क्लिनिक को घर लाना: अनुकूली गहरी मस्तिष्क उत्तेजना का समर्थन करने के लिए एक घर पर मल्टी-मोडल डेटा संग्रह पारिस्थितिकी तंत्र
Summary
प्रोटोकॉल घर पर मल्टी-मोडल डेटा संग्रह मंच का एक प्रोटोटाइप दिखाता है जो न्यूरोलॉजिकल आंदोलन विकारों वाले लोगों के लिए अनुकूली गहरी मस्तिष्क उत्तेजना (एडीबीएस) को अनुकूलित करने वाले अनुसंधान का समर्थन करता है। हम पार्किंसंस रोग वाले व्यक्ति के घर पर एक वर्ष से अधिक समय तक मंच को तैनात करने से महत्वपूर्ण निष्कर्ष भी प्रस्तुत करते हैं।
Abstract
अनुकूली गहरी मस्तिष्क उत्तेजना (एडीबीएस) पार्किंसंस रोग (पीडी) जैसे न्यूरोलॉजिकल विकारों के उपचार में सुधार के लिए वादा दिखाता है। एडीबीएस लक्षणों को अधिक सटीक रूप से लक्षित करने के लिए वास्तविक समय में उत्तेजना मापदंडों को समायोजित करने के लिए लक्षण-संबंधी बायोमाकर्स का उपयोग करता है। इन गतिशील समायोजनों को सक्षम करने के लिए, प्रत्येक व्यक्तिगत रोगी के लिए एडीबीएस एल्गोरिदम के लिए पैरामीटर निर्धारित किए जाने चाहिए। इसके लिए नैदानिक शोधकर्ताओं द्वारा समय लेने वाली मैनुअल ट्यूनिंग की आवश्यकता होती है, जिससे एकल रोगी के लिए इष्टतम विन्यास ढूंढना या कई रोगियों को स्केल करना मुश्किल हो जाता है। इसके अलावा, रोगी के घर पर रहने के दौरान क्लिनिक में कॉन्फ़िगर किए गए एडीबीएस एल्गोरिदम की दीर्घकालिक प्रभावशीलता एक खुला सवाल बनी हुई है। बड़े पैमाने पर इस थेरेपी को लागू करने के लिए, चिकित्सा परिणामों की दूरस्थ निगरानी करते हुए एडीबीएस एल्गोरिदम मापदंडों को स्वचालित रूप से कॉन्फ़िगर करने के लिए एक पद्धति की आवश्यकता है। इस पेपर में, हम दोनों मुद्दों को संबोधित करने में क्षेत्र की मदद करने के लिए एक घर पर डेटा संग्रह मंच के लिए एक डिज़ाइन साझा करते हैं। प्लेटफ़ॉर्म एक एकीकृत हार्डवेयर और सॉफ्टवेयर पारिस्थितिकी तंत्र से बना है जो ओपन-सोर्स है और तंत्रिका, जड़त्वीय और मल्टी-कैमरा वीडियो डेटा के घर पर संग्रह की अनुमति देता है। रोगी-पहचान योग्य डेटा के लिए गोपनीयता सुनिश्चित करने के लिए, प्लेटफ़ॉर्म एक वर्चुअल प्राइवेट नेटवर्क के माध्यम से डेटा को एन्क्रिप्ट और ट्रांसफर करता है। विधियों में डेटा स्ट्रीम को समय-संरेखित करना और वीडियो रिकॉर्डिंग से पोज़ अनुमान निकालना शामिल है। इस प्रणाली के उपयोग को प्रदर्शित करने के लिए, हमने इस प्लेटफ़ॉर्म को पीडी वाले व्यक्ति के घर पर तैनात किया और 1.5 वर्षों के दौरान स्व-निर्देशित नैदानिक कार्यों और मुक्त व्यवहार की अवधि के दौरान डेटा एकत्र किया। विभिन्न चिकित्सीय स्थितियों के तहत मोटर लक्षण गंभीरता का मूल्यांकन करने के लिए उप-चिकित्सीय, चिकित्सीय और सुप्रा-चिकित्सीय उत्तेजना आयामों पर डेटा दर्ज किया गया था। ये समय-संरेखित डेटा दिखाते हैं कि प्लेटफ़ॉर्म चिकित्सीय मूल्यांकन के लिए घर पर मल्टी-मोडल डेटा संग्रह को सिंक्रनाइज़ करने में सक्षम है। इस सिस्टम आर्किटेक्चर का उपयोग स्वचालित एडीबीएस अनुसंधान का समर्थन करने, नए डेटासेट एकत्र करने और न्यूरोलॉजिकल विकारों से पीड़ित लोगों के लिए क्लिनिक के बाहर डीबीएस थेरेपी के दीर्घकालिक प्रभावों का अध्ययन करने के लिए किया जा सकता है।
Introduction
गहरी मस्तिष्क उत्तेजना (डीबीएस) मस्तिष्क में विशिष्ट क्षेत्रों में सीधे विद्युत प्रवाह पहुंचाकर पार्किंसंस रोग (पीडी) जैसे न्यूरोलॉजिकल विकारों का इलाज करता है। दुनिया भर में पीडी के अनुमानित 8.5 मिलियन मामले हैं, और डीबीएस एक महत्वपूर्ण चिकित्सा साबित हुई है जब लक्षणों के प्रबंधन के लिए दवा अपर्याप्त है। हालांकि, डीबीएस प्रभावशीलता को साइड-इफेक्ट्स से बाधित किया जा सकता है जो कभी-कभी उत्तेजना से होता है जो पारंपरिक रूप से निश्चित आयाम, आवृत्ति और पल्स चौड़ाई3 पर वितरित किया जाता है। यह ओपन-लूप कार्यान्वयन लक्षण स्थिति में उतार-चढ़ाव के प्रति उत्तरदायी नहीं है, जिसके परिणामस्वरूप उत्तेजना सेटिंग्स होती हैं जो रोगी की बदलती जरूरतों से उचित रूप से मेल नहीं खाती हैं। डीबीएस उत्तेजना मापदंडों को ट्यून करने की समय लेने वाली प्रक्रिया से और बाधित होता है, जो वर्तमान में प्रत्येक व्यक्तिगत रोगी के लिए चिकित्सकों द्वारा मैन्युअल रूप से किया जाता है।
एडेप्टिव डीबीएस (एडीबीएस) एक बंद-लूप दृष्टिकोण है जो वास्तविक समय में उत्तेजना मापदंडों को समायोजित करके डीबीएस का एक प्रभावी अगला पुनरावृत्ति दिखाया गया है जब भी लक्षण से संबंधित बायोमार्कर 3,4,5 का पता लगाया जाता है। अध्ययनों से पता चला है कि सबथैलेमिक न्यूक्लियस (एसटीएन) में बीटा दोलन (10-30 हर्ट्ज) ब्रैडीकिनेसिया के दौरान लगातार होते हैं, आंदोलन की धीमी गति जो पीडी 6,7 की विशेषता है। इसी तरह, कॉर्टेक्स में उच्च-गामा दोलन (50-120 हर्ट्ज) डिस्केनेसिया की अवधि के दौरान होने के लिए जाने जाते हैं, एक अत्यधिक और अनैच्छिक आंदोलन जो आमतौर पर पीडी8 में भी देखा जाता है। हाल के काम ने लंबे समय तक क्लिनिक के बाहर एडीबीएस को सफलतापूर्वक प्रशासित किया है, हालांकि एडीबीएस एल्गोरिदम की दीर्घकालिक प्रभावशीलता जो क्लिनिक में कॉन्फ़िगर की गई थी, जबकि एक मरीज घर परहै, स्थापित नहीं किया गया है।
दैनिक जीवन के दौरान आने वाले लक्षणों को दबाने में इन गतिशील एल्गोरिदम की समय-अलग प्रभावशीलता को पकड़ने के लिए रिमोट सिस्टम की आवश्यकता होती है। जबकि एडीबीएस का गतिशील उत्तेजना दृष्टिकोण संभावित रूप से कम दुष्प्रभावों3,9 के साथ अधिक सटीक उपचार को सक्षम बनाता है, एडीबीएस अभी भी प्रत्येक रोगी के लिए उत्तेजना मापदंडों को मैन्युअल रूप से पहचानने के लिए चिकित्सकों पर उच्च बोझ से ग्रस्त है। पारंपरिक डीबीएस के दौरान प्रोग्राम करने के लिए मापदंडों के पहले से ही बड़े सेट के अलावा, एडीबीएस एल्गोरिदम कई नए पैरामीटर पेश करते हैं जिन्हें सावधानीपूर्वक समायोजित किया जाना चाहिए। उत्तेजना और एल्गोरिथ्म मापदंडों का यह संयोजन संभावित संयोजनों की एक अप्रबंधनीय संख्या के साथ एक विशाल पैरामीटर स्थान उत्पन्न करता है, जो एडीबीएस कोकई रोगियों तक स्केलिंग करने से रोकता है। यहां तक कि अनुसंधान सेटिंग्स में, एडीबीएस सिस्टम को कॉन्फ़िगर और आकलन करने के लिए आवश्यक अतिरिक्त समय पूरी तरह से क्लिनिक में एल्गोरिदम को पर्याप्त रूप से अनुकूलित करना मुश्किल बनाता है, और मापदंडों के रिमोट अपडेट की आवश्यकता होती है। एडीबीएस को एक उपचार बनाने के लिए जो स्केल, उत्तेजना और एल्गोरिदम पैरामीटर ट्यूनिंग को स्वचालित कर सकता है। इसके अलावा, क्लिनिक के बाहर एक व्यवहार्य दीर्घकालिक उपचार के रूप में एडीबीएस को स्थापित करने के लिए चिकित्सा के परिणामों का बार-बार परीक्षणों में विश्लेषण किया जाना चाहिए। एक ऐसे मंच की आवश्यकता है जो चिकित्सा प्रभावशीलता के दूरस्थ मूल्यांकन के लिए डेटा एकत्र कर सके, और दूरस्थ रूप से एडीबीएस एल्गोरिदम मापदंडों के अपडेट को तैनात कर सके।
इस प्रोटोकॉल का लक्ष्य क्लिनिक के बाहर एडीबीएस प्रभावशीलता में सुधार के लिए एक मल्टी-मोडल एट-होम डेटा संग्रह मंच के लिए एक पुन: प्रयोज्य डिजाइन प्रदान करना है, और इस उपचार को अधिक से अधिक व्यक्तियों को स्केल करने में सक्षम बनाना है। हमारे ज्ञान के लिए, यह पहला डेटा संग्रह प्लेटफ़ॉर्म डिज़ाइन है जो नियंत्रित कार्यों और प्राकृतिक व्यवहार के दौरान एडीबीएस सिस्टम का मूल्यांकन करने के लिए इन-होम वीडियो कैमरों, पहनने योग्य सेंसर, क्रोनिक न्यूरल सिग्नल रिकॉर्डिंग और रोगी-संचालित प्रतिक्रिया का उपयोग करके चिकित्सीय परिणामों का दूरस्थ रूप से मूल्यांकन करता है।
प्लेटफ़ॉर्म हार्डवेयर और सॉफ्टवेयर घटकों का एक पारिस्थितिकी तंत्र है जो पहले से विकसित सिस्टम5 पर बनाया गया है। यह न्यूनतम हार्डवेयर की प्रारंभिक स्थापना के बाद रिमोट एक्सेस के माध्यम से पूरी तरह से बनाए रखने योग्य है ताकि किसी व्यक्ति से उनके घर के आराम में मल्टी-मोडल डेटा संग्रह की अनुमति मिल सके। एक प्रमुख घटक प्रत्यारोपण योग्य न्यूरोस्टिम्यूलेशन सिस्टम (आईएनएस) 11 है जो तंत्रिका गतिविधि को महसूस करता है और एसटीएन को उत्तेजना प्रदान करता है, और छाती प्रत्यारोपण से त्वरण रिकॉर्ड करता है। प्रारंभिक तैनाती में उपयोग किए जाने वाले प्रत्यारोपण के लिए, एसटीएन में प्रत्यारोपित द्विपक्षीय लीड से और मोटर कॉर्टेक्स पर प्रत्यारोपित इलेक्ट्रोकॉर्टिकोग्राफी इलेक्ट्रोड से तंत्रिका गतिविधि दर्ज की जाती है। एक वीडियो रिकॉर्डिंग सिस्टम चिकित्सकों को लक्षण गंभीरता और चिकित्सा प्रभावशीलता की निगरानी करने में मदद करता है, जिसमें रोगी की गोपनीयता की रक्षा के लिए चल रही रिकॉर्डिंग को आसानी से रद्द करने की अनुमति देने के लिए एक ग्राफिकल यूजर इंटरफेस (जीयूआई) शामिल है। वीडियो को दो आयामी (2 डी) या तीन आयामी (3 डी) में स्थिति के किनेमेटिक प्रक्षेप पथ निकालने के लिए संसाधित किया जाता है, और कोणीय वेग और त्वरण जानकारी को पकड़ने के लिए दोनों कलाई पर स्मार्ट घड़ियां पहनी जाती हैं। महत्वपूर्ण रूप से, सभी डेटा को दीर्घकालिक क्लाउड स्टोरेज में स्थानांतरित करने से पहले एन्क्रिप्ट किया जाता है, और रोगी-पहचान योग्य वीडियो वाले कंप्यूटर को केवल वर्चुअल प्राइवेट नेटवर्क (वीपीएन) के माध्यम से एक्सेस किया जा सकता है। सिस्टम में सभी डेटा धाराओं के पोस्ट-हॉक समय-संरेखण के लिए दो दृष्टिकोण शामिल हैं, और डेटा का उपयोग रोगी के आंदोलन की गुणवत्ता की दूरस्थ रूप से निगरानी करने और एडीबीएस एल्गोरिदम को परिष्कृत करने के लिए लक्षण-संबंधी बायोमार्कर की पहचान करने के लिए किया जाता है। इस काम का वीडियो भाग एकत्र किए गए वीडियो से निकाले गए किनेमेटिक प्रक्षेपपथ के डेटा संग्रह प्रक्रिया और एनिमेशन को दर्शाता है।
कई डिजाइन विचारों ने प्रोटोकॉल के विकास को निर्देशित किया:
डेटा सुरक्षा और रोगी गोपनीयता सुनिश्चित करना: पहचाने जाने योग्य रोगी डेटा एकत्र करने के लिए स्वास्थ्य बीमा पोर्टेबिलिटी और जवाबदेही अधिनियम (एचआईपीएए) होने के लिए ट्रांसमिशन और स्टोरेज में अत्यधिक सावधानी की आवश्यकता होती है।12,13 अनुपालन और अपने घर में रोगी की गोपनीयता का सम्मान करना। इस परियोजना में, सिस्टम कंप्यूटरों के बीच सभी संवेदनशील ट्रैफ़िक की गोपनीयता सुनिश्चित करने के लिए एक कस्टम वीपीएन स्थापित करके इसे हासिल किया गया था।
उत्तेजना पैरामीटर सुरक्षा सीमाएं: यह सुनिश्चित करना महत्वपूर्ण है कि एडीबीएस एल्गोरिदम की कोशिश करते समय रोगी सुरक्षित रहता है जिसके अनपेक्षित प्रभाव हो सकते हैं। रोगी के आईएनएस को एक चिकित्सक द्वारा उत्तेजना मापदंडों के लिए सुरक्षित सीमाओं के लिए कॉन्फ़िगर किया जाना चाहिए जो अति-उत्तेजना या अंडर-उत्तेजना से असुरक्षित प्रभावों की अनुमति नहीं देते हैं। आईएनएस प्रणाली के साथ11 इस अध्ययन में उपयोग किया जाता है, यह सुविधा एक क्लिनिशियन प्रोग्रामर द्वारा सक्षम है।
रोगी वीटो सुनिश्चित करना: सुरक्षित पैरामीटर सीमाओं के भीतर भी, लक्षणों और उत्तेजना प्रतिक्रियाओं की दैनिक परिवर्तनशीलता के परिणामस्वरूप रोगी के लिए अप्रिय परिस्थितियां हो सकती हैं जहां वे परीक्षण के तहत एक एल्गोरिथ्म को नापसंद करते हैं और सामान्य नैदानिक ओपन-लूप डीबीएस पर लौटना चाहते हैं। चयनित आईएनएस प्रणाली में एक रोगी टेलीमेट्री मॉड्यूल (पीटीएम) शामिल है जो रोगी को एमए में अपने उत्तेजना समूह और उत्तेजना आयाम को मैन्युअल रूप से बदलने की अनुमति देता है। एक आईएनएस-कनेक्टेड रिसर्च एप्लिकेशन भी है जिसका उपयोग डेटा संग्रह से पहले आईएनएस के रिमोट कॉन्फ़िगरेशन के लिए किया जाता है।14, जो रोगी को एडीबीएस परीक्षणों को निरस्त करने और उनकी चिकित्सा को नियंत्रित करने में भी सक्षम बनाता है।
जटिल और प्राकृतिक व्यवहार को पकड़ना: वीडियो डेटा को प्लेटफॉर्म में शामिल किया गया था ताकि चिकित्सकों को चिकित्सा प्रभावशीलता की दूरस्थ निगरानी करने में सक्षम बनाया जा सके, और अनुसंधान विश्लेषण में उपयोग के लिए पोज अनुमानों से किनेमेटिक प्रक्षेपवक्र निकाला जा सके।15. जबकि पहनने योग्य सेंसर कम घुसपैठ करते हैं, अकेले पहनने योग्य प्रणालियों का उपयोग करके पूरे शरीर की गति की पूर्ण गतिशील सीमा को पकड़ना मुश्किल है। वीडियो समय के साथ रोगी की गति और उनके लक्षणों की पूरी श्रृंखला की एक साथ रिकॉर्डिंग को सक्षम करते हैं।
रोगियों के लिए सिस्टम प्रयोज्यता: घर पर मल्टी-मोडल डेटा एकत्र करने के लिए रोगी के घर में कई उपकरणों को स्थापित करने और उपयोग करने की आवश्यकता होती है, जो रोगियों के लिए नेविगेट करने के लिए बोझिल हो सकता है। रोगी नियंत्रण सुनिश्चित करते हुए सिस्टम का उपयोग करना आसान बनाने के लिए, केवल उन उपकरणों को जो रोगी से प्रत्यारोपित या शारीरिक रूप से जुड़े होते हैं (इस मामले में इसमें आईएनएस सिस्टम और स्मार्ट घड़ियाँ शामिल हैं) रिकॉर्डिंग शुरू करने से पहले मैन्युअल रूप से चालू किया जाना चाहिए। उन उपकरणों के लिए जो रोगी से अलग हैं (इस मामले में इसमें वीडियो कैमरों से रिकॉर्ड किया गया डेटा शामिल है), रिकॉर्डिंग किसी भी रोगी बातचीत की आवश्यकता के बिना स्वचालित रूप से शुरू और समाप्त होती है। बटन की संख्या को कम करने और गहरे मेनू पेड़ों से बचने के लिए जीयूआई डिजाइन के दौरान देखभाल की गई थी ताकि बातचीत सरल हो। सभी उपकरणों को स्थापित करने के बाद, एक शोध समन्वयक ने रोगी को दिखाया कि रोगी-सामना करने वाले जीयूआई के माध्यम से सभी उपकरणों के साथ कैसे बातचीत करें जो प्रत्येक डिवाइस का एक हिस्सा हैं, जैसे कि किसी भी डिवाइस पर रिकॉर्डिंग को कैसे समाप्त किया जाए और उनके दवा इतिहास और लक्षण रिपोर्ट कैसे दर्ज की जाए।
डेटा संग्रह पारदर्शिता: स्पष्ट रूप से इंगित करना कि कैमरे कब चालू हैं, अनिवार्य है ताकि लोगों को पता चले कि उन्हें कब रिकॉर्ड किया जा रहा है और यदि उन्हें गोपनीयता के एक पल की आवश्यकता है तो रिकॉर्डिंग को निलंबित कर सकते हैं। इसे प्राप्त करने के लिए, एक कैमरा-सिस्टम एप्लिकेशन का उपयोग रोगी-सामना करने वाले जीयूआई के साथ वीडियो रिकॉर्डिंग को नियंत्रित करने के लिए किया जाता है। जब एप्लिकेशन प्रारंभ होता है तो जीयूआई स्वचालित रूप से खुलता है और अगले शेड्यूल किए गए रिकॉर्डिंग के समय और दिनांक को सूचीबद्ध करता है। जब रिकॉर्डिंग चल रही होती है, तो एक संदेश बताता है कि रिकॉर्डिंग कब समाप्त होने वाली है। जीयूआई के केंद्र में, लाल बत्ती की एक बड़ी छवि प्रदर्शित की जाती है। छवि दिखाती है कि जब भी रिकॉर्डिंग चल रही होती है, तो प्रकाश उज्ज्वल रूप से जलाया जाता है, और रिकॉर्डिंग बंद होने पर एक गैर-रोशनी वाली छवि में बदल जाता है।
प्रोटोकॉल में घर पर डेटा संग्रह मंच को डिजाइन करने, निर्माण करने और तैनात करने के तरीकों का विवरण दिया गया है, पूर्णता और मजबूती के लिए एकत्र किए गए डेटा की गुणवत्ता की जांच के लिए, और भविष्य के अनुसंधान में उपयोग के लिए पोस्ट-प्रोसेसिंग डेटा के लिए।
चित्र 1: डेटा प्रवाह। प्रत्येक साधन के लिए डेटा को संसाधित करने और एकल रिमोट स्टोरेज एंडपॉइंट में एकत्रित करने से पहले रोगी के निवास से स्वतंत्र रूप से एकत्र किया जाता है। प्रत्येक साधन के लिए डेटा स्वचालित रूप से दूरस्थ संग्रहण समापन बिंदु पर भेजा जाता है। टीम के सदस्यों में से एक की मदद से, इसे पुनः प्राप्त किया जा सकता है, वैधता के लिए जांच की जा सकती है, तौर-तरीकों में संरेखित समय के साथ-साथ अधिक साधन-विशिष्ट पूर्व-प्रसंस्करण के अधीन किया जा सकता है। संकलित डेटासेट को तब एक दूरस्थ भंडारण समापन बिंदु पर अपलोड किया जाता है जिसे निरंतर विश्लेषण के लिए टीम के सभी सदस्यों द्वारा सुरक्षित रूप से एक्सेस किया जा सकता है। डेटा एक्सेस वाली सभी मशीनें, विशेष रूप से कच्चे वीडियो जैसे संवेदनशील डेटा के लिए, एक वीपीएन के भीतर संलग्न होती हैं जो यह सुनिश्चित करती है कि सभी डेटा सुरक्षित रूप से स्थानांतरित किए जाते हैं और संग्रहीत डेटा हमेशा एन्क्रिप्ट किया जाता है। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.
Protocol
Representative Results
Discussion
हम न्यूरोमॉड्यूलेशन अनुसंधान में भविष्य के अनुसंधान का समर्थन करने के लिए एक बहु-मोडल डेटा संग्रह मंच के घर पर प्रोटोटाइप के लिए डिजाइन साझा करते हैं। डिज़ाइन ओपन-सोर्स और मॉड्यूलर है, जैसे कि हार्डवे…
Disclosures
The authors have nothing to disclose.
Acknowledgements
यह सामग्री नेशनल साइंस फाउंडेशन ग्रेजुएट रिसर्च फैलोशिप प्रोग्राम (डीजीई -2140004), वेइल न्यूरोहब और नेशनल इंस्टीट्यूट ऑफ हेल्थ (UH3NS100544) द्वारा समर्थित काम पर आधारित है। इस सामग्री में व्यक्त की गई कोई भी राय, निष्कर्ष, और निष्कर्ष या सिफारिशें लेखक (ओं) की हैं और जरूरी नहीं कि राष्ट्रीय विज्ञान फाउंडेशन, वेइल न्यूरोहब या राष्ट्रीय स्वास्थ्य संस्थान के विचारों को प्रतिबिंबित करें। हम मंच डिजाइन और वीडियो डेटा के समावेश पर अपने विशेषज्ञ परामर्श के लिए तियानजियाओ झांग को धन्यवाद देते हैं। हम विशेष रूप से इस अध्ययन में उनकी भागीदारी के लिए और नेटवर्क सुरक्षा और प्लेटफ़ॉर्म डिज़ाइन पर प्रतिक्रिया और सलाह के लिए रोगी को धन्यवाद देते हैं।
Materials
| Analysis RCS Data Processing | OpenMind | https://github.com/openmind-consortium/Analysis-rcs-data, open-source | |
| Apple Watches | Apple, Inc | Use 2 watches for each patient, one on each wrist | |
| BRIO ULTRA HD PRO BUSINESS WEBCAM | Logitech | 960-001105 | Used 3 in our platform design |
| DaVinci Resolve video editing software | DaVinci Resolve | used to support camera calibration | |
| Dell XPS PC | Dell | 2T hard disk drive, 500GB SSD | |
| Dropbox | Dropbox | ||
| ffmpeg | N/A | open-source, install to run the Video Recording App | |
| Gooseneck mounts for webcams | N/A | ||
| GPU | Nvidia | A minimum of 8GB GPU memory is recommended to run OpenPose, 12GB is ideal | |
| Java 11 | Oracle | Install to run the Video Recording App | |
| Microsoft Surface tablet | Microsoft | ||
| NoMachine | NoMachine | Ideal when using a Linux OS, open-source | |
| OpenPose | N/A | open-source | |
| Rclone file transfer program | Rclone | Encrypts data and copies or moves data to offsite storage, open-source | |
| StrivePD app | RuneLabs | We installed the app on the Apple Watches to start recordings and upload data to an online portal. | |
| Summit RC+S neuromodulation system | Medtronic | For investigational use only | |
| touchscreen-compatible monitor | N/A | ||
| Video for Linux 2 API | The Linux Kernel | Install if using a Linux OS for video recording | |
| Wasabi | Wasabi | Longterm cloud data storage | |
| WireGuard VPN Protocol | WireGuard | open-source |
References
- World Health Organization. . Parkinson disease. , (2022).
- Herrington, T. M., Cheng, J. J., Eskandar, E. N. Mechanisms of deep brain stimulation. Journal of Neurophysiology. 115 (1), 19-38 (2016).
- Little, S., et al. Adaptive deep brain stimulation for Parkinson’s disease demonstrates reduced speech side effects compared to conventional stimulation in the acute setting. Journal of Neurology, Neurosurgery & Psychiatry. 87 (12), 1388-1389 (2016).
- Mohammed, A., Bayford, R., Demosthenous, A. Toward adaptive deep brain stimulation in Parkinson’s disease: a review. Neurodegenerative Disease Management. 8 (2), 115-136 (2018).
- Gilron, R., et al. Long-term wireless streaming of neural recordings for circuit discovery and adaptive stimulation in individuals with Parkinson’s disease. Nature Biotechnology. 39 (9), 1078-1085 (2021).
- Ray, N. J., et al. Local field potential beta activity in the subthalamic nucleus of patients with Parkinson’s disease is associated with improvements in bradykinesia after dopamine and deep brain stimulation. Experimental Neurology. 213 (1), 108-113 (2008).
- Neumann, W. J., et al. Subthalamic synchronized oscillatory activity correlates with motor impairment in patients with Parkinson’s disease. Movement Disorders: Official Journal of the Movement Disorder Society. 31 (11), 1748-1751 (2016).
- Swann, N. C., et al. Adaptive deep brain stimulation for Parkinson’s disease using motor cortex sensing. J. Neural Eng. 11, (2018).
- Little, S., et al. Adaptive deep brain stimulation in advanced Parkinson disease. Annals of Neurology. 74 (3), 449-457 (2013).
- Connolly, M. J., et al. Multi-objective data-driven optimization for improving deep brain stimulation in Parkinson’s disease. Journal of Neural Engineering. 18 (4), 046046 (2021).
- Stanslaski, S., et al. Creating neural "co-processors" to explore treatments for neurological disorders. 2018 IEEE International Solid – State Circuits Conference – (ISSCC). , 460-462 (2018).
- . Rights (OCR), O. for C. The HIPAA Privacy Rule. HHS.gov. , (2008).
- . Rights (OCR), O. for C. The Security Rule. HHS.gov. , (2009).
- Perrone, R., Gilron, R. . SCBS Patient Facing App (Summit Continuous Bilateral Streaming). , (2021).
- Strandquist, G., et al. . In-Home Video and IMU Kinematics of Self Guided Tasks Correlate with Clinical Bradykinesia Scores. , (2023).
- Donenfeld, J. A. WireGuard: Next Generation Kernel Network Tunnel. Proceedings 2017 Network and Distributed System Security Symposium. , (2017).
- etzion. . Ubuntu 20.04 and TPM2 encrypted system disk – Running Systems. , (2021).
- Craig-Wood, N. . Rclone. , (2023).
- Chen, W., et al. The Role of Large-Scale Data Infrastructure in Developing Next-Generation Deep Brain Stimulation Therapies. Frontiers in Human Neuroscience. 15, 717401 (2021).
- Hidalgo, G. i. n. &. #. 2. 3. 3. ;. s., et al. . CMU-Perceptual-Computing-Lab/openpose. , (2023).
- Cao, Z., Hidalgo, G., Simon, T., Wei, S. E., Sheikh, Y. OpenPose: Realtime Multi-Person 2D Pose Estimation Using Part Affinity Fields. IEEE Transactions on Pattern Analysis and Machine Intelligence. 43 (1), 172-186 (2021).
- Cao, Z. . openpose/calibration_module.md at master · CMU-Perceptual-Computing-Lab/openpose. , (2023).
- Sellers, K. K., et al. Analysis-rcs-data: Open-Source Toolbox for the Ingestion, Time-Alignment, and Visualization of Sense and Stimulation Data From the Medtronic Summit RC+S System. Frontiers in Human Neuroscience. 15, 398 (2021).
- Ranti, C. . Rune Labs Stream API. , (2023).
- . ffmpeg development community. FFmpeg Formats Documentation. , (2023).
- Goetz, C. G., et al. Movement Disorder Society-sponsored revision of the Unified Parkinson’s Disease Rating Scale (MDS-UPDRS): Scale presentation and clinimetric testing results: MDS-UPDRS: Clinimetric Assessment. Movement Disorders. 23 (15), 2129-2170 (2008).
