מאמר שיטה

ביואריטים דיגיטליים דינמיים של תפקוד מוטורי וקוגניטיבי במחלת פרקינסון

DOI:

10.3791/59827

⸱

24 ביולי 2019

 ,  ,  , 
1Department of Psychology, Rutgers University, 2Rutgers University Center for Cognitive Science, Rutgers University, 3Rutgers-Robert Wood Johnson Medical School, Department of Psychiatry, Rutgers University, 4Center for Biomedicine, Imaging and Modelling, Department of Computer Science, Rutgers University

במאמר זה

סיכום

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

פרוטוקול זה מציע דיגיטציה של חלקים של משימות קליניות מסורתיות המשמשות בדרך כלל למדידת קוגניציה ושליטה מוטורית במחלת פרקינסון. משימות קליניות הם סרוקים בעוד מקצבים ביופיזיים הם שותפים רשומים רמות פונקציונליות שונות של מערכות העצבים, החל מרצון, ספונטני, אוטומטי לאוטונומית.

תקציר

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

כמו מחלת פרקינסון (PD) היא הפרעה הטרוגנית, התרופה אישית היא הכרחית באמת כדי לייעל את הטיפול. בצורתם הנוכחית, ציונים סטנדרטיים מתוך הסימפטום נייר ועיפרון-אמצעים המשמשים באופן מסורתי כדי לעקוב אחר התקדמות המחלה הם גסים מדי (דיסקרטית) כדי ללכוד את הצפיפות של התופעות הקליניות תחת שיקול, בפני סימפטום עצום גיוון. מסיבה זו, חיישנים, ללבוש, ומכשירים ניידים משולבים יותר ויותר לתוך מחקר PD וטיפול שגרתי. מדדים דיגיטליים אלה, בעוד מדויקים יותר, מפיקות נתונים שאינם סטנדרטיים ומתותרגם פחות מאשר האמצעים המסורתיים, וכתוצאה מכך, שני סוגי הנתונים נותרים במידה רבה. שתי הסוגיות הללו מציגות מחסומים ליישום הקליני הרחב של כלי ההערכה המדויקים ביותר בתחום. פרוטוקול זה מטפל בשתי הבעיות. באמצעות משימות מסורתיות כדי למדוד קוגניציה ושליטה מוטורית, אנו בודקים את המשתתף, תוך שיתוף הרישום של אותות ביופיזיים בלתי מורגש באמצעות ללבוש. לאחר מכן נשלב את התוצאות משיטות הנייר והעיפרון המסורתיות עם הנתונים הדיגיטליים שאנו רושמים ללא הרף. אנו מציעים סוג חדש של נתונים סטנדרטיים המאחד פלטפורמה סטטיסטית המאפשרת מעקב דינמי של שינוי בחתימות סטוכסטיים של האדם בתנאים שונים כי בדיקה רמות פונקציונליות שונות של שליטה מניע עצבי, החל התנדבותי לאוטונומיות. הפרוטוקול ומסגרת סטטיסטית סטנדרטית להציע סמנים דיגיטליים דינמיים של תפקוד פיסי וקוגניטיבי ב PD המתאימים קשקשים קליניים מאומת, תוך שיפור משמעותי הדיוק שלהם.

מבוא

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

הרפואה המדויקת (באיור 1) התפתחה כפלטפורמה רבת עוצמה לפיתוח טיפולים ממוקדים ומותאמים אישית. בתחום מחקר הסרטן, מודל זה כבר מוצלח מאוד העיקרים שלה מחויבים לחולל מהפכה בתחום הרפואי בעתיד הקרוב1. PM משלבת שכבות מרובות של ידע, החל דוחות העצמי של המטופלים כדי גנומיקה. שילוב מידע בכל הרבדים הללו מביא להערכה אישית המאפשרת פרשנות של הנתונים והמלצות טיפול מדויקות יותר המכוונות להתחשב בכל ההיבטים של חיי האדם.

ישנם מספר אתגרים כאשר מנסים להתאים את פלטפורמת PM להפרעות נפשיות ונוירולוגיות של מערכות העצבים2,3, ואתגרים אלה לאחרונה נשמעו4. בין אלה הם הפער בנתונים הנרכשים, כלומר ציונים בדידים מתוך שיטות העיפרון והנייר הקליני מונחה על ידי התבוננות, ונתונים ביופיזיים רציפה שנרכשו באופן פיזי מתוך פלט מערכות העצבים (למשל, באמצעות הביוחיישנים). הנתונים מציונים קליניים נוטים להניח בגודל אחד-מתאים לכל מודל סטטי האוכף פונקציית התפלגות אחת (תיאורטית) של הסתברות (PDF). הנחה זו מטילה על הנתונים ללא האימות האמפירי המתאים, משום שהנתונים הנורמטיביים לא נרכשו והואפיינו מלכתחילה. בתור שכזה, לא קיימים מאפיינים מתאימים של דמיון-מטרי המתארים את המדינות הנוירוסטיות של מערכות העצבים האנושיות, כאשר האדם הבריא משתנה ומרווחי ההסתברות המשמשים להטיל שינוי וריאציות פרמטרים אלה בקצב מסוים. ללא נתונים נורמטיביים ומדדי דמיון נאות, לא ניתן למדוד יציאות ממדינות טיפוסיות כשהן משתנות באופן דינמי לאורך חיי האדם. כמו כן, לא ניתן לנבא את ההשלכות התחושתיות של השינויים הקרבים.

figure-introduction-1
איור 1: פלטפורמת הרפואה המדויקת: מילוי הפער בין התנהגויות לגנומיקה כדי לאפשר פיתוח טיפול ממוקד ברפואה אישית המתורגמת להפרעות נוירולוגיות ופסיכיאטריות של מערכות העצבים. פלטפורמת הרפואה המדויקת לפיתוח טיפולים ממוקדים מותאמים אישית יכולה להיות מתורגמת לאבחון וטיפול בהפרעות נוירולוגיות ופסיכיאטריות של מערכות העצבים. עם זאת, ברשת הידע, השכבה של ניתוחים התנהגותיים צריך שינוי פרדיגמה לשלב תוצאות דיגיטליות חדשות המתעוררים מנתונים ביופיזיים עם קריטריונים קליניים מסורתיים יותר. האתגר מראש הוא לספק שיטות קול מבחינה סטטיסטית וכלים חדשים הדמיה אינטואיטיבית עבור שילוב כזה, תוך עידוד השימוש באמצעים התוצאה הדיגיטלית על ידי מטפלים, חולים ומטפלים. דמות זו השתנתה מן Hawgood ואח '1 עם אישור האגודה האמריקנית לקידום המדע. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

הגישה הנוכחית "grand בממוצע" מחליקה החוצה כרעש של תנודות סטוכסטיים של האינדיבידואל בנתונים, כלומר, שינויים באות המתבטאת כאדם בגיל טבעי, כפי שההפרעה מתקדמת, וכמערכות העצבים של האדם לקבל ולהגיב לטיפולים. חוסר הנתונים הנורמטיביים (כלומר, הערכת החתך הרוחב הגדול וחלקי האורך של האוכלוסיה הבריאה) מונעים מאיתנו להבין את הדינמיקה הנוירוטיפוסית של הזדקנות בריאה. ככזה, זה הופך אתגר לדעת כיצד לצפות בדרך כלל באופן כללי יותר את ההשלכות של מחלה נתונה, כפי הפתולוגיה מתחיל מניפסט מערכתית בפרט. גישות ניבוי הן קריטיות לעיצוב טיפולים רגנרטיבית ו/או טיפולים נוירוגינים כי להאט את תהליך הניווניות. מחלת פרקינסון היא דוגמה טובה של הפתווגיות לפיה הביטויים של ההפרעה לפניהם סימפטומים רבים אחרים מדידה. אנו יודעים היום כי הפרעות מוטוריות גלוי לפני היו בעיות חישה פחות גלוי כגון פונקציה ריח מופחת5,6, שינויים דפוסי דיבור, העין תנועה מהירה (REM) לישון7, ושאר מנועי סימפטומים הקשורים לתפקוד מערכות העצבים המעית8. עד ההפרעה מתבטא, יש כבר מחסור בדואמינרגיים גבוה במערכת; עדיין סימפטומים שאינם מוטוריים יכול להיות תחזית כמה ליקויים מוטוריים גלויים, שבו ההפרעה מוערך כעת בעיקר.

יש צורך לשנות את המודלים האנליטיים הנוכחיים ולשקול את החשיבות של האפיון של נתונים אמפיריים בכל הרמות של מערכות העצבים, לפיו מניפסט biorhythmic תנועות וניתן לרתום באופן דינאמי בצורת סדרת זמן שותף לרישום עם ריבוי של חיישנים. נתוני תנועה במובן הכללי יותר שלה לא צריך להיות מוגבל תנועות והפרעות שהם משדרים. נתונים דיגיטליים מכל הביוחימות של מערכות העצבים (כולל צורות גל שאינן תנועה) מציעות את פוטנציאל החיזוי שאנו עשויים לעזור למנוע או להאט את הניוון העצבי המהיר. עם זאת, כאשר אנו מחזק את הרפרטואר שלנו של סוגי הנתונים, עלינו להימנע מהנחה הטבועה של דגמים ליניאריים פרמטרית לצורך מסקנה סטטיסטית ופרשנות הנמצאים כעת בשימוש כדי לנתח נתונים כאלה. זה יהיה קריטי להעריך את הלימות של מודלים ליניאריים כגון סוגים של בעיות בלתי לינאריות מאוד, כי אנו לומדים הפתווגיות מערכות העצבים בכפוף למשמרות סטוכסטיים ושינויים דינמיות. האזהרות בהנחה הנוכחית-לולאות צינור לניתוח נמצאים בשני סוגי הנתונים להיות רתום: אלה מן התוצאות הקליניות הדיסקרטית ואלה מתוך צורות גל ביופיזי דיגיטלי רציף. בעוד הם נשארים מנותקים, זה יהיה חשוב לעצב מסגרות חדשות המאפשרות שילוב נאות של שני סוגי הנתונים בדרכים ליישר תוצאות דיגיטליות עם קריטריונים קליניים כדי להקל על השימוש של טכנולוגיות דיגיטליות המתעוררים על ידי מטופלים, מטפלים ורופאים.

כדי להתגבר על חלק מהאתגרים הללו, התאמתי לאחרונה את פלטפורמת ה-PM באיור 1 כדי לספק פנוטיפים מדויקים למצבים נוירולוגיים ופסיכיאטריים3. לשם כך, עיצבנו דרך חדשה כדי לאסוף, לנתח ולפרש נתונים התנהגותיים במקביל עם בדיקות הבקיע קליני מסורתיות לברר יחסים מורכבים בין תופעות קוגניטיביות ומוטוריות. ליתר דיוק, הצלחנו לאשר. את שיטות העיפרון והנייר הנתונים משיטות כאלה לבד הם הרבה יותר מדי גס כדי ללכוד מידע חשוב לברוח העין בעירום. אבל השימוש שלהם בשילוב עם נתונים דיגיטליים מחיישנים ביופיזיים מציע שדרה חדשה כדי לחבר טכנולוגיות חדשות המתעוררים חדשים עם קריטריונים קליניים מומלץ לעודד רופאים לאמץ אותם בעתיד הקרוב.

כאן, אנו מציגים את השימוש בנתונים דיגיטליים בהקשר של הערכות קליניות. כלומר, כפי שהאדם מבצע את המשימה הקלינית, למשל, ציור שעון במבחן הקוגניטיבי של מונטריאול (MoCA) מבחן, פלט הביותמים על ידי מערכות העצבים הם שיתוף רשום על פני שכבות פונקציונלי שונים. אלה כוללים אלקטרונצגרפיה (EEG), אלקטרוקרדיוגרפיה (אק ג), דפוסי קול וקינמטיקה מהגוף, והתפוקה הקנטית מהעט המוחזק ביד שהאדם משתמש בו כדי למשוך את השעון על לוח דיגיטלי. אנו גם לאסוף נתוני וידאו מן הפנים כמו האדם מושך, כדי לבצע מנתח רגשות ניבוי של מצבים רגשיים. נתונים אלה נותחו לאחר מכן באמצעות האופטיקה של פלטפורמה סטטיסטית חדשה עבור ניתוח התנהגותי מחודש (SPIBA) ומפורש על פי הקריטריונים הקליניים הבסיסיים בדיקות כאלה. באופן ספציפי יותר, הציונים הנפרדים משמשים לדרגת חציון-דרגה של מטופלים ובדרך זו, באמצעות הקבוצה המבוססת על הקריטריונים הקליניים. לאחר מכן נוכל לבחון את הנתונים הביופיסיים המתמשכים של הקבוצות ובכך זוהו, בחיפוש אחר קריטריונים מונחי-מוטיבציה מוכווני באופן מהותי המפריד בין מערכת משנה אחת לחולים ממשנהו, על פני יותר מממד פרמטרי אחד. יתר על כן, על ידי בחינת נתונים ביופיזיים רציפה בזכות עצמה, על פי התנודות הטמונות של כל אדם בתוך הקבוצה ועיוור מן הקריטריונים הקליניים, אנחנו יכולים לחפש אשכולות המתעוררים עצמית בתוך הקבוצה, ולהשוות את ה היקף שאליו ממפה אשכולות כאלה על אלה שסוגי המשנה שקיבלו הקריטריונים הקליניים התגלו.

גישה זו מציעה דרך חדשה כדי לזהות פרמטרים בתוך העושר של נתונים דיגיטליים ביופיזיים, כי בדרך היעילה ביותר ללכוד את ההבדלים בין תת ומעבד את ההבדלים האלה כמו מועמדים טובים לחולים stratify עם פרקינסון מחלה (PWP) בעיוורים, כלומר, לאורך משיכה אקראית מהאוכלוסייה הכללית. הרלוונטיות של שיטה זו היא כפולה. אנו יכולים באמת להתאים אישית את הטיפולים, תוך שילוב תקין של סוגי נתונים שונים מחיישנים ביולוגיים וקריטריונים קליניים; i.e., נתונים רציפים ביופיזיים דיגיטליים בצורה של סדרת זמן, וציונים קליניים נפרדים ממבחנים המסורתיים.

למרות זאת היא גישה כללית, החלים על כל ההפרעות של מערכות העצבים, אנו מסגרות את העבודה בתוך ההקשר של PWP ולהציע דרכים חדשות לבצע מסקנות סטטיסטיות על הנתונים הדיגיטליים רציפה שיתוף הרשומה במהלך הביצועים של כזה ניסויים קליניים בהתחשב במערכת הניקוד הקליני דיסקרטית. ככזה, העבודה מאפשרת פרשנות קלינית של התוצאות הדיגיטליות הקלה לשימוש בהגדרות הקליניות. לבסוף, אנו מספקים המלצות כדי להתחיל בעיצוב דרכים חדשות כדי להמחיש תוצאות בודדות כגון להטביע אפליקציות חדשות לנוחות השימוש בבית והגדרות קליניות על ידי המטופלים, המטפלים והעובדים הקליניים כאחד.

פרוטוקול

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

כל השיטות המתוארות כאן אושרו על ידי המועצה לסקירה מוסדית של אוניברסיטת רטגרס.

1. מערכת המשתתפים והרכישה הוגדרה

  1. קבל הסכמה מושכלת מהמשתתפים.
    הערה: על המשתתפים להיות מאובחנים עם הפרעת פרקינסון, או לא להיות מאובחנים עם כל הפרעה נוירולוגית לשמש משתתפי שליטה בריאים. משתתפים בריאים צריכים להיות מגדר וגיל מתאימים למשתתפים בחולים. כל המשתתפים צריכים להיות בתנועה להליכה ברציפות למשך 5 דקות.
  2. מדידת ממד הגוף של המשתתף (גובה הגוף, אורך כף הרגל, טווח זרוע, גובה הקרסול, גובה הירך, רוחב הירך, גובה הברך, רוחב הכתפיים, גובה הכתפיים; איור 2 א) מאוחר יותר ליצור את גלגול הגוף שלו/שלה במערכת לכידת תנועה.
    הערה: מידע זה משמש במערכת לכידת התנועה כדי להקליט במדויק נתוני מיון של גוף המשתתף.
  3. הגדר את מערכת לכידת התנועה, כולל 17 חיישן מעקב תנועה אלחוטי ותוכנות מעקב אחר תנועה.
    1. מקום חיישנים על חלקי הגוף הבאים: ראש, עצם החזה, האגן, הכתף הימנית, זרוע ימין, יד ימין הימנית, יד ימין, כתף שמאל, זרוע שמאל, זרוע שמאל, יד שמאל, רגל ימין, רגל ימין הימנית, רגל ימין, שמאל הרגל העליונה, שמאל הרגל התחתונה, שמאל רגל (איור 2B). אבטחו את החיישנים עם רצועות. הרצועה כדי לאפשר תנועה לא מתערבת
    2. לאחר כל החיישנים ממוקמים במקומות הנכונים, לכייל את המיקום של המשתתף כדי ליצור את ההתגשמות שלו/שלה.
      הערה: ניתן למצוא פרטים בשיטת הכיול ברוטנברג ואח '9.
  4. כוונן את התקן EEG ותוכנת הקלטה EEG.
    1. מיקום 31 חיישנים על פני הקרקפת ומכשיר ההקלטה בגב ראש המשתתף. מקום חיישנים ערוץ במיקומים הבאים: P7, P4, Cz, Pz, P3, P8, O1, O2, T8, F8, C4, F4, Fp2, Fz, C3, F3, Fp1, T7, F7, PO4, FC6, FC2, AF4, הCP6, CP2, CP1, CP5, FC1, FC5, הAF3, (איור 2).
    2. חברו את חיישן הערוץ הנותר (עוז) למחבר כדי למדוד את אות הלב, על ידי מיקום החיישן המחובר על הבטן השמאלית של המשתתף (איור 2C).
    3. הצמד שני חיישני ערוץ התייחסות מאחורי אוזנו השמאלית של המשתתף, ולאחר מכן הכנס את ג'ל האלקטרודה לתוך החיישנים במכסה ה-EEG באמצעות מזרק (איור 2C).
    4. לאחר שהושלם, התחל להזרים את הפעילויות החשמליות בתוכנת ההקלטה למשך מספר דקות עד שהיא מייצבת.
      הערה: איור 2D מראה עקבות לדוגמה מאותות EEG הרתום ממערכת העצבים המרכזית (cn) ומערכת העצבים האוטונומית (ANS).
  5. הגדר מיקרופון כדי ללכוד את קולו של המשתתף. הנח את המיקרופון מול המשתתף וחבר אותו למחשב שבו שכבת זרם המעבדה (LSL) מופעל (ראה LSL להלן) (איור 2E).

figure-protocol-1
איור 2: להגדיר לדיגיטייז בדיקות קליניות מסורתיות, תוך שילוב צורות גל מרובות מחיישנים ביולוגיים אלחוטיים לבישים. (א) הגדרת עבור משימות הציור: החולה בפועל לובש חיישנים לבישים מפריע וגלגול שניתנו בזמן אמת מן הקינמטיקה שנאסף. (ב) חיישן מיקומים של קבוצה של חיישנים קטנים וקל מעקב תנועה (60 Hz), שממנו נתוני התנועה הם הרשומים באופן סינכרוני על פני הגוף. (ג) מפת EEG ומיקום התייחסות. (ד) לדגום את הטפסים מתוך 31 ההפניות ואות הלב שחולצו מעופרת אוז. (ה) דגימת צורת גל מקולו של המשתתף במהלך משימת ספירה. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

  1. הגדר את מערכת LSL כדי לסנכרן את הזרמים של EEG, תנועה, אותות שמע, יחד עם העכבר לחיצה על חותמות זמן (איור 3A).
    1. פתח את יישום מקליט המעבדה.
    2. לפתוח את האפליקציות LSL עבור העכבר ו-in-house בנוי היישום סנכרון ולקשר אותם ליישום מקליט מעבדה על ידי בדיקת תיבות לחצני העכבר ומעקב Kinאמאם ברשומה מסעיף נחלים .
      הערה: יישום העכבר ישמש לאירועי חותמת זמן במהלך הניסוי.
    3. לינק EEG, תנועה, ושמע הזרמים ליישום מקליט מעבדה על ידי בדיקת תיבות Audiocapturewin, LSL-EEG, מיקום ברשומה מסעיף זרמים .
      הערה: מערכת LSL מאפשרת איסוף אחיד של סדרות זמן מדידה בניסויי מחקר המטפל בסנכרון זמן, יחד עם רשת וגישה בזמן אמת, וכן אוסף מרכזי, הצגה והקלטה של הנתונים. בהקשר של פרוטוקול זה, מערכת LSL הזרמים באופן סינכרוני מ-CN, מערכת העצבים ההיקפית (היקפית) ו-ANS, כפי שהאדם מבצע בטבעיות משימות קליניות מסורתיות.
  2. כוונן הקלטה לתנועת עט, כולל מחשבי עט ותוכנת ניתוח תנועה (איור 3B).
    1. הצב את לוח הציור ואת העט של מחשב הלוח מול המשתתף.
    2. חבר את הלוח למחשב שממנו התוכנה לניתוח תנועה תהיה מקליטה.
    3. מניחים נייר לבן על הלוח ומאובטחים עם קלטת.
      הערה: היכונו לקדם את הניירות כדי להראות קופסה שתציין מקום שבו המשתתף יהיה לצייר.
  3. . תתחיל להקליט
    1. לחצו על הרשומה ב-lsl, תוכנת לכידת תנועה ותוכנת הקלטת EEG.
    2. בתחילתו ובסופו של כל פעילות, חותמת הזמן עם לחיצות העכבר על ידי לחיצה על לחצן החתמת הזמן על התוכנה לכידת תנועה.
      הערה: בדרך זו, חותמות זמן יירשמו בנתוני זרם LSL ובנתוני לכידת התנועה. פעולה זו תבטיח שקיימת חותמת זמן של גיבוי, במקרה שאחת מפונקציות החתמת הזמן נכשלת במהלך ההקלטה.

figure-protocol-2
איור 3: דיגיטציה וסנכרון אותות באמצעות מערכת משותפת של יחידת עיבוד מרכזית (LSL). (א) lsl מערכת מאפשר באופן סינכרוני רישום משותף של תנועה (היקפית), EEG (cn), א (י), קול וזמן הטבעה באמצעות לחיצות עכבר. (ב) מחשב עט דיגיטלי והקלטת עט (מיקום) של קצה העט, במהלך משימות ציור מבדיקות קוגניטיביות סטנדרטיות. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

2. הליך ניסיוני

  1. התנהלות משימה 1 — העתק דמות בנסון מורכבת (מיידית)10 (1 דקות).
    1. הנחה את המשתתף להעתיק את הדמות של בנסון על הנייר, ולזכור את העיצוב משום שמשתתף יתבקש לצייר אותו שוב מהזיכרון מאוחר יותר.
      הערה: בדיקה זו נועדה להעריך את פונקציית הראיה החזותית של המשתתף והזיכרון החזותי (איור 4A).
  2. התנהלות משימות 2 ו-3 — ביצוע מבחן חלק A (3 דקות).
    1. הנחה את המשתתף לשרטט קו בין עיגולים הממוספרים בסדר עולה.
      הערה: קיימות שתי פעילויות בסעיף זה, כאשר הראשונה (פעילות 2) היא להשלים מבחן לדוגמה (המורכב מ-8 מספרים), והבאה (פעילות 3) היא להשלים את הבדיקה בפועל (המורכבת מ -25 מספרים). מבחן זה היה מרכיב של הצבא בדיקה בודדת סוללה11, ו מעריך מהירות עיבוד ותפקוד ההנהלה והוא תלוי ביכולות ויזולים וסריקה תפיסתי (איור 4b).
  3. ניהול משימות 4 ו-5-הכנת מבחן חלק ב' (5 דקות).
    1. הנחה את המשתתף לשרטט קו בין עיגולים המכילים מספרים או אותיות, בסדר עולה, תוך לסירוגין בין מספרים ואותיות. לדוגמה, הרצף יהיה: A עד 1; 1 ל-B; B עד 2; 2 ל-ג.
      הערה: קיימות שתי פעילויות בסעיף זה, כאשר הראשונה (פעילות 4) היא להשלים מבחן לדוגמה (המורכב מ-4 מספרים ו-4 אותיות), והבאה (פעילות 5) היא להשלים את המבחן בפועל (המורכב מ -13 מספרים ו-12 אותיות). המסלול עושה מבחן חלק B דומה שובל עושה חלק מבחן A, אבל דורש גמישות קוגניטיבית יותר כאשר המשתתף משתנה ממספר ערכות אותיות. (איור 4B).
  4. התנהלות משימה 6 — ציור שעון (1 דקות).
    1. הנחה את המשתתף לצייר שעון אנלוגי עם מספרים 1 עד 12 ולקבוע את השעה ל-10 בעבר.
      הערה: בדיקה זו מהווה חלק מ-MoCA12 ומעריך את כישורי החשיבה המובחנים של המשתתף. (איור 4C).
  5. התנהלות משימה 7 — בנסון העתק דמות מורכבת (מושהית)10 (1 דקות).
    1. הנחה את המשתתף לצייר את הדמות המורכבת של בנסון מהזיכרון על פיסת נייר ריקה.
      הערה: בדיקה זו מחשיבה את פונקציית הראיה החזותית של המשתתף והזיכרון החזותי. (איור 4A).
  6. ניהול משימות 8 ו-9 — מבחן טווח מספר (קדימה ואחורה)13 (10 דקות).
    1. הנחה את המשתתף לחזור על המספרים שאותם הניסויים מקריא בקול רם.
    2. עבור פעילות 8 (קדימה), הורה למשתתף לחזור על המספרים באותו סדר ועבור פעילות 9 (לאחור), כדי לחזור עליהן בסדר ההפוך. עבור שתי הבדיקות, קיימים שני מבחנים לכל אורך רצף החל מ-3 עד 9 ספרות עבור הקדימה, ו-2 עד 8 ספרות עבור הבדיקה האחורה. המשך לבדוק עד ששתי מחרוזות מספר באותו אורך כושלות.
      הערה: שני המבחנים מודדים את הקיבולת להחזיק מידע לזמן קצר, אך הבדיקה הפוכה (פעילות 9) גם מודדת את היכולת לתמרן את המספרים ולהפוך את הרצף. ככזה, בהקשר של הפרוטוקול הנוכחי, משימה זו מודדת זיכרון ומרכיב קוגניטיבי ביחס לפלט קול הביותמים.

figure-protocol-3
איור 4: לקראת קליניות מידע בסמנים דיגיטליים וכרטיסי הבקיע: דיגיטציה של בדיקות קליניות מסורתיות כדי לאפשר שילוב של קריטריונים קליניים ונתונים ביופיזיים דיגיטליים. לדגום עקבות ממבחנים. קוגניטיביים סטנדרטיים (א) דמות בנסון מורכבת הניתנת למשתתף באופן מיידי (במרכז), או לאחר השהיה של 10 דקות מהזיכרון (מימין). (ב) שביל משימה המערבת מספרים המחוברים באמצעות קו בסדר עולה (למעלה), ומשימת שובל ב' הכרוכה בין אותיות למספרים (למטה). (ג) מצייר שעון עם הוראות לקבוע זמן ל-10 בעבר 11. עבור כל העקבות לדוגמה, קווים אפורים מייצגים את המסלול של מעליות עט במהלך משימת הציור, וקווים כחולים מייצגים את ציורי העט בפועל. לצורך ניתוח אנו בודקים את שני סוגי החישובי. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

  1. התנהלות משימות 10, 11 ו-12 — הצבעה (10 דקות).
    1. הצב יעד מול המשתתף כדי להצביע ולגעת.
    2. עבור פעילות 10 (בקרה), הנחה את המשתתף להצביע על היעד 40 פעמים באופן המהיר עם היד הדומיננטית.
    3. עבור פעילות 11 (מטרונום), להנחות את המשתתף להצביע על היעד 40 פעמים באופן המהיר, תוך הגדרת מטרונום לנצח ב 35 bpm ברקע, אבל לא להנחות שום דבר על היכו מטרונום.
    4. עבור משימה 12 (הצבעה בקצב), להנחות את המשתתף להצביע על היעד 40 פעמים בקצב הבא היכו מטרונום להגדיר ב 35 bpm.
      הערה: משימת ההצבעה מאפשרת להפריד את התנועה של המשתתף באמצעות תנועה מכוונת (קדימה, מרגע שהיד מונחת עד שהיד מגיעה ליעד) וספונטנית (תנועה לאחור, מרגע שהיד נוגעת במטרה עד ש יד מגיע חזרה לתנוחת המנוחה שלו) קטעים, ובכך לנתח את האותות ביופיזיים כאשר המשתתף הוא הפעלת שליטה מרצון (תנועה מכוונת), וכאשר המשתתף הוא הפעלת שליטה קטנה (תנועה ספונטנית) (איור 5A ). על-ידי הצגת פעימות המטרונום ודרישת המשתתף לקצב את ההצבעה על הפעימה במטרונום, ניתן להשוות את ההשוואה בין האותות הביופיזיים כאשר המשתתף נע באופן המהיר, וכאשר המשתתף שולט באופן פעיל ב התנועה הקצב לפעימה חיצונית.
  2. התנהלות משימות 13, 14 ו-15-הליכה (25 דקות).
    1. הנחה את המשתתף לצעוד באופן טבעי למשך 5 דקות בשלושה תנאים שונים.
    2. עבור פעילות 13 (בקרה), הנחה את המשתתף ללכת באופן טבעי סביב החדר.
    3. עבור משימה 14 (מטרונום), להנחות את המשתתף ללכת באופן טבעי סביב החדר תוך הגדרת המטרונום להכות ברקע עבור 12 bpm.
    4. עבור משימה 15 (נשימה בקצב), להנחות את המשתתף ללכת באופן טבעי סביב החדר בזמן שהוא/היא צעדים את קצב הנשימה אל היכו מטרונום שנקבעו ב 12 bpm.
      הערה: על-ידי הצגת הפעימה של מטרונום, ניתן להשוות את ההשוואה בין האותות הביופיזיים, בעוד המשתתף משתמש בגוף כולו כדי לנוע ולנשום באופן המהיר, וכאשר המשתתף שולט באופן פעיל בקצב הנשימה (שבדרך כלל מתרחשת באופן אוטומטי) תוך הזזת הגוף כולו (איור 5B).

figure-protocol-4
איור 5: תלת מימדי (3D) מסלולים ואת משרעת המהירות שלהם פלט סדרה במהלך תנועות התנדבותי של הגוף העליון. מטרה מכוונת התנהגות הצבעה כדי לחקור פרסומיה control באמצעות גרסה של המשימה רעד קינטי של החברה הפרעת התנועה – סולם הדירוג של מחלת פרקינסון מאוחדת (MDS-UPDRS). (א) משתתף ואווטאר בתנוחת ישיבה המבצעים את הגוף העליון, משימת הצבעה מכוונת למטרה (למעלה); מסלולים תלת-ממדיים של קדימה (למטרה) ולאחור (לתנוחת מנוחה) התנועה (למטה משמאל); ופרופילי המהירות הליניארית המקבילים מציגים את סידרת הזמן של תנודות בשרעת מהירות (מ מ) ומרווחי זמן בין השיא תזמונים (ms), הנגזרים ממהירות לינארית זרימה וקטורית (מימין למטה). (ב) משתתף וגלגול במשימת ההליכה (למעלה); מסלולים תלת-ממדיים של חלקי גוף שונים (למטה משמאל) ופרופילי מהירות תואמים (מימין למטה). אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

  1. התנהלות משימות 16 ו -17 — פרצוף וידאו (10 דקות).
    1. הנחה את המשתתף לשבת בנוחות והגדר מצלמה מול המשתתף.
    2. עבור משימה 16 (בקרה), הורה למשתתף לבהות במקום ללא גירויים למשך 5 דקות.
    3. עבור משימה 17 (חיוך), הנחה את המשתתף לצפות בסרטון מצחיק למשך 5 דקות.
      הערה: ההגדרה אורכת כ -30 דקות, והפרוטוקול כולו לוקח כ-60 דקות, ו -10 דקות נוספות עבור PWP.

תוצאות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

פרמטרים של עניין

ישנם פרמטרים רבים תנועה שאנחנו יכולים לחלץ מתוך מסלולים של אותות דיגיטליים ביופיזיים שנוצרו על ידי מערכות העצבים של האדם. כאן נתמקד בצורות ה-EEG (מייצג מערכות העצבים המרכזיות, פלט ה-CN), תנועות גופניות (נציג מערכות העצבים ההיקפית, הפלט היקפית) ואותות הלב (נציג האוטונומי מערכות עצבים, פלט ANS).

עבור שידורי ה-CN ו-ANS הקשורים, אנו משתמשים בתנודות משרעת השיא של הצורות של EEG ו-א. א. י. המרה ל-unitless (סטנדרטית) מיקרו התנועה קוצים (ראה להלן). עבור האותות הקשורים ל-היקפית, אנו משתמשים בחישובי מרכז המסה (COM) ובסדרות הזמן של פרופילי המהירות שלהם (m/s), כדי להפיק את ה-MMS המתאים ביחידות. ברגע שנאסוף את ה-MMS, נוכל לשלב אותם לגרף משוקלל בלתי מכוון, המבוסס על סט של ניתוח אותות חכמים באמצעות חיישנים ורמות של תפקוד מערכות עצבים. שלב זה מאפשר לנו להשתמש בניתוחי קישוריות רשת באותות המשולבים. לאחר מכן אנו מייצרים גרפים שולחן מתרגם14,15 המתארים שינויים בטופולוגיית רשת המתעוררים עצמית. בפרט, כאשר אנו משווים גרפים אלה על פני שלוש משימות הצבעה ו/או הליכה, אנו יכולים לראות כיצד האותות הביופיזיים מגיבים לקצב חיצוני באופן פסיבי (כלומר, כאשר המטרונום פועם בצורה ספונטנית בגשם הביותמוס) וב באופן פעיל (כלומר, כאשר המשתתף מנסה במכוון לפייס את היד הצבעה או את התנועות המהלכים לקצב המטרונום). אנחנו יכולים גם ללמוד דפוסים של שידור מידע על פני צמתי הרשת המייצגים את ה-CN, היקפית ואת רמות ANS של פונקציה.

בדיקות סטוכסטיים על MMS משכבות רב תפקודי של אותות ביופיזיים

האותות הביופיזיים לרתום מתוך רשת לבישים של חיישנים ברחבי הגוף, לתת את סדרת הזמן של פסגות ועמקים, אשר משתנים משרעת ותזמון. ה-MMS של אותות ביופיזיים אלה16 הם התנודות בשרעת ובתזמון הפסגות, ולפיה ההגברה מנורמלת לערך unitless הנעים במרווח האמיתי [0, 1], ובכך מאפשר אינטגרציה והשוואה בין אותות מ שכבות פונקציונליות שונות של מערכות העצבים: ה-CN, היקפית ו-ANS. שכבות אלה שונים של פונקציונליות דורשים רמות שונות של שליטה עצביים ובעלי טווחי משרעת שונים על פני אנשים. יש להם גם תזמונים שונים בין מרווחי השיא. בעוד נורמליזציה MMS חוסך את העיתוי של הפסגות המקוריות, היא גם לוכדת את הווריאציות של משרעת. נרמול כזה מתקבל על ידי חלוקת כל משרעת שיא מקומי על ידי הסכום של משרעת השיא ואת ממוצע של האותות שנדגמו בתוך שתי קיצון המקומי השכנה סביב הפסגה:

figure-results-1

הקוצים הרציפים הללו במרווח המספרים הממשיים [0, 1] משמרים את המידע על התזמון ומשרעת תנודות, תוך שהיא מאפשרת לנו לטפל בסדרות הזמן כתהליך אקראי. לאחר מכן אנו לאמץ תהליך גמא תחת הכותרת הכללית של תהליכים אקראיים פואסון, המשמש בדרך כלל בתחום של מדעי המוח כדי לנתח קוצים בינאריים.

שיטות אנליטיות אלה הסבירו במקום אחר בפירוט3,14,17,18 וראה איור 6 להסבר של צינור אנליטי הציע ויזואליזציה לסייע קליני פרשנות. כאן, אנו משתמשים במישור הפרמטר גאמא המורחב על-ידי הצורה והפרמטרים של מסמכי ה-גמא שאנו מעריכים במידה מדעית מהטפסים של השימוש ב-MMS. אנו גם מתווה את הנקודות של רגעי גאמא המתאימים בגרף ארבע-מימדי, לפיו המשמעות, הסטיה וההטיה של שלושה מימדים והקורטוזיס מיוצגת בגודל הסמן שאנו משתמשים בו כדי לציין את הסטוכסטי של האדם חתימות.

עבור כל פעילות, נתוני השיא של MMS הנגזרים מסידרת הזמן הביופיסית נאספים ומצוידים בקובץ גאמא PDF באמצעות שערוך הסבירות המירבי (mle) עם 95% מרווחי האמון עבור כל פרמטר גמא: הצורה המציין את צורת ההתפלגות וה קנה מידה המציין את הפיזור (רעש ליחס האות). ככזה, אנו מעריכים עם ביטחון גבוה, המשפחה הרציפה הטובה ביותר של מסמכי Pdf שלוכד את תנודות הביוחיליות של מערכות העצבים של האדם ברמות שונות של פונקציונליות שהמשימות הללו דורשות. הרבדים הפונקציונליים הללו מתפקדים מכישורים קוגניטיביים מופשטים ומיכולות זיכרון מופשטות, כדי לשלוט בפעולות האנטי-מניע והנזקים הספונטניים הנובעים מהמשימות המכוונות למטרה. אנו גם בודקים את התנועות האוטומטיות ואת יכולת המערכת לצורך הסתבכות פיזית עם פעימות המטרונום לדקה.

figure-results-2
איור 6: צינור אנליטי סטטיסטי לפיתוח של בסמנים דיגיטליים דינמיים ויישומים ליישום עתידי (APP) פיתוח. (א) מרכז המסה (COM) מסלול מרכזי תלת ממדי בזמן שהאדם הולך סביב. (ב) תנודות מהירות של COM עם פסגות בשרעת מודגש עם נקודה אדומה. (ג) מתוקננת מסוג MMS מהתנודות בפסגות מהירות COM (נקודות אדומות) במרווח הזמן הממשי [0, 1]. (ד) תדירות היסטגרמות של פסגות MMS (נקודות אדומות ב-MMS). (ה) פונקציות צפיפות ההסתברות (PDF) מתאימים את ההיסטוגרמה בתדירות המתפתחת בזמן מהזיכרון הפחות, האקראי ביותר, התפלגות מעריכית (אדום) לחלק מההתפלגות המיוקצת במעבר (כחול), לגאוסיאנית (ניבוי) עם נמוך פיזור (גול, מעגל ירוק). הפצה אידיאלית זו (ירוק) מופיעה בספורטאים צעירים ומגדירה את המטרה של ניבוי, מקרי יחס גבוה לרעש. (ו) שערוך סבירות מקסימלית (mle) המשמש להתאמת ה-PDF הטוב ביותר (עם ביטחון של 95%) לנתונים האמפיריים. ערכי הפרמטרים המתקבלים לוקליזציה במישור הפרמטר גאמא, החתימות הסטוכסטיים המתפתחים (תהליך גאמא) מתוך תנודות מהירות ה-COM: "צורת יומן" מייצגת את צורת ההתפלגות החל מאקספוננציאלית ועד מוטה לסימטרי (אידיאלית גאוסיאני); "קנה מידה" הוא היחס של רעש לאות (פיזור) רומז סוג של משוב תנועתית המוח (סביר להניח) מקבל22,23. צבעים מייצגים מדינות סטוכסטיים כפי שהם להתפתח באופן דינמי עם הזמן. (ז) מרחק הסתברות (וואשטיין מרחק ממדד7) מהמטרה האידיאלית ליחס של רעש נמוך לאות (פיזור נמוך) וחיזוי גבוה (התפלגות סימטרית) שנמצא באופן נוירוטיפוסי; הרחק ממשוב עני (רעש אקראי) שנמצאו במשטרה מתקדמת יותר, מטופלים המ,24,25,26,27, סכיזופרניה28 ואנשים אוטיסטים3 , מיכל בן 18 , מיכל בן 22 , 29. (ח) הדמיה מפושטת כדי לייצג את המדינות הסטוכסטיים הללו המתפתחים בזמן, מתבססת על יחסי החוק של הכוח בין פרמטרי הצורה וקנה המידה. חזותיים כגון פיתוח אפליקציות עתידיות יכול לספק בזמן אמת, קל להבין, משוב קליני PWP ואת צוות הבריאות כדי לשפר את הדיוק הערכה ותכנון הטיפול. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

תוצאות ממצבים שונים של נתונים

לצורך המאמר הזה, בדקנו שלושה PWP ושלושה נתונים של משתתפים בריאים עם הדמוגרפיה המוצגת בטבלה 1. שלושת PWP נבחרו מ 10 PWP הקלטנו, כדי לייצג מקרה עם PD מתון (המחלה אחידה של מחלת פרקינסון מידה [UPDRS] ציון 16), במקרה מתון (UPDRS ציון 25), ומקרה חמור (UPDRS הציון 44). שני משתתפים בריאים נבחרו מתוך 15 אנשים בריאים שהקלטתי, כפי שהם התאימו ביותר את ה-PWP בגיל ובמין; משתתף בריא אחד נבחר מקבוצת הגיל הצעיר כדי לייצג התייחסות בריאה אידיאלית להשוואה.

שתתףפרעהסקסגיללמעלה
1בכורה וכנסיםF6444
2בכורה וכנסיםM6525
3בכורה וכנסיםM6416
4לאM26n/a
מיכל 5לאF65n/a
6לאM67n/a
מהווה . מקסימום ציון 108

שולחן 1: דמוגרפיה של המשתתפים.

במבחן הקוגניטיבי והזיכרון (תנועת עט) נרשמו מסלולי הכיוון של תנועות העט, והמהירות הלינארית הייתה מופק כדי להפיק את סדרת הזמן של משרעת המהירות. לאחר מכן MMS מן התנודות של משרעת מהירות נגזר עבור כל משימה ציור. המטופלים קובצו על פי האגודה הפרעת תנועה (MDS-updrs) החציון מדורגת ציונים, עם חומרת PD הגבוהה ביותר המצוין על ידי הציון הגבוה ביותר המדורגים מעל הערך החציוני של הקבוצה. שלושה משתתפים מייצגים מכל אשכול שהדירוג החציוני של הציונים שנקבעו משמשים להצגת התוצאות ביחס לשלושה פקדים נציגים. שליטה אחת היא צעירה (גבר בן 26), המייצג מצב אידיאלי של שליטה של מניע עצבי במהלך הנעורים. שני האחרים הם שולטת הזדקנות בריאה; , נקבה בת 1 65. וגבר בן 1 67 איור 7 מתאר את מסלולי COM ו- איור 8 מתארת את תהליכי הגמא המתאימים מתוך ה-MMS שנגזר מפרופילי מהירות המסלול שלה.

figure-results-3
איור 7: מסלולים לדוגמה של COM המסכמים את מסלולים של 17 מיקומים הגוף במהלך הביצועים של בחירת הציור קוגניטיבי בדיקות עם עקבות סרוקים בפועל. ביצועים לדוגמה במהלך הדמות המורכבת של בנסון (משימות 1 ו -7) ושביל עושה בדיקות (משימות 2-5). (א) דמות בנסון מורכבת המשמשת בפרוטוקול זה. (ב) מבחן שביל עם מספרים ואותיות לפיה המטרה היא לחבר אותם בסדר שנקבע על ידי ציור קו לאורך נתיב מסודר (משימה 4 – שביל ב'). (ג) לדוגמא עט עקבות של דמות מורכבת בנסון ו-COM 3d מסלול מ 65 בן שליטה נקבה (כחול) ו-pwp עם הציון MDS-updrs של 44 (אדום). צד שמאל מציג את התוצאות כאשר המשתתף העתיק מיד את הדמות (פעילות 1) והצד הימני הוא כאשר המשתתף נזכר באיור לאחר 10 דקות של עיכוב (משימה 7). בשני המקרים הציור רציף יחד עם מרימים עט נלכדים כדי להראות וריאציות של היסוס, וכו ' (ד) ביצועים של השליטה מול pwp ב שביל A (פעילות 3) ו שביל B (פעילות 5) משימות. שים לב לשינויים בחישובי ה-COM ובציורים הממשיים. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

איור 8 מראה את התוצאות מן הטוב ביותר mle מצויד גמא-PDF עם 95% ביטחון עבור המשתתפים בריאים המשתתפים המטופלים. בכל משימת ציור, המטופלים. מחוץ לשליטה יתר על כן, הם מובחנים בתוך הקבוצה שלהם והבדיל לפי הציונים החציוני של MDS-UPDRS המדורגים. כל מטופל מיוצג כרגעי PDF מוערך ביותר על לוחות העליון, בעוד הפאנלים התחתונים מתארים את עקומות PDF עבור כל משתתף. על-פני חלוניות, הקורא יכול להעריך את המשפחה של מסמכי Pdf הנמצאים על-ידי כל אדם ברחבי הפעילויות. בניגוד לגישה זו עם הגודל היחיד-מתאים לכל (הניח) מודלים פרמטרית. איור 8D מציג את הציור הרציף של דמות השעון (פעילות 6) כפי שנלכד על ידי קצה העט (כולל מעליות עט).

figure-results-4
איור 8: מיקרו התנועה קוצים (MMS) stratify הגדודים ולבנות מתרגם שולחן מותאם אישית דינמי בסמנים דיגיטליים עבור משימות קוגניטיביות. התנודות של רגע-אחר-רגע (MMS חסר יחידות) נגזר מהתוואי התלת-ממדי של COM במהלך בדיקה קוגניטיבית באופן ייחודי להתאים כל משתתף לאורך מפת סטוכסטי. COM מסכם 17 מיקום מסלולים ברחבי הגוף שיתוף התנועות בעוד האדם מבצע משימות קוגניטיביות ומצייר על לוח דיגיטלי. (א) רגעי גאמא היו מוערכים במהלך המבחן שביל ב (משימה 5) חיבור אותיות ומספרים (ממוצע ציר ה-x; סטיית תקן y-ציר; הטיה z-ציר ו קורטוזיס marker גודל) מתוך הערכה מקסימלית הסבירות עם 95% ביטחון על לוח העליון. כל סמן מייצג את המיקום הייחודי של האדם במרחב הסתברות. כל נקודה מציינת PDF ספרבילי ייחודי המוצג בפאנל התחתון, ובכך לתקן את החציון UPDRS מדורגת עשרות של PWP (מקרא). (ב) המשימה של העתקת דמות בנסון מורכבת (משימה 1). (ג) משימה לציור שעון (פעילות 6). (ד) ציורי השעון בפועל שנתפסו על ידי העט הדיגיטלי המציג את העקבות המתמשכים (כולל הרמת עט). כל הקינמטיקה מהעט והגוף המלא בתנועה הם רשומים באופן סינכרוני עם EEG-האק (לא מוצג) כדי מדעית להפיק את רב שכבתית (קוגניטיבית, התנדבותי, ספונטנית, אוטומטי, אוטונומית) סטוכסטי חתימות. גישה אישית זו (תהליך גמא) ניגודים עם ' בגודל אחד-כל הדגם ' שמניח PDF תיאורטי, ובאמצעות ממוצעים גרנד, מחליק כמו "רעש" תנודות חשובות משרעת ותזמון של צורות גל. התנועה מיקרו קוצים (MMS) ו גמא הגישה התהליך stratify הקבוצה ולבנות מתרגם שולחן מותאם אישית בסמנים דיגיטליים עבור משימות קוגניטיביות. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

לאחר מכן אנו מציגים תוצאות מתנועות גופניות (הצבעה מרצון לעומת הליכה אוטומטית). תנועות הציור אינן דורשות את אותה רמה של מטרה-ישירות כמשימה של הצבעה על יעד (כלומר, משימות 10-12). כדי להיות מסוגל להעריך את רמות השליטה פרסומיה, אנו הבאים להשתמש במשימה של הצבעה על מטרה מרחבית. כבעבר, אנו משתמשים במסלולי התקשורת המסכמת את התנועות הקימפטיות של 17 עמדות חיישנים (איור 9). אנחנו הראשון לקחת את סדרת הזמן משרעת מהירות ולאחר מכן נגזר MMS מרגע-אחר-רגע תנודות משרעת. החלונית השמאלית באיור 10 מראה תוצאות מהניתוחים הסטוכסטיים במהלך משימת ההצבעה בתוכנית הבסיסית (פעילות 10). הלוח האמצעי באיור 10 מציג את התוצאות מפעילות ההצבעה כאשר מטרונום מוגדר ב-35 bpm, מבלי להדריך את המשתתף בנוכחותו (משימה 11). הלוח הימני באיור 10 מראה את התוצאות מהמקרה כאשר המשתתפים מתבקשים לפייס את תנועות ההצבעה שלהם לקצב של מטרונום (פעילות 12).

figure-results-5
איור 9: מסלולים תלת-ממדיים של ה-COM במהלך משימות ההצבעה בשלושה הקשרים שונים, הצבעה סדירה לקחת מדידה בסיסית (משימה 10), הצבעה בזמן שמטרונום פועם ברקע ב-35 בדקה מבלי להתריע על המשתתף בנוכחות המטרונום (משימה 11), והצבעה בנוכחות ה מטרונום אותו היכו אבל לאחר הדרכת המשתתף לפייס את התנועות לקצב של מטרונום (משימה 12). (א) ביצועי משתתף הבקרה. (ב) הביצועים של pwp בקבוצה עם דירוג הסיכון הנמוך ביותר על פי הדירוג החציוני של הציונים של MDS-updrs של מקבץ כולו. (ג) pwp בקבוצה באמצע חומרת טווח. (ד) pwp בקבוצת החומרה הגבוהה ביותר. שים לב לירידה של מסלול ה-COM עם הגידול בתוצאות MDS-UPDRS. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

התוצאות מתהליך גאמא מוצגות באיור 10 לפיו ניתן להבחין בכל סוג משנה של pwp ולעקוב אחר השינוי בחתימות סטוכסטיים מההקשר להקשר.

משימת ההצבעה חשפה את רגישות הניתוחים הללו למצבים הקשריים. עבור אותה משימה הצבעה, שינויים במצב מטרונום מעורר חתימות סטוכסטיים שונים בין התנאים. במיוחד, אנו יכולים להתבונן בשינוי בביוהיתמים כאשר הם באופן ספונטני (ללא הוראות) היכו את המטרונום כנגד המצב שבו המשתתף הורה לפייס במכוון את תנועות ההצבעה של מטרונום נצח. משימה זו הוכיחה כי בבסיס של תנועות הגוף העליון, רמות של השליטה התנדבותי שונים על ידי PWP על פי ציוני MSD-UPDRS שונים. באופן ספציפי, ככל שהתוצאה נמוכה יותר, כך הרעש הנמוך יותר של יחס האות (ערך הפרמטר scale) במישור הפרמטר גאמא הוא (איור 10A), והערך הסימטרי יותר לצורת PDF הוא. היחס המסודר בין ציוני הניקוד החציוני והנתונים הדיגיטליים שונו בנוכחות המטרונום והובונות בין הספונטניות (ללא הוראה) לבין תנאי הצבעה מכוונים (הוראה).

figure-results-6
איור 10: הערכה דיגיטלית דינמית של שלוש משימות הצבעה ספציפיות. התפוקה של תהליך גאמא מתוך ה-MMS הנגזרת מהתנודות בסדרת הזמן המהיר COM מבדילה בין הקבוצות ובין הפקדים ובין הקבוצה השולטת במהלך שלוש משימות ההצבעה (משימות 10עד12). (A) מישור הפרמטר גאמא מציג את ההבדלים בין pwp לפקדים. (ב) עבור כל תנאי הצבעה, רגעי גאמא המשוער מתהליך גאמא, הבחנה בין pwp לפקדים; ובתוך כל קבוצה, החתימות הסטוכסטיים משקפות את המשתתפים בנקודות שונות. כל הקשר בין פעילויות משנה את מיקום הנקודה במפה. (ג) משפחת מסמכי pdf גם מבדילה בין כל משתתף, כל קבוצה ומגלה את ההבחנה הסטטיסטית על פני הקשרי משימות עבור הצבעה מכוונת מטרה. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

לאחר מכן שאלנו אם ההשפעות הללו של התנאים השונים בהתנהגות ההצבעה התנדבותית היו מתרחבים לתנועות הליכה אוטומטיות. לשם כך, ביצעת את אותו הפרוטוקול שלעיל, כלומר, באמצעות המטרונום, בזמן שהמועמד נכנס לחדר. הקצב של המטרונום נקבע. במקרה הזה ל -12 בבוקר איור 11 מציג את מסלולי ה-COM עבור הפקדים ואת ה-pwp-המדורגים על-ידי תוצאות MDS-updrs. התוצאות מהניתוח הסטוכסטי של משימת ההליכה מתוארות באיור 12.

figure-results-7
איור 11: הערכה דיגיטלית דינמית של שלוש משימות הליכה ספציפיות. משימה הליכה כדי לוודא את היחס רעש לאות של תנודות בשרעת מהירות, נגזר מסלולים 3D של COM מ 17 מיקומים ברחבי הגוף. (א) מסלולים תלת ממדיים של ה-COM במשתתף השליטה, בעוד האדם צועד הלוך ושוב במהלך הליכה טבעית (משימה 13); הליכה בנוכחות של מטרונום ללא הוראה, כדי למדוד את התנועה הספונטנית לפעימות מטרונום (משימה 14); והליכה בזמן ההליכה במכוון את קצב הנשימה לפעימות של המטרונום, כפי שהורו (משימה 15). (ב) pwp עם ציון נמוך יותר מדורגת של updrs. (ג) pwp עם ניקוד גבוה יותר של updrs מאחד את מסלול COM תלת-ממד. (ד) pwp עם הציון הגבוה ביותר של updrs מראה מסלולים מאוד מודאג COM. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

figure-results-8
איור 12: קיבולת התנועה הספונטנית וההורית בזמן ההליכה. MDS-updrs יוקר דיגיטלי הודיע משימה הליכה. (A) ריבוד של pwp במהלך הליכה טבעית בקנה אחד עם החציון מדורגת ציונים. (ב) מטרונום משמרות באופן ספונטני חתימות סטוכסטיים. (ג) הנחה בקצב הליכה לפעימה של המטרונום שוב משנה חתימות. (D-F) מישור הפרמטרים של היומן הרישום של גמא מקשר קבוצות לאורך צורות שונות של מסמכי Pdf וקנה מידה (יחס רעש לאות) עם יותר תנודות אקראיות ב-PWP. (G-I) מסמכי Pdf המוערכים באופן אמפירי המיוצגים בחלוניות D-F מעל לטווח משפחה המשמרת עם הקשר בצורה ייחודית לכל אדם. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

מאחר שכל משימות הקוגניציה והזיכרון יכולות להתבצע בזמן שמצלמת האינטרנט של המחשב מתעדת את הפנים, ניתן להשתמש ב-OpenPose, תוכנת למידה של מכונת קוד פתוחה הזמינה באופן גלוי לחוקרים35, ומחלצת את מידע הפנים, אשר ניתן להשתמש בהם כדי להסיק מידע הקשור רגש או תוכן רגשי. לעתים קרובות ב PD הבעות פנים להקטין כמו דלדול דופמין עשוי בסופו של דבר לגרום לטונוס שרירים נמוכה. כאן ניתן להשתמש בתהליך גמא גם כדי לוודא שאזורים של הפנים הפעילים ביותר במהלך משימה נתונה, או לחקור תוכן רגשי על-ידי ביצוע מעברים בין הרגשות. איור 13 מציג דוגמה של ניתוחים אלה באמצעות וידאו מפני משתתף במהלך משימות 16 ו -17. 70 נקודות השתמשו כדי ללכוד מיקרו תנועות של הפנים ממוקמים בהתכתבות עם העצבים הידועים האזורים העצבי V1 (29), V2 (14), V3 (27)8 (איור 13a) כדי להעריך, למשל, במקרה זה, איזה אזור משתנה באופן מקסימאלי כאשר המעבר מפנים נייטרלי לחיוך. סוג זה של ניתוח ניתן להשתמש באופן שיטתי כדי לחקור היבטים לא מוטוריים אחרים של PD, כולל דיכאון ותקשורת חברתית בכלל.

כדי לפצות על זום מצלמה לא ברור, תנועה אנושית טבעית, וגודל הפנים בפועל, אנו לנרמל את הפנים בדרך הבאה: בהנחה המצלמה היא נייח, אנו ממפים כל פרצוף "הפנים יחידה" עם x̄ ', ȳ ' = 0 ושונות יחידה. עבור כל אחת מהמסגרות בווידאו, אנו מנרמל כל נקודה x ' = x-x̄, y ' = y-ȳ, וקנה מידה של כל קואורדינטת לפי השונות של המסיכה הכוללת עבור המסגרת הנתונה, כדי להשיג שונות יחידה עבור כל מסיכה. לאחר מכן נתייחס לכל נקודה בסדרת הפרצופים כסטיות מהמסיכה הקודמת, כפי שאנו מניחים שהפנים לא מעוותות בזמן ההקלטה. התוצאה היא סדרת זמן של 70 ערוצים של קואורדינטות מיקום (איור 13B). תנודות משרעת מהירות שחולצו מתוך מעבר ומהירות זורם נותן העלאה לסדרה זו בזמן מומרים ל-MMS וקלט לתהליך גאמא, ובכך חושפים מסמכי Pdf ומשמרות שלהם עם מעברים רגשיים (איור 13C). לדוגמה, מעבר מביטוי נייטרלי לחיוך נראה בלתי מורגש באיור 13 ב', אך השינויים הסטוכסטיים חושפים את האזור V2 בתור הרגיש ביותר, המשתנה באופן מקסימאלי מסמך PDF.

figure-results-9
איור 13: ניתוחים הרגש מתוך נתוני וידאו שנתפסו באמצעות OpenPose. (א) שטחי פנים בהתאם לעצב המשולש, הנושא סיבים סומאטיים כלליים (GSA). סיבים אלה innervate את העור של הפנים דרך אופטלמולוגי (V1), מקסימום (V2) ו הלסת (V3) חטיבות בשימוש כאן כדי ללמוד את המעברים על פני הבעות פנים (נייטרלי לעומת חיוך). (ב) באמצעות כמה דקות של וידאו שנתפסו עם מצלמות וידאו זמין מסחרית, ניתן לחלץ מידע פנים עם openpose ולהפוך את 70 נקודות על פני הפנים על פי V1, V2, האזורים V3 (קודי צבע כמו בלוח a). ה-MMS מסדרות הזמן הללו מקלטים לתהליך גמא ולקנה המידה של הפרמטרים המוערכים בצורה המוערכת לכל תנאי. (ג) הניתוחים לחשוף את האזור V2 הוא במקרה זה מושפע מעבר מ נייטרלי לחייך, עבור אדם זה מסוים, כמו שינוי ב-PDF הוא הגדול ביותר. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

figure-results-10
איור 14: שילוב אותות ביופיזיים דיגיטליים משכבות מרובות של מערכות העצבים תוך שימוש בגרפים בעלי משקל לא מכוון ובשיטות תאורליות מידע. קישוריות רשת של מידע הדדי מבחינת זוגות בין כל EEG, תנועה (מגנטומטר) ואותות אק ג. (א) הנציג של משתתף בריא בקישוריות במהלך שלוש משימות הליכה-משימה 13 בקרה (משמאל), משימה 14 המיקום הספונטני מטרונום (באמצע), ומשימה 15 הורה נשימה בקצב (מימין). כל צומת מייצג אות של חיישן יחיד; צבע הקו מייצג את רמת MI, כאשר צבע בהיר יותר מצביע על קישוריות גבוהה יותר; צבע הצומת מייצג את ה-MI הממוצע של האות של חיישן זה עם כל החיישנים האחרים. קנה המידה של הצבע מוגדר להיות זהה לאורך כל הפעילויות וכל המשתתפים והוא מוגדר באופן שרירותי כבעל הצבע הבהיר ביותר עבור ערך ה-MI המירבי בכל הפעילויות והמשתתפים, וכלה בצבע הכהה ביותר עבור ערך ה-MI המינימלי בכל הפעילויות והמשתתף s. קישוריות המשתתף הבריא מראה את הקשר החזק ביותר לאורך המוח ובלוטות הגוף. (ב) PWP עם updrs 16 מידה קישוריות, עם הפריסה הסכמטית זהה כמו בלוח A, מראה צפיפות פחות בקישוריות שלה מאשר הרשת של המשתתף בריא. (ג) pwp עם מדידת קישוריות 44 updrs עם אותה פריסה סכמטית כמו בלוח A, מציג את דפוס הקישוריות המפססט ביותר על פני המוח והגוף. אנא לחץ כאן כדי להציג גירסה גדולה יותר של איור זה.

אנחנו מוודא את כמות המידע. שמועברת על ידי הביותמים האלה לשם כך, אנו משתמשים הגישה התיאורטית מידע שפותחה על ידי שאנון19, באמצעות מידע הדדי (MI) בין כל זוג של חיישנים (כלומר, חיישן EEG, חיישן תנועה, חיישן א. א.). למטרה זו, הצלחנו להשיג את ההגברה של.

MI בין שני חיישנים מעריך את רמת חוסר הוודאות מופחת באות חיישן אחד על ידי החדרת המידע של האות חיישן אחר; כאשר MI גבוה, זה מרמז כי שני האותות מקושרים מאוד, וכאשר הוא נמוך, זה מרמז כי שני האותות הם בעיקר עצמאיים. באופן ספציפי, MI מחושב כ:

figure-results-11

כאשר figure-results-12 הוא ערך ההיסטוגרמה המנורמל של התפלגות הערכים עבור אות figure-results-13 x, והוא ערך ההיסטוגרמה המנורמל של ההתפלגות המשותפת של ערכים עבור אות x ו-Y. סלי הדגימה הוגדרו להגדלה ב-0.05, החל מ-0.5 ועד לערך משרעת המקסימום. פרטים על הנגזרת של נוסחה זו ניתן למצוא בספרות רבות על תורת המידע עם יישום על ניתוחים קליניים20,21.

באופן כללי, המשתתף הבריא הציג רשת מחוברת יותר במהלך שלוש משימות ההליכה, בעוד שלמשתתפים המטופלים היה חיבור מחודש, כמתואר באיור 13. לא רק שידור מידע ברשת, לפיו המידע ההדדי נגזר מהביותמים בעלי החוש העצמי, הוא נמוך בהרבה ב-PWP; חשוב מכך, קיימים הבדלים בסיסיים בדפוסי שידור של MI בין התנאים, המשתנים ממטופל למטופל. כאן נוכל לנצל עוד יותר את מדדי הקישוריות מניתוחי רשת כדי לסכם תכונות טופולוגי של רשתות אלה מתפתחות וככזה, לספק אינדקסים נוספים של קיבולת הגוף הפיזי, המשקף גם את רמות התקשורת בין המוח, הגוף והלב כאשר הקשר הפיזי הקשור המטרונום מתרחשת לעומת כאשר לא.

דיון

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

עבודה זו מציגה פרוטוקול חדש המאפשר שילוב של בדיקות קליניות מסורתיות עם נתונים דיגיטליים מתוך ביופיזיקלי אותות פלט על ידי מערכות העצבים כמו האדם מבצע בדיקות כאלה. אנו מציגים את השימוש ב-SPIBA ו-MMS כפלטפורמה מאחדת כדי לשלב סוגים שונים של נתונים כגון ציונים בדידים מתוך שיטות התצפית עיפרון ו-נייר נתונים דיגיטליים רציפה מחיישנים ביופיזיים. השיטות מומחשות באמצעות הקבוצה של PWP ו-and-ומין שולטת המין המתאים, עם שליטה צעירה נוספת כהתייחסות בריאה אידיאלי להשוואה. אנו מראים כי בדיקות קליניות מסורתיות (למשל, אלה שיכולים להיות חלק MoCA ו-MDS-UPDRS ד) ניתן להשתמש לדרג החציוני את הקבוצה ולחלץ באופן אוטומטי, מתוך השונות הטבועה של הציונים של החבורה, מידע המשמש את הנתונים הדיגיטליים תחום לפי רמות החומרה המוגדרות קלינית. רמות כאלה ליישר היטב עם רמות של רופאים קליניים-UPDRS ואת הביצועים הקוגניטיבית/בדיקת זיכרון. ברובד אחר של יישום אחר כך נבחן את הביותמים של מערכות העצבים השולטות ממערכת ה-CN, מהיקפית ומשכבות ה-ANS, ובכך מאפיון רמות שונות של אוטונומיה ושליטה. אנו מספקים נתונים לדוגמה וחתימות סטוכסטיים הנגזרות מנתונים כאלה, נבדק באמצעות האופטיקה של הקריטריונים הקליניים. תחת גישה כזו, אנו יכולים להבדיל בין המטופלים מפני בקרים בריאים; ובאמצעות הביותמים דיגיטלי, להבדיל בתוך PWP, על רמות קליניות מוגדרות שלהם של חומרה.

על ידי יישור נתונים דיגיטליים ביופיזיים עם הקריטריונים הקליניים בדרך זו, אנו מספקים ערכת הטבלה מתרגם של קריטריונים שיכולים יותר דינמי לעקוב אחר משמרות מסוימות בתוצאות. אנו מטבעות אלה התוצאה החדשה מודד דינמי בסמנים דיגיטליים, כי הם מבוססים על נתונים דיגיטליים, אך הם מספקים תוצאות בטבלה מתרגם על פי קריטריונים קליניים מבוסס ומאומת. הם נגזרים מסידרת הזמן של תהליכי מערכת העצבים, והם תופסים את האופי הדינמי של כאלה. בפרט, אנו מסוגלים להשתמש בקריטריונים מוטוריים ושאינם מוטוריים. ככזה, אנחנו יכולים להתחיל לכמת את ההיבטים הלא מוטוריים של PD, כי הם ידועים כיום לפני הידרדרות של הסימפטומים המוטוריים כי מקובל הגדיר את ההפרעה עד כה. לדוגמה, ניתוחי פנים כגון אלה המוצגים כאן יכולים לשמש לבדיקת מחוות מיקרו פנים ספונטניות במהלך שינה REM כדי לבנות רפרטואר של אלה אשר יכול לחזות את הידרדרות הפעילות המוטורית. כמו כן, אנחנו יכולים להשתמש בשיטות אלה כדי לבחון רמות של כאב במהלך הפעילות היומית ולהעריך את הפוטנציאל שלהם התואם פעילויות במהלך זמן שינה REM. זה חשוב, בגלל שניהם REM שינה וכאב התקנה ידועים לפני בעיות מוטוריות מאוחר יותר הגדרת רמת החומרה של המשטרה5,6,7. באמצעות הדיגיטציה שלנו של המשימות הקליניות המסורתיות שונים, פעילויות אחרות שאינן מוטוריות מוטבע במשימות הקליניות המשמשות לחקר יכולות קוגניטיביות והזיכרון האופיינים כאן, ואינדקסים של פעילויות כאלה ממופה לסימפטומים מוטוריים. שיטות אלה הן מומלצות לחיבור מחקר בסיסי ושיטות קליניות במחלת פרקינסון. הם יכולים גם להיות מורחבים להפרעות אחרות של מערכות העצבים.

מלבד פלט מנוע מן הפנים, במהלך שינה REM, אנו יכולים לבחון את מחוות הפנים במהלך מצבים חברתיים טבעיים בתוך מסגרת של חישה עצמית או הכנס מחדש כדי לאמוד את רמות המשוב מחדש את המוח של המטופל ככל הנראה מקבל. כאן, למרות ההבדלים העדינים מאוד מיקרו מחוות על פני הפנים באזורים המתאימים המשולש כלי לימפה V1, V2, V3, זה היה אפשרי לאתר את המשתתף נציג, איזה אזור של הפנים מאוד העביר את ה חתימות סטוכסטיים כאשר מעבר בין מדינות נייטרליות ומחייכות באופן טבעי. זה מרמז כי באמצעות SPIBA ו-MMS, נוכל להעריך היבטים אחרים שאינם מוטוריים (חושי) של PD הקשורים לקשיים עם קלט חושי מערוצי המגע התנועתית. אלה נמצאו בעייתי במשטרה, גם בשלבים המוקדמים של ההפרעה24. מכיוון חושי ומנוע ללכת יד ביד, מידע זה יכול לעזור לנו תחזית ברורים יותר בעיות מוטוריות החוצה בהמשך התקדמות הפרעה זו1,7. אנו ורכבותן כי אלה הערוצים קינאסטטית לאורך האזורים המשולש של הפנים עשוי גם לעזור לנו לנתק סוגים שונים של חוסר תקנה כאב, כולל אלה הקשורים שינויים בשינה5,6.

השיטות הנוכחיות מספקות דרך חדשה לבחון את האותות הביופיזיים שהושגו ממערכות העצבים המרכזיות, היקפיים והאוטונומית במשולב, בתנאים שונים הדורשים כישורים קוגניטיביים שונים ורמות שונות של אוטונומיה ו . שליטה על העצבים באמצעות מסגרת SPIBA, שבו ניתוחים סטוכסטיים וניתוחי רשת מבחינת זוגות מוחלים על נתוני MMS הסטנדרטיים, ניתן גם לאפיין באופן אובייקטיבי פעילויות קוגניטיביות. חמש עשרה המשימות ששימשו בניסוי זה דורשות סוגים שונים של מיומנויות קוגניטיביות (לדוגמה, מיומנויות ויזואליות, זיכרון חזותי, מיומנויות סריקה תפיסתי) ורמות שונות של שליטה קוגניטיבית (למשל, קצב מכוון הצבעה מהירות, קצב הנשימות כפי שהורו לך). מסיבה זו, דפוסי החיבור והקישוריות של שידור המידע של ה-CN-היקפית-ANS של אותות ביופיזיים שהוצגו במהלך משימות אלה, יכולים לשמש לאפיון רמות שונות של עומסים קוגניטיביים והשפעתם על התפוקה המוטורית.

בעוד אנו מדגישים את היתרונות של השיטות והפרוטוקולים האנליטיים החדשים שלנו, אנו מצביעים גם על אזהרות ומגבלות מעשיות שצריכות להיחשב כאשר מאמצים את פלטפורמת ההקלטה שלנו לאיסוף נתונים סינכרוני. הסיבה לכך היא שבהגדרה זו, קיימים סוגי תוכנות הקלטה מרובים הזורמים במחשב יחיד למטרות סינכרון, המחייב את הכוח החישובית של המחשב להיות גבוה, או שאדם אחר עלול לגרום לאובדן נתונים, להקפאה ו/או לעודף של מחשב רעש. בתכנון הנוכחי, שתי תוכנות זרימה (EEG, ולכידת תנועה) ו-LSL היו מופעל על מחשב אחד. ככזה, היינו צריכים להיות מודעים לעיבוד עומס יתר ואפשרי להקפיא את המחשב. זו הייתה אחת הסיבות מדוע השתמשנו באחד מערוצי ה-EEG כדי לחלץ את אותות ה-אק ג. מחשבים בעלי קיבולת זיכרון גבוהה יותר ומעבדים מהירים יותר עשויים להיות מסוגלים לטפל בתוכנת א-א נפרדת בו בזרימה עם רשת ה-EEG והחיישן של הקינמטיקה. סוגיות אלה מעשיות בטבע ואינן תלויות בשיטות האנליטיות (SPIBA) ובסוגי הנתונים הסטנדרטיים (MMS) שאנו מציעים. עם זאת, אנו מאמינים שחשוב להתריע בפני משתמש הקצה של הצורך להעריך את העוצמה החישובית לפני שתעצב את הפרוטוקול לרישום נתונים ממספר זרמים.

עוד אזהרה אנו מצביעים על כך, 15 משימות מומחשות בפרוטוקול הם תת-ערכה של מה ניתן להשתמש כדי לפתח סמנים דיגיטליים דינמיים. לצורך מאמר זה, אנו מוגבלים לכמה משימות עקב אילוץ החלל, ובחרה את אלה שמעורבים ברמות שונות של שליטה ותנועה גופנית, ואכן אנו יכולים להוסיף משימות אחרות שאינן נכללות בנייר זה. המטרה שלנו היא להפיק מערכת משנה קטנה יותר של משימות שידרשו פחות זמן ומאמץ. למעשה, מהמעבדה שלנו, משימות הצבעה (משימות 10-12) הן קבוצה של משימות שמצאנו כדרך יעילה ויעילה לאפיון החתימות הסטוכסטיים של הביותמים מגוונות על-ידי רמות שונות של בקרת רצון והפרעות נוירולוגיות, כולל PD בת 24 , . בסדר, 30

התוצאות הנציג המוצג במחקר זה הם תת-קבוצה קטנה של מה ניתן לעשות עם מערכות MMS הנתונים נגזר באמצעות צורות גל ביולוגי וכיתוב תנועה של מצלמות, באמצעות שיטות SPIBA. להמחשה, בדקנו את משרעת ה-MMS והתמקדו בתנודות בשרעת המהירות הליניארית הנגזרת מהקשר של האדם. ה-COM הוא אות סיכום מכל 17. חיישני הגוף שאנו רשומים במשותף עם זאת, יכולנו להרחיב את הניתוחים לפרמטרים אחרים בסיבוב, ולמשתנים קינטית אחרים (למשל, כוחות ולחץ) היוצרים סדרת זמן של פרמטרים יציבים (למשל, כפי שעשינו עם הנתונים בפנים.) כמו כן, בשל אילוץ בחלל, אנו רק לאייר ניתוח של נתוני EEG המבוסס על מידע משרעת הקרקפת שלה, אבל אנחנו יכולים גם להחיל ניתוחים אלה על נתונים הנגזרים מהשטח המקור31. עבור כל מצבי הנתונים, אנו יכולים גם לבחון את הסטוסטיים של הזמנים בין הפסגות (במקום משרעת שיא), היוצרים גם סדרת זמן. סדרות זמן אחרות של פרמטרים יכול להיות נגזר מצורות גל כאלה, ו-MMS שלהם ניתן להשתמש כדי לוודא לכידות וקישוריות מהרשת שנבנתה32,33,34. יתר על כן, מנתח אלה ניתן גם להאריך את התדר34התחום. בנוסף לניתוח רשת המידע ההדדי, יכולנו להתמקד בתכונות טופולוגי אחרות של הרשת כדי להבדיל PWP ובקרות כדי PWP. לצורך המאמר, אנו מתמקדים בשימושיות של ניתוח זה ככלי, אך באמצעות סוג זה של אפיון, אנו נרוויח ידע כדי לספק פרשנויות קליניות מידע של הנתונים הדיגיטליים כי אלה כלים אנליטיים לספק.

השיטות הנוכחיות המתוארות במחקר זה לשמש להציג כמה דרכים אפשריות רבות כי SPIBA ו-MMS ניתן להחיל על שילוב נתונים קליניים ודיגיטליים. אנו מציעים פלטפורמה מאחדת זו, סוג נתונים מתוקננת ופרוטוקול ניסיוני בתקווה ליידע בסופו של דבר נתונים דיגיטליים של קריטריונים קליניים, וכמו כן להוסיף יותר דיוק מהנתונים הדיגיטליים לשיטות המסורתיות של עיפרון ונייר. שיפור כזה יהיה 1) לאפשר מעקב מדויק יותר של שינוי סימפטום בתגובה לטיפול, 2) לשפר את ההבנה של התקדמות המשטרה הטבעית לאורך זמן, ו 3) להקל על ריבוד של מצגת סימפטום של PD (אשר עשוי להכתיב קליני ייחודי המלצות לכל תת קבוצה). ככאלה, אנו מקווים ליישם שיטות אלה למחקר נוסף במשטרה, אלא גם לראות את התועלת ביישום קליני. באמצעות מכשירים מסחריים כגון טלפונים ניידים, ניתן להשיג נתונים ביופיזיים כדי לבצע את הניתוח שאנו מומחש בנייר זה. כיום, יש מאמצים איסוף נתונים דיגיטליים כאלה בקנה מידה גדול יותר כגון מחקר האפליקציה mPower מאוניברסיטת רוצ'סטר (https://parkinsonmpower.org) ו קאנגל. אכן, שימוש אלה מאגרי נתונים פתוחים לגישה, היינו מסוגלים משטרת stratify ואנשים ההזדקנות נורמלי מנתוני תאוצה שהתקבלו מטלפונים ניידים, ו כדי לסווג באופן אוטומטי פעילויות המוטבעות במבחנים הקליניים המוצגים כאן 35.

בשלב הבא, אנו שואפים לאסוף יותר נתונים ממגוון רחב יותר של אוכלוסיית PWP ומשתתפי השליטה שלהם התאמה ולהקליט אותם בנקודות זמן שונות כדי להיות מסוגל לבצע הן ניתוח הרוחב והאורך באמצעות שיטות שלנו. אנו צופה נתונים דיגיטליים כאלה שנאספו תציע הרבה יותר מסכום החלקים שלהם, ובאמת להגשים את העקרונות של הרפואה דיוק בנוירולוגיה ופסיכיאטריה.

גילויים

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

. למחברים אין מה לגלות

תודות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

מחקר זה ממומן בחלקו על ידי המכון לאינפורמטיקה של דיסקברי רטגרס ל-JR, אוניברסיטת רטגרס כספים ל-EBT ו-JV, המועצה החדשה של ניו ג'רזי מועצת המחקר והטיפולים של אוטיזם ל-EBT וקרן מייקל ג'יי פוקס כדי RD.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
Enobio 32NE NeuroelectricsNE006WFמערכת חיישנים אלקטרופיזיולוגיה אלחוטית לבישה להקלטת EEG.
עט דיוWacomKP1302עט טאבלט
Intuos ProWacomPTH451עט טאבלט
מעבדה מערכת שכבת זרםn/a n/aתוכנת קוד פתוח לסנכרון מכשירים שונים
מיקרופוןZaffiroB07BDFP6XCמיקרופון מחשב
MovAlyzeRNeuroscriptגרסה 6.1.0.0.תוכנה לכיתוב תנועת עט
MTw Awinda גשש תנועה אלחוטיXsensMTw Awindaמערכת לכידת תנועה
MVN ניתוחXsensגרסה 2019תוכנת מעקב אחר תנועה
NIC 2.0NE נוירואלקטריותNE001SW2בקר מכשירים נוירואלקטריים (NIC) תוכנת הזרמת EEG
OpenPosen/an/aתוכנת למידת מכונה בקוד פתוח לחילוץ מידע פנים

מקורות

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Hawgood, S., Hook-Barnard, I. G., O'Brien, T. C., Yamamoto, K. R. Precision medicine: Beyond the inflection point. Science Translational Medicine. 7 (300), 300ps317(2015).
  2. Torres, E. B., Whyatt, C. Autism: The Movement Sensing Perspective. , CRC Press/Taylor & Francis Group. Boca Raton, FA. (2018).
  3. Torres, E. B., et al. Toward Precision Psychiatry: Statistical Platform for the Personalized Characterization of Natural Behaviors. Frontiers in Neurology. 7, 8(2016).
  4. Espay, A. J., et al. Technology in Parkinson's disease: Challenges and opportunities. Movement Disorders. 31 (9), 1272-1282 (2016).
  5. Ponsen, M. M., Stoffers, D., Wolters, E. C., Booij, J., Berendse, H. W. Olfactory testing combined with dopamine transporter imaging as a method to detect prodromal Parkinson's disease. Journal of Neurology, Neurosurgery & Psychiatry. 81 (4), 396-399 (2010).
  6. Ponsen, M. M., et al. Idiopathic hyposmia as a preclinical sign of Parkinson's disease. Annals of Neurology: Official Journal of the American Neurological Association and the Child Neurology Society. 56 (2), 173-181 (2004).
  7. Oudre, L., Jakubowicz, J., Bianchi, P., Simon, C. Classification of periodic activities using the Wasserstein distance. IEEE Transactions on Biomedical Engineering. 59 (6), 1610-1619 (2012).
  8. Derkinderen, P., et al. Parkinson disease: the enteric nervous system spills its guts. Neurology. 77 (19), 1761-1767 (2011).
  9. Roetenberg, D., Luinge, H., Slycke, P. Xsens MVN: Full 6DOF human motion tracking using miniature inertial sensors. Xsens Motion Technologies BV, Tech. Rep. 1, (2009).
  10. Possin, K. L., Laluz, V. R., Alcantar, O. Z., Miller, B. L., Kramer, J. H. Distinct neuroanatomical substrates and cognitive mechanisms of figure copy performance in Alzheimer's disease and behavioral variant frontotemporal dementia. Neuropsychologia. 49 (1), 43-48 (2011).
  11. Army, U. Army individual test battery. Manual of Directions and Scoring. , (1944).
  12. Nasreddine, Z. S., et al. The Montreal Cognitive Assessment, MoCA: a brief screening tool for mild cognitive impairment. Journal of the American Geriatrics Society. 53 (4), 695-699 (2005).
  13. Beekly, D. L., et al. The National Alzheimer's Coordinating Center (NACC) database: the uniform data set. Alzheimer Disease & Associated Disorders. 21 (3), 249-258 (2007).
  14. Torres, E. B. Objective Biometric Methods for the Diagnosis and Treatment of Nervous System Disorders. , Academic Press, Elsevier. Cambridge, MA. (2018).
  15. Ryu, J., Torres, E. B. Fourth International Symposium on Movement and Computing, MOCO'17. , 1-8 (2017).
  16. Torres, E. B., Donnellan, A. M. Autism: The movement perspective. , Frontiers Media SA. Lausanne, Switzerland. (2015).
  17. Torres, E. B., Vero, J., Rai, R. Statistical Platform for Individualized Behavioral Analyses Using Biophysical Micro-Movement Spikes. Sensors (Basel). 18 (4), (2018).
  18. Torres, E. B., Denisova, K. Motor noise is rich signal in autism research and pharmacological treatments. Scientific Reports. 6, (2016).
  19. Shannon, C. A mathematical theory of communication. Bell System Technical Journal. 27, 623-656 379-423 (1948).
  20. Silverstein, S. M., Wibral, M., Phillips, W. A. Implications of information theory for computational modeling of schizophrenia. Computational Psychiatry. 1, 82-101 (2017).
  21. Jeong, J., Gore, J. C., Peterson, B. S. Mutual information analysis of the EEG in patients with Alzheimer's disease. Clinical Neurophysiology. 112 (5), 827-835 (2001).
  22. Torres, E. B., et al. Autism: the micro-movement perspective. Frontiers in Integrative Neuroscience. 7, 32(2013).
  23. Von Holst, E., Mittelstaedt, H. Perceptual Processing: Stimulus equivalence and pattern recognition. Dodwell, P. C. , Appleton-Century-Crofts. New York. 41-72 (1950).
  24. Torres, E. B., Cole, J., Poizner, H. Motor output variability, deafferentation, and putative deficits in kinesthetic reafference in Parkinson's disease. Frontiers in Human Neuroscience. 8, 823(2014).
  25. Yanovich, P., Isenhower, R. W., Sage, J., Torres, E. B. Spatial-orientation priming impedes rather than facilitates the spontaneous control of hand-retraction speeds in patients with Parkinson's disease. PLoS One. 8 (7), e66757(2013).
  26. Torres, E. B. The rates of change of the stochastic trajectories of acceleration variability are a good predictor of normal aging and of the stage of Parkinson's disease. Frontiers in Integrative Neuroscience. 7, 50(2013).
  27. Torres, E. B., Heilman, K. M., Poizner, H. Impaired endogenously evoked automated reaching in Parkinson's disease. Journal of Neuroscience. 31 (49), 17848-17863 (2011).
  28. Nguyen, J., Majmudar, U., Papathomas, T. V., Silverstein, S. M., Torres, E. B. Schizophrenia: The micro-movements perspective. Neuropsychologia. 85, 310-326 (2016).
  29. Torres, E. B. Atypical signatures of motor variability found in an individual with ASD. Neurocase. 19 (2), 150-165 (2013).
  30. Torres, E. B. Signatures of movement variability anticipate hand speed according to levels of intent. Behavioral Brain Functions. 9, 10(2013).
  31. Lai, M., Demuru, M., Hillebrand, A., Fraschini, M. A comparison between scalp-and source-reconstructed EEG networks. Scientific Reports. 8 (1), 12269(2018).
  32. Sporns, O. Networks of the Brain. , MIT Press. Cambridge, MA. (2010).
  33. Rubinov, M., Sporns, O. Complex network measures of brain connectivity: uses and interpretations. Neuroimage. 52 (3), 1059-1069 (2010).
  34. Kalampratsidou, V., Torres, E. B. Peripheral Network Connectivity Analyses for the Real-Time Tracking of Coupled Bodies in Motion. Sensors (Basel). 18 (9), 3117(2018).
  35. Torres, E. The rates of change of the stochastic trajectories of acceleration variability are a good predictor of normal aging and of the stage of Parkinson's disease. Frontiers in Integrative Neuroscience. 7 (50), (2013).

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

EEG

מאמרים קשורים