A subscription to JoVE is required to view this content. Sign in or start your free trial.
Research Article
Please note that some of the translations on this page are AI generated. Click here for the English version.
El protocolo muestra un prototipo de la plataforma de recopilación de datos multimodal en el hogar que apoya la investigación que optimiza la estimulación cerebral profunda adaptativa (aDBS) para personas con trastornos neurológicos del movimiento. También presentamos los hallazgos clave de la implementación de la plataforma durante más de un año en el hogar de una persona con la enfermedad de Parkinson.
La estimulación cerebral profunda adaptativa (aDBS, por sus siglas en inglés) es prometedora para mejorar el tratamiento de trastornos neurológicos como la enfermedad de Parkinson (EP). La aDBS utiliza biomarcadores relacionados con los síntomas para ajustar los parámetros de estimulación en tiempo real para atacar los síntomas con mayor precisión. Para permitir estos ajustes dinámicos, se deben determinar los parámetros de un algoritmo aDBS para cada paciente individual. Esto requiere un ajuste manual que requiere mucho tiempo por parte de los investigadores clínicos, lo que dificulta encontrar una configuración óptima para un solo paciente o escalar a muchos pacientes. Además, la efectividad a largo plazo de los algoritmos de aDBS configurados en la clínica mientras el paciente está en casa sigue siendo una pregunta abierta. Para implementar esta terapia a gran escala, se necesita una metodología para configurar automáticamente los parámetros del algoritmo aDBS mientras se monitorean de forma remota los resultados de la terapia. En este artículo, compartimos un diseño para una plataforma de recolección de datos en el hogar para ayudar al campo a abordar ambos problemas. La plataforma se compone de un ecosistema integrado de hardware y software que es de código abierto y permite la recopilación en el hogar de datos de video neuronales, inerciales y multicámara. Para garantizar la privacidad de los datos identificables del paciente, la plataforma encripta y transfiere datos a través de una red privada virtual. Los métodos incluyen la alineación temporal de los flujos de datos y la extracción de estimaciones de pose de las grabaciones de vídeo. Para demostrar el uso de este sistema, implementamos esta plataforma en el hogar de una persona con EP y recopilamos datos durante tareas clínicas autoguiadas y períodos de comportamiento libre en el transcurso de 1,5 años. Se registraron datos en amplitudes de estimulación subterapéutica, terapéutica y supraterapéutica para evaluar la gravedad de los síntomas motores en diferentes condiciones terapéuticas. Estos datos alineados en el tiempo muestran que la plataforma es capaz de recopilar datos multimodales sincronizados en el hogar para la evaluación terapéutica. Esta arquitectura de sistema se puede utilizar para respaldar la investigación automatizada de la ECP, para recopilar nuevos conjuntos de datos y para estudiar los efectos a largo plazo de la terapia de ECP fuera de la clínica para las personas que padecen trastornos neurológicos.
La estimulación cerebral profunda (DBS, por sus siglas en inglés) trata trastornos neurológicos como la enfermedad de Parkinson (EP) mediante la administración de corriente eléctrica directamente a regiones específicas del cerebro. Se estima que hay 8,5 millones de casos de EP en todo el mundo, y la ECP ha demostrado ser una terapia crítica cuando la medicación es insuficiente para controlar los síntomas 1,2. Sin embargo, la eficacia de la ECP puede verse limitada por los efectos secundarios que a veces se producen a partir de la estimulación que se administra convencionalmente a una amplitud, frecuencia y ancho de pulso fijos3. Esta implementación de bucle abierto no responde a las fluctuaciones en el estado de los síntomas, lo que da lugar a entornos de estimulación que no se adaptan adecuadamente a las necesidades cambiantes del paciente. La ECP se ve obstaculizada aún más por el largo proceso de ajuste de los parámetros de estimulación, que actualmente los médicos realizan manualmente para cada paciente individual.
La ECP adaptativa (aDBS) es un enfoque de bucle cerrado que ha demostrado ser una próxima iteración eficaz de la ECP mediante el ajuste de los parámetros de estimulación en tiempo real cada vez que se detectan biomarcadores relacionados con los síntomas 3,4,5. Los estudios han demostrado que las oscilaciones beta (10-30 Hz) en el núcleo subtalámico (STN) ocurren consistentemente durante la bradicinesia, una ralentización del movimiento que es característica de la EP 6,7. De manera similar, se sabe que las oscilaciones gamma altas (50-120 Hz) en la corteza ocurren durante los períodos de discinesia, un movimiento excesivo e involuntario que también se ve comúnmente en la EP8. Trabajos recientes han administrado con éxito aDBS fuera de la clínica durante períodos prolongados5, sin embargo, no se ha establecido la efectividad a largo plazo de los algoritmos de aDBS que se configuraron en la clínica mientras el paciente está en casa.
Se necesitan sistemas remotos para capturar la eficacia variable en el tiempo de estos algoritmos dinámicos para suprimir los síntomas encontrados durante la vida diaria. Si bien el enfoque de estimulación dinámica de la aDBS permite potencialmente un tratamiento más preciso con efectos secundarios reducidos3,9, la aDBS todavía sufre una gran carga para los médicos a la hora de identificar manualmente los parámetros de estimulación para cada paciente. Además del ya amplio conjunto de parámetros que hay que programar durante la DBS convencional, los algoritmos aDBS introducen muchos parámetros nuevos que también deben ajustarse cuidadosamente. Esta combinación de parámetros de estimulación y algoritmos produce un vasto espacio de parámetros con un número inmanejable de combinaciones posibles, lo que impide que la aDBS se amplíe a muchos pacientes10. Incluso en entornos de investigación, el tiempo adicional necesario para configurar y evaluar los sistemas de aDBS dificulta la optimización adecuada de los algoritmos únicamente en la clínica, y es necesaria la actualización remota de los parámetros. Para hacer de aDBS un tratamiento que pueda escalar, se debe automatizar la estimulación y el ajuste de los parámetros del algoritmo. Además, los resultados de la terapia deben analizarse a través de ensayos repetidos para establecer la aDBS como un tratamiento viable a largo plazo fuera de la clínica. Existe la necesidad de una plataforma que pueda recopilar datos para la evaluación remota de la eficacia de la terapia y para implementar de forma remota actualizaciones de los parámetros del algoritmo aDBS.
El objetivo de este protocolo es proporcionar un diseño reutilizable para una plataforma multimodal de recopilación de datos en el hogar para mejorar la efectividad de la aDBS fuera de la clínica y permitir que este tratamiento se amplíe a un mayor número de individuos. Hasta donde sabemos, es el primer diseño de plataforma de recopilación de datos que evalúa de forma remota los resultados terapéuticos utilizando cámaras de video en el hogar, sensores portátiles, grabación de señales neuronales crónicas y retroalimentación impulsada por el paciente para evaluar los sistemas de aDBS durante tareas controladas y comportamiento naturalista.
La plataforma es un ecosistema de componentes de hardware y software construido sobre sistemas previamente desarrollados5. Se puede mantener completamente a través del acceso remoto después de una instalación inicial de hardware mínimo para permitir la recopilación de datos multimodales de una persona en la comodidad de su hogar. Un componente clave es el sistema de neuroestimulación implantable (INS)11 que detecta la actividad neuronal y proporciona estimulación al STN, y registra la aceleración de los implantes torácicos. Para el implante utilizado en el despliegue inicial, la actividad neuronal se registra a partir de derivaciones bilaterales implantadas en el STN y de electrodos de electrocorticografía implantados sobre la corteza motora. Un sistema de grabación de video ayuda a los médicos a monitorear la gravedad de los síntomas y la efectividad de la terapia, que incluye una interfaz gráfica de usuario (GUI) para permitir una fácil cancelación de las grabaciones en curso para proteger la privacidad del paciente. Los videos se procesan para extraer trayectorias cinemáticas de posición en dos dimensiones (2D) o tridimensionales (3D), y los relojes inteligentes se usan en ambas muñecas para capturar información de velocidad angular y aceleración. Es importante destacar que todos los datos se cifran antes de transferirse al almacenamiento en la nube a largo plazo, y solo se puede acceder a la computadora con videos identificables del paciente a través de una red privada virtual (VPN). El sistema incluye dos enfoques para la alineación temporal post-hoc de todos los flujos de datos, y los datos se utilizan para monitorear de forma remota la calidad del movimiento del paciente y para identificar biomarcadores relacionados con los síntomas para refinar los algoritmos de aDBS. La parte de video de este trabajo muestra el proceso de recolección de datos y animaciones de trayectorias cinemáticas extraídas de videos recolectados.
Una serie de consideraciones de diseño guiaron el desarrollo del protocolo:
Garantizar la seguridad de los datos y la privacidad del paciente: La recopilación de datos identificables de los pacientes requiere el máximo cuidado en la transmisión y el almacenamiento para que se cumpla la Ley de Portabilidad y Responsabilidad del Seguro Médico (HIPAA)12,13 y respetar la privacidad del paciente en su propio hogar. En este proyecto, esto se logró mediante la configuración de una VPN personalizada para garantizar la privacidad de todo el tráfico confidencial entre las computadoras del sistema.
Límites de seguridad de los parámetros de estimulación: Es fundamental asegurarse de que el paciente permanezca seguro mientras prueba los algoritmos de aDBS que pueden tener efectos no deseados. El INS del paciente debe ser configurado por un clínico para tener límites seguros para los parámetros de estimulación que no permitan efectos peligrosos de sobreestimulación o subestimulación. Con el sistema INS11 Utilizada en este estudio, esta función es habilitada por un programador clínico.
Asegurar que el paciente vete: Incluso dentro de los límites de los parámetros seguros, la variabilidad diaria de los síntomas y las respuestas de estimulación pueden dar lugar a situaciones desagradables para el paciente en las que no le gusta un algoritmo sometido a prueba y desea volver a la ECP clínica normal de bucle abierto. El sistema INS seleccionado incluye un módulo de telemetría del paciente (PTM) que permite al paciente cambiar manualmente su grupo de estimulación y la amplitud de estimulación en mA. También existe una aplicación de investigación conectada al INS que se utiliza para la configuración remota del INS antes de la recopilación de datos14, lo que también permite al paciente abortar los ensayos de aDBS y controlar su terapia.
Captura de comportamientos complejos y naturales: Los datos de vídeo se incorporaron a la plataforma para permitir a los médicos monitorizar de forma remota la eficacia de la terapia y extraer trayectorias cinemáticas de las estimaciones de las posturas para su uso en los análisis de investigación15. Si bien los sensores portátiles son menos intrusivos, es difícil capturar el rango dinámico completo de movimiento de todo un cuerpo utilizando solo sistemas portátiles. Los videos permiten la grabación simultánea de todo el rango de movimiento del paciente y sus síntomas a lo largo del tiempo.
Facilidad de uso del sistema para los pacientes: La recopilación de datos multimodales en el hogar requiere que se instalen y utilicen múltiples dispositivos en el hogar de un paciente, lo que podría resultar oneroso para los pacientes. Para que el sistema sea fácil de usar y al mismo tiempo garantizar el control del paciente, solo los dispositivos que están implantados o conectados físicamente al paciente (en este caso, incluido el sistema INS y los relojes inteligentes) deben encenderse manualmente antes de iniciar una grabación. En el caso de los dispositivos que están separados del paciente (en este caso, incluye datos grabados por cámaras de vídeo), las grabaciones se inician y finalizan automáticamente sin necesidad de interacción con el paciente. Durante el diseño de la interfaz gráfica de usuario se tuvo cuidado de minimizar el número de botones y evitar árboles de menús profundos para que las interacciones fueran simples. Una vez instalados todos los dispositivos, un coordinador de investigación le mostró al paciente cómo interactuar con todos los dispositivos a través de las interfaces gráficas de usuario orientadas al paciente que forman parte de cada dispositivo, por ejemplo, cómo finalizar las grabaciones en cualquier dispositivo y cómo ingresar su historial de medicamentos e informes de síntomas.
Transparencia en la recopilación de datos: Es imperativo indicar claramente cuándo se encienden las cámaras para que las personas sepan cuándo están siendo grabadas y puedan suspender la grabación si necesitan un momento de privacidad. Para lograr esto, se utiliza una aplicación de sistema de cámara para controlar las grabaciones de video con una interfaz gráfica de usuario orientada al paciente. La interfaz gráfica de usuario se abre automáticamente cuando se inicia la aplicación y muestra la hora y la fecha de la próxima grabación programada. Cuando una grabación está en curso, un mensaje indica cuándo está programada la finalización de la grabación. En el centro de la interfaz gráfica de usuario, se muestra una imagen grande de una luz roja. La imagen muestra que la luz se ilumina intensamente cada vez que hay una grabación en curso y cambia a una imagen no iluminada cuando las grabaciones están desactivadas.
El protocolo detalla los métodos para diseñar, construir e implementar una plataforma de recopilación de datos en el hogar, para verificar la calidad de los datos recopilados para verificar su integridad y solidez, y para el posprocesamiento de datos para su uso en futuras investigaciones.
Figura 1: Flujo de datos. Los datos de cada modalidad se recopilan independientemente de la residencia del paciente antes de procesarlos y agregarlos en un único punto final de almacenamiento remoto. Los datos de cada modalidad se envían automáticamente a un punto de conexión de almacenamiento remoto. Con la ayuda de uno de los miembros del equipo, se puede recuperar, verificar su validez, alinear el tiempo en todas las modalidades, así como someterlo a un preprocesamiento más específico de la modalidad. A continuación, el conjunto de datos compilado se carga en un punto de conexión de almacenamiento remoto al que todos los miembros del equipo pueden acceder de forma segura para un análisis continuo. Todas las máquinas con acceso a datos, especialmente para datos confidenciales como video sin procesar, están encerradas dentro de una VPN que garantiza que todos los datos se transfieran de forma segura y que los datos almacenados estén siempre encriptados. Haga clic aquí para ver una versión más grande de esta figura.
Los pacientes se inscriben a través de un estudio más grande aprobado por el IRB y el IDE en el aDBS en la Universidad de California, San Francisco, protocolo # G1800975. El paciente inscrito en este estudio también dio su consentimiento informado específicamente para este estudio.
1. Componentes del sistema en el hogar
Figura 2: Componentes de grabación de vídeo. Los componentes de hardware para admitir la recopilación de datos de video son mínimos, incluida una PC de una sola torre, cámaras web conectadas por USB y un pequeño monitor para mostrar la interfaz gráfica de usuario orientada al paciente. El monitor está habilitado para pantalla táctil para permitir una fácil finalización de cualquier grabación en curso o programada presionando los botones visibles en la GUI. El centro de la interfaz gráfica de usuario muestra una imagen de una luz de grabación que se vuelve de color rojo brillante cuando las cámaras de video están grabando activamente. Haga clic aquí para ver una versión más grande de esta figura.
2. Configuración en el hogar
3. Recopilación de datos
4. Caracterización del sistema
5. Preprocesamiento y alineación de datos post-hoc
Figura 3: Alineación de datos basada en gestos. La mitad superior de la figura muestra la interfaz gráfica de usuario de alineación manual después de alinear los tres flujos de datos. La línea azul son los datos de acelerometría del reloj inteligente, la línea naranja son los datos de acelerometría del INS y la línea verde es la posición de pose 2D de la yema del dedo medio derecho desde una sola cámara web. La parte superior derecha muestra el desplazamiento entre la hora real del reloj inteligente y el INS, así como varias banderas de advertencia para marcar cualquier problema que surja. En este ejemplo, el INS estaba 20,8 s por delante del smartwatch. El gráfico inferior izquierdo se amplía para mostrar las cinco pulsaciones torácicas realizadas por el paciente para la alineación de datos. Los cinco picos son lo suficientemente claros en cada flujo de datos para garantizar una alineación adecuada. Haga clic aquí para ver una versión más grande de esta figura.
Diseño e implementación de prototipos de plataforma
Diseñamos un prototipo de plataforma y lo desplegamos en el domicilio de un solo paciente (Figura 1). Después de la primera instalación de hardware en el hogar, la plataforma se puede mantener y los datos se pueden recopilar completamente a través del acceso remoto. Los dispositivos INS, los relojes inteligentes y las cámaras tienen aplicaciones orientadas al paciente que permiten a los pacientes iniciar y detener las grabaciones. El hardware de recopilación de vídeo permite las grabaciones automáticas de vídeo después de que se haya configurado una programación aprobada. Los pacientes pueden cancelar fácilmente una grabación en curso simplemente presionando un botón en la interfaz gráfica de usuario de la aplicación de grabación de video (Figura 2). Todos los datos recopilados se cifraron y se transfirieron a un sitio de almacenamiento en la nube para que los investigadores los procesaran y analizaran.
Recogida de datos
Para los primeros despliegues y ciclos de recopilación de datos, le pedimos al paciente que realizara tareas clínicas autoguiadas. Las tareas se tomaron de la escala unificada de calificación de la enfermedad de Parkinson (UPDRS)26, a saber, temblor en reposo, golpeteo con los dedos pulgar a índice, apertura y cierre de manos, pronación-supinación de muñeca, movimiento de sentarse a pararse y caminar, y una tarea de mecanografía. Todas las tareas se repitieron tres veces por cada día de grabación. Para cada repetición, se estableció una amplitud de estimulación diferente para exponer los posibles síntomas de la EP relacionados con la estimulación. La Figura 4 muestra un ejemplo esquematizado de cómo podría ser una semana de datos recopilados con el sistema.
Figura 4: Disponibilidad de datos. Una demostración esquematizada de cómo podría ser una semana de datos recopilados con el sistema. El gráfico superior muestra el nivel de estimulación (azul) en el transcurso de varios ciclos día/noche. Los cambios en la estimulación de este paciente dependen de su horario de sueño y de las horas de ingesta de medicamentos (líneas rojas verticales). En momentos arbitrarios a lo largo del día, el sistema de recopilación de datos se puede habilitar de forma remota para recopilar datos para múltiples modalidades, que se muestran como cuadros de colores. Un ejemplo de todos los flujos de datos paralelos alineados en el tiempo, simplemente seleccionados hacia abajo en el lado izquierdo del cuerpo, se muestra en el gráfico inferior. Durante este registro, se le pidió al paciente que realizara una serie de evaluaciones clínicas durante condiciones de estimulación de baja, terapéutica y alta amplitud. Todos los datos que se muestran aquí corresponden a datos reales recopilados, pero se han comprimido en experimentos separados para facilitar la visualización y mostrar variedad. Abreviaturas: LFP=potencial de campo local, STN=núcleo subtalámico, Accel=acelerómetro, Gyro=giroscopio, 2D=bidimensional. Haga clic aquí para ver una versión más grande de esta figura.
Alineación manual
La interfaz gráfica de usuario de alineación manual proporciona una plataforma fácil de usar para alinear múltiples flujos de datos. Como se muestra en la Figura 3, los golpecitos torácicos proporcionan un artefacto claramente identificable en todas las modalidades de datos (INS, relojes inteligentes, videos) que se pueden usar en la alineación manual. La interfaz gráfica de usuario era un medio útil para alinear los datos, pero esto podía cambiarse por cualquier otra herramienta de alineación que los investigadores quisieran utilizar. En algunos casos, los flujos de datos tienen una ligera desviación. Una posible solución futura a este problema sería dividir los datos de la sesión en diferentes ensayos, cada uno con su propia secuencia de golpecitos en el pecho. Cada prueba se puede alinear individualmente para minimizar el impacto de la deriva.
Alineación temporal de correlación cruzada normalizada cero (ZNCC)
El método para ZNCC funciona bien en algunos casos, pero tiene algunas vulnerabilidades críticas. Por ejemplo, para algunos movimientos, las dos señales del acelerómetro se pueden desplazar de fase una con respecto a la otra. Si un movimiento alineado de fase y un movimiento desplazado de fase se incluyen en las épocas analizadas, entonces el ZNCC puede tener un pico múltiple o incluso ningún pico claro. La normalización de ZNCC permite que estas alineaciones se identifiquen automáticamente y se descarten según sea necesario. Este método funciona mejor si ambas señales están relativamente libres de ruido y se ajustan a una época con grandes efectos sincronizados en ambas trazas. Los mejores resultados se lograron cuando se le pidió al paciente que realizara una serie de golpecitos fuertes con ambas manos contra el pecho. Sin embargo, en la práctica, la verificación manual de la alineación automatizada era necesaria en suficientes casos como para que la ventaja de utilizar el método automatizado fuera insignificante.
Calidad de los datos
La pérdida de datos durante la transferencia automatizada fue insignificante, ya que el proceso del protocolo de transferencia de datos realiza copias de seguridad sin procesar para garantizar que cualquier pérdida sea recuperable. La pérdida de datos por problemas de conectividad se producía con regularidad, ya que el Bluetooth y la radiofrecuencia a veces tienen interrupciones inesperadas de la conexión y tienen un alcance limitado. Los intervalos cortos de hasta 2 segundos ocurrieron aproximadamente unas pocas veces por hora, y los intervalos más largos de hasta 2 minutos ocurrieron aproximadamente una vez cada dos horas. Más allá de la pérdida de datos, se observaron importantes artefactos de estimulación en los datos neuronales, cuya gravedad dependía del registro y de los grupos de estimulación elegidos. Los artefactos más grandes ocurren cerca de la frecuencia de estimulación, muy fuera de los rangos de interés. No se observaron artefactos en los datos de los relojes inteligentes. Los videos se grabaron a una velocidad de fotogramas constante; sin embargo, se identificaron fotogramas duplicados en los vídeos. Esto produjo una velocidad de fotogramas real de unos pocos fotogramas menos que la velocidad de fotogramas teórica establecida por las especificaciones de la cámara web. Sin embargo, más notables que los fotogramas duplicados fueron los períodos de congelación que se identificaron en los videos a intervalos variables según el día de grabación. Se observaron regularmente períodos de congelación de aproximadamente 10 fotogramas o menos; sin embargo, también se observaron secciones más largas, de aproximadamente 2 a 30 segundos de duración, en períodos irregulares.
Recogida de datos longitudinales
La Tabla 1 muestra los datos que el prototipo de la plataforma ha recopilado periódicamente a lo largo de 1,5 años. En ese tiempo, se recopilaron cientos de horas de datos, con un total de 293 horas de datos del INS en ambos lados del cuerpo, 224 horas de datos de relojes inteligentes para ambos relojes y 2.037 horas de datos de video en tres cámaras web. Esto demuestra que la plataforma admite la recopilación de datos en el hogar durante largos períodos de tiempo, al tiempo que ofrece una oportunidad única para observar los cambios longitudinales en los datos neuronales y los requisitos de estimulación correspondientes.
| Tipo de dato | Duración total (hh:mm:ss) | Total de días | Tamaño de almacenamiento |
| Neural | 293:17:33 | 90 | 28,94 GB |
| Reloj | 224:06:05 | 89 | 35,67 GB |
| Vídeo | 2037:06:11 | 228 | 146.073,77 GB |
Tabla 1: Resumen longitudinal de los datos recogidos. La plataforma desplegada recopiló datos durante varios experimentos a lo largo de 1,5 años. Se registraron aproximadamente 90 días con flujos de datos neuronales, de video y de relojes inteligentes que se recopilaron.
Estimaciones de poses 2D y 3D
En la actualidad hay disponibles varios paquetes de software de estimación de poses. La estimación de la pose se probó utilizando OpenPose, un paquete de software de código abierto21. Esto se instaló con éxito siguiendo la documentación proporcionada por el GitHub de la organización, así como muchos otros tutoriales no oficiales que se encuentran en la web. El tiempo de procesamiento de OpenPose varía significativamente en función de cómo se instalen la biblioteca de OpenPose y sus amplias dependencias, el tamaño de la GPU utilizada y si se procesan los puntos clave opcionales de manos y caras. La pose 2D fue relativamente fácil de implementar, sin embargo, la pose 3D fue notablemente más difícil y los resultados preliminares 3D produjeron una calidad inconsistente igual a la de la pose 2D. La estimación de la pose 3D de baja calidad puede haberse visto afectada negativamente por una calibración subóptima de la cámara, períodos en los que el enfoque automático de la cámara se activó erróneamente o inherente al propio software OpenPose. Sin embargo, los videos sincronizados de alta calidad desde múltiples ángulos pueden proporcionar entradas ricas para una variedad de paquetes de software de estimación de poses disponibles. Se recomienda que la configuración de la prueba se complete fuera del hogar del paciente, con una evaluación comparativa manual de los diferentes paquetes de software de estimación de poses disponibles.
Figura complementaria 1: Análisis del retardo de fotogramas de vídeo. Se detectaron retrasos en las marcas de tiempo generadas desde la aplicación de grabación de video durante la caracterización del sistema. Para investigar la causa de los retrasos, el número de fotogramas y la marca de tiempo generados por cada cámara se determinaron registrando una luz LED roja que parpadeaba a intervalos aleatorios, luego se calcularon las variaciones en los retrasos de marca de tiempo entre las cámaras. (Arriba) Intensidades de LED (en unidades RGB) medidas en cada una de las tres cámaras, lo que demuestra los desplazamientos de tiempo observados entre las tres cámaras (indicados con flechas rojas). (Abajo) Tres gráficos muestran los retrasos de la marca de tiempo entre cámaras en el número de fotogramas para una serie de parpadeos de LED en toda la grabación. Cada grabación se dividió en varios segmentos y el retraso de fotogramas fue aproximadamente constante a lo largo del tiempo. Haga clic aquí para descargar este archivo.
Archivo complementario 1: Método de análisis de fotogramas de vídeo y marcas de tiempo. Haga clic aquí para descargar este archivo.
Los autores no tienen conflictos de intereses que revelar.
El protocolo muestra un prototipo de la plataforma de recopilación de datos multimodal en el hogar que apoya la investigación que optimiza la estimulación cerebral profunda adaptativa (aDBS) para personas con trastornos neurológicos del movimiento. También presentamos los hallazgos clave de la implementación de la plataforma durante más de un año en el hogar de una persona con la enfermedad de Parkinson.
Este material se basa en el trabajo apoyado por el Programa de Becas de Investigación de Posgrado de la Fundación Nacional de Ciencias (DGE-2140004), el Weill Neurohub y el Instituto Nacional de Salud (UH3NS100544). Todas las opiniones, hallazgos, conclusiones o recomendaciones expresadas en este material pertenecen al autor o autores y no reflejan necesariamente los puntos de vista de la Fundación Nacional de Ciencias, el Weill Neurohub o el Instituto Nacional de Salud. Agradecemos a Tianjiao Zhang por sus consultas expertas sobre el diseño de la plataforma y la incorporación de datos de video. Agradecemos especialmente al paciente por su participación en este estudio y por los comentarios y consejos sobre la seguridad de la red y el diseño de la plataforma.
| Análisis RCS Procesamiento de datos OpenMind | https://github.com/openmind-consortium/Analysis-rcs-data, código abierto | ||
| Apple Watches | Apple, Inc | Utilice 2 relojes para cada paciente, uno en cada muñeca | |
| BRIO ULTRA HD PRO BUSINESS WEBCAM | Logitech | 960-001105 | Usado 3 en nuestra plataforma diseño |
| Software de edición de video DaVinci Resolve | DaVinci Resolve | se utiliza para respaldar la calibración de la cámara | |
| Dell XPS PC | Unidad | de disco duro Dell2T, SSD de 500 GB, | |
| Dropbox | ,Dropbox | ||
| , ffmpeg | N/A | de código abierto, instalar para ejecutar la aplicación de grabación de video | |
| Soportes de cuello de cisne para cámaras web | N/A | ||
| GPU | Nvidia | Se recomienda un mínimo de 8 GB de memoria GPU para ejecutar OpenPose, 12 GB es ideal | |
| Java 11 | Oracle | Instalar para ejecutar la aplicación de grabación de video | |
| Microsoft Surface tableta | Microsoft | ||
| NoMachine | NoMachine | Ideal cuando se utiliza un sistema operativo Linux, OpenPose de código abierto | |
| N/A | Programa de | ||
| transferencia de archivos Rclone | de código abiertoRclone | Encripta datos y copia o mueve datos a almacenamiento externo, | |
| aplicación StrivePD | de código abiertoRuneLabs | Instalamos la aplicación en los Apple Watch para iniciar grabaciones y cargar datos en un portal en línea. | |
| Sistema de neuromodulación Summit RC+S | Medtronic | Solo para uso en investigación | |
| Monitor compatible con pantalla táctil | N/A | ||
| Video para Linux 2 API | El kernel | de Linux | Instalar si se utiliza un sistema operativo Linux para la grabación de vídeo |
| Wasabi | Wasabi | Almacenamiento de datos en la nube a largo plazo | |
| WireGuard VPN Protocol | WireGuard | de código abierto |
