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

Este trabajo contó con el apoyo de la Academia Finlandesa (314602, 335788, 335872, 332017, 343498), la Fundación Pediátrica Finlandesa (Lastentautien tutkimussäätiö), Aivosäätiö, la Fundación Sigrid Juselius y los fondos de investigación del Hospital Infantil HUS/Centro de diagnóstico HUS.

Los estudios realizados con este sistema fueron revisados por el Comité de Ética del New Children's Hospital, Hospital Universitario de Helsinki, y el hospital autorizó la realización de los proyectos de investigación descritos en los estudios originales citados en este trabajo. Se obtuvo un consentimiento informado para filmar al niño en el video.
1. Preparar el traje para una sesión de grabación
<ol><li>Selecciona la talla correcta del traje. Actualmente, los tamaños van desde el tamaño 68 cm, y hay cinco opciones de tamaño distintas (68 cm, 74 cm, 80 cm, 86 cm y 92 cm). Asegúrese de que el traje le quede bien ajustado pero cómodo y que el niño pueda moverse libremente sin interferencias.</li>
	<li>Inicie la grabación, es decir, la recopilación de datos utilizando la aplicación de registro de datos, Maijulogger, como se describe en el archivo complementario 1.<ol><li>En la primera página, introduzca el "Número de identificación del sujeto". El número de sensores de movimiento utilizados en la evaluación se establece en 4 de forma predeterminada, como se muestra en la primera página.</li>
		<li>Continúe con la siguiente etapa presionando la flecha hacia adelante.</li>
	</ol></li>
	<li>Equipar cuatro sensores con baterías (versión CR2025).</li>
	<li>Empareje cada sensor con la aplicación móvil seleccionando y presionando una ubicación de extremidad en la aplicación y acercando el sensor al dispositivo móvil.<ol><li>Confirme que el número de sensor correcto se muestra en la aplicación.</li>
		<li>Asegúrese de que el nivel de carga de la batería sea suficiente (recomendado > 80 %) comprobando los indicadores situados debajo del número del sensor. NOTA: Reemplace las baterías del sensor, si es necesario, levantando la cubierta trasera.</li>
	</ol></li>
	<li>Fije cada sensor con los soportes a presión en el bolsillo correcto de la manga.<ol><li>Asegúrese de que los sensores estén correctamente orientados.</li>
		<li>Consulte siempre la guía del usuario más reciente para obtener más detalles. Una orientación incorrecta dará lugar a datos inutilizables.</li>
	</ol></li>
	<li>Proceda a comprobar el emparejamiento correcto del sensor pulsando la flecha hacia delante en la aplicación.<ol><li>Agite los sensores uno por uno y verifique la aplicación para ver que el indicador correcto se mueve.</li>
	</ol></li>
	<li>Una vez completadas las comprobaciones, vaya a la página de inicio pulsando la flecha hacia adelante. NOTA: Si es necesario, la duración de la grabación (hh:mm) se puede ajustar manualmente pulsando el botón Ajustes al inicio de cada grabación.<ol><li>Presione el botón Grabar para iniciar la grabación. Espere hasta que los sensores estén listos antes de vestir el traje en el bebé (esto puede tardar unos minutos).</li>
	</ol></li>
	<li>En el caso de las grabaciones caseras no supervisadas, configure el bloqueo de pantalla en el dispositivo móvil para evitar su funcionamiento parental y empaque el traje para entregarlo al destinatario.<ol><li>Utilice un servicio de mensajería o un servicio similar para entregar el traje al destinatario inmediatamente después de que se haya preparado.</li>
	</ol></li>
</ol>2. Preparar y vestir al bebé para una sesión de grabación
<ol><li>Asegúrese de que el bebé sea amamantado (es decir, alimentado y cambiado de pañales) y se sienta seguro y cómodo para un tiempo de juego natural y espontáneo.<ol><li>Quítese el traje más tarde para un cambio de pañal, si es necesario.</li>
	</ol></li>
	<li>Vístele el traje al bebé como lo haces con un overol normal.<ol><li>Verifique que los bolsillos del sensor estén orientados hacia afuera (es decir, lejos de la línea media del cuerpo en lugar de girar hacia la parte delantera o trasera del bebé).</li>
	</ol></li>
	<li>Compruebe que el traje se ajusta perfectamente a las extremidades en cada ubicación del sensor.<ol><li>Ajuste las correas cerca de los bolsillos para apretar el sensor en la extremidad, si es necesario. NOTA: También es posible agregar ropa debajo del traje o vendajes para sujetar los sensores en caso de que las extremidades sean demasiado delgadas para una sujeción suficiente con las correas.</li>
	</ol></li>
</ol>3. Sesión de grabación
<ol><li>Mantenga el dispositivo móvil cerca del bebé para garantizar una transmisión de datos fiable a través de la conexión Bluetooth (es decir, en la misma habitación o a menos de 10 m si se graba en un espacio abierto) cuando grabe con transmisión directa de datos.<ol><li>Si corresponde, guarde el dispositivo móvil en una bolsa, como una funda para tableta, para un manejo más fácil y seguro. El protocolo Bluetooth intentará volver a conectarse si se pierde la conexión BLE. NOTA: No es aconsejable pausar y luego continuar la grabación, ya que puede interrumpir la sincronización entre los sensores o la integridad temporal de los datos grabados, así como puede perder la conexión BLE. En tales ocasiones, la única opción es apagar la aplicación y comenzar la grabación de nuevo.</li>
	</ol></li>
	<li>Organice el entorno para facilitar el juego con juguetes y otros objetos y anime al bebé a moverse libremente. Por ejemplo, despeje el espacio para moverse o coloque una colchoneta en el suelo para que el bebé pueda animarse a moverse cuando vea juguetes apropiados para su edad. El objetivo es registrar el movimiento natural del bebé.<ol><li>Asegúrese de que el bebé se sienta lo suficientemente cómodo y seguro como para participar en juegos espontáneos sin experimentar ansiedad debido a personas nuevas o lugares desconocidos.</li>
	</ol></li>
	<li>Registre al menos 1 hora de juego libre o el tiempo que desee las preguntas de estudio. Más adelante durante el análisis se pueden combinar varias épocas de juego/movimiento.</li>
	<li>Si así lo requiere el protocolo de investigación específico, tome notas adicionales para facilitar la inspección detallada de los resultados individuales. Utilice anotaciones sincronizadas en tiempo real en la aplicación de registro de datos como texto libre, grabaciones de audio o grabaciones de vídeo.</li>
	<li>En el caso de las grabaciones caseras no supervisadas, configure la grabación para que se detenga automáticamente (es decir, establezca la duración (hh:mm) de la grabación manualmente pulsando el botón Configuración ).</li>
	<li>En la configuración supervisada, finalice la grabación pulsando el botón Detener de la aplicación.</li>
	<li>Quítese el traje y empáquelo para devolverlo al laboratorio.</li>
	<li>Lave el traje después de cada grabación después de quitar los sensores de los bolsillos del traje. Si está disponible, use detergentes, incluido el transporte de humedad dirigido a materiales sintéticos11.<ol><li>Inspeccione el traje visualmente después de lavarlo en busca de defectos mecánicos antes de guardarlo para usarlo en el próximo niño.</li>
	</ol></li>
</ol>4. Análisis basado en la nube: carga de datos sin procesar y descarga de resultados
<ol><li>Haga clic en el archivo grabado en la vista de base de datos de la aplicación y luego haga clic en Exportar a Babacloud, que abre la página de inicio de la nube computacional (https://babacloud.fi/) utilizando el navegador web en el dispositivo móvil (Archivo complementario 2).</li>
	<li>Ingrese el nombre de usuario y la contraseña en la página de inicio de sesión. Si es necesario, solicite nuevas credenciales a la dirección de correo electrónico proporcionada en la página de inicio de Babacloud.</li>
	<li>Elija el archivo grabado para cargarlo. A continuación, elija un número de identificación para el asunto y añada la información requerida según lo indicado por el flujo de trabajo de Babacloud. Si es relevante para el caso, también ingrese la edad del sujeto u otra información (por ejemplo, tiempo de juego) para "Agregar otra etiqueta de archivo sin procesar". Por último, guarde la sesión de carga pulsando el botón Guardar . NOTA: De forma predeterminada, la aplicación de registro de datos generará un archivo comprimido a partir de los datos de movimiento para permitir una transferencia de datos más fácil y rápida por aire a través de una red wi-fi o móvil. La interfaz de Babacloud requerirá credenciales que se pueden obtener según las instrucciones en su página web. Los datos sin procesar registrados también se pueden transferir directamente desde el teléfono a otro dispositivo para un análisis personalizado. Asegúrese de que se eliminen los datos innecesarios de la memoria del dispositivo móvil para evitar confusiones entre las sesiones de grabación. Las sesiones de grabación se colocan automáticamente en sus propias carpetas, que se nombran con sus respectivas marcas de tiempo.</li>
	<li>Descargue el paquete comprimido de resultados de análisis desde el servidor en la nube utilizando un dispositivo móvil o un navegador web de computadora. Haga clic en el ID de asunto correcto y, a continuación, elija el enlace al análisis deseado, que abrirá automáticamente la descarga del archivo. NOTA: En el paquete de resultados comprimidos, se pueden encontrar los dos elementos siguientes: Una matriz de resultados detallada, que proporciona todas las clasificaciones segundo a segundo para la postura, el movimiento, el porteo del bebé y el tiempo de juego libre (Figura 2A, archivo complementario 3). Informes gráficos que dan una visión general de la sesión de estudio (Archivo complementario 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. es el fundador de la empresa Planno Oy que asesora en ingeniería textil. Otros autores no tienen intereses relevantes para la divulgación.

Una evaluación cuantificada y un seguimiento del desarrollo del rendimiento motor de los bebés con una solución portátil, como MAIJU, es técnicamente fácil de aprender y realizar, y puede implementarse fácilmente en la práctica de la atención médica o la investigación clínica 10,11,12. En comparación con los otros métodos de evaluación motora existentes, este tipo de registro en el hogar de la actividad motora espontánea de los bebés mejora la validez ecológica de la evaluación. Además, proporciona un análisis cuantificado, transparente y totalmente automatizado del rendimiento motor de los bebés. Lo más importante es que las métricas utilizadas en el análisis son intuitivas y explicables, lo que permite su fácil comparación con otras evaluaciones clínicas y de investigación, como los factores ambientales, el desarrollo cognitivo o las evaluaciones psicosociales. Una evaluación holística del desarrollo motor proporciona una precisión que se compara bien con las medidas convencionales de crecimiento físico12.
Los pasos críticos en el protocolo incluyen la preparación cuidadosa del traje portátil. Al prepararse para una grabación, elegir el tamaño correcto para el traje es crucial, ya que se requiere que los accesorios del sensor en las mangas y las piernas se ajusten firmemente para obtener una grabación confiable de los movimientos corporales. Además, para una grabación exitosa, es fundamental colocar los sensores en los bolsillos con una orientación correcta, tal y como se indica en el protocolo. Los soportes del sensor no permitirán que los sensores giren durante la grabación. Sin embargo, el sensor mal orientado registra datos que son difíciles, si no imposibles, de corregir después. Se debe animar al bebé a moverse libre e independientemente durante la grabación. La duración de la grabación puede variar de acuerdo con las preguntas de estudio dadas. Las múltiples épocas de movimiento espontáneo se combinan para acumular suficiente movimiento espontáneo para cada sesión de grabación.
El funcionamiento flexible y práctico de la solución wearable MAIJU permite su uso en contextos variables, tanto en entornos supervisados como no supervisados, como laboratorios de investigación u hogares. Los resultados recientes de nuestros ensayos clínicos muestran que las grabaciones totalmente no supervisadas realizadas en el hogar pueden proporcionar resultados comparables con las grabaciones que se realizan bajo supervisión total o parcial12. Aun así, el comportamiento motor espontáneo de un niño puede verse afectado por varios factores, como el entorno (p. ej., jugar al aire libre frente al interior, la disposición del espacio, los muebles y los juguetes), el nivel de alerta del niño y la participación de los padres durante la grabación en casa. Cuando las grabaciones se realizan en entornos no supervisados en casa, es importante animar al niño a jugar espontáneamente, es decir, a jugar o moverse de forma independiente, sin que otra persona cargue o sostenga al niño si no es necesario, y mantener el teléfono móvil de grabación a un alcance de Bluetooth (en la misma habitación)10. La mayoría de nuestras situaciones actuales de solución de problemas durante las grabaciones se deben a la pérdida de la conexión Bluetooth. Los avances en el futuro cercano en la tecnología de sensores mejorarán la conectividad Bluetooth, y la próxima introducción de una memoria de sensor más grande permitirá la grabación fuera de línea mediante el almacenamiento de datos de movimiento directamente en la memoria del sensor.
Las grabaciones extrahospitalarias con una solución portátil de este tipo son fácilmente escalables y pueden mejorar la seguridad de los bebés, por ejemplo, al permitir la monitorización remota en circunstancias como una pandemia. Nuestros algoritmos clasificadores actuales fueron entrenados para reconocer específicamente las habilidades motoras, posturas y movimientos dados que se muestran en el esquema de descripción de la motilidad (Figura 2A). Estos fenómenos fueron identificados como característicos del movimiento infantil durante los dos primeros años de vida. Otros tipos de movimientos o posturas que se observan en niños mayores, como correr o saltar, requerirán que se entrenen esquemas de descripción de movimientos modificados y algoritmos respectivos para identificarlos. El análisis dependiente de la postura y el contexto es un enfoque potencialmente fructífero en el que la actividad motora de un bebé se analiza por separado en diferentes posturas para apoyar el estudio, por ejemplo, de los correlatos del desarrollo del comportamiento infantil 5,6,7,8,9,13. Alternativamente, un análisis del movimiento dependiente del contexto también podría apoyar la evaluación de la asimetría en la función motora al predecir el desarrollo de parálisis cerebral unilateral 10,12,14,15. Además, la evaluación de las habilidades motoras con el sistema MAIJU puede combinarse con otras modalidades de estudio, por ejemplo, seguimiento ocular, imágenes o grabación de video, para proporcionar datos multimodales, que se extiendan a diferentes tipos y contextos. Los datos multimodales pueden ser útiles, por ejemplo, para evaluar los efectos de la interacción social o la eficacia de la intervención terapéutica.
Para el éxito de las nuevas tecnologías portátiles en entornos de monitorización extrahospitalaria con bebés, es necesario abordar ciertas limitaciones, desafíos y preocupaciones éticas. Nuestras líneas de análisis fueron entrenadas y validadas utilizando lactantes con desarrollo típico en Finlandia 10,11,12. Los resultados del análisis en bruto con posturas y movimientos puros deben ser universales. Sin embargo, sus trayectorias de desarrollo pueden requerir ajustes para diversas culturas y ubicaciones geográficas. De acuerdo con los comentarios de los padres con respecto a los dispositivos portátiles, son vistos favorablemente debido a la facilidad de uso de los bebés16. Sin embargo, los padres pueden plantear inquietudes con respecto a la privacidad, el acceso a los datos y los aspectos prácticos de la familia (p. ej., múltiples cuidadores, visitantes y horarios variables). La dependencia de la duración de la batería de los sensores y del teléfono de grabación puede considerarse una limitación del método. Según nuestra experiencia, el modelo de batería (CR2025) suele durar todo el día (12-24 horas) cuando se utiliza la transmisión continua de datos. En particular, depende tanto de la marca de la batería como de la potencia de la conexión Bluetooth necesaria para la transmisión inalámbrica de datos, que cambia continuamente para maximizar la transmisión de datos en el entorno de grabación. Por ejemplo, una larga distancia entre el bebé y el teléfono o una pared entre ellos ajustaría la conexión Bluetooth a un consumo de batería significativamente mayor. En particular, las baterías de la mayoría de los dispositivos móviles también se agotan aproximadamente en el mismo tiempo si se utiliza la transmisión continua por Bluetooth. En la práctica, la transmisión continua de datos a través de la conexión Bluetooth que se utiliza actualmente implica que tanto los sensores como los dispositivos móviles necesitan una recarga/sustitución diaria de la batería. La introducción en un futuro próximo de sensores con mayor capacidad de memoria permitirá el almacenamiento de datos en la memoria del sensor, soportando más de una semana de grabación continua. Eso eliminará la necesidad de una transmisión Bluetooth que consume energía, así como llevar el teléfono dentro de un rango de Bluetooth que puede percibirse como restrictivo en situaciones de grabación y es susceptible a errores humanos.
En general, el seguimiento del neurodesarrollo temprano necesita métodos que sean sensibles a la variabilidad neuroconductual natural. El desarrollo de la motricidad gruesa es un proceso intrincado que consiste en variaciones en el orden y el tiempo, tanto a nivel individual como cultural4. La detección del desarrollo motor atípico es eficaz para reconocer a los bebés en riesgo de una amplia gama de trastornos del neurodesarrollo. Las baterías de pruebas tradicionales con evaluaciones estandarizadas del neurodesarrollo se realizan en entornos controlados, como hospitales, y son, al menos parcialmente, subjetivas 7,8,9. Los avances actuales en la tecnología de sensores y el análisis de señales han permitido el registro de la capacidad motora espontánea de los bebés durante períodos prolongados en entornos extrahospitalarios y la cuantificación del comportamiento motor con una precisión comparable a la de los observadores humanos 10,11,12. La novedosa tecnología portátil ofrece métodos automatizados y escalables para monitorizar el movimiento y la eficacia de la intervención terapéutica en los bebés de una manera ecológicamente válida y objetiva. Además, el novedoso índice de neurodesarrollo Baba Infant Motor Score (BIMS) permite estimar la madurez de la capacidad motora de los bebés mediante el seguimiento individual del neurodesarrollo 10,12. Se puede emplear en una serie de aplicaciones futuras, como el desarrollo de tablas de crecimiento motor infantil12. Al entrenar los clasificadores automatizados para otras motilidades específicas (por ejemplo, para niños mayores o adultos) con diferentes tipos de esquemas y algoritmos de descripción del movimiento, los sensores de movimiento portátiles tienen el potencial de aplicaciones clínicas, como trastornos del movimiento o seguimiento de los efectos de las intervenciones terapéuticas, independientemente de la etapa de desarrollo del individuo17. En la actualidad, sin embargo, esto debe considerarse como una metodología de investigación que no debe utilizarse para informar el diagnóstico clínico o los objetivos de tratamiento.

El desarrollo temprano de la motricidad gruesa es esencial para el rendimiento neurocognitivo de alto nivel que emerge más tarde al apoyar la exploración del entorno por parte de los bebés. Por lo tanto, tanto los médicos como los investigadores tienen un gran interés en evaluar el desarrollo motor grueso temprano 1,2,3. Para respaldar la medicina basada en la evidencia o los estudios científicos, es esencial que las evaluaciones de la motricidad gruesa sean cuantitativas, fiables, objetivas y ecológicamente válidas. Sin embargo, hay una escasez de estos métodos disponibles para la investigación clínica o de ciencias básicas.
Un desarrollo motor grueso temprano típico progresa a través de una secuencia predecible de habilidades recién adquiridas. Se observan comúnmente en los bebés como el logro de hitos motores discretos4, donde estar de pie y caminar a menudo se consideran hitos importantes en el camino hacia un repertorio conductual más complejo5. Además de la observación directa o las encuestas a los padres sobre los hitos motores, se han desarrollado varias baterías estandarizadas ampliamente utilizadas 6,7,8,9 para realizar evaluaciones de los bebés en el laboratorio o en el entorno hospitalario. Sin embargo, estas evaluaciones adolecen de múltiples advertencias: necesitan una experiencia sustancial de profesionales capacitados, son en parte subjetivas y categóricas, y evalúan el desempeño de los bebés en un entorno (hospital o laboratorio) que no es natural desde la perspectiva de un bebé.
El registro de la actividad motora espontánea de los bebés durante períodos más largos en el entorno nativo, como su hogar, permite mediciones más relevantes de las habilidades motoras. En uno de estos métodos factibles, la evaluación se realiza para la secuencia completa del desarrollo de la capacidad motora del bebé, desde que está acostado en decúbito supino hasta que camina con fluidez con un sistema portátil, como el dispositivo portátil MAIJU (Evaluación motora de los bebés con un traje de baño)10,11,12. El sistema wearable MAIJU (Figura 1) consiste en una prenda textil de cuerpo entero equipada con sensores de movimiento para permitir evaluaciones y registros extrahospitalarios/de laboratorio sin supervisión que se analizan con una tubería automatizada, proporcionando una evaluación segundo a segundo de la postura y los patrones de movimiento. Estas detecciones algorítmicas se pueden utilizar para cada tipo de postura y movimiento por separado, o se pueden combinar para una evaluación holística del nivel madurativo de las habilidades motoras del bebé. Una expresión recientemente publicada y libre de unidades de esta métrica de madurez motora es BIMS (Baba Infant Motor Score)10,12.
En este artículo se describirá la evaluación del rendimiento de la motricidad gruesa de los bebés utilizando un traje portátil multisensor; La justificación, el rendimiento práctico, la canalización de análisis y las posibles perspectivas futuras para el uso de las métricas que se pueden obtener de la canalización de análisis automatizado disponible para grabaciones con un dispositivo portátil multisensor 10,11,12. El método es adecuado para una cuantificación detallada de las actividades motoras gruesas espontáneas en todos los bebés que exhiben habilidades motoras entre el acostado supino y la marcha fluida.
El sistema portátil multisensor consta de tres componentes: 1) la prenda de cuerpo completo equipada con cuatro sensores de movimiento, 2) un dispositivo móvil que utiliza una aplicación iOS personalizada y 3) una canalización de análisis basada en la nube (Babacloud, cuyas credenciales se pueden obtener de los autores)11. Los sensores de la unidad de medición inercial (IMU) a prueba de agua transmiten datos sincronizados (acelerómetro de 3 ejes y giroscopio) a una frecuencia de muestreo de 13-52 Hz a un teléfono móvil mediante una conexión Bluetooth de bajo consumo. Los datos se almacenan inicialmente en la memoria de (el sensor o) el dispositivo móvil, seguido de un análisis fuera de línea en el servidor en la nube después de que se detenga la grabación.

<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

El desarrollo de métodos objetivos y cuantitativos de evaluación temprana de la motricidad gruesa es esencial para comprender mejor el neurodesarrollo y apoyar las intervenciones terapéuticas tempranas. Aquí, presentamos un método para cuantificar el rendimiento de la motricidad gruesa utilizando un dispositivo portátil multisensor, MAIJU (Motility Assessment of Infants with a JUmpsuit), que ofrece una evaluación automatizada, escalable, cuantitativa y objetiva utilizando una canalización totalmente automatizada basada en la nube. Este traje portátil está equipado con cuatro sensores de movimiento que registran datos sincronizados en un teléfono móvil utilizando una conexión Bluetooth de bajo consumo. Un análisis fuera de línea en el servidor en la nube genera resultados completamente analizados en cuestión de minutos para cada grabación. Estos resultados incluyen un informe gráfico de la sesión de grabación y una matriz de resultados detallada que ofrece clasificaciones segundo a segundo para la postura, el movimiento, el porteo del bebé y el tiempo de juego libre. Nuestros resultados recientes muestran la virtud de esta evaluación motora cuantificada, que proporciona un método potencialmente eficaz para distinguir las variaciones en el desarrollo motor grueso del bebé.

El método presentado cuantifica el rendimiento motor grueso de los bebés clasificando los tipos de posturas y movimientos para cada segundo de la sesión de grabación. Por lo tanto, el paquete de resultados de la canalización de análisis automatizado incluye una matriz de clasificación completa (archivo complementario 3) y un resumen gráfico (archivo complementario 4) de toda la sesión de grabación. Dependiendo de la pregunta exacta del estudio, estos resultados se pueden inspeccionar a diferentes niveles.
Para el desarrollo y validación de este método se utilizó la inspección de resultados. A continuación, se presentan cuatro niveles de inspección de resultados utilizados para el desarrollo y validación de esta metodología. El archivo complementario 5 presenta ejemplos representativos de los experimentos de validación clave que se publicaron previamente con todo detalle 10,11,12.
En primer lugar, los algoritmos automáticos entrenados para las detecciones de movimiento y postura se validaron con observaciones humanas de segundo a segundo nivel del comportamiento de movimiento de los bebés. Utilizamos varios expertos formados en paralelo que revisaron a ciegas las grabaciones de vídeo sincronizadas con las grabaciones portátiles. Todas las diferentes categorías de postura y movimiento se compararon por separado con las anotaciones humanas individuales, y encontramos una concordancia muy alta entre el algoritmo y el humano para las posturas (kappa promedio 0.93); Se encontró una concordancia sustancial para las categorías de movimiento (kappa específico de subcategoría, en su mayoría en el rango de 60-80%). Véase el archivo suplementario 5A para ver un ejemplo de matriz de confusión10. Además, se evaluaron los niveles de concordancia entre evaluadores para confirmar que los algoritmos funcionan aproximadamente a un nivel equivalente humano10,11.
En segundo lugar, evaluamos qué tan bien la cuantificación basada en el clasificador de las categorías de movimiento y postura coincidiría con la cuantificación correspondiente de las anotaciones humanas de segundo nivel. Los diagramas de dispersión de ejemplo que se muestran en el archivo suplementario 5B10 demuestran que varias categorías clave tienen una coincidencia casi perfecta (coeficiente de correlación >0,96) entre la cuantificación algorítmica y la cuantificación visual humana. Esto apoya directamente la idea de que las distribuciones específicas por edad de la cuantificación de la motilidad (Figura 3A, B) son confiables12.
En tercer lugar, la idea de una evaluación holística de la madurez motora se validó mediante el entrenamiento de una predicción de la edad de desarrollo a partir de las cantidades de movimiento combinado (ver arriba) que se correlacionaron muy estrechamente con la edad real en los bebés con desarrollo típico (r = 0,89; Legajo complementario 5C). Posteriormente, la predicción de la edad se escaló a 0-100 como una medida sin unidades BIMS (Baba Infant Motor Score10), y se validó su utilidad para la construcción de tablas de crecimiento motor (Archivo suplementario 5D) utilizando una cohorte de bebés de desarrollo típico que mostraba trayectorias de crecimiento predecibles y dependientes de la edad. También validamos su precisión relativa al mostrar que la precisión en las tablas de crecimiento motor se compara bien con las conocidas tablas de crecimiento físico12.
En cuarto lugar, el potencial para la detección de anomalías con las métricas dadas se validó en un experimento de prueba de principio en el que se demostró que las medidas motoras individuales diferenciaban claramente entre lactantes con un rendimiento motor deficiente y bueno, respectivamente (Archivo suplementario 5E)10.
Posibles preguntas de estudio adicionales en diferentes niveles de análisis La Figura 3 muestra ejemplos de otros usos de la información proporcionada por el traje portátil y su canalización de análisis automatizado. En primer lugar, el desarrollo temprano de las habilidades posturales y de movimiento puede trazarse en función de la edad y compararse con las distribuciones dependientes de la edad (Figura 3A, "gráficos de crecimiento"12), o se puede hacer un seguimiento del desarrollo a lo largo del tiempo para cada individuo (Figura 3B). En segundo lugar, cuando una pregunta de estudio requiere una evaluación más holística de la motricidad gruesa, se puede utilizar una combinación de las proporciones de postura y movimiento de un individuo (como se muestra en el archivo suplementario 5D, calculado a partir de la serie temporal en el archivo suplementario 5C) para generar un índice como BIMS (Baba Infant Motor Score). Tales medidas apoyan el uso directo en gráficos de crecimiento motor (Archivo suplementario 5C,D) y el cálculo de derivaciones estadísticas como la puntuación z (Figura 3A). El uso de la serie de tiempo completo de detecciones del algoritmo (Figura 3C y archivo complementario 3) permite realizar estudios sobre la estructura temporal detallada de la motilidad de los bebés con preguntas como "¿Cuántas transiciones de postura realiza el bebé en una unidad de tiempo?" o "¿Cuál es la distribución de las épocas de pie durante el tiempo de juego espontáneo?".
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/65949/65949fig01.jpg"> Figura 1: Descripción general del sistema portátil multisensor y un flujo de estudio típico desde el registro hasta el análisis. Figura 1 adaptada de Airaksinen et al.12publicada bajo licencia CC_BY. La fotografía del bebé se publica con el consentimiento de los padres. <a href="https://www.jove.com/files/ftp_upload/65949/65949fig01large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/65949/65949fig02.jpg"> Figura 2: Categorización de la postura y el movimiento y un ejemplo de visualización de los datos sin procesar y la salida del análisis (A) Esquema de categorización de la postura y el movimiento utilizado por los clasificadores algorítmicos dentro de la canalización de análisis totalmente automatizada para un dispositivo portátil multisensor. Esta figura es una reimpresión de Airaksinen et al.10 (B) Ejemplo de 10 minutos de datos brutos del sensor del acelerómetro de cada uno de los cuatro brazos tal como salen de las grabaciones del MAIJU. Las barras horizontales siguientes muestran las salidas del clasificador automatizado para las detecciones de postura (barra superior) y movimiento (barra inferior) para la misma época de 10 minutos. <a href="https://www.jove.com/files/ftp_upload/65949/65949fig02large.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/65949/65949fig03v2.jpg"> Figura 3: Ejemplos de resultados derivados de las salidas del clasificador sin procesar. (A) Un ejemplo de comparación de datos entre la edad infantil y la puntuación motora infantil de Baba (BIMS). La curva verde en forma de S representa la trayectoria de desarrollo de BIMS en una población más grande. El punto representa un individuo de ejemplo medido a los 14 meses, con un BIMS ~74, que corresponde a un nivel un poco por debajo del nivel promedio típico de edad (la línea verde). (B) Un ejemplo de cohorte con trayectorias individuales de desarrollo motor utilizando el Baba Infant Motor Score over (BIMS). Cada línea representa a un bebé registrado en varios puntos de edad (puntos en la línea). Las líneas están coloreadas para la desviación media en relación con la media típica de la edad (curva azul en forma de S en el fondo; véase también el panel A. (C) Matriz de salida representativa del clasificador automático tal y como procede de la canalización Babacloud. La primera columna muestra el tiempo transcurrido desde el inicio de la grabación (en segundos) para cada ventana de análisis de la clasificación (duración de la ventana 2,3 s, con un 50% de superposición). La segunda y tercera columnas muestran la detección del clasificador para la postura y el movimiento, respectivamente. La tercera y cuarta columnas son clasificadores auxiliares que representan épocas en las que el bebé fue llevado por otra persona y cuando el bebé participaba en un juego autónomo, respectivamente. D) Una ilustración de un informe resumido. Los paneles A y B son una adaptación de Airaksinen et al.10. <a href="https://www.jove.com/files/ftp_upload/65949/65949fig03largev2.jpg" target="_blank">Haga clic aquí para ver una versión más grande de esta figura.</a>
Archivo complementario 1: Una guía rápida para grabar con el wearable MAIJU. <a href="https://www.jove.com/files/ftp_upload/65949/supplemental_file1%20.zip" target="_blank">Haga clic aquí para descargar este archivo.</a>
Archivo complementario 2: Una guía rápida para transferir datos de Maijulogger al servidor de análisis en Babacloud. <a href="https://www.jove.com/files/ftp_upload/65949/supplemental_file_2.zip" target="_blank">Haga clic aquí para descargar este archivo.</a>
Archivo Suplementario 3: Un ejemplo de una matriz de clasificación detallada que proporciona todas las clasificaciones segundo a segundo para la postura, el movimiento, el porteo del bebé y el tiempo de juego libre. <a href="https://www.jove.com/files/ftp_upload/65949/supplemental_file_3.zip" target="_blank">Haga clic aquí para descargar este archivo.</a>
Archivo complementario 4: Un ejemplo completo de archivo PDF de un informe de resumen gráfico. Esto se toma del archivo del algoritmo que incluye, (A) información básica sobre la sesión de grabación (ID y edad del sujeto, la fecha de grabación, la duración y la cantidad total de épocas utilizadas para los análisis finales). (B) Una representación gráfica de la grabación completa que indique la distribución de las posturas a lo largo de la grabación completa y las épocas que se excluyen de la evaluación cuantitativa. C) Distribuciones típicas mostradas con gráficos de violín para las seis posturas (lado izquierdo) y 12 tipos de movimiento (lado derecho). Del mismo modo, los dibujos del lado derecho representan el tipo de movimientos indicados por cada postura, mostrando también la secuencia de desarrollo incremental del rendimiento motor (los puntos que indican los resultados de una grabación individual y los coloridos gráficos de violín que indican las distribuciones de postura/movimiento dependientes de la edad de un conjunto de datos relevante). En particular, los valores brutos indicados por los puntos muestran cantidades reales del rendimiento del motor dado, y se pueden utilizar directamente en otros contextos. <a href="https://www.jove.com/files/ftp_upload/65949/supplemental_file_4.zip" target="_blank">Haga clic aquí para descargar este archivo.</a>
Archivo Suplementario 5: Experimentos de validación en diferentes niveles de análisis. (A) Matrices de confusión que muestran la concordancia entre las anotaciones humanas (clase objetivo) y las detecciones del algoritmo (clase predicha) para las categorías de postura y movimiento. (B) Comparación de las cuantificaciones motoras a lo largo de sesiones de grabación completas entre las anotaciones humanas y las detecciones derivadas del clasificador automatizado. (C) Correlación entre la predicción de la edad de desarrollo a partir de los datos del wearable (eje Y del lado izquierdo) y su reescalado para generar la puntuación BIMS (eje Y del lado derecho). La edad real del bebé en el momento de la grabación se muestra en el eje X. (D) Correlación de la predicción de la edad y la edad real cuando se utiliza una función ajustada. Los valores representan el ajuste al modelo cuando se utiliza el promedio del grupo en las ventanas de tiempo representadas (azul), todos los valores sin procesar (negro) o cuando se tienen en cuenta las medidas repetidas de cada individuo (verde). (E) La comparación de las medidas motoras individuales entre grupos de bebés con buen y bajo rendimiento sugiere que varias métricas motoras detectadas automáticamente pueden diferenciar a estos grupos de bebés. El panel A, B, C es una adaptación de Airaksinen et al.10. El panel D es una adaptación de Airaksinen et al.12. El panel E es una adaptación de "Airaksinen et al.11. <a href="https://www.jove.com/files/ftp_upload/65949/supplemental_file_5.zip" target="_blank">Haga clic aquí para descargar este archivo.</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

Este artículo describe la evaluación del rendimiento motor grueso de los bebés con un dispositivo portátil multisensor y su canal de análisis basado en el aprendizaje profundo totalmente automatizado. El método cuantifica la postura y los patrones de movimiento de los bebés desde que están acostados en decúbito supino hasta que dominan la marcha de forma independiente.

Evaluación cuantificada de las capacidades motoras gruesas del bebé mediante un dispositivo portátil multisensor

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

MAIJU es un wearable multisensor, y parece un lugar común con el tamaño de un bebé nadando hacia él, donde los cuatro sensores, uno en cada extremidad. MAIJU se utiliza para registrar el movimiento de los bebés, básicamente en cualquier lugar, pero es especialmente para cuando se quiere medir el movimiento de los bebés en una situación no controlada como su actividad espontánea en sus casas. MAIJU se utiliza para la evaluación del desarrollo motor, el monitoreo de los hitos del desarrollo como rodar, sentarse, caminar es una parte esencial del seguimiento general del desarrollo.Desde el punto de vista de la salud, los problemas con el desarrollo motor son muy comunes, y también utilizamos el rendimiento motor como una medida de resultado clave en muchos ensayos terapéuticos, y para ambos objetivos o propósitos, necesitamos mejores métodos para la evaluación motora. En comparación con los métodos tradicionales estandarizados de hitos, MAIJU es un método automatizado, escalable y más objetivo que los anteriores. Puedes ir a llevarlo a cualquier parte del mundo y te daría resultados comparables.Primero, seleccione el tamaño correcto del traje para que el traje le quede bien ajustado pero cómodo, y el niño pueda moverse libremente sin interferencias. Inicie la aplicación del registrador MAIJU, que lo guiará a través de los preparativos. Equipe los sensores con baterías antes de cada grabación.Empareje cada sensor con el registrador MAIJU seleccionando la ubicación de una extremidad en la aplicación y acercando el sensor al dispositivo móvil. Confirme que se muestra el número de sensor correcto en la aplicación. Asegúrese también de que el nivel de carga de la batería sea superior al 80% comprobando el indicador situado debajo del número del sensor.Después de conectar cada sensor con la aplicación, colóquelo y fíjelo en el soporte a presión en el bolsillo correspondiente. Al guardar los sensores en el bolsillo, siga la guía de posición en el soporte para garantizar la orientación correcta. Una orientación incorrecta dará lugar a datos inutilizables.Proceda a comprobar el emparejamiento correcto del sensor. Agite los sensores uno por uno y verifique la aplicación para ver que el indicador correcto se mueve. Una vez completadas las comprobaciones, vaya a la página de inicio.Si es necesario, la duración de la grabación se puede configurar manualmente desde la configuración. Ahora puede iniciar la grabación pulsando el botón de grabación. Espere hasta que los sensores estén listos.Esto puede tardar unos momentos. En el caso de las grabaciones caseras no supervisadas, bloquee la pantalla del dispositivo móvil y empaque el traje para entregárselo al destinatario. Utilice un servicio de mensajería o similar para entregar el traje al destinatario inmediatamente después de que se haya preparado.Asegúrese de que el bebé sea amamantado y se sienta seguro para un tiempo de juego natural antes de vestirle el traje. El traje se puede quitar para cambiarle el pañal más tarde si es necesario. Vístele el traje al bebé como lo harías con un overol normal.Compruebe que los bolsillos del sensor estén orientados hacia afuera y que el traje se ajuste perfectamente a las extremidades en cada ubicación del sensor. Ajuste las correas cerca de los bolsillos del sensor si es necesario. Mantenga el dispositivo móvil en la misma habitación o a menos de 10 metros del bebé para garantizar una transmisión de datos confiable a través de una conexión Bluetooth.No se espera que los padres manipulen el dispositivo móvil, por lo que puede ser práctico guardar el dispositivo en el bolsillo que se utilizó para el transporte de mensajería. No es recomendable pausar y luego continuar la grabación, ya que puede interrumpir la conexión entre los sensores y el dispositivo móvil. Organice el entorno para facilitar el juego con juguetes y otros objetos, y anime al bebé a moverse libremente y según sus capacidades.El objetivo es registrar el movimiento natural del bebé, así que asegúrese de que el bebé se sienta lo suficientemente cómodo y seguro como para participar en el juego espontáneo sin experimentar ansiedad debido a personas nuevas o lugares desconocidos. A menos que se indique lo contrario, continúe grabando durante al menos una hora de juego libre. Puede constar de varias épocas. En el caso de las grabaciones caseras no supervisadas, la grabación está configurada para detenerse automáticamente.En configuraciones supervisadas, finalice la grabación presionando el botón de parada en la aplicación. El traje se puede quitar y embalar para devolverlo al laboratorio. Cuando el traje ha sido devuelto al laboratorio, los datos registrados se transfieren desde el dispositivo móvil a los servidores de Baba Cloud para su análisis computacional, los datos registrados se almacenan en el dispositivo móvil como un archivo zip, que puede exportar desde la base de datos en la aplicación.Lanza una carga en el sitio web de Baba Cloud. Durante la carga de datos, elija un número de identificación para el sujeto. A continuación, agregue la información requerida según lo indicado por el flujo de trabajo de Baba Cloud.Para obtener instrucciones detalladas sobre cómo utilizar la interfaz de Baba Cloud, consulte el informe escrito. Después de cargar, la canalización de análisis automatizado trabajará en los datos y generará resultados en unos minutos. Los resultados aparecerán en el sitio web de Baba Cloud bajo la identificación del sujeto dado. El método cuantifica el rendimiento motor grueso de los bebés clasificando las posturas y los movimientos por cada segundo de la sesión de medición.Esto se hace con una canalización de análisis automatizada basada en algoritmos de aprendizaje automático. La salida de los resultados del clasificador es una matriz de texto donde el tiempo se muestra en la primera columna y sus correspondientes categorías de postura y movimiento se muestran en las siguientes columnas. También puede haber otras salidas del clasificador, como la detección de transporte, en las siguientes columnas.A continuación, el pipeline calcula la proporción de tiempo dedicado a cada postura y tipo de movimiento, y sus variaciones dependientes de la edad pueden presentarse, por ejemplo, como gráficos de violín. Si se indica la edad del niño al cargar los datos para su análisis, el informe mostrará los datos actuales en relación con las proporciones típicas de la edad. Para algunos propósitos, es más útil combinar todos los datos de movimiento y postura en una estimación holística.Una de esas medidas es la puntuación motora infantil de Baba o BIMS. Modela el progreso típico del desarrollo de las habilidades motoras gruesas mediante la predicción de la edad del niño a partir de todos los datos registrados, que luego se normalizan en una puntuación BIM. Para una flexibilidad analítica completa, siempre puede descargar los datos del sensor sin procesar y llevar a cabo estudios más detallados, como el desarrollo de la detección de anomalías o el análisis del movimiento dependiente del contexto que se centra solo en ciertas posturas.En conjunto, la canalización de análisis automatizado le brindará muchas medidas alternativas y complementarias. Estas medidas se pueden utilizar para hacer un seguimiento del desarrollo o de un aspecto del mismo. Permiten el estudio cuantitativo de las diferencias poblacionales o pueden utilizarse como medida de resultado en intervenciones terapéuticas.Las métricas derivadas de la canalización de análisis están destinadas a ser genéricas. Se pueden utilizar de muchas maneras para responder a sus preguntas de estudio y puede desarrollar otras medidas optimizadas para su investigación. Las tecnologías MAIJU o MAIJU similares abren una nueva puerta en la investigación científica y médica, y en particular llevan la instrumentación del laboratorio al mundo.Es muy importante en MAIJU que sea capaz de registrar a los bebés en su propio entorno, lo que significa que lo que medimos es su rendimiento real, no lo que harían en un entorno hospitalario o de laboratorio quizás aterrador y extraño. En conjunto, creo que MAIJU es una gran herramienta para medir el rendimiento motor grueso de los bebés. Sin embargo, MAIJU es, debe pensar en MAIJU más como un facilitador que como un hacedor y la utilidad o los beneficios de MAIJU dependen completamente de sus formas creativas de usarlo.

Research

JoVE Journal

Neuroscience

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

La cinemática y la reacción del suelo Determinación de la Fuerza: Una demostración de habilidades Locomotor Cuantificación de adultos jóvenes, de mediana edad, y las ratas de Geriatría

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

Investigación

Neurociencias

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

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

Evaluación de la lateralización cerebral en niños con ultrasonido Doppler transcraneal funcional (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

Evaluación del equilibrio del motor y la coordinación en ratones utilizando la barra de equilibrio

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

Extracelularmente Identificar las neuronas motoras de un músculo en la piscina Motor<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

Evaluación funcional y morfológica de Diafragma Inervación por frénico neuronas motoras

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

Determinación de la ubicación de estimulación mediante un digitalizador 3D con estimulación de corriente directa transcraneal de alta definición

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

Análisis cinemático 3D para la evaluación funcional en el modelo de rata de lesión de aplastamiento de nervios ciáticos

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

Transporte axónico de organelos en cultivos de neuronas motoras utilizando el sistema de cámaras microfluídicas

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

Generación de organoides nerviosos motores tridimensionales

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

Evaluación Multifactorial Del Comportamiento Motor En Ratas Después De La Lesión Unilateral Por Aplastamiento Del Nervio Ciático

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 ...