Name: dynamic digital biomarkers of motor and cognitive function in parkinson's disease
Uploaded: 2019-07-24T15:00:00
Duration: 10 min 28 s
Description: Watch this Scientific Journal Video about Dynamic Digital Biomarkers of Motor and Cognitive Function in Parkinson's Disease at JoVE.com

Denne forskningen er finansiert delvis av Rutgers Discovery Informatics Institute til JR, Rutgers University TechAdvance Funds til EBT og JV, New Jersey Governor ' s Council for forskning og behandlinger av autisme til EBT og Michael J Fox Foundation til RD.

Alle metoder som er beskrevet her har blitt godkjent av Rutgers University institusjonelle Review Board.
1. deltakere og oppkjøp system satt opp
<ol><li>Innhente informert samtykke fra deltakerne. Merk: deltakerne bør enten bli diagnostisert med Parkinsons lidelse, eller bør ikke diagnostiseres med noen nevrologisk lidelse å tjene som sunn kontroll deltakere. Friske deltakere bør være kjønn og alder matchet til pasienten deltakerne. Alle deltakerne bør ha mobilitet til kontinuerlig gå i 5 minutter.</li>
	<li>Mål deltakerens kropps dimensjon (kroppshøyde, fotlengde, arm span, ankel høyde, hofte høyde, hofte bredde, kne høyde, skulder bredde, skulderhøyde; Figur 2a) å senere lage hans/hennes kropp avatar i motion capture-systemet. Merk: denne informasjonen brukes i motion capture-systemet for å nøyaktig registrere posisjonsdata for deltakerens kropp.</li>
	<li>Konfigurer motion capture-systemet, inkludert de 17 trådløse bevegelses sporings sensorene og programvaren for bevegelsessporing.<ol>
<li>Plasser sensorer på følgende kroppsdeler: hodet, brystbenet, bekkenet, høyre skulder, høyre øvre arm, høyre nedre arm, høyre hånd, venstre skulder, venstre øvre arm, venstre underarm, venstre hånd, høyre øvre Ben, høyre leggen, høyre fot, venstre øvre Ben, venstre leggen, venstre fot (fig. 2b). Sikre disse sensorene med stropp bånd for å muliggjøre påtrengende bevegelser.</li>
		<li>Når alle sensorer er plassert på riktige steder, kalibrere deltakerens posisjon til å lage sin avatar. Merk: detaljer om kalibrerings metode finnes i Roetenberg et al.9.</li>
	</ol>
</li>
	<li>Sett opp EEG enheten og EEG innspillingen programvare.<ol>
<li>Plasser 31 sensorer over hodebunnen og innspillingsenheten på baksiden av deltakerens hode. Plasser kanal sensorer på følgende steder: P7, P4, cz, PZ, P3, P8, O1, O2, T8, F8, C4, F4, Fp2, FZ, C3, F3, Fp1, T7, F7, PO4, FC6, FC2, AF4, CP6, CP2, CP1, CP5, FC1, FC5, AF3, PO3 (figur 2C).</li>
		<li>Fest den gjenværende kanal sensoren (oz) til en kontakt for å måle hjerte signalet, ved å plassere den tilkoblede sensoren på deltakerens venstre mage (figur 2C).</li>
		<li>Fest to referanse kanal sensorer bak deltakerens venstre øre, og sett deretter elektrode gel inn i sensorene på EEG-lokket ved hjelp av en sprøyte (figur 2C).</li>
		<li>Når du er ferdig, start streaming av elektriske aktiviteter på innspillingen programvare i noen minutter til den stabiliserer. Merk: figur 2D viser prøve spor fra EEG-signalene som utnyttes fra sentralnervesystemet (CNS) og det autonome nervesystemet (ans).</li>
	</ol>
</li>
	<li>Konfigurer mikrofonen for å fange opp deltakerens stemme. Plasser mikrofonen foran deltakeren, og koble den til datamaskinen der Lab stream Layer (LSL) skal kjøre (se LSL nedenfor) (figur 2e).</li>
</ol><img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/59827/59827fig2.jpg"> Figur 2: Satt opp til digitalisere tradisjonelle kliniske tester, mens integrere flere bølgeformer fra diskret trådløs bærbar biosensors. (A) satt opp for tegningen oppgaver: faktiske pasienten iført diskret bærbare sensorer og avatar gjengitt i sanntid fra kinematikk som samles inn. (B) sensor plassering av et sett med små og lette Motion-Tracking sensorer (60 Hz), som bevegelsesdata er co-registrert synkront over hele kroppen. (C) EEG kart og referanse sted. (D) sample EEG bølgeformer fra 31 fører og hjerte signal Hentet fra Oz bly. (E) eksempel bølgeform fra deltakerens stemme under en telling aktivitet. <a href="https://www.jove.com/files/ftp_upload/59827/59827fig2large.jpg" target="_blank">Vennligst klikk her for å se en større versjon av dette tallet.</a>
<ol start="6"><li>Sett opp LSL-systemet for å synkronisere strømmer av EEG, bevegelse og lydsignaler, sammen med museklikk tidsstempler (figur 3a).<ol>
<li>Åpne Lab Recorder-appen.</li>
		<li>Åpne LSL apps for Mouse og in-House bygget XSS synkronisering app og koble dem til Lab Recorder App ved å krysse av i boksene museknappene og tracker kinematikk i Record fra streams delen. Merk: Mouse-appen brukes til å tidsstempel hendelser under eksperimentet.</li>
		<li>Link EEG, bevegelse, og lydstrømmer til Lab Recorder App ved å krysse av i boksene AudioCaptureWin, LSL-EEG, posisjon i posten fra streams delen. Merk: LSL-systemet gjør det mulig med en samlet samling av målings tidsserier i forskningseksperimenter som håndterer tidssynkronisering, sammen med nettverk og sanntidstilgang, og sentralisert innsamling, visning og disk innspilling av dataene. I forbindelse med denne protokollen, er LSL-systemet synkront strømmer fra CNS, perifere nervesystemet (PNS) og ANS, som personen naturlig utfører tradisjonelle kliniske oppgaver.</li>
	</ol>
</li>
	<li>Sett opp opptak for pennebevegelse, inkludert programvare for Penne nettbrett og bevegelsesanalyse (figur 3b).<ol>
<li>Plasser tegnebrettet og tavlepennen foran deltakeren.</li>
		<li>Koble nettbrettet til datamaskinen som programvaren for bevegelsesanalyse skal registrere.</li>
		<li>Legg et hvitt papir på nettbrettet og fest det med et bånd. Merk: Forbered deg på forhånd papirene for å vise en boks for å indikere plass der deltakeren skulle tegne i.</li>
	</ol>
</li>
	<li>Start opptaket.<ol>
<li>Trykk Record i LSL, motion capture-programvare, og EEG innspillingen programvare.</li>
		<li>Ved starten og slutten av hver oppgave, tidsstempel med museklikk ved å trykke på tidsstempel knappen på motion capture programvare. Merk: denne måten, tidsstempler vil bli registrert i både LSL stream data og i motion capture data. Dette vil sikre at det er et sikkerhets stempel, i tilfelle en av de tidsstempel funksjonene mislykkes under opptak.</li>
	</ol>
</li>
</ol><img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/59827/59827fig3.jpg"> Figur 3: Signal digitalisering og synkronisering gjennom en felles sentral prosesserings enhetens Lab stream Layer (LSL)-system. (A) LSL system synkront tillate co-registrering av bevegelse (PNS), EEG (CNS), EKG (ans), stemme og tid stempling gjennom museklikk. (B) digitalisert tavle-og Penne opptaks kinematikk (posisjon) av pennespissen, under tegne oppgaver fra standardiserte kognitive tester. <a href="https://www.jove.com/files/ftp_upload/59827/59827fig3large.jpg" target="_blank">Vennligst klikk her for å se en større versjon av dette tallet.</a>
2. eksperimentell prosedyre
<ol><li>Gjennomfør oppgave 1 – en kompleks figur kopi (umiddelbar)10 (1 min).<ol>
<li>Be deltakeren kopiere Benson-figuren på papiret, og huske utformingen fordi deltakeren vil bli bedt om å tegne den på nytt fra minnet senere. Merk: denne testen er utformet for å vurdere deltakerens visuo-konstruksjonsmessige og visuell minnefunksjon (figur 4a).</li>
	</ol>
</li>
	<li>Gjennomføre oppgaver 2 og 3-Trail Making test del A (3 min).<ol>
<li>Be deltakeren om å tegne en linje mellom sirkler som er nummerert i stigende rekkefølge. Merk: det er to oppgaver i denne delen, der den første (aktivitet 2) er å fullføre en prøve test (bestående av 8 tall), og den neste (aktivitet 3) er å fullføre den faktiske testen (bestående av 25 tall). Denne testen var en del av Army Individual test batteri11, og vurderer prosesseringshastighet og utøvende funksjon og avhenger av visuomotor og sanse ferdigheter (figur 4b).</li>
	</ol>
</li>
	<li>Utfør oppgaver 4 og 5 — Trail Making test del B (5 min).<ol>
<li>Be deltakeren om å tegne en linje mellom sirkler som inneholder enten tall eller bokstaver, i stigende rekkefølge, mens du veksler mellom tall og bokstaver. Sekvensen vil for eksempel være: A til 1; 1 til B; B til 2; 2 til C. Merk: det er to oppgaver i denne delen, der den første (oppgave 4) er å fullføre en prøve test (bestående av 4 tall og 4 bokstaver), og den neste (aktivitet 5) er å fullføre selve testen (bestående av 13 tall og 12 bokstaver). Trail Making test del B er lik Trail Making test del A, men krever mer kognitiv fleksibilitet som deltaker skifter fra tall til bokstav sett. (Figur 4b).</li>
	</ol>
</li>
	<li>Utfør Oppgave 6 – klokke tegning (1 min).<ol>
<li>Be deltakeren tegne en analog klokke med tallene 1 til og med 12, og angi klokkeslettet til 10 siste 11. Merk: denne testen er en del av MoCA12 og vurderer deltakerens visuo-konstruksjonsmessige ferdigheter. (Figur 4c).</li>
	</ol>
</li>
	<li>Gjennomfør oppgave 7-Benson Complex figur Copy (forsinket)10 (1 min).<ol>
<li>Be deltakeren tegne den komplekse figuren Benson fra minnet på et blankt ark. Merk: denne testen vurderer deltakerens visuo-konstruksjonsmessige og visuelle minnefunksjon. (Figur 4a).</li>
	</ol>
</li>
	<li>Gjennomfør oppgaver 8 og 9 – antall span test (forover og bakover)13 (10 min).<ol>
<li>Be deltakeren gjenta tallene som eksperimentator har lest høyt.</li>
		<li>For aktivitet 8 (fremover), instruerer du deltakeren til å gjenta tallene i samme rekkefølge, og for aktivitet 9 (bakover), for å gjenta dem i omvendt rekkefølge. For begge testene er det to forsøk per sekvens lengde som spenner fra 3 til 9 sifre for fremover, og 2 til 8 sifre for bakover testen. Fortsett testingen til to tall strenger med samme lengde mislyktes. Merk: begge testene måler kapasiteten til å holde informasjon kort, men den bakoverkompatible testen (oppgave 9) måler også muligheten til å manipulere tallene og reversere sekvensen. Som sådan, i sammenheng med den nåværende protokollen, måler denne oppgaven et minne og en kognitiv komponent i forhold til stemme biorhythms utdata.</li>
	</ol>
</li>
</ol><img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/59827/59827fig4.jpg"> Figur 4: mot klinisk informerte digitale biomarkører og poengkort: digitalisering av tradisjonelle kliniske tester for å muliggjøre integrering av kliniske kriterier og digitale Biofysiske data. Eksempel spor fra standardiserte kognitive tester. (A) Benson Complex figur gitt til deltakeren til å reprodusere umiddelbart (i midten), eller etter en 10-minutters forsinkelse fra minnet (til høyre). (B) Trail en aktivitet med tall som skal kobles sammen med en linje i en stigende rekkefølge (øverst), og Trail B oppgave som involverer alternerende mellom bokstaver og tall (nederst). (C) tegne en klokke med instruksjoner for å sette tid til 10 siste 11. For alle eksempel spor representerer grå linjer banen til Penne heiser under tegnings aktiviteten, og blå linjer representerer de faktiske Penne tegningene. For analyse undersøker vi begge typer baner. <a href="https://www.jove.com/files/ftp_upload/59827/59827fig4large.jpg" target="_blank">Vennligst klikk her for å se en større versjon av dette tallet.</a>
<ol start="7"><li>Utfør oppgaver 10, 11 og 12 – Peking (10 min).<ol>
<li>Plasser et mål foran deltakeren for å peke og berøre.</li>
		<li>For oppgave 10 (kontroll), instruerer deltakeren til å peke på målet 40 ganger på en selv-tempo måte med den dominerende hånden.</li>
		<li>For aktivitet 11 (metronom), instruere deltakeren til å peke på målet 40 ganger på et eget tempo måte, mens innstillingen metronom beat på 35 BPM i bakgrunnen, men ikke instruere noe om metronom beat.</li>
		<li>For oppgave 12 (tempo peker), instruere deltakeren til å peke på målet 40 ganger på tempoet etter metronom beat satt til 35 BPM. Merk: peke oppgaven gir mulighet for å skille deltakerens bevegelse med vilje (bevegelse fremover, fra tiden hånden hviler til hånden når målet) og spontan (bakover bevegelse, fra det tidspunkt hånden berører målet til hånden når tilbake til sin hvileposisjon) segmenter, og dermed analysere Biofysiske signaler når deltakeren er utøve frivillig kontroll (bevisst bevegelse), og når deltakeren er øve liten kontroll (spontan bevegelse) (figur 5a ). Ved å innføre metronom beats og kreve deltakeren til tempo peker på metronom beat, kan sammenligningen være laget av Biofysiske signaler når deltakeren beveger seg på en selv-tempo måte, og når deltakeren er aktivt kontrollere bevegelseshastighet til en ekstern rytme.</li>
	</ol>
</li>
	<li>Gjennomfør oppgaver 13, 14 og 15 – Turgåing (25 min).<ol>
<li>Be deltakeren om å gå naturlig i 5 minutter under tre ulike forhold.</li>
		<li>For oppgave 13 (kontroll), be deltakeren til å gå naturlig rundt i rommet.</li>
		<li>For aktivitet 14 (metronom), instruere deltakeren til å gå naturlig rundt i rommet mens du setter metronom å slå i bakgrunnen for 12 BPM.</li>
		<li>For oppgave 15 (tempo pusting), instruere deltakeren til å gå naturlig rundt i rommet mens han/hun skritt puste hastigheten til metronom beat satt til 12 BPM. Merk: ved å innføre metronom beat, kan sammenligningen være laget av Biofysiske signaler mens deltakeren bruker hele kroppen til å flytte og puste på en selv-tempo måte, og når deltakeren er aktivt kontrollere puste tempo (som vanligvis skjer automatisk) mens du flytter hele kroppen (figur 5B).</li>
	</ol>
</li>
</ol><img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/59827/59827fig5.jpg"> Figur 5: tredimensjonale (3D) baner og deres hastighet-amplitude tid serieproduksjon under frivillige bevegelser av overkroppen. Mål rettet peker atferd å granske volitional kontroll ved hjelp av en versjon av kinetisk tremor oppgaven av Movement uorden Society-Unified Parkinsons sykdom rating skala (MDS-UPDRS). (A) deltaker og avatar i sittende stilling utføre overkroppen, målrettet peker oppgave (øverst); 3D-posisjons baner fremover (til mål) og bakover (til hvileposisjon) bevegelse (nederst til venstre); og tilsvarende lineære hastighet profiler som viser tidsserien av svingninger i hastighet amplitude (m/s) og inter-peak intervall tidsberegning (MS), avledet fra lineær hastighet vektor flyt (nederst til høyre). (B) deltaker og avatar i walking oppgave (øverst); 3D-posisjons baner av forskjellige kroppsdeler (nederst til venstre) og tilhørende hastighets profiler (nederst til høyre). <a href="https://www.jove.com/files/ftp_upload/59827/59827fig5large.jpg" target="_blank">Vennligst klikk her for å se en større versjon av dette tallet.</a>
<ol start="9"><li>Gjennomfør oppgaver 16 og 17 – Face Video (10 min).<ol>
<li>Instruere deltakeren til å sitte komfortabelt, og sette opp et kamera foran deltakeren.</li>
		<li>For oppgave 16 (kontroll), instruere deltakeren til å stirre på et mellomrom uten stimuli i 5 minutter.</li>
		<li>For oppgave 17 (smil), instruere deltakeren til å se en morsom video i 5 minutter. Merk: oppsettet tar ca. 30 minutter, og hele protokollen tar ca. 60 minutter, og ytterligere 10 minutter for PWP.</li>
	</ol>
</li>
</ol>

<ol>
	<li>Hawgood, S., Hook-Barnard, I. G., O'Brien, T. C., Yamamoto, K. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Precision+medicine:+Beyond+the+inflection+point.">Precision medicine: Beyond the inflection point.</a> Science Translational Medicine. 7 (300), 300ps317 (2015).</li><li>Torres, E. B., Whyatt, 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> Autism: The Movement Sensing Perspective. , (2018).</li><li>Torres, E. B., 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=Toward+Precision+Psychiatry:+Statistical+Platform+for+the+Personalized+Characterization+of+Natural+Behaviors.">Toward Precision Psychiatry: Statistical Platform for the Personalized Characterization of Natural Behaviors.</a> Frontiers in Neurology. 7, 8 (2016).</li><li>Espay, A. 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=Technology+in+Parkinson's+disease:+Challenges+and+opportunities.">Technology in Parkinson's disease: Challenges and opportunities.</a> Movement Disorders. 31 (9), 1272-1282 (2016).</li><li>Ponsen, M. M., Stoffers, D., Wolters, E. C., Booij, J., Berendse, H. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Olfactory+testing+combined+with+dopamine+transporter+imaging+as+a+method+to+detect+prodromal+Parkinson's+disease.">Olfactory testing combined with dopamine transporter imaging as a method to detect prodromal Parkinson's disease.</a> Journal of Neurology, Neurosurgery &amp; Psychiatry. 81 (4), 396-399 (2010).</li><li>Ponsen, M. M., 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=Idiopathic+hyposmia+as+a+preclinical+sign+of+Parkinson's+disease.">Idiopathic hyposmia as a preclinical sign of Parkinson's disease.</a> Annals of Neurology: Official Journal of the American Neurological Association and the Child Neurology Society. 56 (2), 173-181 (2004).</li><li>Oudre, L., Jakubowicz, J., Bianchi, P., Simon, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Classification+of+periodic+activities+using+the+Wasserstein+distance.">Classification of periodic activities using the Wasserstein distance.</a> IEEE Transactions on Biomedical Engineering. 59 (6), 1610-1619 (2012).</li><li>Derkinderen, P., 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=Parkinson+disease:+the+enteric+nervous+system+spills+its+guts.">Parkinson disease: the enteric nervous system spills its guts.</a> Neurology. 77 (19), 1761-1767 (2011).</li><li>Roetenberg, D., Luinge, H., Slycke, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Xsens+MVN:+Full+6DOF+human+motion+tracking+using+miniature+inertial+sensors.">Xsens MVN: Full 6DOF human motion tracking using miniature inertial sensors.</a> Xsens Motion Technologies BV, Tech. Rep. 1, (2009).</li><li>Possin, K. L., Laluz, V. R., Alcantar, O. Z., Miller, B. L., Kramer, J. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Distinct+neuroanatomical+substrates+and+cognitive+mechanisms+of+figure+copy+performance+in+Alzheimer's+disease+and+behavioral+variant+frontotemporal+dementia.">Distinct neuroanatomical substrates and cognitive mechanisms of figure copy performance in Alzheimer's disease and behavioral variant frontotemporal dementia.</a> Neuropsychologia. 49 (1), 43-48 (2011).</li><li>Army, U. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Army+individual+test+battery.">Army individual test battery.</a> Manual of Directions and Scoring. , (1944).</li><li>Nasreddine, Z. 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=The+Montreal+Cognitive+Assessment,+MoCA:+a+brief+screening+tool+for+mild+cognitive+impairment.">The Montreal Cognitive Assessment, MoCA: a brief screening tool for mild cognitive impairment.</a> Journal of the American Geriatrics Society. 53 (4), 695-699 (2005).</li><li>Beekly, D. L., 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+National+Alzheimer's+Coordinating+Center+(NACC)+database:+the+uniform+data+set.">The National Alzheimer's Coordinating Center (NACC) database: the uniform data set.</a> Alzheimer Disease &amp; Associated Disorders. 21 (3), 249-258 (2007).</li><li>Torres, E. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Objective Biometric Methods for the Diagnosis and Treatment of Nervous System Disorders. , (2018).</li><li>Ryu, J., Torres, E. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Fourth International Symposium on Movement and Computing, MOCO'17. , 1-8 (2017).</li><li>Torres, E. B., Donnellan, A. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Autism: The movement perspective. , (2015).</li><li>Torres, E. B., Vero, J., Rai, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Statistical+Platform+for+Individualized+Behavioral+Analyses+Using+Biophysical+Micro-Movement+Spikes.">Statistical Platform for Individualized Behavioral Analyses Using Biophysical Micro-Movement Spikes.</a> Sensors (Basel). 18 (4), (2018).</li><li>Torres, E. B., Denisova, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Motor+noise+is+rich+signal+in+autism+research+and+pharmacological+treatments.">Motor noise is rich signal in autism research and pharmacological treatments.</a> Scientific Reports. 6, (2016).</li><li>Shannon, 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+mathematical+theory+of+communication.">A mathematical theory of communication.</a> Bell System Technical Journal. 27, 379-423 (1948).</li><li>Silverstein, S. M., Wibral, M., Phillips, W. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Implications+of+information+theory+for+computational+modeling+of+schizophrenia.">Implications of information theory for computational modeling of schizophrenia.</a> Computational Psychiatry. 1, 82-101 (2017).</li><li>Jeong, J., Gore, J. C., Peterson, B. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Mutual+information+analysis+of+the+EEG+in+patients+with+Alzheimer's+disease.">Mutual information analysis of the EEG in patients with Alzheimer's disease.</a> Clinical Neurophysiology. 112 (5), 827-835 (2001).</li><li>Torres, E. B., 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=Autism:+the+micro-movement+perspective.">Autism: the micro-movement perspective.</a> Frontiers in Integrative Neuroscience. 7, 32 (2013).</li><li>Von Holst, E., Mittelstaedt, H., Dodwell, P. 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> Perceptual Processing: Stimulus equivalence and pattern recognition. , 41-72 (1950).</li><li>Torres, E. B., Cole, J., Poizner, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Motor+output+variability,+deafferentation,+and+putative+deficits+in+kinesthetic+reafference+in+Parkinson's+disease.">Motor output variability, deafferentation, and putative deficits in kinesthetic reafference in Parkinson's disease.</a> Frontiers in Human Neuroscience. 8, 823 (2014).</li><li>Yanovich, P., Isenhower, R. W., Sage, J., Torres, E. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Spatial-orientation+priming+impedes+rather+than+facilitates+the+spontaneous+control+of+hand-retraction+speeds+in+patients+with+Parkinson's+disease.">Spatial-orientation priming impedes rather than facilitates the spontaneous control of hand-retraction speeds in patients with Parkinson's disease.</a> PLoS One. 8 (7), e66757 (2013).</li><li>Torres, E. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+rates+of+change+of+the+stochastic+trajectories+of+acceleration+variability+are+a+good+predictor+of+normal+aging+and+of+the+stage+of+Parkinson's+disease.">The rates of change of the stochastic trajectories of acceleration variability are a good predictor of normal aging and of the stage of Parkinson's disease.</a> Frontiers in Integrative Neuroscience. 7, 50 (2013).</li><li>Torres, E. B., Heilman, K. M., Poizner, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Impaired+endogenously+evoked+automated+reaching+in+Parkinson's+disease.">Impaired endogenously evoked automated reaching in Parkinson's disease.</a> Journal of Neuroscience. 31 (49), 17848-17863 (2011).</li><li>Nguyen, J., Majmudar, U., Papathomas, T. V., Silverstein, S. M., Torres, E. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Schizophrenia:+The+micro-movements+perspective.">Schizophrenia: The micro-movements perspective.</a> Neuropsychologia. 85, 310-326 (2016).</li><li>Torres, E. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Atypical+signatures+of+motor+variability+found+in+an+individual+with+ASD.">Atypical signatures of motor variability found in an individual with ASD.</a> Neurocase. 19 (2), 150-165 (2013).</li><li>Torres, E. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Signatures+of+movement+variability+anticipate+hand+speed+according+to+levels+of+intent.">Signatures of movement variability anticipate hand speed according to levels of intent.</a> Behavioral Brain Functions. 9, 10 (2013).</li><li>Lai, M., Demuru, M., Hillebrand, A., Fraschini, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+comparison+between+scalp-and+source-reconstructed+EEG+networks.">A comparison between scalp-and source-reconstructed EEG networks.</a> Scientific Reports. 8 (1), 12269 (2018).</li><li>Sporns, O. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Networks of the Brain. , (2010).</li><li>Rubinov, M., Sporns, O. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Complex+network+measures+of+brain+connectivity:+uses+and+interpretations.">Complex network measures of brain connectivity: uses and interpretations.</a> Neuroimage. 52 (3), 1059-1069 (2010).</li><li>Kalampratsidou, V., Torres, E. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Peripheral+Network+Connectivity+Analyses+for+the+Real-Time+Tracking+of+Coupled+Bodies+in+Motion.">Peripheral Network Connectivity Analyses for the Real-Time Tracking of Coupled Bodies in Motion.</a> Sensors (Basel). 18 (9), 3117 (2018).</li><li>Torres, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+rates+of+change+of+the+stochastic+trajectories+of+acceleration+variability+are+a+good+predictor+of+normal+aging+and+of+the+stage+of+Parkinson's+disease.">The rates of change of the stochastic trajectories of acceleration variability are a good predictor of normal aging and of the stage of Parkinson's disease.</a> Frontiers in Integrative Neuroscience. 7 (50), (2013).</li></ol>

Forfatterne har ingenting å avsløre.

Dette arbeidet introduserer en ny protokoll som muliggjør integrering av tradisjonelle kliniske tester med digitale data fra Biofysiske signaler output av nervesystemet som personen utfører slike tester. Vi introduserer bruken av SPIBA og MMS som en samlende plattform for å kombinere ulike typer data, for eksempel diskrete resultater fra blyant-og-papir-observasjons metoder og kontinuerlige digitale data fra Biofysiske sensorer. Metodene er illustrert ved hjelp av en kohort av PWP og alder-og sex-matchet kontroller, med en ekstra ung kontroll som den ideelle sunne referanse for sammenligning. Vi viser at tradisjonelle kliniske tester (f. eks, de som kan være en del av MoCA og MDS-UPDRS) kan brukes til median rangere kohort og automatisk ekstrakt, fra den iboende variasjon av konsernets score, informasjon som stratifies data i den digitale i henhold til klinisk definerte nivåer av alvorlighetsgrad. Slike nivåer align godt med nivåer av kliniske MDS-UPDRS og kognitiv/minnetest ytelse. På et annet lag av gjennomføringen da, undersøker vi biorhythms av nervesystemet utnyttet fra CNS, PNS og ANS lag, og dermed karakteriserer ulike nivåer av autonomi og kontroll. Vi gir eksempel data og Stokastisk signaturer avledet fra slike data, undersøkt gjennom optikk av kliniske kriterier. Under slik tilnærming, kan vi differensiere pasientene fra sunne kontroller; og gjennom digitale biorhythms, differensiere innenfor PWP, på deres klinisk definerte nivåer av alvorlighetsgrad.
Ved å samkjøre de Biofysiske digitale dataene med de kliniske kriteriene på denne måten, gir vi et interpretable sett med kriterier som kan spore individuelle endringer i resultatene dynamisk. Vi mynt disse nye utfallet måler dynamisk Digital biomarkører, fordi de er basert på digitale data, men de gir interpretable utfall i henhold til godt etablerte og validert kliniske kriterier. De er avledet fra tidsserien av nervesystemet prosesser, og de fange den dynamiske natur slike. Spesielt er vi i stand til å bruke både motor og ikke-motoriske kriterier. Som sådan, kan vi begynne å kvantifisere ikke-motoriske aspekter av PD som nå er kjent for å gå forut for forverring av motoriske symptomer som konvensjonelt har definert uorden så langt. For eksempel, ansikts analyser som de som presenteres her kan brukes til å undersøke spontan ansikts mikro-gester under REM søvn å bygge et repertoar av dem som kan forutsi forverring av motor aktiviteter. På samme måte kan vi bruke disse metodene til å undersøke nivåer av smerte under daglige aktiviteter og vurdere deres potensial samsvarer med aktiviteter under REM søvn tid. Dette er viktig, fordi både REM søvn og smerte feilregulering er kjent for å komme foran motoriske problemer senere definere nivået av alvorlighetsgraden av PD5,6,7. Ved å bruke vår digitalisering av de ulike tradisjonelle kliniske oppgavene, ble andre ikke-motoriske innebygd i de kliniske oppgavene som ble brukt til å granske kognitive-og minne ferdigheter, karakterisert her, og indekser av slike aktiviteter som er kartlagt til motoriske symptomer. Disse metodene er mottagelig for å koble grunnleggende forskning og klinisk praksis i Parkinsons sykdom. De kan også utvides til andre lidelser i nervesystemet.
For resten motor produksjon fra ansiktet, i løpet av REM sove, vi kanne eksamen Facial gestus i løpet av naturlig sosiale situasjoner innen rammen av selv-sensing eller kinestetiske reafference å måler nivåene av reafferent feedback hjernen av pasienten passende blir. Her, til tross for de svært subtile forskjellene i mikro-gester over ansikts områder som tilsvarer den Trigeminal afferente regionene v1, v2, v3, var det mulig å finne i den representative deltakeren, som regionen i ansiktet maksimalt skiftet Stokastisk signaturer når overgangen mellom nøytrale og naturlig smilende stater. Dette tyder på at ved hjelp av SPIBA og MMS, vil vi være i stand til å evaluere andre ikke-motoriske (sensoriske) aspekter av PD relatert til problemer med sensoriske innspill fra kinestetiske-touch-kanaler. Disse har blitt funnet å være problematisk i PD, selv i tidlige stadier av uorden24. Fordi sensorisk og motor går hånd i hånd, kan denne informasjonen hjelpe oss prognose mer åpenbare motoriske problemer overflaten senere i progresjon av denne lidelsen1,7. Vi posit at disse kinestetiske kanaler langs Trigeminal områder av ansiktet kan også hjelpe oss distansere ulike typer smerte feilregulering, inkludert de som er relatert til søvn endringer5,6.
Den nåværende metoder gir en ny måte å undersøke Biofysiske signalene innhentet fra den sentrale, perifere og autonome nervesystemet i tandem, under ulike forhold som krever ulike kognitive ferdigheter og ulike nivåer av autonomi og neuromotor kontroll. Bruke SPIBA rammeverket, hvor Stokastisk analyser og par-klok nettverk analyser er brukt på standardiserte MMS-data, er det også mulig å objektivt karakterisere kognitive aktiviteter. De femten oppgavene som ble brukt i dette eksperimentet, krever ulike typer kognitive ferdigheter (f.eks. visuo-konstruksjonsmessige ferdigheter, visuelt minne, ferdigheter som oppfattes som skanning) og ulike nivåer av kognitiv kontroll (f.eks. bevisst tempo som peker hastighet, tempo puste hastigheten som anvist). Av den grunn, det stochasticity og connectivity mønstre av CNS-PNS-ANS informasjon overføring av Biofysiske signaler utstilt under disse oppgavene, kan brukes til å karakterisere ulike nivåer av kognitive belastninger og deres innvirkning på motorens utgang.
Selv om vi understreker fordelene ved våre nye analytiske metoder og protokoller, påpeker vi også advarsler og praktiske begrensninger som bør vurderes når vi tar i bruk opptaks plattformen vår for synkron datainnsamling. Dette er fordi i denne satt opp, er det flere innspillingen programvaretyper streaming på en enkelt datamaskin for synkronisering formål, krever databehandlingskraft av datamaskinen for å være høy, eller annet man kunne pådra tap av data, datamaskinen frysing og/eller overflødig Støy. I dagens design, to streaming programvare (EEG, og motion capture) og LSL ble kjørt på en enkelt datamaskin. Som sådan, måtte vi være oppmerksomme på behandling overbelastning og mulig datamaskinen fryse. Dette var en av grunnene til at vi brukte en av EEG kanaler for å trekke ut EKG-signalene. Datamaskiner med høyere minnekapasitet og raskere prosessorer kan være i stand til å håndtere en egen EKG-programvare samtidig streaming med EEG og sensor Grid av kinematikk. Disse problemene er praktiske i naturen og uavhengig av analytiske metoder (SPIBA) og standarddata typer (MMS) som vi tilbyr. Likevel tror vi det er viktig å varsle sluttbrukeren om behovet for å vurdere beregningsorientert strøm før du utformer protokollen for data co-registrering fra flere bekker.
En annen påminnelse vi påpeker er at de 15 oppgavene illustrert i protokollen er en undergruppe av hva som kan brukes til å utvikle dynamiske digitale biomarkører. For hensikten med dette papiret, begrenset vi til noen få oppgaver på grunn av plass tvang, og valgte de som involverte ulike nivåer av kontroll og kroppslige bevegelser, og faktisk kan vi legge til andre oppgaver som ikke er inkludert i dette papiret. Vårt mål er å utlede en mindre del av oppgaver som ville kreve mindre tid og krefter. Faktisk, fra laboratoriet vårt, peker oppgaver (oppgaver 10 − 12) er et sett med oppgaver som vi fant å være en effektiv og effektiv måte å karakterisere Stokastisk signaturer av biorhythms varierte ved ulike nivåer av frivillige kontroll og nevrologiske lidelser, inkludert PD 24 priser og , 30i det.
Representative resultatene som vises i denne studien er en liten undergruppe av hva som kan gjøres med MMS datasett avledet fra biosensors bølgeformer og kameraer ' Motion Caption, bruker SPIBA metoder. For illustrerende formål, undersøkte vi MMS i amplitude og fokuserte på svingninger i lineær hastighet amplitude avledet fra personens COM. COM er en oppsummering signal fra alle 17 kroppen sensorer rutenett som vi co-registrert. Vi kan imidlertid utvide analysene til andre rotasjons parametre, og til andre kinetisk variabler (f.eks. styrker og trykk) som genererer tidsserier med varierende parametre (f.eks. slik vi gjorde med ansikts dataene.) Også, på grunn av plassbegrensning, vi bare illustrert analyse av EEG data basert på hodebunnen amplitude informasjon, men vi kan også bruke disse analysene til data avledet fra kilden plass31. For alle data moduser, kan vi også undersøke stochasticity av ganger mellom toppene (i stedet for Peak amplitude), som også genererer tidsserier. Andre gang rekke parametre kan utledes fra slike bølgeformer, og deres MMS kan brukes til å fastslå cohesiveness og tilkobling fra nettverket som ble bygget32,33,34. Videre kan disse analysene også utvides til frekvens domenet34. I tillegg til den gjensidige informasjonsnettverk analyse, kunne vi ha fokusert på andre topologisk funksjoner i nettverket for å differensiere PWP og kontroller og Stratify PWP. For hensikten med dette papiret, fokuserer vi på nytten av disse analysene som et verktøy, men gjennom denne type karakterisering, vil vi få kunnskap til å gi klinisk informerte tolkninger av de digitale dataene som disse analytiske verktøy gir.
Den nåværende metoder beskrevet i denne studien tjene til å innføre noen av de mange mulige måter som SPIBA og MMS kan brukes til klinisk og digital dataintegrering. Vi tilbyr denne samlende plattform, standardisert datatype og eksperimentell protokoll i håp om å endelig informere digitale data av kliniske kriterier, og likeledes legge til mer presisjon fra digitale data til den tradisjonelle blyant-og-papir metoder. Slik forbedring vil 1) muliggjøre mer nøyaktig sporing av symptom endring som respons på behandling, 2) forbedre forståelsen av naturlig PD-progresjon over tid, og 3) tilrettelegge for lagdeling av PD-symptom-presentasjon (som kan diktere unike kliniske anbefalinger for hver undergruppe). Som sådan håper vi å anvende disse metodene til videre forskning i PD, men også se nytten i klinisk anvendelse også. Ved hjelp av kommersielle-grade enheter som mobiltelefoner, Biofysiske data kan fås til å utføre analyser som vi illustrert i denne utredningen. For tiden er det innsats i å samle slike digitale data på en større skala som mPower app studie fra University of Rochester (https://parkinsonmpower.org) og Kaggle. Faktisk, ved hjelp av disse åpne-tilgang data repositories, var vi i stand til å Stratify PD og normal aldring individer fra akselerometer data innhentet fra mobiltelefoner, og å automatisk klassifisere aktiviteter som er innebygd i de kliniske testene som presenteres her i 35.
Som et neste skritt, tar vi sikte på å samle inn mer data fra et bredere spekter av PWP befolkning og deres matchet kontroll deltakere og registrere dem på ulike tidspunkt poeng for å kunne utføre både en tverr-Seksjons og langsgående analyse ved hjelp av våre metoder. Vi forutse slike innsamlede digitale data vil tilby mye mer enn summen av sine deler, og virkelig realisere prinsippene for presisjon medisin i Nevrologi og psykiatri.

Precision medisin (PM) (figur 1) har dukket opp som en kraftig plattform for å utvikle personlig målrettede behandlinger. Innen kreftforskning, har denne modellen vært svært vellykket og dens læresetninger er bundet til å revolusjonere det medisinske feltet i nær framtid1. PM kombinerer flere lag av kunnskap, alt fra pasientens Self-rapporter til Genomics. Integrering av informasjon på tvers av alle disse lagene resulterer i en personlig vurdering som muliggjør tolkning av dataene og mer presise behandlings anbefalinger som tar sikte på å vurdere alle aspekter av personens liv.
Det er flere utfordringer når du prøver å tilpasse PM plattform til nevropsykiatriske og nevrologiske forstyrrelser i nervesystemet2,3, og disse utfordringene har nylig stemt4. Blant de er de forskjellene i data som er ervervet, nemlig diskrete score fra kliniske blyant-og-papir metoder guidet av observasjon, og kontinuerlig Biofysiske data fysisk ervervet fra nervesystemet output (f. eks, ved hjelp biosensors). Dataene fra kliniske score har en tendens til å anta en en-størrelse passer alle statiske modellen som håndhever en enkelt (teoretisk) sannsynlighet fordeling funksjon (PDF). Dette a priori forutsetning er pålagt på data uten riktig empirisk validering, fordi normative data ikke er ervervet og preget i første omgang. Som sådan er det ingen riktig likhet-metrisk-baserte kriterier som beskriver neurotypical maturational tilstander av den menneskelige nervesystemet, som sunn person aldre og sannsynligheten mellomrom brukes til å kaste disse parameter variasjoner Skift på noen rate. Uten normative data og riktig likhet beregninger, er det ikke mulig å måle avganger fra typiske stater som de dynamisk endres på tvers av personens liv. Det er heller ikke mulig å forutsi de sensoriske konsekvensene av de kommende endringene.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/59827/59827fig1.jpg"> Figur 1: Precision medisin plattform: fylle gapet mellom atferd og Genomics for å muliggjøre målrettet behandling utvikling i personlig medisin oversatt til nevrologiske og nevropsykiatriske lidelser i nervesystemet. Den presisjon medisin plattform for utvikling av personlig målrettede behandlinger kan oversettes til å diagnostisere og behandle nevrologiske og nevropsykiatriske lidelser i nervesystemet. I kunnskaps nettverket trenger imidlertid laget av atferds analyser et paradigmeskifte for å integrere nye, voksende digitale resultater fra Biofysiske data med mer tradisjonelle kliniske kriterier. En utfordring fremover er å gi statistisk lyd metoder og nye intuitive visualiseringsverktøy for slik integrering, samtidig som det oppmuntrer til bruk av digitale utfalls tiltak av klinikere, pasienter og omsorgspersoner. Dette tallet er blitt modifisert fra Hawgood et al.1 med tillatelse fra American Association for fremming av vitenskap. <a href="https://www.jove.com/files/ftp_upload/59827/59827fig1large.jpg" target="_blank">Vennligst klikk her for å se en større versjon av dette tallet.</a>
Den nåværende "Grand snitt" tilnærming jevner ut som støy den enkeltes Stokastisk svingninger i data, dvs., signalet variasjon som manifesterer som person naturlig aldre, som lidelsen utvikler seg, og som personens nervesystem motta og svare på behandlinger. Mangelen på normative data (dvs. vurdere store tverrsnitt og langsgående deler av den friske befolkningen) hindrer oss fra å forstå den neurotypical dynamikken i sunn aldring. Som sådan, blir det en utfordring å vite hvordan du mer generelt forutse konsekvensene av en gitt patologi, som at patologi begynner å systemisk manifest i den enkelte. Prediktiv tilnærminger er avgjørende for å designe regenererende terapier og/eller nervecellene terapier som senker den degenerative prosessen. Parkinsons sykdom er et godt eksempel på patologi der manifestasjoner av lidelsen er innledes med mange andre målbare symptomer. Vi vet i dag at de synlige motoriske lidelsene ble innledet av mindre synlige sensoriske problemer som redusert olfactory funksjon5,6, endringer i tale mønstre, Rapid Eye Movement (REM) Sleep7, og andre ikke-motor symptomer knyttet til funksjon av enteric nervesystemet8. Når lidelsen manifesterer, er det allerede høy dopaminerg forringelse i systemet; men ikke-motoriske symptomer kunne ha anslått noen av de synlige motoriske nedskrivninger, der uorden for tiden først og fremst vurderes.
Det er behov for å endre dagens analytiske modeller og vurdere viktigheten av riktig karakteriserer empiriske data på tvers av alle nivåer i nervesystemet, hvorved biorhythmic bevegelser manifestere og kan bli dynamisk utnyttet i form av tidsserier co-registrert med en rekke sensorer. Motion data i sin mer generelle forstand bør ikke være begrenset til bevegelser og lidelser de sender. Digitale data fra alle biorhythms av nervesystemet (inklusive ikke-bevegelse bølgeformer) tilbyr prognoser potensialet at vi kan vi trenger for å forebygge eller å forsinke rask neurodegeneration. Likevel, som vi utvider vårt repertoar av datatyper, bør vi unngå den iboende forutsetning av parametriske lineære modeller for statistisk slutning og tolkning som er i bruk for å analysere slike data. Det vil være avgjørende for å vurdere tilstrekkeligheten av slike lineære modeller for de typer av svært ikke-lineære problemer som vi studerer i nervøse systemer patologi underlagt Stokastisk Skift og dynamiske endringer. Advarsler i gjeldende forutsetning-analyse rørledning løkker er til stede i begge datatyper blir utnyttet: de fra diskrete kliniske score og de fra den kontinuerlige digitale Biofysiske bølgeformer. Mens de forblir frakoblet, vil det være viktig å designe nye rammeverk som muliggjør riktig integrering av begge typer data på måter som justerer digitale utfall med kliniske kriterier for å lette bruken av nye digitale teknologier av pasienter, omsorgspersoner og klinikere.
For å overvinne noen av disse utfordringene har vi nylig tilpasset PM-plattformen i figur 1 for å gi presisjons bestemmelse av fenotype for nevrologiske og nevropsykiatriske tilstander3. For å oppnå dette, har vi utviklet en ny måte å samle, analysere og tolke atferdsdata i tandem med tradisjonelle kliniske scoring tester som konstatere komplekse relasjoner mellom kognitive og motoriske fenomener. Mer presist, har vi digitalisert den blyant-og-papir metoder. Dataene fra slike metoder alene er altfor grov til å fange viktig informasjon unnslippe det blotte øye. Men deres bruk i kombinasjon med digitale data fra Biofysiske sensorer tilbyr en ny vei å koble ny voksende digital teknologi med kliniske kriterier mottagelig for å oppmuntre klinikere å adoptere dem i nær fremtid.
Her introduserer vi bruken av digitale data i forbindelse med kliniske vurderinger. Nemlig, som den personen utfører den kliniske oppgaven, for eksempel, tegne en klokke i Montreal Cognitive Assessment (MoCA) test, den biorhythms produksjonen av nervesystemet er co-registrert på tvers av ulike funksjonelle lag. Disse inkluderer Elektroencefalogram (EEG), elektrokardiografi (EKG eller EKG), stemme mønstre og kinematikk fra kroppen, og Kinematisk utdata fra hånd pennen som personen bruker til å tegne klokken på et digitalisert nettbrett. Vi samler også inn video data fra ansiktet som personen trekker, for å utføre Sentiment analyser prediktiv følelsesmessige tilstander. Disse dataene blir deretter analysert gjennom optikk av en ny statistisk plattform for individualisert atferdsanalyse (SPIBA) og tolkes i henhold til de kliniske kriteriene underliggende slike tester. Mer spesifikt brukes de diskrete resultatene til å rangere kohort for pasientene og på denne måten Stratify gruppen basert på de kliniske kriteriene. Vi kan da undersøke kontinuerlig Biofysiske data av gruppene dermed identifisert, i Søk etter digitalt drevet Stokastisk kriterier som fundamentalt skiller en undergruppe av pasienter fra en annen, på tvers av mer enn én parametrisk dimensjon. Videre, ved å undersøke den kontinuerlige Biofysiske data i sin egen rett, i henhold til den iboende svingninger av hver person i kohort og blindet fra de kliniske kriteriene, kan vi søke etter selv voksende klynger i kohort, og sammenligne omfang som slike klynger kart på de som under typer informert av kliniske kriterier avslørt.
Denne tilnærmingen gir en ny måte å identifisere parametre innenfor det vell av Biofysiske digitale data, som mest effektivt fanger forskjellene på tvers av under typer og gjengir disse forskjellene som potensielt gode kandidater til å Stratify pasienter med Parkinsons sykdom (PWP) i blinde, det vil si over en tilfeldig trekning fra befolkningen generelt. Relevansen av denne metoden er todelt. Vi kan virkelig tilpasse behandlingene, mens riktig integrere ulike datatyper fra biosensors og kliniske kriterier; dvs. kontinuerlige digitale Biofysiske data i form av tidsserier, og diskrete kliniske resultater fra tradisjonelle tester.
Selv om dette er en generell tilnærming, gjelder for alle lidelser i nervesystemet, ramme vi arbeidet innenfor rammen av PWP og tilbyr nye måter å gjøre statistiske slutninger om kontinuerlig digitale data co-registrert under utførelsen av slike kliniske tester med tanke på det diskrete kliniske poengsystemet. Som sådan, gjør arbeidet klinisk tolkning av de digitale resultatene mottagelig for bruk i kliniske innstillinger. Til slutt gir vi anbefalinger for å begynne å designe nye måter å visualisere slike individuelle utfall for å legge inn nye programmer for enkel bruk i hjemmet og kliniske innstillinger av pasientene, omsorgspersoner og klinisk personell alike.

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>Enobio 32</td>
			<td>NE Neuroelectrics</td>
			<td>NE006WF</td>
			<td>wearable, wireless electrophysiology sensor system for the recording of EEG.</td>
		</tr>
		<tr>
			<td>Inking Pen</td>
			<td>Wacom</td>
			<td>KP1302</td>
			<td>tablet pen</td>
		</tr>
		<tr>
			<td>Intuos Pro</td>
			<td>Wacom</td>
			<td>PTH451</td>
			<td>pen tablet</td>
		</tr>
		<tr>
			<td>Lab Stream Layer System</td>
			<td>n/a</td>
			<td>n/a</td>
			<td>open source software to synchronize different devices</td>
		</tr>
		<tr>
			<td>Microphone</td>
			<td>Zaffiro</td>
			<td>B07BDFP6XC</td>
			<td>computer microphone</td>
		</tr>
		<tr>
			<td>MovAlyzeR</td>
			<td>Neuroscript</td>
			<td>Version 6.1.0.0.</td>
			<td>pen movement caption software</td>
		</tr>
		<tr>
			<td>MTw Awinda wireless motion tracker</td>
			<td>Xsens</td>
			<td>MTw Awinda</td>
			<td>motion capture system</td>
		</tr>
		<tr>
			<td>MVN Analyze</td>
			<td>Xsens</td>
			<td>Version 2019</td>
			<td>motion-tracking software</td>
		</tr>
		<tr>
			<td>NIC 2.0</td>
			<td>NE Neuroelectrics</td>
			<td>NE001SW2</td>
			<td>Neuroelectrics Instrument Controller (NIC) EEG streaming software</td>
		</tr>
		<tr>
			<td>OpenPose</td>
			<td>n/a</td>
			<td>n/a</td>
			<td>open source machine learning software to extract facial information</td>
		</tr>
	</tbody>
</table>

dynamic digital biomarkers of motor and cognitive function in parkinson's disease

Som Parkinsons sykdom (PD) er en heterogen lidelse, er personlig medisin virkelig nødvendig for å optimalisere omsorg. I sin nåværende form, standard score fra papir og blyant symptom-tiltak som tradisjonelt brukes til å spore sykdomsprogresjon er for grov (diskret) for å fange opp detaljene i de kliniske fenomener under vurdering, i møte med enorme symptom Mangfold. Av denne grunn blir sensorer, bærbare og mobile enheter i økende grad innlemmet i PD forskning og rutine omsorg. Disse digitale tiltakene, mens mer presis, gir data som er mindre standardiserte og interpretable enn tradisjonelle tiltak, og følgelig, de to typer data forblir i stor grad siloed. Begge disse problemene presenterer barrierer for den brede kliniske anvendelsen av feltets mest presise vurderingsverktøy. Denne protokollen løser begge problemene. Ved å bruke tradisjonelle oppgaver for å måle kognisjon og motor kontroll, tester vi deltakeren, samtidig som man registrerer Biofysiske signaler diskret ved hjelp av bærbare data. Deretter integrerer vi resultatene fra tradisjonelle papir-og blyant metoder med de digitale dataene vi registrerer kontinuerlig. Vi tilbyr en ny standardisert datatype og samlende statistisk plattform som gjør det mulig dynamisk sporing av endring i personens Stokastisk signaturer under ulike forhold som sonde ulike funksjonelle nivåer av neuromotor kontroll, alt fra frivillig til autonom. Protokollen og det standardiserte statistiske rammeverket tilbyr dynamisk Digital biomarkører av fysisk og kognitiv funksjon i PD som tilsvarer validerte kliniske vekter, samtidig som de forbedrer presisjonen betraktelig.

Watch this Scientific Journal Video about Dynamic Digital Biomarkers of Motor and Cognitive Function in Parkinson's Disease at JoVE.com

Dynamic Digital Biomarkers of Motor and Cognitive Function in Parkinson's Disease

Dynamisk Digital biomarkører av motor og kognitiv funksjon i Parkinsons sykdom

Denne protokollen tilbyr en digitalisering av deler av tradisjonelle kliniske oppgaver som vanligvis brukes til å måle kognisjon og motor kontroll ved Parkinsons sykdom. Kliniske oppgaver er digitalisert mens Biofysiske rytmer er co-registrert fra ulike funksjonelle nivåer av nervesystemet, alt fra frivillig, spontan, automatisk til autonom.

As Parkinson&#8217;s disease (PD) is a heterogeneous disorder, personalized medicine is truly required to optimize care. In their current form, standard ...

Denne protokollen kan hjelpe oss med å stratifisere den heterogene Parkinsons sykdom ved kognitiv og motorisk alvorlighetsgrad. Ved hjelp av bærbare sensorer kan vi digitalisere kliniske oppgaver som vanligvis brukes av leger. Ved å registrere aktiviteter på tvers av ulike funksjonelle nivåer av nervesystemet, identifiserer vi svært informative parametere for kognisjon, bevegelse og følelser, for å produsere dynamiske digitale biomarkører av Parkinsons sykdom.Dette arbeidet tilbyr et samlende rammeverk for å karakterisere og spore signaturene til nevrologiske lidelser på en personlig måte, sammen med utviklingen av en hel kohort som mottar en gitt behandling eller terapi. Denne teknikken gir en samlende statistisk plattform for å dynamisk spore endringer i signaturene til statistisk variasjon produsert av selvgenererte biologiske aktiviteter som spenner fra molekyler, til celler, til atferd. Strømming av flere programvare krever mye dataminne, så vi vil anbefale å bruke datamaskiner med høy beregningskapasitet, ellers kan systemer krasje mens de tar opp.Vi bruker flere enheter til å registrere hjernen, kroppen og hjertet, alt i tandem, under naturlige bevegelser, så et dynamisk medium, for eksempel video, ville best illustrere dette. Å demonstrere prosedyrene fra laboratoriet mitt vil være de nyutdannede studentene Jihye Ryu og Joseph Vero. Etter å ha innhentet informerte samtykke fra deltakeren, måler du deltakerens kroppsdimensjoner for å tillate opprettelse av kroppsavataren i bevegelsesfangstsystemet.Deretter konfigurerer du bevegelsesopptakssystemet, inkludert de sytten trådløse bevegelsessporingssensorene og bevegelsessporingsprogramvaren. Plasser sensorer på alle kroppsdelene, som angitt, og fest sensorene med stroppebånd, for å tillate uhindret bevegelse. Når alle sensorene er plassert, kalibrerer du deltakerens posisjon for å lage avataren.Hvis du vil konfigurere EEG-enheten og opptaksprogramvaren, plasserer du 31 kanalsensorer over hodebunnen og plasserer opptaksenheten på baksiden av hodet. Fest den siste kanalsensoren til en kontakt for å måle hjertesignalet, og plasser sensoren på venstre side av deltakerens mage. Deretter festes til referansekanalsensorer bak deltakerens venstre øre, og bruker en sprøyte til å sette elektrodegel inn i sensorene på EEG-hetten.Hvis du vil fange deltakerens stemme under evalueringene, plasserer du en mikrofon foran deltakeren og kobler mikrofonen til datamaskinen der laboratoriestrømlaget skal kjøre. Deretter, for å sette opp lab stream lag system for å synkronisere strømmer av EEG, bevegelse, lyd og museklikk tidsstempler, åpne lab opptaker app, åpne og koble lab stream lag apps for mus og lydopptak vinne app, og deretter åpne en innebygd xsense synkronisering app. I posten fra stream delen av lab opptaker app, trykk Update'for å få en fullstendig liste over streaming elementer, og merk av i boksene for AudioCaptureWin'EEG'MouseButtons'Position'and TrackerKinematics'å koble lyd, EEG, museklikk, og bevegelse gjennom lab stream lag system.Konfigurer opptaket for å fange pennebevegelsen, inkludert pennetavlen og bevegelsesanalyseprogramvaren, og plasser tegnebrettet og tavlepennen foran deltakeren. Koble nettbrettet til datamaskinen der bevegelsesanalyseprogramvaren skal registreres, og teip et stykke hvitt papir på nettbrettet. Deretter trykker du på posten i laboratoriestrømlaget, motion-capture-programvaren og EEG-opptaksprogramvaren.Ved starten og slutten av hver oppgave klikker du tidsstemplingsknappen på motion-capture-programvaren for å tidsstemple oppgaven. Ikke glem å skrive ned den faktiske tiden når du klikker på tidsstemplingsknappen som en sikkerhetskopi, så når du ser på dataene senere, kan du identifisere oppgaven fra tidsstemplene. For en umiddelbar Benson kompleks figur kopi, be deltakeren til å kopiere Benson figur på papiret, og å huske utformingen, fordi de vil bli bedt om å tegne design igjen fra minnet senere.For del A i en løypetest må du be deltakeren om å tegne en linje mellom sirkler som er nummerert i stigende rekkefølge. Hvis du vil gjennomføre del B av etterfølgende test, må du instruere om å tegne en linje mellom sirkler som inneholder enten tall eller bokstaver i stigende rekkefølge, mens du veksler mellom tall og bokstaver. For en klokketegningsoppgave, be deltakeren om å tegne en analog klokke med tallene en til tolv, og å sette tiden til ti over elleve.For å utføre en forsinket Benson kompleks figur kopi, be deltakeren om å tegne Benson kompleks figur fra minnet på et tomt stykke papir. For å gjennomføre en viftetest fremover, be deltakeren om å gjenta tallene som eksperimentereren leser høyt i samme rekkefølge. For en viftetest bakovernummer ber du deltakeren om å gjenta tallene som eksperimentereren leser høyt i omvendt rekkefølge.For en pekeoppgave plasserer du et mål foran deltakeren for å peke og berøre, og be deltakeren peke på målet førti ganger på en selvgående måte med den dominerende hånden. For en metronom peker oppgave, instruere deltakeren til å peke på målet førti ganger på en selv-paced måte, mens du setter en metronom å slå på trettifem slag per minutt i bakgrunnen, men ikke instruere noe om metronom beat. For en paced peker oppgave, instruere deltakeren til å peke på målet førti ganger etter tempoet i metronom beat satt til trettifem slag per minutt.For å utføre en vandreoppgave, først instruere deltakeren til å gå naturlig rundt i rommet i fem minutter. Deretter instruerer deltakeren til å gå naturlig rundt i rommet mens du setter metronomen til å slå i bakgrunnen i tolv slag per minutt. Deretter, instruere deltakeren til å gå naturlig rundt i rommet mens pacing deres pustefrekvens til metronom beat satt til tolv slag per minutt.For en ansiktsvideo, først, instruere deltakeren til å sitte komfortabelt og sette opp et kamera foran deltakeren. For kontrollvurderingen, be deltakeren om å stirre på et rom uten stimuli i fem minutter. For smilevurderingen, be deltakeren om å se en morsom video i fem minutter.I hver av tegneoppgavene stratifiserte pasientene i denne representative studien bortsett fra kontrollene, og differensierer deres individuelle stokastiske signaturer av motorisk variasjon i henhold til Movement Disorder Society enhetlig Parkinsons sykdomsrangeringer skala middels rangerte score. En oppgave med å peke på et spacial mål utføres for å vurdere de ulike nivåene av volitional kontroll, og dette tallet illustrerer nedbrytningen av midten av massebanen som deltakeren alvorlighetsgraden av lidelsen øker. Ved hjelp av denne analysen er det mulig å skille hver undertype av pasienten med Parkinsons sykdom, og å spore endringer i pasientens stokastiske signaturer fra baseline til metronom-tilknyttede pekeoppgaver av både spontane og uinstruerte og bevisste og instruerte tilfeller.I en automatisk gangevaluering kan sentrum av massebaner for kontroller og pasienter med Parkinsons sykdom, som middels rangert av Movement Disorders Society enhetlig Parkinsons sykdomsklassifiseringer skalascore oppnås. Stokastisk analyse av gangoppgaven kan deretter utføres, hvor differensieringer kan gjøres mellom pasienter og kontroller, og blant pasienter med ulike alvorlighetsgrader av sykdommen. Åpen positur programvare kan brukes til å fastslå områder av ansiktet som er mest aktive under en gitt oppgave, og for å undersøke det følelsesmessige innholdet ved å fastslå områdeoverganger på tvers av følelser under oppgaver.Integrering av digitale biofysiske signaler for EEG, magnotometerbevegelse og EKG, ved hjelp av informasjonsteoretiske målinger og nettverkstilkoblingsanalyser, er det mulig å skille mellom pasienter og kontroller, og blant pasienter med forskjellig alvorlighetsgrad, ved å undersøke tettheten av nettverket. Ved hjelp av de digitaliserte dataene i hjernen en kropp signaler, kan vi bruke en rekke analyser, inkludert krysskorrelasjon og kryss-sammenheng for å karakterisere interaktivitet mellom ulike moduser av biosignaler. Vårt laboratorium har utvidet disse metodene for å karakterisere andre nevrologiske og atferdsforstyrrelser, som smerte, og å studere nedfelt kognisjon, og alle disse adresserer forskjellige spørsmål.

Research

JoVE Journal

Behavior

Assessment of Sensorimotor Function in Mouse Models of Parkinson's Disease

Vurdering av sensorisk funksjon i mus modeller av Parkinsons sykdom

Sensitive and  reliable behavioral outcome measures are essential to the evaluation of  potential therapeutic treatments in preclinical trials for many  ...

Methods to Explore the Influence of Top-down Visual Processes on Motor Behavior

Metoder for å Utforsk Influence of top-down Visual Prosesser på Motor Behavior

Kinesthetic awareness is important to successfully navigate the environment. When we interact with our daily surroundings, some aspects of movement are ...

Community-based Adapted Tango Dancing for Individuals with Parkinson's Disease and Older Adults

Community-baserte Tilpasset Tango Dancing for Personer med Parkinsons sykdom og eldre Voksne

Adapted tango dancing improves mobility and balance in older adults and additional populations with balance impairments. It is composed of very simple ...

Non-Invasive Electrical Brain Stimulation Montages for Modulation of Human Motor Function

Non-invasiv Elektrisk hjernestimulering Montages for Modulation of Human Motor Function

Non-invasive electrical brain stimulation (NEBS) is used to modulate brain function and behavior, both for research and clinical purposes. In particular, ...

The "Motor" in Implicit Motor Sequence Learning: A Foot-stepping Serial Reaction Time Task

"Motoren" i implisitt Motor sekvens læring: en fot-stepping føljetong reaksjon tid oppgave

This protocol describes a modified serial reaction time (SRT) task used to study implicit motor sequence learning. Unlike the classic SRT task that ...

A Novel Single Animal Motor Function Tracking System Using Simple, Readily Available Software

En roman enkelt dyr motoriske funksjoner sporingssystem ved hjelp av enkle, lett tilgjengelig programvare

We have recently demonstrated that implanting intracortical microelectrodes in the motor corteces of rats&#160;results in immediate and lasting motor ...

Automated, Long-term Behavioral Assay for Cognitive Functions in Multiple Genetic Models of Alzheimer's Disease, Using IntelliCage

Automatisert, langsiktig atferdsdata analyse for kognitive funksjoner i flere genetiske modeller av Alzheimers sykdom, bruker IntelliCage

Multiple factors&#8212;such as aging and genes&#8212;are frequently associated with cognitive decline. Genetically modified mouse models of cognitive ...

A Networked Desktop Virtual Reality Setup for Decision Science and Navigation Experiments with Multiple Participants

Et nettverk Desktop Virtual Reality oppsett for Decision Science og navigasjon eksperimenter med flere deltakere

Investigating the interactions among multiple participants is a challenge for researchers from various disciplines, including the decision sciences and ...

Virtual Reality Experiments with Physiological Measures

Virtual Reality eksperimenter med fysiologiske tiltak

Virtual reality (VR) experiments are increasingly employed because of their internal and external validity compared to real-world observation and ...

Behavioral Assessments of Spontaneous Locomotion in a Murine MPTP-induced Parkinson's Disease Model

Atferdsmessige vurderinger av spontane bevegelse i Murine MPTP-indusert Parkinson's sykdom modell

Parkinson&#8217;s disease (PD) is a common neurodegenerative disorder disease, causing the phenomenon of shaking, rigidity, slowness of movement and ...