge, it is the first data collection platform design that remotely evaluates therapeutic outcomes using in-home video cameras, wearable sensors, chronic neural signal recording, and patient-driven feedback to evaluate aDBS systems during controlled tasks and naturalistic behavior.
The platform is an ecosystem of hardware and software components built upon previously developed systems5. It is maintainable entirely through remote access after an initial installation of minimal hardware to allow multi-modal data collection from a person in the comfort of their home. A key component is the implantable neurostimulation system (INS)11 which senses neural activity and delivers stimulation to the STN, and records acceleration from chest implants. For the implant used in the initial deployment, neural activity is recorded from bilateral leads implanted in the STN and from electrocorticography electrodes implanted over the motor cortex. A video recording system helps clinicians monitor symptom severity and therapy effectiveness, which includes a graphical user interface (GUI) to allow easy cancellation of ongoing recordings to protect patient privacy. Videos are processed to extract kinematic trajectories of position in two dimensional (2D) or three dimensional (3D), and smart watches are worn on both wrists to capture angular velocity and acceleration information. Importantly, all data is encrypted before being transferred to long-term cloud storage, and the computer with patient-identifiable videos can only be accessed through a virtual private network (VPN). The system includes two approaches for post-hoc time-aligning of all data streams, and data is used to remotely monitor the patient&#39;s quality of movement, and to identify symptom-related biomarkers for refining aDBS algorithms. The video portion of this work shows the data collection process and animations of kinematic trajectories extracted from collected videos.
A number of design considerations guided the development of the protocol: 
Ensuring data security and patient privacy: Collecting identifiable patient data requires utmost care in transmission and storage in order to be health insurance portability and accountability act (HIPAA)12, 13 compliant and to respect the patient&#39;s privacy in their own home. In this project, this was achieved by setting up a custom VPN to ensure privacy of all sensitive traffic between system computers. 
Stimulation parameter safety boundaries: It is critical to ensure that the patient remains safe while trying out aDBS algorithms that may have unintended effects. The patient&#39;s INS must be configured by a clinician to have safe boundaries for stimulation parameters that do not allow for unsafe effects from over-stimulation or under-stimulation. With the INS system11 used in this study, this feature is enabled by a clinician programmer. 
Ensuring the patient veto: Even within safe parameter limits, the daily variability of symptoms and stimulation responses may result in unpleasant situations for the patient where they dislike an algorithm under test and wish to return to normal clinical open-loop DBS. The selected INS system includes a patient telemetry module (PTM) that allows the patient to manually change their stimulation group and stimulation amplitude in mA. There is also an INS-connected research application that is used for remote configuration of the INS prior to data collection14, which also enables the patient to abort aDBS trials and control their therapy. 
Capturing complex and natural behavior: Video data was incorporated in the platform to enable clinicians to remotely monitor therapy effectiveness, and to extract kinematic trajectories from pose estimates for use in research analyses15. While wearable sensors are less intrusive, it is difficult to capture the full dynamic range of motion of an entire body using wearable systems alone. Videos enable the simultaneous recording of the patient&#39;s full range of motion and their symptoms over time. 
System usability for patients: Collecting at-home multi-modal data requires multiple devices to be installed and utilized in a patient&#39;s home, which could become burdensome for patients to navigate. To make the system easy to use while ensuring patient control, only the devices that are implanted or physically attached to the patient (in this case it included the INS system and smart watches) must be manually turned ON prior to initiating a recording. For devices that are separate from the patient (in this case it includes data recorded from video cameras), recordings start and end automatically without requiring any patient interaction. Care was taken during GUI design to minimize the number of buttons and to avoid deep menu trees so that interactions were simple. After all devices are installed, a research coordinator showed the patient how to interact with all devices through patient-facing GUIs that are a part of each device, such as how to terminate recordings on any device and how to enter their medication history and symptom reports. 
Data collection transparency: Clearly indicating when cameras are turned ON is imperative so that people know when they are being recorded and can suspend recording if they need a moment of privacy. To achieve this, a camera-system application is used to control video recordings with a patient-facing GUI. The GUI automatically opens when the application is started and lists the time and date of the next scheduled recording. When a recording is ongoing, a message states when the recording is scheduled to end. In the center of the GUI, a large image of a red light is displayed. The image shows the light being brightly lit whenever a recording is ongoing, and changes to a non-lit image when recordings are OFF.
The protocol details methods for designing, building, and deploying an at-home data collection platform, for quality-checking the data collected for completeness and robustness, and for post-processing data for use in future research.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/65305/65305fig01.jpg" /> 
Figure 1: Data flow. Data for each modality is collected independently from the patient&#39;s residence before being processed and aggregated into a single remote storage endpoint. The data for each modality is sent automatically to a remote storage endpoint. With the help of one of the team members, it can then be retrieved, checked for validity, time aligned across modalities, as well as subjected to more modality-specific pre-processing. The compiled dataset is uploaded then to a remote storage endpoint that can be securely accessed by all team members for continued analysis. All machines with data access, especially for sensitive data such as raw video, are enclosed within a VPN that ensures all data is transferred securely and stored data is always encrypted. <a href="https://www.jove.com/files/ftp_upload/65305/65305fig01large.jpg" target="_blank">Please click here to view a larger version of this figure.</a>

מחבר זרקור: גירוי מוחי עמוק אוטומטי למחלת פרקינסון - בחינת האפשרויות והאתגרים של ניטור ביתי 

מביאים את המרפאה הביתה: מערכת אקולוגית ביתית רב-מודאלית לאיסוף נתונים לתמיכה בגירוי מוחי עמוק אדפטיבי

My research supports automating adaptive deep brain stimulation or ADBS for Parkinson's disease in the comfort of someone's home. One question is whether this therapy can be monitored safely for a long period outside the clinic while ensuring patient privacy. Additionally, we're looking into the possibility of automatically adjusting ADBS parameters without the need for the patient to return to the clinic.ADBS research needs data collection platforms to accurately measure movement quality as patients go about their daily lives and to remotely deliver updates to therapy algorithms. This protocol collects multiple modalities as patients move freely about their homes, including video data to capture isolated kinematic like finger movements. Our results allow us to explore changes in Parkinson's disease over long periods of time, and they let us ask what measurements are necessary to analyze and treat the varied symptoms of Parkinson's disease outside clinical observation.

תכנון ופריסה של פלטפורמת אב טיפוס תכננו פלטפורמת אב-טיפוס ופרשנו אותה בביתו של מטופל יחיד (איור 1). לאחר ההתקנה הראשונה של חומרה בבית, ניתן לתחזק את הפלטפורמה, ולאסוף נתונים במלואם באמצעות גישה מרחוק. למכשירי INS, לשעונים החכמים ולמצלמות יש יישומים הפונים למטופל ומ...

Watch this Scientific Journal Video about Automated Deep Brain Stimulation for Parkinson's Disease - Exploring the Possibilities and Challenges of Home Monitoring at JoVE.com

הפרוטוקול מציג אב טיפוס של פלטפורמת איסוף נתונים רב-מודאלית ביתית התומכת במחקר הממטב גירוי מוחי עמוק אדפטיבי (aDBS) עבור אנשים עם הפרעות תנועה נוירולוגיות. כמו כן, אנו מציגים ממצאים מרכזיים מפריסת הפלטפורמה במשך למעלה משנה לביתו של אדם עם מחלת פרקינסון.

Adaptive deep brain stimulation (aDBS) shows promise for improving treatment for neurological disorders such as Parkinson's disease (PD). aDBS uses ...

המחקר שלי תומך באוטומציה של גירוי מוחי עמוק אדפטיבי או ADBS עבור מחלת פרקינסון בנוחות של ביתו של מישהו. אחת השאלות היא האם ניתן לעקוב אחר טיפול זה בבטחה במשך תקופה ארוכה מחוץ למרפאה תוך שמירה על פרטיות המטופל. בנוסף, אנו בודקים את האפשרות להתאים באופן אוטומטי פרמטרים של ADBS ללא צורך שהמטופל יחזור למרפאה.מחקר ADBS זקוק לפלטפורמות איסוף נתונים כדי למדוד במדויק את איכות התנועה בזמן שהמטופלים מנהלים את חיי היומיום שלהם ולספק מרחוק עדכונים לאלגוריתמים טיפוליים. פרוטוקול זה אוסף שיטות מרובות כאשר מטופלים נעים בחופשיות ברחבי בתיהם, כולל נתוני וידאו כדי ללכוד קינמטי מבודד כמו תנועות אצבעות. התוצאות שלנו מאפשרות לנו לחקור שינויים במחלת פרקינסון לאורך תקופות זמן ארוכות, והן מאפשרות לנו לשאול אילו מדידות נחוצות כדי לנתח ולטפל בסימפטומים המגוונים של מחלת פרקינסון מחוץ לתצפית קלינית.

bringing-clinic-home-an-at-home-multi-modal-data-collection-ecosystem

Research

JoVE Journal

Neuroscience

Bringing the Clinic Home: An At-Home Multi-Modal Data Collection Ecosystem to Support Adaptive Deep Brain Stimulation

1.0K Views.  University of Washington. המחקר שלי תומך באוטומציה של גירוי מוחי עמוק אדפטיבי או ADBS עבור מחלת פרקינסון בנוחות של ביתו של מישהו. אחת השאלות היא האם ניתן לעקוב אחר טיפול זה בבטחה במשך תקופה ארוכה מחוץ למרפאה תוך שמירה על פרטיות המטופל. בנוסף, אנו בודקים את האפשרות להתאים באופן אוטומטי פרמטרים של ADBS ללא...

Video: מחבר זרקור: גירוי מוחי עמוק אוטומטי למחלת פרקינסון - בחינת האפשרויות והאתגרים של ניטור ביתי 

Adaptive deep brain stimulation (aDBS) shows promise for improving treatment for neurological disorders such as Parkinson's disease (PD). aDBS uses symptom-related biomarkers to adjust stimulation parameters in real-time to target symptoms more precisely. To enable these dynamic adjustments, parameters for an aDBS algorithm must be determined for each individual patient. This requires time-consuming manual tuning by clinical researchers, making it difficult to find an optimal configuration for a single patient or to scale to many patients. Furthermore, the long-term effectiveness of aDBS algorithms configured in-clinic while the patient is at home remains an open question. To implement this therapy at large scale, a methodology to automatically configure aDBS algorithm parameters while remotely monitoring therapy outcomes is needed. In this paper, we share a design for an at-home data collection platform to help the field address both issues. The platform is composed of an integrated hardware and software ecosystem that is open-source and allows for at-home collection of neural, inertial, and multi-camera video data. To ensure privacy for patient-identifiable data, the platform encrypts and transfers data through a virtual private network. The methods include time-aligning data streams and extracting pose estimates from video recordings. To demonstrate the use of this system, we deployed this platform to the home of an individual with PD and collected data during self-guided clinical tasks and periods of free behavior over the course of 1.5 years. Data were recorded at sub-therapeutic, therapeutic, and supra-therapeutic stimulation amplitudes to evaluate motor symptom severity under different therapeutic conditions. These time-aligned data show the platform is capable of synchronized at-home multi-modal data collection for therapeutic evaluation. This system architecture may be used to support automated aDBS research, to collect new datasets and to study the long-term effects of DBS therapy outside the clinic for those suffering from neurological disorders.

The protocol shows a prototype of the at-home multi-modal data collection platform that supports research optimizing adaptive deep brain stimulation (aDBS) for people with neurological movement disorders. We also present key findings from deploying the platform for over a year to the home of an individual with Parkinson's disease.

Prototype of the At-Home Multi-Modal Data Collection Platform for Adaptive Deep Brain Stimulation

Begin by running the commands to install and configure an uncomplicated firewall in the PC terminal. For the server VPN installation, execute the installation of the open-source WireGuard VPN protocol on the computer. Navigate actively to the installation directory and run the unmask 007 command in the PC terminal to update the directory access rules appropriately.Then run the command to generate a public or private key pair for the VPN server in the PC terminal, which can be shared with any client PC that connects to the VPN. Next, run the commands to create a server configuration file and paste the server rules into this file. Enter the command to activate the VPN.Also execute the command to program the VPN protocol to launch each time the PC reboots automatically. Take the public key from the configuration file, generated during installation and paste it into the peer section of the server's configuration file. Set up a new client tunnel, copy the client public key and paste it into the server configuration file.Now copy the software link from GitHub and install the software on the computer to schedule and control video recordings. Choose a monitor that will show the video recording and process and allows users to terminate recordings seamlessly. Select USB-compatible webcams that offer a high resolution to accurately calculate poses within the designated space.Identify a space for webcam installation that offers minimal disruptions to the home environment. Then mount the webcams in this designated area, using the selected mounting hardware. After discussing a suitable recording schedule with the patient, set this schedule in the video-recording software.Confirm that the PC is equipped with the latest version of the chosen video-recording software, using the GitHub machine user account installed earlier. Next, log into the PC, using the installed remote desktop software and activate the video-recording software. Acquire a checkerboard pattern to support the 3D calibration of the pose-estimation software.Capture a video from each webcam, ensuring the checkerboard is angled appropriately within the frame for all cameras. To initiate data collection, request the patient to inspect the battery and power supply of the INS device to ensure it remains on for continuous stimulation. Request the patient to activate the tablet PC and verify that the CTM for the left and right INS devices are switched on and fully charged.Prior to any data collection, the patient has two INS devices implanted in both sides of their chest. Instruct the patient to position the CTMs on both sides of their chest. Upon the tablet's activation, request the patient to launch the Deep-Brain Stimulation or DBS application and select the connect option to initiate a Bluetooth connection with the CTMs and ultimately the INS devices.Ask the patient to turn on their smartwatches and smartphones by pressing the power button. Further, direct them to open the smartwatch application to initiate data recording and Parkinson's disease symptom tracking. To ensure the reliability of timestamp alignment and multi-device clock-based synchronization, instruct the patient to perform a specific gesture at the start of each new recording session.Switch the stimulation group to the patient's preferred clinically assigned team. Submit a symptom report on the patient-facing graphical user interface of the DBS application. Then close the DBS application to disconnect the clinical trial monitors and stop the INS streaming.In the manual time, align the graphical user interface and overlay data streams for visualization. Zoom in on the time axis and move the viewing window to the chest-tapping portion of the recording. Adjust the alignment for peak chest taps overlap between INS and smartwatch signals.Ensure the alignment consistency throughout the time series. Then hit the switch-aligning key and initiate alignments on any remaining data streams. In 1.5 years, 293 hours of INS data, 224 hours of smartwatch data and 2037 hours of video data across three webcams were recorded, which allows longitudinal changes in neural data to be observed.Kinematic trajectories of movement, including isolated finger movements that cannot be captured by a smartwatch can be obtained through pose estimates. These estimates can be analyzed together with other recorded modalities.