Name: quantified assessment of infant's gross motor abilities using a multisensor wearable
Uploaded: 2024-05-17T13:30:00
Duration: 9 min 24 s
Description: Watch this Scientific Journal Video about Quantified Assessment of Infant's Gross Motor Abilities Using a Multisensor Wearable at JoVE.com

Dette arbeidet ble støttet av Finnish Academy (314602, 335788, 335872, 332017, 343498), Finnish Pediatric Foundation (Lastentautien tutkimussäätiö), Aivosäätiö, Sigrid Juselius Foundation, og HUS Children's Hospital / HUS diagnostiske senter forskningsmidler.

Studiene som ble utført med dette systemet ble gjennomgått av etikkomiteen ved New Children's Hospital, Helsingfors universitetssykehus, og sykehuset ga tillatelse til å gjennomføre forskningsprosjektene beskrevet i de opprinnelige studiene som er sitert i dette arbeidet. Det ble innhentet informert samtykke til å filme barnet i videoen.
1. Klargjøre drakten for en innspillingsøkt
<ol><li>Velg riktig draktstørrelse. For tiden går størrelsene opp fra størrelse 68 cm, og det er fem forskjellige størrelsesalternativer (68 cm, 74 cm, 80 cm, 86 cm og 92 cm). Sørg for at drakten sitter tett, men komfortabelt, og at barnet kan bevege seg fritt uten forstyrrelser.</li>
	<li>Start opptaket, det vil si datainnsamling ved hjelp av dataloggerapplikasjonen Maijulogger, som beskrevet i tilleggsfil 1.<ol><li>På den første siden skriver du inn "Emneidentifikasjonsnummer". Antall bevegelsessensorer som brukes i vurderingen er satt til 4 som standard, som vist på første side.</li>
		<li>Fortsett til neste trinn ved å trykke på fremoverpilen.</li>
	</ol></li>
	<li>Utstyr fire sensorer med batterier (versjon CR2025).</li>
	<li>Par hver sensor med mobilapplikasjonen ved å velge og trykke på en lemplassering på applikasjonen og bringe sensoren nær mobilenheten.<ol><li>Bekreft at riktig sensornummer vises i applikasjonen.</li>
		<li>Sørg for tilstrekkelig batteriladenivå (anbefalt > 80 %) ved å kontrollere indikatorene under sensornummeret. MERK: Bytt om nødvendig ut sensorbatteriene ved å løfte bakdekselet.</li>
	</ol></li>
	<li>Fest hver sensor med snap-on-festene i riktig ermelomme.<ol><li>Sørg for at sensorene er riktig orientert.</li>
		<li>Sjekk alltid den nyeste brukerhåndboken for detaljer. Feil orientering vil føre til ubrukelige data.</li>
	</ol></li>
	<li>Fortsett å sjekke riktig sensorparing ved å trykke på fremoverpilen i applikasjonen.<ol><li>Rist sensorene en etter en og sjekk applikasjonen for å se at riktig indikator vrir seg.</li>
	</ol></li>
	<li>Når kontrollene er fullført, fortsett til startsiden ved å trykke på fremoverpilen. MERK: Om nødvendig kan varigheten av opptaket (hh:mm) stilles inn manuelt ved å trykke på Innstillinger-knappen ved starten av hvert opptak.<ol><li>Trykk på Record-knappen for å starte opptaket. Vent til sensorene er klare før du kler drakten på spedbarnet (dette kan ta noen minutter).</li>
	</ol></li>
	<li>For hjemmeopptak uten tilsyn, sett skjermlåsen til mobilenheten for å unngå foreldreoperasjon og pakk drakten for levering til mottakeren.<ol><li>Bruk en kurer eller en lignende tjeneste for å levere drakten til mottakeren umiddelbart etter at den er klargjort.</li>
	</ol></li>
</ol>2. Forberede og kle på spedbarnet for en innspillingsøkt
<ol><li>Sørg for at spedbarnet er ammet (dvs. matet og bleier skiftet) og føler seg trygg og komfortabel for en naturlig og spontan leketid.<ol><li>Fjern drakten senere for bleieskift, om nødvendig.</li>
	</ol></li>
	<li>Kle drakten på spedbarnet som gjort med vanlige kjeledresser.<ol><li>Kontroller at sensorlommene vender utover (dvs. bort fra kroppens midtlinje i stedet for å rotere mot forsiden eller baksiden av spedbarnet).</li>
	</ol></li>
	<li>Sjekk at drakten sitter godt på lemmene på hvert sensorsted.<ol><li>Juster stroppene i nærheten av lommene for å stramme sensoren på lemmen, om nødvendig. MERK: Det er også mulig å legge klær under drakten eller bandasjer for å feste sensorene i tilfelle lemmene er for tynne for tilstrekkelig festing med stroppene.</li>
	</ol></li>
</ol>3. Innspilling av økt
<ol><li>Hold mobilenheten i nærheten av spedbarnet for å sikre en pålitelig dataoverføring over Bluetooth-tilkoblingen (dvs. i samme rom eller innen 10 m hvis opptak i åpent rom) når du tar opp med direkte datastreaming.<ol><li>Hvis det er aktuelt, må du oppbevare mobilenheten i en veske, for eksempel en nettbretthylse, for enklere og tryggere håndtering. Bluetooth-protokollen vil forsøke å koble til på nytt hvis BLE-tilkoblingen går tapt. MERK: Det anbefales ikke å pause og deretter fortsette opptaket, da det kan forstyrre synkroniseringen mellom sensorer eller den tidsmessige integriteten til de innspilte dataene, i tillegg til at du kan miste BLE-tilkoblingen. Ved slike anledninger er det eneste alternativet å slå av applikasjonen og starte opptaket på nytt.</li>
	</ol></li>
	<li>Ordne omgivelsene for å lette lek med leker og andre gjenstander og oppmuntre spedbarnet til å bevege seg fritt. For eksempel, rydde plass for å bevege seg rundt eller legge en matte på bakken slik at spedbarnet kan bli oppmuntret til å bevege seg når du ser alderstilpassede leker. Målet er å registrere spedbarnets naturlige bevegelse.<ol><li>Sørg for at spedbarnet føler seg komfortabelt og trygt nok til å engasjere seg i spontan lek uten å oppleve angst på grunn av nye mennesker eller ukjente steder.</li>
	</ol></li>
	<li>Ta opp minst 1 time fritt spill eller så lenge studiespørsmålene ønsker det. Flere lek/bevegelse-epoker kan kombineres senere i analysen.</li>
	<li>Hvis det kreves av den spesifikke forskningsprotokollen, ta ytterligere notater for å lette detaljert inspeksjon av individuelle resultater. Bruk sanntids synkroniserte merknader i dataloggerprogrammet som fritekst, lydopptak eller videoopptak.</li>
	<li>For hjemmeopptak uten tilsyn, still inn opptaket til å stoppe automatisk (dvs. angi varigheten (hh:mm) for opptaket manuelt ved å trykke på Innstillinger-knappen ).</li>
	<li>I overvåkede innstillinger avslutter du opptaket ved å trykke på Stopp-knappen på applikasjonen.</li>
	<li>Ta av drakten og pakk den for retur til laboratoriet.</li>
	<li>Vask drakten etter hvert opptak etter å ha tatt sensorene av dresslommene. Hvis tilgjengelig, bruk vaskemidler, inkludert fukttransport rettet mot syntetiske materialer11.<ol><li>Inspiser drakten visuelt etter vask for mekaniske feil før du lagrer den til bruk på neste barn.</li>
	</ol></li>
</ol>4. Skybasert analyse: opplasting av rådata og nedlasting av resultater
<ol><li>Klikk på den innspilte filen i databasevisningen av applikasjonen, og klikk deretter Eksporter til Babacloud, som åpner hjemmesiden til beregningsskyen (https://babacloud.fi/) ved hjelp av nettleseren på mobilenheten (tilleggsfil 2).</li>
	<li>Skriv inn brukernavn og passord på påloggingssiden. Be om nødvendig ny legitimasjon fra e-postadressen som er oppgitt på Babacloud-hjemmesiden.</li>
	<li>Velg den innspilte filen for en opplasting. Velg deretter et identifikasjonsnummer for emnet og legg til den nødvendige informasjonen som angitt av Babacloud-arbeidsflyten. Hvis det er relevant for saken, skriv også inn emnets alder eller annen informasjon (f.eks. spilletid) til "Legg til en annen RAW-filetikett". Til slutt lagrer du opplastingsøkten ved å trykke på Lagre-knappen . MERK: Som standard vil dataloggerprogrammet generere en zippet fil fra bevegelsesdataene for å muliggjøre en enklere og raskere dataoverføring over luften via et wi-fi eller mobilnettverk. Babacloud-grensesnittet vil kreve legitimasjon som kan fås som instruert på deres nettside. De registrerte rådataene kan også overføres direkte fra telefonen til en annen enhet for tilpasset analyse. Forsikre deg om at unødvendige data fra minnet til mobilenheten slettes for å unngå forvirring mellom opptaksøkter. Opptaksøktene plasseres automatisk i sine egne mapper, som navngis med sine respektive tidsstempler.</li>
	<li>Last ned den zippede pakken med analyseutganger fra skyserveren ved hjelp av en mobil enhet eller en datamaskin nettleser. Klikk på riktig emne-ID, og velg deretter koblingen til ønsket analyse, som automatisk åpner filnedlastingen. MERK: I resultatpakken med glidelås finner du de to følgende elementene: En detaljert resultatmatrise, som gir alle sekund-for-sekund-klassifikasjoner for holdning, bevegelse, spedbarnsbæring og fri leketid (figur 2A, tilleggsfil 3). Grafiske rapporter som gir oversikt over studieøkten (Tilleggsfil 4).</li>
</ol>

<ol>
	<li>Adolph, K. E., Hoch, J. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Motor+development:+Embodied,+embedded,+enculturated,+and+enabling.">Motor development: Embodied, embedded, enculturated, and enabling.</a> Annual Review of Psychology. 70, 141-164 (2022).</li><li>Masten, A. S., Cicchetti, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Developmental+cascades+[Editorial].">Developmental cascades [Editorial].</a> Development and Psychopathology. 22 (3), 491-495 (2010).</li><li>Piek, J. P., Dawson, L., Smith, L. M., Gasson, N. <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+early+fine+and+gross+motor+development+on+later+motor+and+cognitive+ability.">The role of early fine and gross motor development on later motor and cognitive ability.</a> Human Movement Science. 27 (5), 668-681 (2007).</li><li>Adolph, K. E., Franchak, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+development+of+motor+behavior.">The development of motor behavior.</a> WIREs Cognitive Science. 8, e1430 (2017).</li><li>Adolph, K. E., Hoch, J. E., Cole, W. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Development+(of+Walking):+15+Suggestions.">Development (of Walking): 15 Suggestions.</a> Trends in Cognitive Science. 22 (8), 699-711 (2019).</li><li>Wijnhoven, T. M. A., 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=Assessment+of+gross+motor+development+in+the+WHO+multicentre+growth+reference+study.">Assessment of gross motor development in the WHO multicentre growth reference study.</a> Food and Nutrition Bulletin. 25, (2004).</li><li>Uusitalo, 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=Hammersmith+infant+neurological+examination+and+long-term+cognitive+outcome+in+children+born+very+preterm.">Hammersmith infant neurological examination and long-term cognitive outcome in children born very preterm.</a> Developmental Medicine and Child Neurology. 63, 947-953 (2021).</li><li>Romeo, D. 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=Hammersmith+infant+neurological+examination+for+infants+born+preterm:+predicting+outcomes+other+than+cerebral+palsy.">Hammersmith infant neurological examination for infants born preterm: predicting outcomes other than cerebral palsy.</a> Developmental Medicine &amp; Child Neurology. 63, 939-946 (2021).</li><li>De Kegel, A., 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=New+reference+values+must+be+established+for+the+Alberta+Infant+Motor+Scales+for+accurate+identification+of+infants+at+risk+for+motor+developmental+delay+in+Flanders.">New reference values must be established for the Alberta Infant Motor Scales for accurate identification of infants at risk for motor developmental delay in Flanders.</a> Child: Care, Health and Development. 39 (2), 260-267 (2013).</li><li>Airaksinen, 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=Intelligent+wearable+allows+out-of-the-lab+tracking+of+developing+motor+abilities+in+infants.">Intelligent wearable allows out-of-the-lab tracking of developing motor abilities in infants.</a> Communications Medicine. 2, 69 (2022).</li><li>Airaksinen, 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=Automatic+posture+and+movement+tracking+of+infants+with+wearable+movement+sensors.">Automatic posture and movement tracking of infants with wearable movement sensors.</a> Scientific Reports. 10, 169 (2020).</li><li>Airaksinen, 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=Charting+infants'+motor+development+at+home+using+a+wearable+system:+validation+and+comparison+to+physical+growth+charts.">Charting infants' motor development at home using a wearable system: validation and comparison to physical growth charts.</a> eBioMedicine. 92, 104591 (2023).</li><li>Hewitt, L., Kerr, E., Stanley, R. M., Okely, A. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Tummy+time+and+infant+health+outcomes:+a+systematic+review.">Tummy time and infant health outcomes: a systematic review.</a> Pediatrics. 145, e20192168 (2020).</li><li>Pascal, A., 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=Motor+outcome+after+perinatal+stroke+and+early+prediction+of+unilateral+spastic+cerebral+palsy.">Motor outcome after perinatal stroke and early prediction of unilateral spastic cerebral palsy.</a> European Journal of Paediatric Neurology. 29, 54-61 (2020).</li><li>Tabard-Foug&#232;re, A., 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=Are+clinical+impairments+related+to+kinematic+gait+variability+in+children+and+young+adults+with+cerebral+palsy.">Are clinical impairments related to kinematic gait variability in children and young adults with cerebral palsy.</a> Frontiers in Human Neuroscience. 16, 816088 (2022).</li><li>Fish, L. A., Jones, E. 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=A+survey+on+the+attitudes+of+parents+with+young+children+on+in-home+monitoring+technologies+and+study+designs+for+infant+research.">A survey on the attitudes of parents with young children on in-home monitoring technologies and study designs for infant research.</a> PLOS One. 16, e0245793 (2021).</li><li>Porciuncula, F., 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=Wearable+movement+sensors+for+rehabilitation:+a+focused+review+of+technological+and+clinical+advances.">Wearable movement sensors for rehabilitation: a focused review of technological and clinical advances.</a> Physical Medicine &amp; Rehabilitation. 10 (9), S220-S232 (2018).</li></ol>

E.I. er grunnleggeren av selskapet Planno Oy som konsulterer tekstilteknikk. Andre forfattere har ingen relevante interesser i offentliggjøring.

En kvantifisert vurdering og utviklingssporing av spedbarns motoriske ytelse med en bærbar løsning, som MAIJU, er teknisk enkel å lære og utføre, og den kan lett implementeres i helsevesenet eller klinisk forskningspraksis 10,11,12. Sammenlignet med de andre eksisterende motoriske vurderingsmetodene, forbedrer denne typen hjemmeregistrering av spedbarns spontanmotoriske aktivitet den økologiske validiteten av vurderingen. Videre gir den en kvantifisert, gjennomsiktig og helautomatisk analyse av spedbarns motoriske ytelse. Viktigst av alt, beregningene som brukes i analysen er intuitive og forklarbare, noe som gjør det enkelt å sammenligne dem med andre kliniske og forskningsvurderinger, for eksempel miljøfaktorer, kognitiv utvikling eller psykososiale vurderinger. En helhetlig vurdering av motorisk utvikling gir en nøyaktighet som kan sammenlignes godt med de konvensjonelle fysiske vekstmålene12.
Kritiske trinn i protokollen inkluderer nøye forberedelse av den bærbare drakten. Når du forbereder deg til et opptak, er det avgjørende å velge riktig størrelse på drakten, da sensorfestene i ermene og bena må sitte tett for å oppnå en pålitelig registrering av kroppsbevegelser. For et vellykket opptak er det også viktig å plassere sensorene i lommene med riktig retning, som angitt i protokollen. Sensorfestene tillater ikke at sensorer roterer under opptaket. Den feilorienterte sensoren registrerer imidlertid data som er vanskelig, om ikke umulig, å fikse etterpå. Spedbarnet bør oppmuntres til å bevege seg fritt og selvstendig under opptaket. Opptakslengden kan variere i henhold til de oppgitte studiespørsmålene. De mange spontane bevegelsesepokene kombineres for å akkumulere nok spontane bevegelser for hver innspillingsøkt.
Den fleksible og praktiske driften av den bærbare MAIJU-løsningen gjør det mulig å bruke den i variable sammenhenger i både overvåkede og uovervåkede omgivelser, for eksempel forskningslaboratorier eller hjem. Nyere resultater fra våre kliniske studier viser at helt uten tilsyn kan gi sammenlignbare resultater med opptak som gjøres under helt eller delvis tilsyn12. Likevel påvirkes et barns spontanmotoriske atferd potensielt av flere faktorer, for eksempel omgivelsene (f.eks. lek ute vs. innendørs, utformingen av rommet, møbler og leker), barnets årvåkenhet og foreldrenes involvering under hjemmeopptaket. Når opptakene utføres i uovervåkede omgivelser hjemme, er det viktig å oppmuntre barnet til å spille spontant, det vil si å leke eller bevege seg selvstendig, uten at noen andre bærer eller holder barnet om ikke nødvendig, og å holde mobiltelefonen på en Bluetooth-rekkevidde (i samme rom)10. De fleste av våre nåværende feilsøkingssituasjoner under opptakene er forårsaket av tap av Bluetooth-tilkobling. Nær fremtid fremskritt innen sensorteknologi vil forbedre Bluetooth-tilkobling, og den kommende introduksjonen av et større sensorminne vil tillate offline opptak ved å lagre bevegelsesdata direkte i sensorminnet.
Opptak utenfor sykehus med en bærbar løsning av denne typen er lett skalerbare, og de kan forbedre sikkerheten til spedbarn, for eksempel ved å muliggjøre fjernovervåking under omstendigheter som en pandemi. Våre nåværende klassifiseringsalgoritmer ble trent til å spesifikt gjenkjenne de gitte motoriske evnene, stillingene og bevegelsene vist i motilitetsbeskrivelsesskjemaet (figur 2A). Disse fenomenene ble identifisert som karakteristiske for spedbarns bevegelse i løpet av de to første leveårene. Andre typer bevegelser eller stillinger sett hos eldre barn, for eksempel løping eller hopping, vil kreve modifiserte bevegelsesbeskrivelsesskjemaer og respektive algoritmer som skal trenes for å identifisere dem. Holdningskontekstavhengig analyse er en potensielt fruktbar tilnærming der et spedbarns motoriske aktivitet analyseres separat i forskjellige stillinger for å støtte studier, for eksempel utviklingskorrelater av spedbarnsadferd 5,6,7,8,9,13. Alternativt kan en kontekstavhengig bevegelsesanalyse også støtte for å vurdere asymmetri i motorisk funksjon når man predikerer utvikling av ensidig cerebral parese 10,12,14,15. Videre kan vurdering av motoriske evner med MAIJU-systemet kombineres med andre studiemodaliteter, for eksempel øyesporing, bildebehandling eller videoopptak, for å gi multimodale data, som spenner over det til forskjellige typer og sammenhenger. Multimodale data kan være nyttige, for eksempel ved evaluering av effekten av sosial interaksjon eller effekten av terapeutisk intervensjon.
For å lykkes med nye bærbare teknologier i overvåkingsmiljøer utenfor sykehus med spedbarn, må visse begrensninger, utfordringer og etiske bekymringer tas opp. Våre analysepipeliner ble trent og validert ved bruk av typisk utviklende spedbarn i Finland 10,11,12. De rå analyseutgangene med rene stillinger og bevegelser skal være universelle. Imidlertid kan deres utviklingsbaner kreve justeringer for ulike kulturer og geografiske steder. Ifølge foreldrenes tilbakemeldinger om bærbare enheter, blir de sett positivt på grunn av spedbarnsvennlighet16. Foreldre kan imidlertid ta opp bekymringer angående personvern, datatilgang og familiepraktiske forhold (f.eks. flere omsorgspersoner, besøkende og varierende tidsplaner). Avhengighet av batterilevetiden til sensorene og opptakstelefonen kan betraktes som en begrensning av metoden. Vår erfaring er at batterimodellen (CR2025) typisk varer hele dagen (12-24 timer) ved bruk av kontinuerlig datastreaming. Spesielt avhenger det av både batterimerket og styrken til Bluetooth-tilkoblingen som trengs for trådløs dataoverføring, som kontinuerlig endres for å maksimere dataoverføringen i opptaksmiljøet. For eksempel vil en lang avstand mellom spedbarnet og telefonen eller en vegg mellom dem justere Bluetooth-tilkoblingen til betydelig høyere batteriforbruk. Spesielt tømmes batteriene til de fleste mobile enheter også innen omtrent samme tid hvis du bruker kontinuerlig Bluetooth-streaming. I praksis innebærer den for tiden brukte kontinuerlige datastrømmen over Bluetooth-tilkobling at både sensorene og mobile enheter trenger en daglig oppladning / batteribytte. Den nærmeste fremtidige introduksjonen av sensorer med større minnekapasitet vil tillate datalagring i sensorminnet, som støtter over en uke med kontinuerlig opptak. Det vil fjerne behovet for strømkrevende Bluetooth-streaming, samt å bære telefonen innenfor et Bluetooth-område som kan oppfattes som restriktivt i opptakssituasjoner og er utsatt for menneskelige feil.
Samlet sett trenger sporing av tidlig nevroutvikling metoder som er følsomme for naturlig nevroatferdsvariabilitet. Grovmotorisk utvikling er en intrikat prosess som består av variasjoner i rekkefølge og timing, både på individuelt og kulturelt nivå4. Deteksjon av atypisk motorisk utvikling er effektiv for å gjenkjenne spedbarn i fare for et omfattende spekter av nevrodevelopmental lidelser. Tradisjonelle testbatterier med standardiserte nevroutviklingsvurderinger utføres i kontrollerte miljøer, for eksempel sykehus, og er i det minste delvis subjektive 7,8,9. Nåværende fremskritt innen sensorteknologi og signalanalyse har gjort det mulig å registrere spedbarns spontanmotoriske evne over lengre perioder i sykehusinnstillinger og kvantifisering av motoroppførselen med en nøyaktighet som kan sammenlignes med menneskelige observatører 10,11,12. Ny bærbar teknologi tilbyr automatiserte og skalerbare metoder for overvåking av bevegelse og effekten av terapeutisk intervensjon hos spedbarn på en økologisk gyldig og objektiv måte. Videre muliggjør den nye nevroutviklingsindeksen Baba Infant Motor Score (BIMS) estimering av spedbarns modenhet av motoriske evner ved individuell sporing av nevroutvikling10,12. Det kan brukes i en rekke fremtidige applikasjoner, for eksempel utvikling av spedbarnsmotorvekstdiagrammer12. Ved å trene de automatiserte klassifikatorene for andre spesifikke motiliteter (f.eks. for eldre barn eller voksne) med forskjellige typer bevegelsesbeskrivelsesskjemaer og algoritmer, har de bærbare bevegelsessensorene potensial for kliniske applikasjoner, for eksempel bevegelsesforstyrrelser eller oppfølging av effekten av terapeutiske inngrep uavhengig av utviklingsstadiet til den enkelte17. For tiden bør dette imidlertid betraktes som en undersøkelsesmetodikk som ikke bør brukes til å informere kliniske diagnose- eller behandlingsmål.

Tidlig grovmotorisk utvikling er avgjørende for høyere nivå nevrokognitiv ytelse som dukker opp senere ved å støtte spedbarns utforskning av miljøet. Derfor har både klinikere og forskere stor interesse av å vurdere tidlig grovmotorisk utvikling 1,2,3. For å gi støtte til evidensbasert medisin eller vitenskapelige studier, er det viktig at grovmotoriske vurderinger er kvantitative, pålitelige, objektive og økologisk gyldige. Det er imidlertid mangel på slike metoder tilgjengelig for enten klinisk eller grunnvitenskapelig forskning.
En typisk tidlig grovmotorisk utvikling utvikler seg gjennom en forutsigbar sekvens av nyervervede ferdigheter. De observeres ofte hos spedbarn som å nå diskrete motoriske milepæler4, hvor stående og gående ofte betraktes som viktige landemerker på vei til mer komplekst atferdsrepertoar5. I tillegg til direkte observasjon eller foreldreundersøkelser om motoriske milepæler, har flere mye brukte standardiserte batterier blitt utviklet 6,7,8,9 for å utføre spedbarns vurderinger i laboratorie- eller sykehusmiljøet. Imidlertid lider disse vurderingene av flere forbehold: de trenger betydelig kompetanse fra utdannede fagfolk, de er delvis subjektive og kategoriske, og de vurderer spedbarns ytelse i et miljø (sykehus eller laboratorium) som er unaturlig fra et spedbarns perspektiv.
Registrering av spedbarns spontanmotoriske aktivitet over lengre tider i det opprinnelige miljøet, for eksempel deres hjem, muliggjør mer relevante målinger av motoriske evner. I en slik gjennomførbar metode utføres vurderingen for hele sekvensen av spedbarnets motoriske evneutvikling fra liggende liggende til å gå flytende med et bærbart system, for eksempel MAIJU bærbar (Motor Assessment of the Infants with a JUmpsuit)10,11,12. MAIJUs bærbare system (figur 1) innebærer et tekstilplagg for hele kroppen utstyrt med bevegelsessensorer for å muliggjøre uovervåkede vurderinger utenfor sykehus / laboratorier og opptak som analyseres med en automatisert rørledning, og gir en sekund-for-sekund-vurdering av holdning og bevegelsesmønstre. Disse algoritmiske deteksjonene kan brukes for hver holdning og bevegelsestype separat, eller de kan kombineres for en helhetlig vurdering av modningsnivået til spedbarnets motoriske evner. Et nylig publisert, enhetsfritt uttrykk for en slik beregning av motorisk modenhet er BIMS (Baba Infant Motor Score)10,12.
Denne artikkelen vil beskrive vurderingen av spedbarns grovmotoriske ytelse ved hjelp av en multisensor bærbar drakt; begrunnelsen, praktisk ytelse, analysepipeline og potensielle fremtidige perspektiver for bruk av beregningene som kan hentes fra den automatiserte analysepipelinen som er tilgjengelig for opptak med en multisensor-bærbar 10,11,12. Metoden er egnet for en detaljert kvantifisering av spontanmotoriske aktiviteter hos alle spedbarn som viser motoriske evner mellom liggende liggende og flytende gange.
Multisensor-bærbart system består av tre komponenter: 1) helkroppsplagget utstyrt med fire bevegelsessensorer, 2) en mobil enhet som bruker en spesialbygd iOS-applikasjon, og 3) en skybasert analyserørledning (Babacloud legitimasjonen som kan fås fra forfatterne)11. IMU-sensorene (Waterproof Inertial Measurement Unit) strømmer synkroniserte data (3-akset akselerometer og gyroskop) med 13-52 Hz samplingsfrekvens til en mobiltelefon ved hjelp av en lavenergi Bluetooth-tilkobling. Dataene lagres først i minnet til (sensoren eller) mobilenheten, etterfulgt av en offline analyse i skyserveren etter at opptaket er stoppet.

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>iOS device (version 16.5 or higher)</td>
			<td>Apple</td>
			<td>n/a</td>
			<td></td>
		</tr>
		<tr>
			<td>MAIJU jumpsuit</td>
			<td>Planno Ltd</td>
			<td>n/a</td>
			<td>customized for purpose</td>
		</tr>
		<tr>
			<td>Maijulogger (mobile application) and sensor firmware</td>
			<td>BABA Center (www.babacenter.fi), Kaasa solutions GmbH</td>
			<td>n/a</td>
			<td>constructed by Kaasa Solutions, distributed by Baba Center</td>
		</tr>
		<tr>
			<td>Movesense movement sensor</td>
			<td>Movesense (www.movesense.com)</td>
			<td>n/a</td>
			<td></td>
		</tr>
	</tbody>
</table>

quantified assessment of infant's gross motor abilities using a multisensor wearable

Utvikling av objektive og kvantitative metoder for tidlig grovmotorisk vurdering er avgjørende for å bedre forstå nevroutvikling og for å støtte tidlige terapeutiske inngrep. Her presenterer vi en metode for å kvantifisere grovmotorisk ytelse ved hjelp av en bærbar multisensor, MAIJU (Motility Assessment of Infants with a JUmpsuit), som tilbyr en automatisert, skalerbar, kvantitativ og objektiv vurdering ved hjelp av en helautomatisk skybasert pipeline. Denne bærbare drakten er utstyrt med fire bevegelsessensorer som registrerer synkroniserte data til en mobiltelefon ved hjelp av en lavenergi Bluetooth-tilkobling. En offline analyse i skyserveren genererer fullt analyserte resultater i løpet av minutter for hvert opptak. Disse resultatene inkluderer en grafisk rapport fra opptaksøkten og en detaljert resultatmatrise som gir sekund-for-sekund-klassifiseringer for holdning, bevegelse, spedbarnsbæring og fri leketid. Våre ferske resultater viser at en slik kvantifisert motorisk vurdering gir en potensielt effektiv metode for å skille variasjoner i barnets grovmotoriske utvikling.

Den presenterte metoden kvantifiserer spedbarns grovmotoriske ytelse ved å klassifisere typer stillinger og bevegelser for hvert sekund av registreringsøkten. Resultatpakken fra den automatiserte analysepipelinen inneholder derfor en fullstendig klassifiseringsmatrise (tilleggsfil 3) og et grafisk sammendrag (tilleggsfil 4) fra hele opptaksøkten. Avhengig av det eksakte studiespørsmålet, kan disse resultatene inspiseres på forskjellige nivåer.
Resultatinspeksjon ble brukt til utvikling og validering av denne metoden. I det følgende presenterer vi fire nivåer av resultatinspeksjon som brukes til utvikling og validering av denne metodikken. Tilleggsfil 5 presenterer representative eksempler på de viktigste valideringseksperimentene som tidligere ble publisert i full detalj 10,11,12.
For det første ble de automatiske algoritmene trent for bevegelses- og holdningsdeteksjoner validert mot menneskelige observasjoner på andre for andre nivå av spedbarns bevegelsesadferd. Vi brukte flere parallelt trente eksperter som blindt gjennomgikk de synkroniserte videoopptakene med de bærbare opptakene. Alle forskjellige stillings- og bevegelseskategorier ble sammenlignet separat med de enkelte menneskelige merknadene, og vi fant et veldig høyt samsvar mellom algoritmen og mennesket for stillinger (gjennomsnittlig kappa 0,93); En betydelig overensstemmelse ble funnet for bevegelseskategorier (underkategorispesifikk kappa, hovedsakelig i området 60-80%). Se Tilleggsfil 5A for et eksempel på forvirringsmatrise10. Også interrateravtalenivåer ble vurdert for å bekrefte at algoritmene utfører på omtrent menneskelig ekvivalent nivå10,11.
For det andre vurderte vi hvor godt klassifiseringsbasert kvantifisering av bevegelses- og holdningskategorier ville samsvare med den tilsvarende kvantifiseringen fra menneskelige merknader på andre nivå. Eksempler på spredningsdiagrammer vist i tilleggsfil 5B10 viser at flere nøkkelkategorier har et nesten perfekt samsvar (korrelasjonskoeffisient >0,96) mellom algoritmisk og menneskelig visuell kvantifisering. Dette støtter direkte ideen om at de aldersspesifikke fordelingene av motilitetskvantifisering (figur 3A,B) er pålitelige12.
For det tredje ble ideen om en helhetlig vurdering av motorisk modenhet validert ved å trene en utviklingsaldersprediksjon fra kombinasjonsbevegelsesmengdene (se ovenfor) som korrelerte veldig nært med den faktiske alderen hos de typisk utviklende spedbarnene (r = 0,89; Tilleggsfil 5C). Deretter ble aldersprediksjonen skalert til 0-100 som et enhetsløst mål BIMS (Baba Infant Motor Score10), og nytten for å bygge motoriske vekstdiagrammer (tilleggsfil 5D) ble validert ved hjelp av en typisk utviklende spedbarnskohort som viste aldersavhengige og forutsigbare vekstbaner. Vi validerte også dens relative nøyaktighet ved å vise at nøyaktigheten i motorvekstdiagrammer sammenligner seg godt med de velkjente fysiske vekstdiagrammene12.
For det fjerde ble potensialet for deteksjon av avvik med de gitte beregningene validert i et prinsipptesteksperiment der individuelle motoriske målinger ble vist å tydelig skille mellom spedbarn med henholdsvis dårlig og god motorisk ytelse (tilleggsfil 5E)10.
Mulige videre studiespørsmål på ulike analysenivåer Figur 3 viser eksempler på ytterligere bruksområder for informasjonen fra den bærbare drakten og dens automatiserte analyserørledning. For det første kan den tidlige utviklingen av holdnings- og bevegelsesferdigheter plottes som en funksjon av alder og sammenlignes med de aldersavhengige fordelingene (figur 3A, "vekstdiagrammer"12), eller utviklingen kan spores over tid for hvert individ (figur 3B). For det andre, når et studiespørsmål krever en mer helhetlig grovmotorisk vurdering, kan man bruke en kombinasjon av individets holdning og bevegelsesproporsjoner (som vist i tilleggsfil 5D, beregnet fra tidsserien i tilleggsfil 5C) for å generere en indeks som BIMS (Baba Infant Motor Score). Slike mål støtter direkte bruk i motoriske vekstdiagrammer (tilleggsfil 5C,D) og beregning av statistiske derivasjoner som z-skår (figur 3A). Ved å bruke heltidsserien av algoritmens deteksjoner (figur 3C og tilleggsfil 3) kan man studere den detaljerte temporale strukturen av spedbarns motilitet med spørsmål som "Hvor mange holdningsoverganger utfører spedbarnet i en enhetstid?" eller "Hva er fordelingen av stående epoker under spontan leketid?".
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/65949/65949fig01.jpg"> Figur 1: Oversikt over multisensor-bærbart system og en typisk studieflyt fra opptak til analyse. Figur 1 tilpasset fra Airaksinen et al.12publisert under CC_BY lisens. Spedbarnsfotografiet publiseres med foreldrenes samtykke. <a href="https://www.jove.com/files/ftp_upload/65949/65949fig01large.jpg" target="_blank">Klikk her for å se en større versjon av denne figuren.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/65949/65949fig02.jpg"> Figur 2: Holdnings- og bevegelseskategorisering og en eksempelvisualisering av rådata og analyseutgang (A) Holdnings- og bevegelseskategoriseringsskjema som brukes av de algoritmiske klassifisererne i den helautomatiske analysepipelinen for en bærbar multisensor. Denne figuren er gjengitt fra Airaksinen et al.10 (B) Eksempel på en 10 min rå akselerometer sensor data fra hver av de fire armene som det kommer ut fra MAIJU opptak. De horisontale stolpene nedenfor viser automatiserte klassifiseringsutdata for holdnings- (øvre stolpe) og bevegelsesdeteksjoner (nedre stolpe) for den samme epoken på 10 minutter. <a href="https://www.jove.com/files/ftp_upload/65949/65949fig02large.jpg" target="_blank">Klikk her for å se en større versjon av denne figuren.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/65949/65949fig03v2.jpg"> Figur 3: Eksempelresultater avledet fra rå klassifiseringsutganger. (A) Et eksempel på en datasammenligning mellom spedbarnsalder og Baba Infant Motor Score (BIMS). Den S-formede grønne kurven viser utviklingsbanen til BIMS i en større befolkning. Prikken viser et eksempelindivid målt ved 14 måneder, med en BIMS ~ 74, tilsvarende litt under gjennomsnittlig alderstypisk nivå (den grønne linjen). (B) Et eksempel kohort med individuelle baner for motorisk utvikling ved hjelp av Baba Infant Motor Score over (BIMS). Hver linje representerer et spedbarn registrert på flere alderspunkter (prikker i linjen). Linjene er farget for gjennomsnittlig avvik i forhold til det alderstypiske gjennomsnittet (blå S-formet kurve i bakgrunnen; se også panel A. (C) Representativ utgangsmatrise fra den automatiske klassifikatoren som den kommer fra Babacloud-rørledningen. Den første kolonnen viser medgått tid fra opptaksstart (i sekunder) for hvert analysevindu i klassifiseringen (vindusvarighet 2,3s, med 50 % overlapping). Den andre og tredje kolonnen viser klassifiseringsdeteksjonen for henholdsvis holdning og bevegelse. Den tredje og fjerde kolonnen er hjelpeklassifikatorer som skildrer epoker da spedbarnet ble båret av noen andre, og når spedbarnet var engasjert i autonom lek, henholdsvis. (D) En illustrasjon av en sammendragsrapport. Panel A og B er tilpasset fra Airaksinen et al.10. <a href="https://www.jove.com/files/ftp_upload/65949/65949fig03largev2.jpg" target="_blank">Klikk her for å se en større versjon av denne figuren.</a>
Tilleggsfil 1: En rask guide til opptak med MAIJU bærbar. <a href="https://www.jove.com/files/ftp_upload/65949/supplemental_file1%20.zip" target="_blank">Klikk her for å laste ned denne filen.</a>
Tilleggsfil 2: En rask guide til overføring av data fra Maijulogger til analyseserveren i Babacloud. <a href="https://www.jove.com/files/ftp_upload/65949/supplemental_file_2.zip" target="_blank">Klikk her for å laste ned denne filen.</a>
Tilleggsfil 3: Et eksempel på en detaljert klassifiseringsmatrise som gir alle sekund-for-sekund-klassifikasjoner for holdning, bevegelse, spedbarnsbæring og fri leketid. <a href="https://www.jove.com/files/ftp_upload/65949/supplemental_file_3.zip" target="_blank">Klikk her for å laste ned denne filen.</a>
Tilleggsfil 4: Et eksempel på en grafisk sammendragsrapport i full PDF-fil. Dette er hentet fra algoritmefilen som inneholder (A) grunnleggende bakgrunnsinformasjon om opptaksøkten (emne-ID og alder, opptaksdato, varighet og total mengde epoker brukt til de endelige analysene). (B) En grafisk visning av hele opptaket som indikerer fordeling av stillinger over hele opptaket og epoker som er ekskludert fra den kvantitative vurderingen. C) Typiske fordelinger vist med fiolinplott for alle seks positurer (venstre side) og 12 bevegelsestyper (høyre side). På samme måte viser tegninger på høyre side hvilken type bevegelser som indikeres av hver stilling, og viser også sekvensen for trinnvis utvikling av motorisk ytelse (prikkene indikerer resultatene fra et individuelt opptak og fargerike fiolinplott som indikerer aldersavhengige fordelinger av holdning / bevegelse av et relevant datasett). Spesielt viser råverdiene angitt av prikkene faktiske mengder av den gitte motorytelsen, og de kan brukes direkte i andre sammenhenger. <a href="https://www.jove.com/files/ftp_upload/65949/supplemental_file_4.zip" target="_blank">Klikk her for å laste ned denne filen.</a>
Tilleggsfil 5: Valideringseksperimenter på ulike analysenivåer. (A) Forvirringsmatriser som viser samsvar mellom menneskelige merknader (målklasse) og algoritmens deteksjoner (predikert klasse) for både holdnings- og bevegelseskategoriene. (B) Sammenligning av motoriske kvantifiseringer over hele registreringsøkter mellom menneskelige merknader og deteksjoner avledet fra den automatiserte klassifisereren. (C) Korrelasjon mellom utviklingsaldersprediksjon fra bærbare data (venstre side Y-akse) og omskalering for å generere BIMS-poengsummen (høyre side Y-akse). Barnets faktiske alder på registreringstidspunktet vises på X-aksen. (D) Korrelasjon av aldersprediksjon og faktisk alder ved bruk av en tilpasset funksjon. Verdiene vises som passende for modellen når du bruker gruppegjennomsnitt ved de viste tidsvinduene (blå), alle råverdier (svart) eller når du tar hensyn til gjentatte målinger av hver enkelt person (grønn). (E) Sammenligning av individuelle motoriske mål mellom grupper av godt og dårlig presterende spedbarn tyder på at flere automatisk oppdagede motoriske beregninger kan skille disse spedbarnsgruppene. Panel A, B, C er tilpasset fra Airaksinen et al.10. Panel D er tilpasset fra Airaksinen et al.12. Panel E er tilpasset fra "Airaksinen et al.11. <a href="https://www.jove.com/files/ftp_upload/65949/supplemental_file_5.zip" target="_blank">Klikk her for å laste ned denne filen.</a>

Watch this Scientific Journal Video about Quantified Assessment of Infant's Gross Motor Abilities Using a Multisensor Wearable at JoVE.com

Quantified Assessment of Infant's Gross Motor Abilities Using a Multisensor Wearable

Denne rapporten skisserer vurderingen av spedbarns grovmotoriske ytelse med en bærbar multisensor og dens helautomatiske rørledning for dyp læring. Metoden kvantifiserer spedbarns holdning og bevegelsesmønster fra liggende liggende til de mestrer å gå selvstendig.

Kvantifisert vurdering av spedbarns grovmotoriske evner ved hjelp av en bærbar multisensor

Developing objective and quantitative methods of early gross motor assessment is essential to better understand neurodevelopment and to support early ...

MAIJU er en multisensor bærbar, og det ser ut som et vanlig sted med eller spedbarnsstørrelse som svømmer til den, hvor de fire sensorene, en på hver lem. MAIJU brukes til å registrere spedbarns bevegelser, stort sett hvor som helst, men det er spesielt for når du vil måle spedbarns bevegelser i en ukontrollert situasjon som deres spontane aktivitet hjemme. MAIJU brukes til vurdering av motorisk utvikling, overvåking av utviklingsmessige milepæler som rullende, sittende, gående er en viktig del av den generelle utviklingsoppfølgingen.Fra helsevesenets perspektiv er problemer med motorisk utvikling svært vanlige, og vi bruker også motorisk ytelse som et sentralt utfallsmål i mange terapeutiske studier, og for begge mål eller formål trenger vi bedre metoder for motorisk vurdering. Sammenlignet med de tradisjonelle standardiserte milepælmetodene, er MAIJU automatisert, skalerbar og mer objektiv metode enn de forrige. Du kan ta det hvor som helst i verden, og det vil gi deg sammenlignbare resultater.Velg først riktig dressstørrelse slik at drakten sitter tett, men komfortabelt, og barnet kan bevege seg fritt uten forstyrrelser. Start MAIJU logger-applikasjonen, som vil veilede deg gjennom forberedelsene. Utstyr sensorene med batterier før hvert opptak.Par hver sensor med MAIJU-logger ved å velge en lemplassering i appen og bringe sensoren nær mobilenheten. Bekreft at riktig sensornummer vises i appen. Forsikre deg også om at batteriets ladenivå er over 80 % ved å sjekke indikatoren under sensornummeret.Etter å ha koblet hver sensor til appen, plasser og fest den i snap-on-festet i den tilsvarende lommen. Når du lommer, følger sensorene posisjonsveiledningen på festet for å sikre riktig orientering. Feil orientering vil føre til ubrukelige data.Fortsett å sjekke riktig sensorparing. Rist sensorene en etter en og sjekk appen for å se at riktig indikator vrir seg. Når kontrollene er fullført, fortsett til startsiden.Om nødvendig kan varigheten av opptaket stilles inn manuelt fra innstillingene. Du kan nå starte opptaket ved å trykke på opptaksknappen. Vent til sensorene er klare.Dette kan ta litt tid. For uovervåkede hjemmeopptak, lås skjermen på mobilenheten og pakk drakten for levering til mottakeren. Bruk en kurer eller lignende tjeneste for å levere drakten til mottakeren umiddelbart etter at den er klargjort.Sørg for at spedbarnet er ammet og føler seg trygg for en naturlig leketid før du kler drakten på spedbarnet. Drakten kan tas av for bleieskift senere ved behov. Kle drakten på spedbarnet som du ville gjort med vanlige kjeledresser.Kontroller at sensorlommene vender utover, og at drakten sitter godt på lemmene på hvert sensorsted. Juster stroppene i nærheten av sensorlommene om nødvendig. Hold mobilenheten i samme rom eller innen 10 meter fra spedbarnet for å sikre en pålitelig dataoverføring over Bluetooth-tilkobling.Foreldre forventes ikke å håndtere mobilenheten, så det kan være praktisk å holde enheten i lommen som ble brukt til kurertransporten. Det anbefales ikke å pause og deretter fortsette opptaket, da det kan forstyrre forbindelsen mellom sensorer og mobilenheten. Arranger omgivelsene for å lette lek med leker og andre gjenstander, og oppmuntre spedbarnet til å bevege seg fritt og etter hans eller hennes evner.Målet er å registrere spedbarnets naturlige bevegelse, så sørg for at spedbarnet føler seg komfortabelt og trygt nok til å delta i spontan lek uten å oppleve angst på grunn av nye mennesker eller ukjente steder Med mindre annet er angitt, fortsett opptaket i minst en times fri lek. Den kan bestå av flere epoker. For hjemmeopptak uten tilsyn er opptaket satt til å stoppe automatisk.I overvåkede innstillinger avslutter du opptaket ved å trykke på stoppknappen på applikasjonen. Drakten kan tas av og pakkes for retur til laboratoriet. Når drakten er returnert til laboratoriet, overføres de registrerte dataene fra mobilenheten til Baba Cloud-serverne for beregningsanalyse, De registrerte dataene lagres på mobilenheten som en zip-fil, som du kan eksportere fra databasen i appen.Den lanserer en opplasting til Baba Cloud-nettstedet. Under dataopplasting velger du et identifikasjonsnummer for emnet. Legg deretter til den nødvendige informasjonen som angitt av Baba Cloud-arbeidsflyten.For detaljerte instruksjoner om hvordan du bruker Baba Cloud-grensesnittet, se den skriftlige rapporten. Etter opplasting vil den automatiserte analysepipelinen jobbe med dataene og generere resultater på noen få minutter. Resultatene vil vises på Baba Cloud-nettstedet under det gitte emnet ID.Metoden kvantifiserer spedbarns grovmotoriske ytelse ved å klassifisere stillinger og bevegelser for hvert sekund av måleøkten.Dette gjøres med en automatisert analysepipeline basert på maskinlæringsalgoritmer. Resultatene fra klassifiseringen er en tekstmatrise der tiden vises i den første kolonnen, og den tilsvarende holdningen og bevegelseskategoriene vises i de neste kolonnene. Det kan også være andre klassifiseringsutdata, for eksempel bæregjenkjenning i følgende kolonner.Rørledningen beregner deretter andelen tid brukt i hver stilling og bevegelsestype, og deres aldersavhengige variasjoner kan for eksempel presenteres som fiolinplott. Hvis barnets alder er oppgitt når dataene lastes opp for analyse, vil rapporten vise gjeldende data i forhold til alderstypiske proporsjoner. For noen formål er det mer nyttig å kombinere alle bevegelses- og holdningsdata til et helhetlig estimat.Et slikt mål er Baba Infant motor Score eller BIMS. Den modellerer den typiske utviklingsutviklingen av grovmotoriske ferdigheter ved å forutsi barnets alder fra alle registrerte data, som deretter normaliseres til en BIM-poengsum. For full analytisk fleksibilitet kan du alltid laste ned de rå sensordataene og utføre mer detaljerte studier, for eksempel å utvikle avviksdeteksjon eller analysere kontekstavhengig bevegelse som bare fokuserer på bestemte stillinger.Samlet sett vil den automatiserte analysepipelinen gi deg mange alternative og gratis tiltak. Disse tiltakene kan brukes til å spore utviklingen eller et aspekt av den. De tillater kvantitative studier av befolkningsforskjeller eller kan brukes som et utfallsmål i terapeutiske intervensjoner.Beregningene som er avledet fra analysepipelinen, har som mål å være generiske. De kan brukes på mange måter for å svare på studiespørsmålene dine, og du kan utvikle ytterligere tiltak optimalisert for din forskning. MAIJU eller MAIJU-lignende teknologier åpner en ny dør innen vitenskapelig og medisinsk forskning, og spesielt bringer den instrumenteringen fra laboratoriet til verden.Det er veldig viktig i MAIJU at det er i stand til å registrere spedbarn i sitt eget miljø, noe som betyr at de, det vi måler er, er deres faktiske ytelse, ikke hva de ville gjort i et, i et kanskje skummelt og merkelig sykehus- eller laboratoriemiljø. Samlet sett tror jeg MAIJU er et flott verktøy for å måle spedbarns grovmotoriske ytelse. Men MAIJU er, bør du tenke på MAIJU mer som en enabler snarere enn doer og nytte eller den, fordelene fra MAIJU avhenger fullt ut av dine kreative måter å bruke den.

Research

JoVE Journal

Neuroscience

Kinematics and Ground Reaction Force Determination: A Demonstration Quantifying Locomotor Abilities of Young Adult, Middle-aged, and Geriatric Rats

Behavior, in its broadest definition, can be defined as the motor manifestation of physiologic processes.  As such, all behaviors manifest through the ...

Assessment of Cerebral Lateralization in Children using Functional Transcranial Doppler Ultrasound (fTCD)

Assessment of Cerebral Lateralization in Children using Functional Transcranial Doppler Ultrasound fTCD

There are many unanswered questions about cerebral lateralization.  In particular, it remains unclear which aspects of language and nonverbal ability are ...

Assessment of Motor Balance and Coordination in Mice using the Balance Beam

Brain injury, genetic manipulations, and pharmacological treatments can result in alterations of motor skills in mice.  Fine motor coordination and ...

Extracellularly Identifying Motor Neurons for a Muscle Motor Pool in Aplysia californica

Extracellularly Identifying Motor Neurons for a Muscle Motor Pool in Aplysia californica

Ekstracellulært Identifisere motor nevroner for en muskel Motor Pool i<em&gt; Aplysia californica</em

In animals with large  identified neurons (e.g. mollusks), analysis of motor pools is done using  intracellular techniques1,2,3,4. Recently,  we developed ...

Functional and Morphological Assessment of Diaphragm Innervation by Phrenic Motor Neurons

Funksjonell og Morfologisk Vurdering av Membran Innervasjon av phrenic motoriske nerveceller

This protocol specifically focuses on tools for assessing phrenic motor neuron (PhMN) innervation of the diaphragm at both the electrophysiological and ...

Stimulation Location Determination using a 3D Digitizer with High-Definition Transcranial Direct Current Stimulation

Besluttsomhet ved stimulering av posisjon ved hjelp av en 3D-digitaliseringsenhet med High-Definition Transkraniell direkte strøm stimulering

The abundance of neuroimaging data and rapid development of machine learning has made it possible to investigate brain activation patterns. However, ...

3D Kinematic Analysis for the Functional Evaluation in the Rat Model of Sciatic Nerve Crush Injury

3D kinematisk analyse for funksjonell evaluering i rottemodellen av siattisk nerveknuseskade

Compared to the Sciatic Functional Index (SFI), kinematic analysis is a more reliable and sensitive method for performing functional evaluations of ...

Axonal Transport of Organelles in Motor Neuron Cultures using Microfluidic Chambers System

Axonal Transport av organeller i motorneuronkulturer ved hjelp av mikrofluidiske kamre system

Motor neurons (MNs) are highly polarized cells with very long axons. Axonal transport is a crucial mechanism for MN health, contributing to neuronal ...

Three-Dimensional Motor Nerve Organoid Generation

Tredimensjonal motor nerve organoid generasjon

A fascicle of axons is one of the major structural motifs observed in the nervous system. Disruption of axon fascicles could cause developmental and ...

Multifactorial Assessment of Motor Behavior in Rats after Unilateral Sciatic Nerve Crush Injury

Multifaktoriell vurdering av motorisk atferd hos rotter etter ensidig isjias nerveknusingsskade

The induction of a peripheral nerve injury is a widely used method in neuroscience for the assessment of repair and pain mechanisms among others. In ...