Eine objektive und kinderfreundlichen Bewertung der Arm-Funktion mithilfe eines 3-d-Sensors

Summary

Eine objektive Bestimmung der Muskelfunktionen ist anspruchsvoll, vor allem bei Kindern. Basierend auf einem handelsüblichen digitalen 3-d-Sensor, entwickelte ein kinderfreundlichen Gaming-Test zur Beurteilung der oberen Extremität Funktion für klinische Studien.

Abstract

Fortschreitende und irreversible Muskelatrophie charakterisiert spinale muskulöse Atrophie (SMA) und andere ähnliche Störung Muskelerkrankungen. Objektive Beurteilung der Muskelfunktionen ist eine wesentliche und wichtige, obwohl schwierig, Voraussetzung für erfolgreiche klinische Studien. Aktuellen klinischen Beurteilungsskalen zurückhalten die Bewegungsstörungen zu bestimmten vordefinierten grobkörnigen Einzelstücke. Der 3-d-Kinect-Sensor ist ein Low-Cost und tragbare Motion-sensing-Technologie zur Abscheidung und Track Menschen Bewegung in vielen medizinischen und Forschungsfelder entstanden. Ein neuer Ansatz mit diesem 3-d-Sensor wurde entwickelt und ein spielerische Test wurde entwickelt, um die Funktion der oberen Extremität von Patienten mit SMA Objektiv messen. Die Baumusterprüfung gezielt Gelenkbewegung Fähigkeit. Während der Sitzung in einer virtuellen Szene, war der Patient angewiesen, zu verlängern, biegen, und heben Sie den ganzen Arm um zu erreichen und einige Gegenstände. Sowohl kinematische und räumlich-zeitliche Eigenschaften der oberen Extremität Bewegung wurden extrahiert und analysiert, z.B., Ellenbogen Extension und Flexion Winkel, Hand Geschwindigkeit und Beschleunigung. Die erste Studie umfasste eine kleinen Kohorte von 18 ambulante SMA-Patienten und 19 gesunden Kontrollpersonen mit Alter und Geschlecht angepasst. Eine umfassende Analyse der Armbewegung wurde erreicht; kein signifikanter Unterschied zwischen den Gruppen wurden jedoch durch die fehlende Übereinstimmung der Fähigkeit des Patienten und die Schwierigkeit, Test gefunden. Basierend auf diesen Erfahrungen, eine zweite Version des Tests, bestehend aus einer modifizierten Version von das erste Spiel mit größeren Schwierigkeiten und ein zweites Spiel auf Muskelausdauer wurden entwickelt und umgesetzt. Der neue Test hat bisher noch nicht in alle Patientengruppen durchgeführt. Unsere Arbeit hat demonstriert die potenzielle Möglichkeit des 3-d-Sensors bei der Beurteilung solcher Muskelfunktion und schlug einen objektiven Ansatz zur Ergänzung der klinischen Rating-Skalen.

Introduction

Umfassende Beurteilung der Funktion des Muskels ist eine kritische Bewertung in vielen neuromuskulären Erkrankungen und eine wichtige Voraussetzung für erfolgreiche klinische Studien. Klinischen Rating-Skalen werden immer häufiger als ein standardisiertes Assessment-Tool verwendet und als etablierter Ergebnis messen¹. Jedoch stark auf die subjektive Beurteilung des Kliniker und kann dazu führen, dass erhebliche Variationen auf Inter- und Intra-Rater Inkonsistenz² oder Zahlen, die nicht die Kriterien für präzise Messungen¹generiert. Darüber hinaus viele neuromuskuläre Erkrankungen betreffen vor allem Kinder und die meisten diese Rating-Skalen sind langwierig und langweilig, die zusätzliche Herausforderungen zu verhängen. Ein Beispiel für eine neuromuskuläre Krankheit ist spinale muskulöse Atrophie (SMA), die eine tödliche neuromuskuläre zeichnet sich durch progressive Muskel-Schwäche-^{3 Krankheit}. Je nach den klinischen Phänotypen, einige Patienten Leben mit Rollstühlen (Typ 2), und einige können stehen und gehen ohne fremde Hilfe (Typ 3)⁴. Es gibt eine steigende Nachfrage nach ein empfindlicher und objektive Assessment-Tool die Muskelfunktion in Bezug auf gemeinsame Bewegungsbereich, Muskelkraft, Ermüdung der Muskeln und so weiter messen, um Fortschreiten der Krankheit und Wirksamkeit von Arzneimitteln zu verfolgen.

Die rasante Fortschritte in Motion-sensing-Technologie machte es möglich, die Eigenschaften der Bewegung zu vergleichsweise niedrigen Kosten zu analysieren, unter denen der Wert des 3-d-Sensors (Kinect) bei der Erfassung von Ganzkörper-Bewegung in einem Markergen-freie Weise weit untersucht worden ist. Mithilfe der integrierten Infrarot-Sensor und die implementierten Machine learning-Algorithmen sind die Körper-Standorte der verfolgten Personen durch die 3-dimensionale Positionen 20 anatomischen Landmarken Körpergelenken oder Punkte einschließlich Kopf, Hals genannt abgeleitet, Hände, Handgelenke, Ellbogen, Schultern, Wirbelsäule, Hüfte, Knie, Knöchel und Füße⁵. Die zeitliche Auflösung ist bis zu 30 Hz, ausreichend für die meisten körperlichen Bewegung mit Ausnahme einige pathologische motorische Symptome wie Zittern. Die räumliche Genauigkeit des 3-d-Sensors wurde umfassend validiert mit der Boden-Wahrheit-⁶ oder dem Gold-Standard eine 3-dimensionale Bewegung Marker-basierte Analyse System^{7,8,9,10 ist ,11,12}. Gute gleichzeitige Gültigkeit und Reproduzierbarkeit durch verschiedene Tests aufgedeckt worden, vor allem von der Frontal anzeigen¹² und für grobe Bewegungen⁷. Um die Funktion der oberen Extremität für Kinder mit SMA Objektiv zu bewerten, wir konzipiert und realisiert einen spielerische Test basiert auf einem 3-d-Sensor, die Fähigkeit der gemeinsamen Bewegung zu messen.

Protocol

Der Test wurde in einer Beobachtungsstudie, longitudinale Studie am University Children Hospital von Basel (UKBB) mit Erwachsenen und Kindern durchgeführt. Weitere Demografie und klinischen Informationen über die Studie finden Sie in der vorherigen Veröffentlichung^13,14. Alle Verfahren wurden von der lokalen Ethikkommission Ethikkomission UKBB genehmigt und durchgeführt nach den Grundsätzen, die in der Deklaration von Helsinki zum Ausdruck gebracht. Schriftliche Einwilligung und die Einhaltung das Studienprotokoll nach internationalen Konferenz über Harmonisierung (ICH) und örtlichen Vorschriften alle Themen oder die gesetzlich befugten Vertreter für Kinder jünger als rechtliche lieferten Zustimmung.

Hinweis: Eine Prototyp-Spiel, die "Garderobe" darauf abzielen, die Gelenke Messbereich der Bewegung wurde konzipiert und umgesetzt. Es wurde dann exportiert als eine ausführbare Anwendung, die auf jedem Windows 8 oder höher Betriebssystem ausgeführt werden kann, solange die erforderlichen 3-d-Sensortreiber auch installiert sind. Die Prototyp-Spiel basierend auf Kinect Sensor v1 oder die zweite Version (siehe Diskussion) Kinect Sensor v2 auf Anfrage (siehe zusätzliche Coding-Dateien) zur Verfügung gestellt werden können.

1. Aufbau und Vorbereitung für den Test

1. Montieren Sie den 3-d-Sensor (zB., Kinect) Treiber und konzipierte Anwendung auf dem Computer.
2. Stellen Sie den Computer auf einer geeigneten Fläche, wie ein Tisch, mit einer Höhe von 0,5 - 1 Meter.
3. Platzieren Sie das 3-d-Gerät auch auf der gleichen Fläche ausgerichtet in die Mitte des Computers, so dass die Höhe der 3-d-Kamera am Tisch ca. 0,5 - 1 Meter über dem Boden fixiert ist. Anpassen der Höhenwinkel des 3-d-Sensors manuell nach Bedarf, um das Thema richtig zu erfassen (siehe 2.4.2 unten).
4. Schließen Sie alle Kabel richtig, einschließlich der 3-d-Adapter an den Computer und das Netzkabel an die Stromversorgung an.
5. Legen Sie einen höhenverstellbaren Stuhl vor dem Tisch mit dem Computer und der 3-d-Sensor etwa 2 Meter.

2. Durchführung des Tests

1. Starten Sie den Computer, und schalten Sie den Ton für eine optimale Lautstärke. Auf Wunsch automatische Datenübertragung ist sicherzustellen Sie, dass das Internet angeschlossen ist.
2. Weisen Sie das Thema auf dem Stuhl sitzen.
3. Starten Sie die Anwendung auf dem Computer, und geben Sie die Betreff-ID auf der ersten Seite.
4. Klicken Sie auf die Schaltfläche "START" auf der ersten Seite auf der zweiten Seite eingehen, die die "Garderobe" game zeigt:
   1. Beachten Sie die Skelette Figur (nur Oberkörper) auf dem Bildschirm, der den Körper des Opfers vor einen großen Kleiderschrank darstellt. Wenn die Figur nicht zu sehen ist, weisen Sie das Thema zu winken und vorwärts und rückwärts zu bewegen, wenn er in einem Rollstuhl ist oder stehen, bis der 3-d-Sensor die Person erfasst.
   2. Lesen Sie die Anweisungen auf dem Bildschirm und anzupassen Sie Entfernung, Höhe und seitliche Position des Vorsitzenden und dem Thema entsprechend, bis alle Anweisungen in grüner Schrift sind.
      Hinweis: Entfernung, Höhe und seitliche Position des Stuhls können durch das Subjekt selbst oder ein Helfer, die aus dem Feld danach Schritt sollte angepasst werden. Wenn die optimale Höhe erreicht werden kann, manuell anpassen der Höhenwinkel der 3-d-Kamera. Die optimale Position ist 2 Meter weg von dem Gerät, mit dem Hals des Subjekts in der Bildschirmmitte angezeigt.
   3. Drücken Sie auf Zug , um die Trainingseinheit ohne Aufzeichnung der Daten beginnen.
      Hinweis: Wenn das Thema bereits mit dem Spiel vertraut und weiß was zu tun, drücken Sie die START -Taste direkt und überspringen Sie die Ausbildung zu.
   4. Lassen Sie das Thema folgen Sie den Anweisungen auf dem Bildschirm und führen Sie die folgenden Sätze:
      1. Erweitern Sie die angeforderte Arm (rechts oder links) um das flackernde virtuelle Objekt zu erreichen, bis das Objekt in der virtuellen Hand ist.
      2. Flex die gleichen Arm und die angegebenen Punkten auf den Körper physisch zu berühren, um das Objekt zu platzieren.
      3. Die Armbewegungen Extension und Flexion weiter, bis alle 20 Objekte erreicht und platziert werden.
         Hinweis: Es sind zwei Runden mit 10 Objekte in jeder Runde. Innerhalb einer Runde gibt es 5 Objekte auf der rechten Seite, die erfordern den rechten Arm, gefolgt von 5 Objekten auf der linken Seite des linken Armes gefordert. Dies schließt die Trainingseinheit.
   5. Drücken Sie auf "START", um wieder von Anfang an, wie in Schritt 2.4.3, aber diesmal Aufnahme der Positionen der 9 Oberkörper Punkte in einer verschlüsselten Datei die gleichen Aufgaben. Das Spiel endet automatisch, indem Sie entweder alle 20 Objekte platzieren oder wenn die vordefinierten Zeit (4 min) abläuft.
      Hinweis: Es ist auch möglich, das Spiel jederzeit zu beenden, für den Fall, dass das Thema ist zu schwach oder anderen Situationen passieren.
5. Geben Sie in der letzten Seite automatisch, zeigt eine Spinne Plot zeigt die Gelenke reicht von der "Kleiderschrank"-Spiel.
6. Beenden Sie das Spiel durch Drücken der Ende -Taste oder durch Drücken der Taste wiederholen wiederholen Sie den Test.

(3) nach dem Test - Datenverarbeitung

1. Erfassten und verschlüsselte Daten und Log-Dateien auf der Festplatte zu speichern und optional über das Internet auf ein Analytiker übertragen. Eine detaillierte Beschreibung der Datenverarbeitung und-Analyse wurde in einer früheren Publikation¹³gestellt.
   1. Bestätigen Sie die Vollständigkeit und Gültigkeit der Daten durch die Überprüfung der Log-Datei und klinische Berichte mit der 3-d-Datensätze zu vergleichen.
   2. Berechnen Sie und extrahieren Sie 27 Bewegung Merkmale zu, als numerische Funktionen wie Gelenkwinkel, Geschwindigkeit und Beschleunigung, Hand Weglänge, Körper Ausgleichsbewegung, erreichbar Raum und So weiter.
   3. Berechnen, Plotten und wählen Sie die Funktionen zu verstehen und zu interpretieren die 3-d-Sensordaten sowie für die folgenden statistischen Analyse.
   4. Durchführen Sie PCA (Hauptkomponentenanalyse), ANOVA (Varianzanalyse), Korrelationsanalyse und linearen gemischten Effekt Modelle als statistische Analyse.

Results

Mit der oben dargestellten Verfahren, andere Bewegung Funktionen geplottet und Analyse-Ansätze werden erforscht, um ein umfassendes Verständnis der Bewegungen zu gewinnen.

In Abbildung 1sind die Spuren von den 9 Oberkörper Punkten gezeichnet Beschränkung auf die X- und Y Achsen der 2-dimensionalen Projektion darstellt (X steht für horizontale Position des Subjekts, Y steht für die vertikale position, während Z erreichen Sie nach der 3-d (Sensor). Abbildung 1 zeigt was der 3-d-Sensor tatsächlich Maßnahmen, die räumlichen Positionen der Körperpunkte. Durch Gegenüberstellung von einem SMA-Patienten und eine gesunde Kontrolle über die 4 Besuche, wird gezeigt, dass der Patient und die Kontrolle der Aufgaben mit klar erkennbaren Bahnen abgeschlossen. Es gab bestimmte Thema-abhängige Merkmale, die konsistent über alle Besuche, z.B., die Flugbahn der Hände des Patienten waren. Im Vergleich dazu hatte das Thema Kontrolle relativ weniger Stamm Bewegung im Laufe der Zeit, die durch den kleineren Massen von rot, gelb und Rosa Linien angegeben ist (Kopf, Hals und Oberkörper Punkte). Keiner der beiden Fächer zeigte keine unsymmetrische Bewegung Features.

Abbildung 2 zeigt einige Vertreter Funktionen aus der Zeitreihe Positionen der Körperpunkte gewonnen. Im Vergleich zu Abbildung 1, gibt Abbildung 2 einen Überblick welche möglichen Informationen extrahiert und visualisiert aus den rohen 3-d-Sensordaten um die zugrunde liegende Bewegung Merkmale zu verstehen werden könnte. Abbildung 2 eine ist ein segmentierten Hände Spur Plot zeigt Ellenbogen Extension und Flexion Phasen von zwei Runden von einem einzigen Thema. Die Flugbahn ähnelt sich sehr gut zwischen den beiden Wahlgängen. Für die drei unteren Objekte beide Hände sind in der Regel weit nach vorne beugen, aber dies ist nicht der Fall für die oberen zwei Objekte. Abbildung 2 b Grundstücke das Histogramm der Hand Geschwindigkeiten (während die Hand bewegt; der Ruhezustand ist ausgeschlossen). Es gibt keinen signifikanten Unterschied zwischen den linken und rechten Hand für dieses Thema. Abbildung 2 c zeigt insgesamt Bahnlängen von Kopf, Hals und Rumpf Punkte, die als eine Art Stamm Ausgleichsbewegung pro Objektposition betrachtet werden können. Für Objekte 3 und 8, die in der höheren Ecke platziert werden, ist die Stamm-Bewegung relativ größer im Vergleich zu den anderen Positionen. Darüber hinaus hat den Kopf mehr offensichtlich als die anderen beiden Punkte bewegt. Boxplots zeigen die Gesamtverteilung von alle 4 Besuche für einige Funktionen sind Figuren 2d, 2e, und 2f . Aus Gründen der Übersichtlichkeit sind nur die ersten sieben Patienten mit allen 4 Besuche gezeigt. Abbildung 2 d zeigt die gesamte Hand Weglänge geteilt durch die einzelnen Armlänge gemessen vom Sensor zum Ausgleich der Längendifferenz zwischen Subjekt Arm. Während der Bewegungen durchgeführt ist die Pfadlänge von Hand zu erreichen und platzieren Sie Objekte, um zweimal die Armlänge für ein Objekt; deshalb für 20 Objekte die gesamte Weglänge ca. 40 Mal die Armlänge. Offensichtliche Unterschiede zwischen unterworfen sind z.B. im Kofferraum Ausgleichsbewegung zwischen Patienten 2 und 3 (Abb. 2e) oder im Median Hand Geschwindigkeit zwischen 1 und 3 (Abbildung 2f) Patienten beobachtet.

Vollständige klinische bezogene Analyse und Ergebnisse finden in unseren früheren Veröffentlichung¹³.

Abbildung 1 : Repräsentative Spur Grundstücke 9 Oberkörper-Punkte während dem Test Die Top 4 Parzellen sind von einem SMA-Patienten und die unteren 4 Parzellen sind von einem gesunden Steuerelement. Diese Zahl wurde von unseren vorherigen Veröffentlichung¹³geändert. Bitte klicken Sie hier für eine größere Version dieser Figur.

Abbildung 2 : Repräsentative zusammenfassende Analyse-Ergebnisse: (a), (b), (C) aus einem einzigen Thema und (d), (e), (f) sind die Zusammenfassung aus dem ersten 7 SMA-Patienten mit komplett 4 Besuche. (D) (e) und (f), die Unterseite und der Oberseite der Box sind die ersten und dritten Quartile, und die horizontale Linie innerhalb der Box ist der Median. Die Längen der Whiskers (Verlängerung vertikale Linien aus der Box) sind definiert als der tiefste Punkt innerhalb 1,5 interquartile Bereiche (IQR) von der unteren Quartil und der höchste Punkt innerhalb 1,5 IQR des oberen Quartil. Die Diamanten repräsentieren die Ausreißer außerhalb der Whiskers. (a) segmentierte Hände Spur Grundstück. Durchgezogene Linien repräsentieren Ellenbogen Verlängerungsphase wenn die Hände für die Objekte erreichen, während gestrichelte Linien die Ellenbogen Flexion Phase darstellen als die Hände der Objekte auf den Körper zu platzieren. Jede Farbe repräsentiert die Objekte an der gleichen Position aus zwei Runden. (b) Histogramm der Hand Geschwindigkeit während der Extension und Flexion Bewegungen. (c) total Entschädigung Bewegung Längen von Kopf, Hals und Oberkörper Punkte für jedes einzelne Objekt. (d) Boxplot Gesamtpunktzahl Flugbahn Pfadlänge für rechten und linken Hände jeweils über 4 Besuche. Die y-Achse zeigt die total Hand Bahnlängen dividiert durch die einzelnen Armlängen. (e) Boxplot der gesamte Stamm Ausgleichsbewegung einschließlich Kopf, Hals und Rumpf weist für die Bewegung von links und rechts Bewegung bzw. über 4 besuchen. (f) Boxplot der Median Hand Geschwindigkeit während der Bewegung für Rechte und linke Hand jeweils über 4 Besuche. Bitte klicken Sie hier für eine größere Version dieser Figur.

Discussion

Die vorgeschlagenen Kinect-basierte Bewertung zur Verfügung gestellt eine objektive und umfassende Bewegungsanalyse und bietet gleichzeitig eine kinderfreundliche, Low-Cost und tragbare Lösung im Hinblick auf die traditionellen klinischen Beurteilungsskalen oder anspruchsvolle Marker-basierten video Systeme. Mit einem Gaming-Test, der weniger als 5 Minuten dauerte, mehrere Körperpunkte zur gleichen Zeit intensiv untersucht wurden, und viele raumzeitliche und kinematische Eigenschaften wurden analysiert mit hoher Genauigkeit einschließlich Geschwindigkeit, Gelenkwinkel und So weiter. Die gesamte Einrichtung und Schulungsaufwand waren auch viel weniger anspruchsvoll gegenüber dem Rating-Skalen oder Videosysteme.

Der wichtigste Schritt in diesem Ansatz war das Testdesign. Um die zugrunde liegenden unwillkürlichen Bewegungen zu erfassen, sollte die gestaltete Aufgabe der entsprechenden Fähigkeit Spektrum abdecken und vermeiden, Boden oder Decke Effekte. In dieser Indikation beispielsweise sind die häufigsten körperlichen Symptome der SMA Muskelschwäche, begrenzten gemeinsamen Bereich, Muskelsteifheit, Müdigkeit und So weiter. Die vorgeschlagene Test eignet sich für diese Symptome, die begrenzt gemeinsame Spektrum, die was typisch für SMA Typ 2 Patienten war. Leider wurde der Prototyp nur als ein erster Versuch in einer geplanten Studie getestet, die nur SMA Typ 3 Patienten rekrutiert. Da die Fähigkeit der Patienten waren über welche den aktuellen Test messen konnte (Decke Effekt), die gewünschten Ergebnisse nicht erreicht werden konnte. Für diese ambulanten Patientengruppe wäre Muskel-Müdigkeit und Körper-Transfer ein besseres Maß.

Basierend auf diesen Erfahrungen, eine zweite Version des Tests, bestehend aus einer modifizierten Version des Spiels "Kleiderschrank" und ein zusätzliches "Boot rudern" Spiel entworfen wurden. Die modifizierte Version des Spiels "Kleiderschrank" hat drei Schwierigkeitsstufen. In der ersten Ebene werden die Objekte in der Nähe der Leiche abgelegt, so dass das Thema nicht braucht, den Arm vollständig ausgefahren welche Ziele der schwachen Patientengruppe, kann nur im Rollstuhl sitzen und kann nicht vollständig ihre Arme ohne Unterstützung zu verlängern. In der zweiten Ebene werden die Objekte in der Entfernung der ganzen Armlänge gelegt, die richtet sich der Patientengruppe, die heben und Strecken der Arme ohne jegliche Unterstützung. In der schwierigsten Stufe befinden sich die Objekte leicht außerhalb des Bereichs der Arm; das Thema muss daher den oberen Stamm als verlängerter Arm zu bewegen. Die dritte Ebene zielt auf die ambulante Patientengruppe, wo auch die axial- und proximale Bewegung gemessen wird. Während der Positionierung Phase des Spiels die Armlänge des Motivs automatisch gemessen und dann verwendet, um die Standorte der Objekte in das folgende Spiel zu berechnen; Daher sind die Schwierigkeitsstufen automatisch an die Fähigkeit des Individuums angepasst. Wenn die Fähigkeit jedes einzelnen erreicht ist und die Objekte nicht erreicht oder platziert werden, wird die Ebene entweder nach einer bestimmten Zeit automatisch oder manuell durch den Betreiber übersprungen werden durch Drücken der "SKIP" Taste auf dem Bildschirm. "Boot rudern" Spiel Ziele Muskelausdauer und erfordert das Thema einen Arm rollende Bewegung so schnell wie möglich für 1 Minute wiederholen. In einer zukünftigen Studie soll die zweite Version decken das geduldige Spektrum von SMA Typ 2, 3, zu geben, da die Aufgaben mit begrenzten Arm Bewegungsfähigkeit, Patienten mit voll Arm Funktion und begrenzte Axialbewegung die Fähigkeit des Patienten messen.

Die anderen Seite des Test-Design ist die Berücksichtigung der Boden-Effekt. Aufgrund der begrenzten räumlichen und zeitlichen Auflösung ist der 3-d-Sensor nur in der Lage, präzise grobe Bewegungen wie walking, Arm winken und So weiter zu erfassen. Für feine Bewegung sind die Erkennung, einschließlich Abbildung klopfen oder Hand drehen, empfindlicher digitale Geräte wie Mobiltelefone oder Handgelenk Wearables erforderlich. Wie besprochen, ist der Schlüssel für den Erfolg einer solchen Anwendung, um die richtige Übereinstimmung zwischen zugrunde liegenden Krankheitssymptome, Gerätefunktionen und gestaltete Aufgabe aufzubauen.

Einige weitere Aspekte während der Test-Design sind Altersgruppe, Lerneffekt, Sprachen und So weiter. Da SMA hauptsächlich Kinder betroffen sind, sollte der Test möglichst einfach und klar wie möglich sein, und gleichzeitig eine attraktive Gamification-Eigenschaft. In unserem Design wurden Comicfiguren und gezeichnete Objekte verwendet. Die Aufgabe imitiert das Self dressing Verhalten, die von Kindern in der Regel nach zwei oder drei Jahren erworben wird. Die Bewegungen waren einfach gehalten, so dass Themen könnte verstehen und führen Sie den Test nach einer kurzen Trainingsphase und Lerneffekte wurden vermieden, die gemessen und in unseren vorherigen Veröffentlichung¹³diskutiert wurde.

Wenn Sie das Testprotokoll und die Datenanalyse durchführen, könnte einige Probleme ähnlich zu anderen 3-d-Sensoranwendungen entstehen. Diese Themen gehören Sonnenschein Störungen, spezielle Kleidung, mehr als ein Fach im Sichtfeld und unregelmäßige Abtastzeiten. Wir fanden einen Fall, wo ein Thema in schwarzer Kleidung nicht durch die 3-d-Sensor in einem sonnigen Raum, erkannt wurde auch wenn das Thema nicht direkt in der Sonne war. Wenn mehr als ein Fach erscheint und verschwindet aus dem Sehfeld, die Zuordnung von ID-Nummern erkannt Skelette springen kann, welche Belastungen die Analyse. Obwohl die 3-d-Sensor das Signal bei der Frequenz von 30 Hz in der Theorie gibt, die tatsächliche Ausgabe möglicherweise Lücken von bis zu 100 Ms. daher, es ist wichtig, zu verfolgen und den Zeitstempel zu exportieren.

Unser erste Test erfolgte auf der ersten Version des 3-d-Sensors, die derzeit durch eine zweite Version ersetzt wurden, und unsere modifizierte Version basierend auf diese zweite Version implementiert ist. Zwischen den Versionen die zugrunde liegenden Treiber sind unterschiedlich und auch die Anwendungsschnittstelle (API) hat sich geändert. Es gibt keine signifikanten Unterschiede bei die Anwendung der Migration. Da beide Anwendungsversionen frei auf Anfrage werden von den Autoren bereitgestellt können und die Sensortreiber von der Kinect-Website heruntergeladen werden können, ist dies kein Thema für den Benutzer.

Mit dem 3-d-Sensor, haben wir eine innovative, quantitative und objektive oberen Extremität Funktion Bewertungstool kinderfreundliches Spiel-ähnliche Technologie entwickelt. Die Machbarkeit wurde erforscht und analysiert. Unsere Arbeit demonstriert die potenzielle macht der 3-d-Sensor als Alternativen und komplementären Ansatz zur Bewertung der Bewegung.

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Microsoft Kinect für Windows v1 Sensor	Microsoft	N/A	Die erste Version des Tests wurde auf dem Kinect Sensor v1 entwickelt, der nicht mehr verkauft wird. Die zweite Version wurde jedoch auf dem Kinect Sensor v2 entwickelt, der auf ähnliche Weise getestet werden kann, indem Microsoft Kinect für Windows v2 Sensor (GT3-00003) zusammen mit dem Microsoft Kinect Adapter (9J7-00009)
DELL XPS 2720 All-In-One PC mit Windows 8 Betriebssystem, 16G RAM, Intel Core i7 und 64-Bit	DELL	N/A	verwendet wirdIn unserem Setup wurde ein All-in-One-Computer verwendet, aber in der Tat funktioniert jeder Laptop oder Computer, der die folgenden Anforderungen erfüllt und einen großen Bildschirm für die Probanden hat: Betriebssystem Windows 8 oder höher; 64-Bit-Prozessor; Dual-Core-Prozessor mit 3,2 GHz oder schneller; dedizierter USB 3.0-Bus; 2 GB Arbeitsspeicher