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

Summary

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

Abstract

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

Introduction

Tidlig grovmotorisk utvikling er avgjørende for høyere nivå nevrokognitiv ytelse som dukker opp senere ved å støtte spedbarns utforskning av miljøet. Derfor har både klinikere og forskere stor interesse av å vurdere tidlig grovmotorisk utvikling ^1,2,3. For å gi støtte til evidensbasert medisin eller vitenskapelige studier, er det viktig at grovmotoriske vurderinger er kvantitative, pålitelige, objektive og økologisk gyldige. Det er imidlertid mangel på slike metoder tilgjengelig for enten klinisk eller grunnvitenskapelig forskning.

En typisk tidlig grovmotorisk utvikling utvikler seg gjennom en forutsigbar sekvens av nyervervede ferdigheter. De observeres ofte hos spedbarn som å nå diskrete motoriske milepæler⁴, hvor stående og gående ofte betraktes som viktige landemerker på vei til mer komplekst atferdsrepertoar⁵. I tillegg til direkte observasjon eller foreldreundersøkelser om motoriske milepæler, har flere mye brukte standardiserte batterier blitt utviklet 6,7,8,9 for å utføre spedbarns vurderinger i laboratorie- eller sykehusmiljøet. Imidlertid lider disse vurderingene av flere forbehold: de trenger betydelig kompetanse fra utdannede fagfolk, de er delvis subjektive og kategoriske, og de vurderer spedbarns ytelse i et miljø (sykehus eller laboratorium) som er unaturlig fra et spedbarns perspektiv.

Registrering av spedbarns spontanmotoriske aktivitet over lengre tider i det opprinnelige miljøet, for eksempel deres hjem, muliggjør mer relevante målinger av motoriske evner. I en slik gjennomførbar metode utføres vurderingen for hele sekvensen av spedbarnets motoriske evneutvikling fra liggende liggende til å gå flytende med et bærbart system, for eksempel MAIJU bærbar (Motor Assessment of the Infants with a JUmpsuit)10,11,12. MAIJUs bærbare system (figur 1) innebærer et tekstilplagg for hele kroppen utstyrt med bevegelsessensorer for å muliggjøre uovervåkede vurderinger utenfor sykehus / laboratorier og opptak som analyseres med en automatisert rørledning, og gir en sekund-for-sekund-vurdering av holdning og bevegelsesmønstre. Disse algoritmiske deteksjonene kan brukes for hver holdning og bevegelsestype separat, eller de kan kombineres for en helhetlig vurdering av modningsnivået til spedbarnets motoriske evner. Et nylig publisert, enhetsfritt uttrykk for en slik beregning av motorisk modenhet er BIMS (Baba Infant Motor Score)^10,12.

Denne artikkelen vil beskrive vurderingen av spedbarns grovmotoriske ytelse ved hjelp av en multisensor bærbar drakt; begrunnelsen, praktisk ytelse, analysepipeline og potensielle fremtidige perspektiver for bruk av beregningene som kan hentes fra den automatiserte analysepipelinen som er tilgjengelig for opptak med en multisensor-bærbar 10,11,12. Metoden er egnet for en detaljert kvantifisering av spontanmotoriske aktiviteter hos alle spedbarn som viser motoriske evner mellom liggende liggende og flytende gange.

Multisensor-bærbart system består av tre komponenter: 1) helkroppsplagget utstyrt med fire bevegelsessensorer, 2) en mobil enhet som bruker en spesialbygd iOS-applikasjon, og 3) en skybasert analyserørledning (Babacloud legitimasjonen som kan fås fra forfatterne)¹¹. IMU-sensorene (Waterproof Inertial Measurement Unit) strømmer synkroniserte data (3-akset akselerometer og gyroskop) med 13-52 Hz samplingsfrekvens til en mobiltelefon ved hjelp av en lavenergi Bluetooth-tilkobling. Dataene lagres først i minnet til (sensoren eller) mobilenheten, etterfulgt av en offline analyse i skyserveren etter at opptaket er stoppet.

Protocol

Studiene som ble utført med dette systemet ble gjennomgått av etikkomiteen ved New Children's Hospital, Helsingfors universitetssykehus, og sykehuset ga tillatelse til å gjennomføre forskningsprosjektene beskrevet i de opprinnelige studiene som er sitert i dette arbeidet. Det ble innhentet informert samtykke til å filme barnet i videoen.

1. Klargjøre drakten for en innspillingsøkt

1. Velg riktig draktstørrelse. For tiden går størrelsene opp fra størrelse 68 cm, og det er fem forskjellige størrelsesalternativer (68 cm, 74 cm, 80 cm, 86 cm og 92 cm). Sørg for at drakten sitter tett, men komfortabelt, og at barnet kan bevege seg fritt uten forstyrrelser.
2. Start opptaket, det vil si datainnsamling ved hjelp av dataloggerapplikasjonen Maijulogger, som beskrevet i tilleggsfil 1.
   1. På den første siden skriver du inn "Emneidentifikasjonsnummer". Antall bevegelsessensorer som brukes i vurderingen er satt til 4 som standard, som vist på første side.
   2. Fortsett til neste trinn ved å trykke på fremoverpilen.
3. Utstyr fire sensorer med batterier (versjon CR2025).
4. Par hver sensor med mobilapplikasjonen ved å velge og trykke på en lemplassering på applikasjonen og bringe sensoren nær mobilenheten.
   1. Bekreft at riktig sensornummer vises i applikasjonen.
   2. Sørg for tilstrekkelig batteriladenivå (anbefalt > 80 %) ved å kontrollere indikatorene under sensornummeret.
      MERK: Bytt om nødvendig ut sensorbatteriene ved å løfte bakdekselet.
5. Fest hver sensor med snap-on-festene i riktig ermelomme.
   1. Sørg for at sensorene er riktig orientert.
   2. Sjekk alltid den nyeste brukerhåndboken for detaljer. Feil orientering vil føre til ubrukelige data.
6. Fortsett å sjekke riktig sensorparing ved å trykke på fremoverpilen i applikasjonen.
   1. Rist sensorene en etter en og sjekk applikasjonen for å se at riktig indikator vrir seg.
7. Når kontrollene er fullført, fortsett til startsiden ved å trykke på fremoverpilen.
   MERK: Om nødvendig kan varigheten av opptaket (hh:mm) stilles inn manuelt ved å trykke på Innstillinger-knappen ved starten av hvert opptak.
   1. Trykk på Record-knappen for å starte opptaket. Vent til sensorene er klare før du kler drakten på spedbarnet (dette kan ta noen minutter).
8. For hjemmeopptak uten tilsyn, sett skjermlåsen til mobilenheten for å unngå foreldreoperasjon og pakk drakten for levering til mottakeren.
   1. Bruk en kurer eller en lignende tjeneste for å levere drakten til mottakeren umiddelbart etter at den er klargjort.

2. Forberede og kle på spedbarnet for en innspillingsøkt

1. Sørg for at spedbarnet er ammet (dvs. matet og bleier skiftet) og føler seg trygg og komfortabel for en naturlig og spontan leketid.
   1. Fjern drakten senere for bleieskift, om nødvendig.
2. Kle drakten på spedbarnet som gjort med vanlige kjeledresser.
   1. Kontroller at sensorlommene vender utover (dvs. bort fra kroppens midtlinje i stedet for å rotere mot forsiden eller baksiden av spedbarnet).
3. Sjekk at drakten sitter godt på lemmene på hvert sensorsted.
   1. Juster stroppene i nærheten av lommene for å stramme sensoren på lemmen, om nødvendig.
      MERK: Det er også mulig å legge klær under drakten eller bandasjer for å feste sensorene i tilfelle lemmene er for tynne for tilstrekkelig festing med stroppene.

3. Innspilling av økt

1. Hold mobilenheten i nærheten av spedbarnet for å sikre en pålitelig dataoverføring over Bluetooth-tilkoblingen (dvs. i samme rom eller innen 10 m hvis opptak i åpent rom) når du tar opp med direkte datastreaming.
   1. Hvis det er aktuelt, må du oppbevare mobilenheten i en veske, for eksempel en nettbretthylse, for enklere og tryggere håndtering. Bluetooth-protokollen vil forsøke å koble til på nytt hvis BLE-tilkoblingen går tapt.
      MERK: Det anbefales ikke å pause og deretter fortsette opptaket, da det kan forstyrre synkroniseringen mellom sensorer eller den tidsmessige integriteten til de innspilte dataene, i tillegg til at du kan miste BLE-tilkoblingen. Ved slike anledninger er det eneste alternativet å slå av applikasjonen og starte opptaket på nytt.
2. Ordne omgivelsene for å lette lek med leker og andre gjenstander og oppmuntre spedbarnet til å bevege seg fritt. For eksempel, rydde plass for å bevege seg rundt eller legge en matte på bakken slik at spedbarnet kan bli oppmuntret til å bevege seg når du ser alderstilpassede leker. Målet er å registrere spedbarnets naturlige bevegelse.
   1. Sørg for at spedbarnet føler seg komfortabelt og trygt nok til å engasjere seg i spontan lek uten å oppleve angst på grunn av nye mennesker eller ukjente steder.
3. Ta opp minst 1 time fritt spill eller så lenge studiespørsmålene ønsker det. Flere lek/bevegelse-epoker kan kombineres senere i analysen.
4. Hvis det kreves av den spesifikke forskningsprotokollen, ta ytterligere notater for å lette detaljert inspeksjon av individuelle resultater. Bruk sanntids synkroniserte merknader i dataloggerprogrammet som fritekst, lydopptak eller videoopptak.
5. For hjemmeopptak uten tilsyn, still inn opptaket til å stoppe automatisk (dvs. angi varigheten (hh:mm) for opptaket manuelt ved å trykke på Innstillinger-knappen ).
6. I overvåkede innstillinger avslutter du opptaket ved å trykke på Stopp-knappen på applikasjonen.
7. Ta av drakten og pakk den for retur til laboratoriet.
8. Vask drakten etter hvert opptak etter å ha tatt sensorene av dresslommene. Hvis tilgjengelig, bruk vaskemidler, inkludert fukttransport rettet mot syntetiske materialer¹¹.
   1. Inspiser drakten visuelt etter vask for mekaniske feil før du lagrer den til bruk på neste barn.

4. Skybasert analyse: opplasting av rådata og nedlasting av resultater

1. Klikk på den innspilte filen i databasevisningen av applikasjonen, og klikk deretter Eksporter til Babacloud, som åpner hjemmesiden til beregningsskyen (https://babacloud.fi/) ved hjelp av nettleseren på mobilenheten (tilleggsfil 2).
2. Skriv inn brukernavn og passord på påloggingssiden. Be om nødvendig ny legitimasjon fra e-postadressen som er oppgitt på Babacloud-hjemmesiden.
3. Velg den innspilte filen for en opplasting. Velg deretter et identifikasjonsnummer for emnet og legg til den nødvendige informasjonen som angitt av Babacloud-arbeidsflyten. Hvis det er relevant for saken, skriv også inn emnets alder eller annen informasjon (f.eks. spilletid) til "Legg til en annen RAW-filetikett". Til slutt lagrer du opplastingsøkten ved å trykke på Lagre-knappen .
   MERK: Som standard vil dataloggerprogrammet generere en zippet fil fra bevegelsesdataene for å muliggjøre en enklere og raskere dataoverføring over luften via et wi-fi eller mobilnettverk. Babacloud-grensesnittet vil kreve legitimasjon som kan fås som instruert på deres nettside. De registrerte rådataene kan også overføres direkte fra telefonen til en annen enhet for tilpasset analyse. Forsikre deg om at unødvendige data fra minnet til mobilenheten slettes for å unngå forvirring mellom opptaksøkter. Opptaksøktene plasseres automatisk i sine egne mapper, som navngis med sine respektive tidsstempler.
4. Last ned den zippede pakken med analyseutganger fra skyserveren ved hjelp av en mobil enhet eller en datamaskin nettleser. Klikk på riktig emne-ID, og velg deretter koblingen til ønsket analyse, som automatisk åpner filnedlastingen.
   MERK: I resultatpakken med glidelås finner du de to følgende elementene: En detaljert resultatmatrise, som gir alle sekund-for-sekund-klassifikasjoner for holdning, bevegelse, spedbarnsbæring og fri leketid (figur 2A, tilleggsfil 3). Grafiske rapporter som gir oversikt over studieøkten (Tilleggsfil 4).

Representative Results

Den presenterte metoden kvantifiserer spedbarns grovmotoriske ytelse ved å klassifisere typer stillinger og bevegelser for hvert sekund av registreringsøkten. Resultatpakken fra den automatiserte analysepipelinen inneholder derfor en fullstendig klassifiseringsmatrise (tilleggsfil 3) og et grafisk sammendrag (tilleggsfil 4) fra hele opptaksøkten. Avhengig av det eksakte studiespørsmålet, kan disse resultatene inspiseres på forskjellige nivåer.

Resultatinspeksjon ble brukt til utvikling og validering av denne metoden.
I det følgende presenterer vi fire nivåer av resultatinspeksjon som brukes til utvikling og validering av denne metodikken. Tilleggsfil 5 presenterer representative eksempler på de viktigste valideringseksperimentene som tidligere ble publisert i full detalj 10,11,12.

For det første ble de automatiske algoritmene trent for bevegelses- og holdningsdeteksjoner validert mot menneskelige observasjoner på andre for andre nivå av spedbarns bevegelsesadferd. Vi brukte flere parallelt trente eksperter som blindt gjennomgikk de synkroniserte videoopptakene med de bærbare opptakene. Alle forskjellige stillings- og bevegelseskategorier ble sammenlignet separat med de enkelte menneskelige merknadene, og vi fant et veldig høyt samsvar mellom algoritmen og mennesket for stillinger (gjennomsnittlig kappa 0,93); En betydelig overensstemmelse ble funnet for bevegelseskategorier (underkategorispesifikk kappa, hovedsakelig i området 60-80%). Se Tilleggsfil 5A for et eksempel på forvirringsmatrise¹⁰. Også interrateravtalenivåer ble vurdert for å bekrefte at algoritmene utfører på omtrent menneskelig ekvivalent nivå^10,11.

For det andre vurderte vi hvor godt klassifiseringsbasert kvantifisering av bevegelses- og holdningskategorier ville samsvare med den tilsvarende kvantifiseringen fra menneskelige merknader på andre nivå. Eksempler på spredningsdiagrammer vist i tilleggsfil 5B¹⁰ viser at flere nøkkelkategorier har et nesten perfekt samsvar (korrelasjonskoeffisient >0,96) mellom algoritmisk og menneskelig visuell kvantifisering. Dette støtter direkte ideen om at de aldersspesifikke fordelingene av motilitetskvantifisering (figur 3A,B) er pålitelige¹².

For det tredje ble ideen om en helhetlig vurdering av motorisk modenhet validert ved å trene en utviklingsaldersprediksjon fra kombinasjonsbevegelsesmengdene (se ovenfor) som korrelerte veldig nært med den faktiske alderen hos de typisk utviklende spedbarnene (r = 0,89; Tilleggsfil 5C). Deretter ble aldersprediksjonen skalert til 0-100 som et enhetsløst mål BIMS (Baba Infant Motor Score¹⁰), og nytten for å bygge motoriske vekstdiagrammer (tilleggsfil 5D) ble validert ved hjelp av en typisk utviklende spedbarnskohort som viste aldersavhengige og forutsigbare vekstbaner. Vi validerte også dens relative nøyaktighet ved å vise at nøyaktigheten i motorvekstdiagrammer sammenligner seg godt med de velkjente fysiske vekstdiagrammene¹².

For det fjerde ble potensialet for deteksjon av avvik med de gitte beregningene validert i et prinsipptesteksperiment der individuelle motoriske målinger ble vist å tydelig skille mellom spedbarn med henholdsvis dårlig og god motorisk ytelse (tilleggsfil 5E)¹⁰.

Mulige videre studiespørsmål på ulike analysenivåer
Figur 3 viser eksempler på ytterligere bruksområder for informasjonen fra den bærbare drakten og dens automatiserte analyserørledning. For det første kan den tidlige utviklingen av holdnings- og bevegelsesferdigheter plottes som en funksjon av alder og sammenlignes med de aldersavhengige fordelingene (figur 3A, "vekstdiagrammer"¹²), eller utviklingen kan spores over tid for hvert individ (figur 3B). For det andre, når et studiespørsmål krever en mer helhetlig grovmotorisk vurdering, kan man bruke en kombinasjon av individets holdning og bevegelsesproporsjoner (som vist i tilleggsfil 5D, beregnet fra tidsserien i tilleggsfil 5C) for å generere en indeks som BIMS (Baba Infant Motor Score). Slike mål støtter direkte bruk i motoriske vekstdiagrammer (tilleggsfil 5C,D) og beregning av statistiske derivasjoner som z-skår (figur 3A). Ved å bruke heltidsserien av algoritmens deteksjoner (figur 3C og tilleggsfil 3) kan man studere den detaljerte temporale strukturen av spedbarns motilitet med spørsmål som "Hvor mange holdningsoverganger utfører spedbarnet i en enhetstid?" eller "Hva er fordelingen av stående epoker under spontan leketid?".

Figur 1: Oversikt over multisensor-bærbart system og en typisk studieflyt fra opptak til analyse. Figur 1 tilpasset fra Airaksinen et ^al.12publisert under CC_BY lisens. Spedbarnsfotografiet publiseres med foreldrenes samtykke. Klikk her for å se en større versjon av denne figuren.

Figur 2: Holdnings- og bevegelseskategorisering og en eksempelvisualisering av rådata og analyseutgang (A) Holdnings- og bevegelseskategoriseringsskjema som brukes av de algoritmiske klassifisererne i den helautomatiske analysepipelinen for en bærbar multisensor. Denne figuren er gjengitt fra Airaksinen et ^al.10 (B) Eksempel på en 10 min rå akselerometer sensor data fra hver av de fire armene som det kommer ut fra MAIJU opptak. De horisontale stolpene nedenfor viser automatiserte klassifiseringsutdata for holdnings- (øvre stolpe) og bevegelsesdeteksjoner (nedre stolpe) for den samme epoken på 10 minutter. Klikk her for å se en større versjon av denne figuren.

Figur 3: Eksempelresultater avledet fra rå klassifiseringsutganger. (A) Et eksempel på en datasammenligning mellom spedbarnsalder og Baba Infant Motor Score (BIMS). Den S-formede grønne kurven viser utviklingsbanen til BIMS i en større befolkning. Prikken viser et eksempelindivid målt ved 14 måneder, med en BIMS ~ 74, tilsvarende litt under gjennomsnittlig alderstypisk nivå (den grønne linjen). (B) Et eksempel kohort med individuelle baner for motorisk utvikling ved hjelp av Baba Infant Motor Score over (BIMS). Hver linje representerer et spedbarn registrert på flere alderspunkter (prikker i linjen). Linjene er farget for gjennomsnittlig avvik i forhold til det alderstypiske gjennomsnittet (blå S-formet kurve i bakgrunnen; se også panel A. (C) Representativ utgangsmatrise fra den automatiske klassifikatoren som den kommer fra Babacloud-rørledningen. Den første kolonnen viser medgått tid fra opptaksstart (i sekunder) for hvert analysevindu i klassifiseringen (vindusvarighet 2,3s, med 50 % overlapping). Den andre og tredje kolonnen viser klassifiseringsdeteksjonen for henholdsvis holdning og bevegelse. Den tredje og fjerde kolonnen er hjelpeklassifikatorer som skildrer epoker da spedbarnet ble båret av noen andre, og når spedbarnet var engasjert i autonom lek, henholdsvis. (D) En illustrasjon av en sammendragsrapport. Panel A og B er tilpasset fra Airaksinen et ^al.10. Klikk her for å se en større versjon av denne figuren.

Tilleggsfil 1: En rask guide til opptak med MAIJU bærbar. Klikk her for å laste ned denne filen.

Tilleggsfil 2: En rask guide til overføring av data fra Maijulogger til analyseserveren i Babacloud. Klikk her for å laste ned denne filen.

Tilleggsfil 3: Et eksempel på en detaljert klassifiseringsmatrise som gir alle sekund-for-sekund-klassifikasjoner for holdning, bevegelse, spedbarnsbæring og fri leketid. Klikk her for å laste ned denne filen.

Tilleggsfil 4: Et eksempel på en grafisk sammendragsrapport i full PDF-fil. Dette er hentet fra algoritmefilen som inneholder (A) grunnleggende bakgrunnsinformasjon om opptaksøkten (emne-ID og alder, opptaksdato, varighet og total mengde epoker brukt til de endelige analysene). (B) En grafisk visning av hele opptaket som indikerer fordeling av stillinger over hele opptaket og epoker som er ekskludert fra den kvantitative vurderingen. C) Typiske fordelinger vist med fiolinplott for alle seks positurer (venstre side) og 12 bevegelsestyper (høyre side). På samme måte viser tegninger på høyre side hvilken type bevegelser som indikeres av hver stilling, og viser også sekvensen for trinnvis utvikling av motorisk ytelse (prikkene indikerer resultatene fra et individuelt opptak og fargerike fiolinplott som indikerer aldersavhengige fordelinger av holdning / bevegelse av et relevant datasett). Spesielt viser råverdiene angitt av prikkene faktiske mengder av den gitte motorytelsen, og de kan brukes direkte i andre sammenhenger. Klikk her for å laste ned denne filen.

Tilleggsfil 5: Valideringseksperimenter på ulike analysenivåer. (A) Forvirringsmatriser som viser samsvar mellom menneskelige merknader (målklasse) og algoritmens deteksjoner (predikert klasse) for både holdnings- og bevegelseskategoriene. (B) Sammenligning av motoriske kvantifiseringer over hele registreringsøkter mellom menneskelige merknader og deteksjoner avledet fra den automatiserte klassifisereren. (C) Korrelasjon mellom utviklingsaldersprediksjon fra bærbare data (venstre side Y-akse) og omskalering for å generere BIMS-poengsummen (høyre side Y-akse). Barnets faktiske alder på registreringstidspunktet vises på X-aksen. (D) Korrelasjon av aldersprediksjon og faktisk alder ved bruk av en tilpasset funksjon. Verdiene vises som passende for modellen når du bruker gruppegjennomsnitt ved de viste tidsvinduene (blå), alle råverdier (svart) eller når du tar hensyn til gjentatte målinger av hver enkelt person (grønn). (E) Sammenligning av individuelle motoriske mål mellom grupper av godt og dårlig presterende spedbarn tyder på at flere automatisk oppdagede motoriske beregninger kan skille disse spedbarnsgruppene. Panel A, B, C er tilpasset fra Airaksinen et ^al.10. Panel D er tilpasset fra Airaksinen et ^al.12. Panel E er tilpasset fra "Airaksinen et ^al.11. Klikk her for å laste ned denne filen.

Discussion

En kvantifisert vurdering og utviklingssporing av spedbarns motoriske ytelse med en bærbar løsning, som MAIJU, er teknisk enkel å lære og utføre, og den kan lett implementeres i helsevesenet eller klinisk forskningspraksis 10,11,12. Sammenlignet med de andre eksisterende motoriske vurderingsmetodene, forbedrer denne typen hjemmeregistrering av spedbarns spontanmotoriske aktivitet den økologiske validiteten av vurderingen. Videre gir den en kvantifisert, gjennomsiktig og helautomatisk analyse av spedbarns motoriske ytelse. Viktigst av alt, beregningene som brukes i analysen er intuitive og forklarbare, noe som gjør det enkelt å sammenligne dem med andre kliniske og forskningsvurderinger, for eksempel miljøfaktorer, kognitiv utvikling eller psykososiale vurderinger. En helhetlig vurdering av motorisk utvikling gir en nøyaktighet som kan sammenlignes godt med de konvensjonelle fysiske vekstmålene¹².

Kritiske trinn i protokollen inkluderer nøye forberedelse av den bærbare drakten. Når du forbereder deg til et opptak, er det avgjørende å velge riktig størrelse på drakten, da sensorfestene i ermene og bena må sitte tett for å oppnå en pålitelig registrering av kroppsbevegelser. For et vellykket opptak er det også viktig å plassere sensorene i lommene med riktig retning, som angitt i protokollen. Sensorfestene tillater ikke at sensorer roterer under opptaket. Den feilorienterte sensoren registrerer imidlertid data som er vanskelig, om ikke umulig, å fikse etterpå. Spedbarnet bør oppmuntres til å bevege seg fritt og selvstendig under opptaket. Opptakslengden kan variere i henhold til de oppgitte studiespørsmålene. De mange spontane bevegelsesepokene kombineres for å akkumulere nok spontane bevegelser for hver innspillingsøkt.

Den fleksible og praktiske driften av den bærbare MAIJU-løsningen gjør det mulig å bruke den i variable sammenhenger i både overvåkede og uovervåkede omgivelser, for eksempel forskningslaboratorier eller hjem. Nyere resultater fra våre kliniske studier viser at helt uten tilsyn kan gi sammenlignbare resultater med opptak som gjøres under helt eller delvis tilsyn¹². Likevel påvirkes et barns spontanmotoriske atferd potensielt av flere faktorer, for eksempel omgivelsene (f.eks. lek ute vs. innendørs, utformingen av rommet, møbler og leker), barnets årvåkenhet og foreldrenes involvering under hjemmeopptaket. Når opptakene utføres i uovervåkede omgivelser hjemme, er det viktig å oppmuntre barnet til å spille spontant, det vil si å leke eller bevege seg selvstendig, uten at noen andre bærer eller holder barnet om ikke nødvendig, og å holde mobiltelefonen på en Bluetooth-rekkevidde (i samme rom)¹⁰. De fleste av våre nåværende feilsøkingssituasjoner under opptakene er forårsaket av tap av Bluetooth-tilkobling. Nær fremtid fremskritt innen sensorteknologi vil forbedre Bluetooth-tilkobling, og den kommende introduksjonen av et større sensorminne vil tillate offline opptak ved å lagre bevegelsesdata direkte i sensorminnet.

Opptak utenfor sykehus med en bærbar løsning av denne typen er lett skalerbare, og de kan forbedre sikkerheten til spedbarn, for eksempel ved å muliggjøre fjernovervåking under omstendigheter som en pandemi. Våre nåværende klassifiseringsalgoritmer ble trent til å spesifikt gjenkjenne de gitte motoriske evnene, stillingene og bevegelsene vist i motilitetsbeskrivelsesskjemaet (figur 2A). Disse fenomenene ble identifisert som karakteristiske for spedbarns bevegelse i løpet av de to første leveårene. Andre typer bevegelser eller stillinger sett hos eldre barn, for eksempel løping eller hopping, vil kreve modifiserte bevegelsesbeskrivelsesskjemaer og respektive algoritmer som skal trenes for å identifisere dem. Holdningskontekstavhengig analyse er en potensielt fruktbar tilnærming der et spedbarns motoriske aktivitet analyseres separat i forskjellige stillinger for å støtte studier, for eksempel utviklingskorrelater av spedbarnsadferd 5,6,7,8,9,13. Alternativt kan en kontekstavhengig bevegelsesanalyse også støtte for å vurdere asymmetri i motorisk funksjon når man predikerer utvikling av ensidig cerebral parese 10,12,14,15. Videre kan vurdering av motoriske evner med MAIJU-systemet kombineres med andre studiemodaliteter, for eksempel øyesporing, bildebehandling eller videoopptak, for å gi multimodale data, som spenner over det til forskjellige typer og sammenhenger. Multimodale data kan være nyttige, for eksempel ved evaluering av effekten av sosial interaksjon eller effekten av terapeutisk intervensjon.

For å lykkes med nye bærbare teknologier i overvåkingsmiljøer utenfor sykehus med spedbarn, må visse begrensninger, utfordringer og etiske bekymringer tas opp. Våre analysepipeliner ble trent og validert ved bruk av typisk utviklende spedbarn i Finland 10,11,12. De rå analyseutgangene med rene stillinger og bevegelser skal være universelle. Imidlertid kan deres utviklingsbaner kreve justeringer for ulike kulturer og geografiske steder. Ifølge foreldrenes tilbakemeldinger om bærbare enheter, blir de sett positivt på grunn av spedbarnsvennlighet¹⁶. Foreldre kan imidlertid ta opp bekymringer angående personvern, datatilgang og familiepraktiske forhold (f.eks. flere omsorgspersoner, besøkende og varierende tidsplaner). Avhengighet av batterilevetiden til sensorene og opptakstelefonen kan betraktes som en begrensning av metoden. Vår erfaring er at batterimodellen (CR2025) typisk varer hele dagen (12-24 timer) ved bruk av kontinuerlig datastreaming. Spesielt avhenger det av både batterimerket og styrken til Bluetooth-tilkoblingen som trengs for trådløs dataoverføring, som kontinuerlig endres for å maksimere dataoverføringen i opptaksmiljøet. For eksempel vil en lang avstand mellom spedbarnet og telefonen eller en vegg mellom dem justere Bluetooth-tilkoblingen til betydelig høyere batteriforbruk. Spesielt tømmes batteriene til de fleste mobile enheter også innen omtrent samme tid hvis du bruker kontinuerlig Bluetooth-streaming. I praksis innebærer den for tiden brukte kontinuerlige datastrømmen over Bluetooth-tilkobling at både sensorene og mobile enheter trenger en daglig oppladning / batteribytte. Den nærmeste fremtidige introduksjonen av sensorer med større minnekapasitet vil tillate datalagring i sensorminnet, som støtter over en uke med kontinuerlig opptak. Det vil fjerne behovet for strømkrevende Bluetooth-streaming, samt å bære telefonen innenfor et Bluetooth-område som kan oppfattes som restriktivt i opptakssituasjoner og er utsatt for menneskelige feil.

Samlet sett trenger sporing av tidlig nevroutvikling metoder som er følsomme for naturlig nevroatferdsvariabilitet. Grovmotorisk utvikling er en intrikat prosess som består av variasjoner i rekkefølge og timing, både på individuelt og kulturelt nivå⁴. Deteksjon av atypisk motorisk utvikling er effektiv for å gjenkjenne spedbarn i fare for et omfattende spekter av nevrodevelopmental lidelser. Tradisjonelle testbatterier med standardiserte nevroutviklingsvurderinger utføres i kontrollerte miljøer, for eksempel sykehus, og er i det minste delvis subjektive ^7,8,9. Nåværende fremskritt innen sensorteknologi og signalanalyse har gjort det mulig å registrere spedbarns spontanmotoriske evne over lengre perioder i sykehusinnstillinger og kvantifisering av motoroppførselen med en nøyaktighet som kan sammenlignes med menneskelige observatører 10,11,12. Ny bærbar teknologi tilbyr automatiserte og skalerbare metoder for overvåking av bevegelse og effekten av terapeutisk intervensjon hos spedbarn på en økologisk gyldig og objektiv måte. Videre muliggjør den nye nevroutviklingsindeksen Baba Infant Motor Score (BIMS) estimering av spedbarns modenhet av motoriske evner ved individuell sporing av nevroutvikling^10,12. Det kan brukes i en rekke fremtidige applikasjoner, for eksempel utvikling av spedbarnsmotorvekstdiagrammer¹². Ved å trene de automatiserte klassifikatorene for andre spesifikke motiliteter (f.eks. for eldre barn eller voksne) med forskjellige typer bevegelsesbeskrivelsesskjemaer og algoritmer, har de bærbare bevegelsessensorene potensial for kliniske applikasjoner, for eksempel bevegelsesforstyrrelser eller oppfølging av effekten av terapeutiske inngrep uavhengig av utviklingsstadiet til den enkelte¹⁷. For tiden bør dette imidlertid betraktes som en undersøkelsesmetodikk som ikke bør brukes til å informere kliniske diagnose- eller behandlingsmål.

Materials

Name	Company	Catalog Number	Comments
iOS device (version 16.5 or higher)	Apple	n/a
MAIJU jumpsuit	Planno Ltd	n/a	customized for purpose
Maijulogger (mobile application) and sensor firmware	BABA Center (www.babacenter.fi), Kaasa solutions GmbH	n/a	constructed by Kaasa Solutions, distributed by Baba Center
Movesense movement sensor	Movesense (www.movesense.com)	n/a