Summary
Et objektivt mål muskelen funksjonene er utfordrende spesielt hos barn. Basert på en kommersielt tilgjengelig digital 3D sensor, ble en barnevennlig gaming test utviklet for å vurdere øvre lem funksjon for kliniske forsøk.
Abstract
Progressive og irreversibel muskelatrofi karakteriserer Spinal muskel atrofi (SMA) og andre lignende muskel uorden sykdommer. Objektiv vurdering av muskelen funksjonene er en avgjørende og viktig, men utfordrende, forutsetning for vellykket kliniske studier. Gjeldende kliniske Vurderingsskalaer begrense bevegelsen forandringene for enkelte forhåndsdefinerte coarse-grained enkeltelementer. 3D Kinect-sensoren har dukket opp som en rimelige og bærbare motion sensing teknologi brukes til å ta og sporet folks bevegelse i mange medisinske og forskningsfelt. En ny tilnærming som bruker denne 3D-sensor er utviklet og en spill-lignende test ble designet for å objektivt måle funksjonen øvre lem av pasienter med SMA. Prototype testen målrettet felles bevegelse evne. Mens du sitter i en virtuell scene, ble pasienten instruert til å utvide flex og løfte hele armen for å nå og plassere objekter. Både Kinematisk og spatiotemporal egenskaper øvre lem bevegelighet var trekkes ut og analyseres, f.eks, albue utvidelse og refleksjoner vinkler, hånd hastighet og akselerasjon. Den første studien inkluderte en liten kohort av 18 ambulant SMA pasienter og 19 alder og kjønn-matchet sunn kontroller. En omfattende analyse av armbevegelse ble oppnådd; imidlertid ingen signifikant forskjell mellom gruppene ble funnet på grunn av manglende samsvar av pasientens evne og test problemer. Basert på denne opplevelsen, en ny versjon av testen som består av en modifisert versjon av det første spillet med økt problemer og en andre spillet målretting muskel utholdenhet ble designet og implementert. Den nye testen er ennå ikke utført i pasienten grupper. Vårt arbeid har vist potensialet evne for 3D-innlæring vurdere muskel funksjon og foreslo en objektiv tilnærming for å utfylle de kliniske Vurderingsskalaer.
Introduction
Omfattende vurdering av muskler er en kritisk vurdering i mange neuromuscular sykdommen og en viktig forutsetning for vellykket kliniske studier. Klinisk vurdering skala brukes stadig mer som en standardisert Vurderingsverktøyet og som en veletablert resultat måle1. Men de avhengige skjønn av klinikere og kan resultere i betydelige variasjoner fører til inter - og intra-rater inkonsekvens2 eller generert nummer som ikke oppfyller kriteriene for nøyaktige mål1. I tillegg mange neuromuscular sykdommen i stor grad påvirker barn og de fleste av disse Vurderingsskalaer er lang og kjedelig, som innføre ekstra utfordringer. Et eksempel på en neuromuscular sykdommen er Spinal muskel atrofi (SMA), som er en dødelig nevromuskulær sykdom preget av progressiv muskel svakhet3. Avhengig av kliniske fenotyper, noen pasienter lever med rullestol (type 2), og noen kan stå og gå blotte (type 3)4. Det er et økende behov for et mer følsom og objektiv vurdering verktøy til å måle funksjonen muskel felles bevegelse utvalg, muskelstyrke, muskeltretthet og så videre, for å spore sykdomsprogresjon og narkotika effekt.
Den raske utviklingen i motion sensing teknologi har gjort det mulig å analysere bevegelse egenskapene på relativt lave kostnader, blant annet verdien av 3D sensoren (Kinect) fange hele kroppen bevegelse på en markør-fri måte har vært mye undersøkt. Bruker integrert sensoren og implementert maskinen læring algoritmer, er kroppen plasseringen av de merkede personene avledet gjennom 3-dimensjonale stillingene av 20 anatomiske kalt kroppen ledd eller poeng inkludert hode, nakke, hender, håndledd, albuer, skuldre, ryggraden, hofter, knær, ankler og føtter5. Timelige oppløsningen er opptil 30 Hz, som er tilstrekkelig for de fleste fysisk bevegelse unntatt noen patologiske motoriske symptomer som rystelser. Romlige nøyaktigheten av 3D sensoren er validert mye bakken sannheten6 eller gull standard, som er en markør-baserte 3-dimensjonale bevegelse analyse system7,8,9,10 ,11,12. God samtidige gyldigheten og reproduserbarhet har blitt avslørt av ulike tester, spesielt på frontpartiet vise12 og for brutto bevegelser7. For å objektivt vurdere funksjonen øvre lem for barn med SMA, vi designet og implementert en spill-lignende test basert på en 3D sensor å måle evnen til felles bevegelse.
Protocol
Testen ble utført i en observasjonsstudier, langsgående studie på universitetet Children's Hospital i Basel (UKBB) med både voksne og barn. Flere demografi og klinisk informasjon om studien kan finnes i de forrige publikasjon13,14. Alle prosedyrer har blitt godkjent av lokale etikk Ethikkomission UKBB og utført i henhold til prinsippene i deklarasjonen i Helsinki. Skriftlig samtykke og samsvar med studie-protokollen i henhold til internasjonale konferansen om harmonisering (ICH) og lokale forskrifter ble levert av alle fag eller lovlig autoriserte representanter for barn under alderen av juridisk samtykke.
Merk: En prototypen spillet "Garderobe" rettet mot leddene Måleområde bevegelse var designet og implementert. Det ble deretter eksportert som et kjørbart program som kan kjøres på Windows 8 eller høyere operativsystemet, så lenge de nødvendige 3D sensor driverne installeres også. Prototypen spillet basert på Kinect-sensor v1 eller den andre versjonen (se diskusjon) basert på Kinect sensor v2 kan leveres på forespørsel (se Coding tilleggsfiler).
1. installasjon og forberedelser for test
- Installere 3D sensoren (f.eks., Kinect) drivere og utformet programmet på datamaskinen.
- Plass datamaskinen på en egnet overflate, som en tabell, med en høyde på 0,5 - 1 meter.
- Plassere 3D enheten også på samme linje til midten av datamaskinen, slik at høyden på 3D kameraet er fast i tabellen om 0,5 - 1 meter over bakken. Justere elevasjonsvinklen 3D sensoren manuelt for å riktig ta faget (se 2.4.2 nedenfor).
- Koble alle kablene riktig, inkludert 3D kortet til datamaskinen og strømkabelen til strømforsyningen.
- Plass en høyde-justerbare stol foran bordet med datamaskinen og 3D sensoren på ca 2 meter.
2. gjennomførte testen
- Start datamaskinen, og slå på lyden til en optimal volum. Hvis automatisk dataoverføring, kontroller at Internett er koblet.
- Instruere gjenstand å sitte på stolen.
- Start programmet på datamaskinen, og angi emnet-IDen på den første siden.
- Klikk på knappen "START" på den første siden å gå til den andre siden, som viser "Garderoben" spill:
- Merk skjelett figuren (bare overkroppen) på skjermen, som representerer kroppen av faget foran et stort klesskap. Når figuren ikke er sett, instruere emnet bølge og flytte fremover og bakover hvis han er i rullestol eller stå opp til 3D-sensor fanger personen.
- Les instruksjonene på skjermen og justere avstanden, høyden og lateral posisjon av stolen og emnet tilsvarende til alle instruksjoner er grønn skrift.
Merk: Avstanden, høyden og lateral posisjon av stolen kan justeres emnet selv eller en hjelper som skal gå ut av feltet etterpå. Hvis optimal høyden ikke kan oppnås, manuelt justere elevasjonsvinklen 3D kameraet. Den optimale posisjonen er 2 meter fra apparatet, med halsen av emnet vises i midten av skjermen. - Trykk på TOGET for å starte treningsøkten uten registrering av data.
Merk: Hvis emnet er allerede kjent med spillet og vet hva de skal gjøre, trykk startknappen direkte og hoppe over trening. - La emnet Følg instruksjonene på skjermen og utføre følgende bevegelser:
- Utvide forespurte armen (høyre eller venstre) for å nå flimring virtuelle objektet til objektet har den virtuelle hånden.
- Flex samme armen og fysisk ta de angitte punktene på kroppen for å plassere objektet.
- Fortsett arm forlengelse og refleksjoner bevegelsene til alle 20 objekter er nådd og plassert.
Merk: Det finnes to runder med 10 objekter i hver runde. I en runde er det 5 objekter til høyre som krever den høyre armen etterfulgt av 5 objekter til venstre som venstre arm er spurt. Dette avslutter treningsøkten.
- Trykk på "START" for å utføre de samme oppgavene på nytt fra begynnelsen, som i trinn 2.4.3, men denne gangen opptak plasseringen av 9 overkroppen poeng i en kryptert fil. Spillet avsluttes automatisk ved enten å plassere alle 20 objekter eller når forhåndsdefinerte tiden (4 minutter) utløper.
Merk: Det er også mulig å avslutte spillet til enhver tid gjenstand er svak eller noen andre situasjoner skje.
- Inn i den siste siden automatisk som viser en edderkopp handling som angir leddene varierer fra "Garderobe" spillet.
- Avslutte spillet ved å trykke på Avslutt -knappen eller Gjenta testen ved å trykke på Gjenta -knappen.
3. etter test - data håndtering
- Lagre innspilt og kodet data og loggfiler på harddisken og eventuelt overføre via Internett til en data-analytiker. En detaljert beskrivelse av håndtering og analyse er levert i en tidligere publikasjon13.
- Bekrefte fullstendighet og gyldigheten av data ved å kontrollere loggfilen og sammenligne kliniske rapporter med 3D postene.
- Beregne og ekstra 27 bevegelse egenskaper som numeriske funksjoner, for eksempel felles vinkler, hastighet og akselerasjon, hånd banelengde, kroppen kompensasjon bevegelse, tilgjengelig plass og så videre.
- Beregne, plot og velg funksjoner for å forstå og tolke 3D sensordata så vel som for følgende statistisk analyse.
- Utføre PCA (rektor komponent analyse), ANOVA (variansanalyse), korrelasjon analyse og lineær blandet effekt modeller som statistisk analyse.
Representative Results
Bruke prosedyren presentert ovenfor, forskjellige bevegelse funksjoner plottet og analyse tilnærminger er undersøkt for å få et konstitusjonelt forståelse av bevegelser.
I figur 1tegnes spor fra 9 overkroppen poeng til X og Y aksene som representerer en 2-dimensjonal projeksjon (X representerer vannrett plassering av faget, Y representerer vertikal stilling mens Z er avstanden til 3D sensor). Figur 1 viser hva 3D sensoren faktisk tiltak, romlig steder av kroppen poeng. Som tilsammen en SMA pasient og en sunn kontroll over 4 besøk, vises det at både pasienten og kontrollen fullført oppgavene med gjenkjent baner. Det var bestemt emne-avhengige egenskaper som bodde konsekvent over alle besøk, f.eks, banen i hendene på pasienten. Sammenligning kontroll faget hadde relativt mindre bagasjerommet bevegelse over tid, som angis av mindre folkemengdene av rødt, gult og rosa linjene (hodet, nakke, og torso poeng, henholdsvis). Ingen av to fagene viste unsymmetrical bevegelse funksjoner.
Figur 2 viser noen representant funksjoner utvunnet fra tidsserien steder av kroppen poeng. Sammenlignet med figur 1, gir figur 2 en idé om hva potensielle informasjon kan trekkes ut og visualisert fra rå 3D sensordata for å forstå de underliggende bevegelse-egenskapene. Figur 2 en er en segmentert hender spor plot indikerer albue forlengelse og refleksjoner faser av to runder fra ett enkelt emne. Banen ligner seg godt mellom de to rundene. For tre objekter på lavere, begge hendene har tendens til går ut over, men dette er ikke tilfelle for øvre to objekter. Figur 2 b tomter histogrammet av hånd-hastigheter (mens hånden er i bevegelse; hvile staten er ekskludert). Det er ingen signifikant forskjell mellom venstre og høyre hånd for dette emnet. Figur 2 viser hele banen lengdene av hodet, nakken og overkropp poeng, som kan betraktes som en slags bagasjerommet kompensasjon bevegelsen per Objektplassering. Objekter 3 og 8, som er plassert på hjørnet høyere, trunk bevegelsen er relativt større forhold til de andre posisjonene. Videre har hodet flyttet mer åpenbart enn de andre to punktene. Tallene 2d, 2e, og 2f er boxplots viser generelle distribusjonen fra alle 4 besøk for noen funksjoner. Bare de første sju pasientene med alle 4 besøk vises for klarhet. Figur 2 d viser den totale hånd veilengden delt på individuelle arm lengden måles sensoren for å kompensere for Inter underlagt arm lengde forskjellen. Under bevegelser utført for å komme og gjenstander, er hånd path-lengden rundt dobbelt arm lengden for et objekt; Derfor for 20 objekter er totalt path-lengden rundt 40 ganger arm lengde. Åpenbare Inter underlagt forskjeller er observert, for eksempel i bagasjerommet kompensasjon bevegelse mellom pasienter 2 og 3 (figur 2e) eller median hånd hastighet mellom pasienter 1 og 3 (figur 2f).
Full klinisk relatert analyse og resultatene kan finnes i våre tidligere publikasjoner13.
Figur 1 : Representant spor tomter 9 overkroppen poeng under test Topp 4 tomter fra en SMA pasient og bunnen 4 tomtene er fra en sunn kontroll. Dette tallet er endret fra vår forrige publikasjonen13. Klikk her for å se en større versjon av dette tallet.
Figur 2 : Representant Sammendrag analyseresultater:, (b), (c) er fra ett enkelt emne og (d), (e), (f) er oversikten fra første 7 SMA pasienter med komplett 4 besøk. I (d), (e), og (f), bunnen og toppen av boksen er de første og tredje kvartiler, og den horisontale linjen inne i boksen er medianen. Lengden på kinnskjegg (utvide loddrette linjer fra boksen) er definert som det laveste punktet i 1,5 interquartile områder (IQR) den nedre kvartilen og det høyeste punktet i 1.5 IQR den øvre kvartilen. Diamanter representerer outliers utenfor kinnskjegg. (a) segmentert hender spor plott. Solid linjene representerer albue forlengelsen fase når hendene nå ut til objekter mens stiplede linjer representerer albue strekking fase når hendene plassere objektene på kroppen. Hver farge representerer objektene i samme posisjon fra de to rundene. (b) histogram for hånd hastighet under utvidelse og refleksjoner bevegelser. (c) total erstatning bevegelse lengder fra hodet, nakken og overkropp poeng for hvert individuelle objekt. (d) Bokstegning av totale hånd bane banelengde for høyre og venstre hendene henholdsvis 4 besøk. Y-aksen viser totalt hånd banen lengder delt de personlige lengdene. (e) Bokstegning totale bagasjerommet kompensasjon bevegelse inkludert hodet, nakken og overkropp poeng for bevegelse fra høyre og venstre side bevegelse henholdsvis over 4 besøk. (f) Bokstegning av median hånd hastighet under bevegelsen for høyre og venstre hånd henholdsvis over 4 besøk. Klikk her for å se en større versjon av dette tallet.
Discussion
Den foreslåtte Kinect-basert vurderingen gitt en objektiv og omfattende bevegelse analyse samtidig som en barnevennlig, rimelige og bærbare løsning når det gjelder tradisjonelle klinisk vurdering skala eller markør-baserte Reon systemer. Flere kroppen poeng var intenst undersøkt samtidig en gaming test som varte mindre enn 5 minutter, og mange spatiotemporal og Kinematisk egenskaper ble analysert med høy nøyaktighet inkludert hastighet, felles vinkler og så videre. Hele oppsett og opplæring innsats var også mye mindre krevende forhold til Vurderingsskalaer eller videosystemer.
Det viktigste trinnet i denne tilnærmingen var test design. For å fange de underliggende bevegelse symptomene, skal utformet oppgaven dekke tilsvarende evne spekteret og unngå gulvet eller tak effekter. I eksemplet for denne spesielle tegn inkluderer vanlige fysiske symptomer av SMA muskelsvakhet, begrenset felles område, muskelstivhet, tretthet og så videre. Foreslåtte testen er egnet for disse symptomene med begrenset felles sortimentet, som var typisk for SMA type 2 pasienter. Dessverre var prototypen bare testet som et første forsøk i en planlagt studie som rekruttert bare SMA type 3 pasienter. Siden evnen til pasienter var over hva dagens test kunne måle (tak effekt), de ønskede resultatene kan ikke oppnås. Ambulant pasient gruppen ville muskel tretthet og kroppen overføring være et bedre mål.
Basert på denne opplevelsen, en ny versjon av testen som består av en modifisert versjon av "Garderobe" spillet og en ekstra "Båt-roing" spillet ble utformet. Den endrede versjonen av "Garderobe" spillet har tre vanskelighetsgrader. I første nivå, er objektene plassert nær kroppen slik at emnet ikke trenger å fullt utvide armen, hvilke mål svak pasienten gruppen, som kan bare sitte i rullestol og ikke fullt utvide sine våpen uten støtte. I det andre nivået plasseres objektene på avstand av hele armen lengde, som mål pasienten gruppen som kan løfte og utvide armene uten støtte. Det vanskeligste nivået er objektene plassert litt ut av armen området; Derfor må emnet flytte øvre bagasjerommet som en utvidelse. Tredje nivå mål ambulant pasienten gruppen der aksial og proksimale bevegelsen måles også. I posisjonering fasen av spillet hvor arm emnet automatisk måles og deretter brukes til å beregne plasseringen av objektene i følgende spill; Derfor blir vanskelighetsgrader automatisk justert til den enkeltes evne til. Når evnen grensen til hver enkelt nås og objektene ikke nådd eller plassert, hoppes nivået automatisk etter en viss tid eller manuelt av operatøren ved å trykke «SKIP»-knappen på skjermen. "Båt-roing" spillet mål muskel utholdenhet, og det krever emnet gjenta en arm rullende bevegelsen mulig i 1 minutt. I en fremtidig studie skal den andre versjonen dekke pasienten spekteret fra SMA type 2 til type 3, siden aktivitetene måle evnen til pasienter med begrenset arm bevegelse evne til pasienter med full arm funksjon og begrenset aksial bevegelse.
Den andre siden av testen er hensynet til gulvet effekten. På grunn av begrenset romlige og tidsmessige oppløsning er 3D sensoren bare kjøpedyktig fange nøyaktig brutto bevegelser som gåing, arm-waving og så videre. Oppdagelse, inkludert figur tappe eller hånd snu, mer følsomme digitale enheter som mobiltelefoner eller håndleddet wearables kreves for fin bevegelse. Som diskutert, er nøkkelen til suksess for slikt program å bygge opp riktig kampen mellom underliggende sykdomssymptomer, enhetsegenskaper designet.
Noen andre hensyn i test design inkluderer aldersgruppe, læringseffekt, språk og så videre. Siden SMA rammer hovedsakelig barn, bør testen være som enkel og tydelig som mulig samtidig opprettholde en attraktiv gamification trekk. I vår design, ble tegneserie figurer og hånd-tegnede objekter brukt. Oppgaven imitert selv dressing virkemåten som er vanligvis ervervet av barn etter to eller tre år. Bevegelser ble holdt enkel slik at fag kan forstå og utføre testen etter en kort lærer fase og læring effekter ble unngått, som var målt og diskutert i våre tidligere publikasjoner13.
Når du utfører testprotokollen og dataanalyse, kan noen problemer oppstå tilsvarende for andre 3D sensor programmer. Disse problemene omfatter solskinn forstyrrelser, spesielle klær, mer enn ett emne i synsfeltet og uregelmessig samplingstidspunkt. Vi fant ett tilfelle der et emne i svarte klær ikke ble oppdaget 3D sensoren i et solfylt rom, selv når emnet ikke var direkte i solskinnet. Når mer enn ett emne vises og forsvinner fra synsfelt, tildeling av ID-numrene til oppdaget skjeletter kan hoppe, hvilke byrder analysen. Selv om 3D sensor utganger signalet for hyppigheten av 30 Hz i teorien, den faktiske avgangen kan ha hullene av opptil hundre ms. derfor, er det viktig å spore og eksportere tidsstempelet.
Vår første test ble utført på den første versjonen av 3D sensor, som er nå erstattet av en ny versjon, og våre modifisert versjon er gjennomført basert på denne andre versjonen. Mellom versjoner av underliggende driver er forskjellige, og også programgrensesnittet (API) er endret. Det er ingen andre vesentlige forskjeller når du overfører programmet. Siden begge programversjoner kan gis fritt på forespørsel av forfatterne og sensor driverne kan lastes ned fra webområdet til Kinect, er dette ingen bekymring til brukeren.
Bruker 3D-sensor, utviklet vi en nyskapende, kvantitative og objektive øvre ekstremitetene funksjonen Vurderingsverktøyet omfatter barnevennlige spill-lignende teknologi. Muligheten ble utforsket og analysert. Vårt arbeid har vist potensiale for 3D-innlæring som en alternativ og komplementær tilnærming til bevegelse vurdering.
Disclosures
Forfatterne Xing Chen, Detlef Wolf, Juliane Siebourg-Polster, Christian tsjekkisk, Omar Khwaja og Martin Strahm er ansatte i F. Hoffmann-La Roche, som finansierte alle forskning i denne artikkelen.
Acknowledgments
Vi takker Bastian Strahm for å delta i testen demonstrasjon- og Laura Aguiar for korrekturlesing av dette manuskriptet.
Materials
| Name | Company | Catalog Number | Comments |
| Microsoft Kinect for Windows v1 sensor | Microsoft | N/A | The first version of the test was developed on Kinect sensor v1 which is not sold any more. But the second version was developed on the Kinect sensor v2 which can be tested in a similar way by using Microsoft Kinect for Windows v2 sensor (GT3-00003) together with Microsoft Kinect Adapter (9J7-00009) |
| DELL XPS 2720 All-In-One PC with windows 8 operating system, 16G RAM, Intel Core i7 and 64-bits | DELL | N/A | In our setup, a All-in-one computer was used, but in fact any laptop or computer which fullfills the following requirements and a big screen for the subjects to see will work: windows 8 or higher operating system; 64-bit processor; dual-core 3.2 GHz or faster processor; dedicated USB 3.0 bus; 2 GB RAM |
References
- Hobart, J. C., Cano, S. J., Zajicek, J. P., Thompson, A. J. Rating scales as outcome measures for clinical trials in neurology: problems, solutions, and recommendations. Lancet Neurol. 6, 1094-1105 (2007).
- Cano, S. J., et al. Rasch analysis of clinical outcome measures in spinal muscular atrophy. Muscle Nerve. 49, 422-430 (2014).
- Monani, U. R., De Vivo, D. C. Neurodegeneration in spinal muscular atrophy: from disease phenotype and animal models to therapeutic strategies and beyond. Future Neurol. 9, 49-65 (2014).
- Kolb, S. J., Kissel, J. T.
- Shotton, J., et al. Proceedings of the 2011 IEEE Conference on Computer Vision and Pattern Recognition. IEEE Computer Society. , 1297-1304 (2011).
- Plantard, P., Shum, H. P., Le Pierres, A. S., Multon, F. Validation of an ergonomic assessment method using Kinect data in real workplace conditions. Appl Ergon. , (2016).
- Galna, B., et al. Accuracy of the Microsoft Kinect sensor for measuring movement in people with Parkinson's disease. Gait Posture. 39, 1062-1068 (2014).
- Otte, K., et al. Accuracy and Reliability of the Kinect Version 2 for Clinical Measurement of Motor Function. PLoS One. 11, 0166532 (2016).
- Clark, R. A., et al. Reliability and concurrent validity of the Microsoft Xbox One Kinect for assessment of standing balance and postural control. Gait Posture. 42, 210-213 (2015).
- Milgrom, R., Foreman, M., Standeven, J., Engsberg, J. R., Morgan, K. A. Reliability and validity of the Microsoft Kinect for assessment of manual wheelchair propulsion. J Rehabil Res Dev. 53, 901-918 (2016).
- Bonnechere, B., et al. Validity and reliability of the Kinect within functional assessment activities: Comparison with standard stereophotogrammetry. Gait & Posture. 39, 593-598 (2014).
- Huber, M. E., Seitz, A. L., Leeser, M., Sternad, D. Validity and reliability of Kinect skeleton for measuring shoulder joint angles: a feasibility study. Physiotherapy. 101, 389-393 (2015).
- Chen, X., et al. Feasibility of Using Microsoft Kinect to Assess Upper Limb Movement in Type III Spinal Muscular Atrophy Patients. Plos One. 12, (2017).
- Bonati, U., et al. Longitudinal characterization of biomarkers for spinal muscular atrophy. Ann Clin Transl Neur. 4, 292-304 (2017).
