Gekwantificeerde beoordeling van de grove motoriek van baby's met behulp van een wearable met meerdere sensoren

Samenvatting

Dit artikel schetst de beoordeling van de grove motorische prestaties van baby's met een multisensor-wearable en de volledig geautomatiseerde op deep learning gebaseerde analysepijplijn. De methode kwantificeert de houdings- en bewegingspatronen van baby's vanaf het liggen op de rug totdat ze zelfstandig lopen onder de knie hebben.

Samenvatting

Het ontwikkelen van objectieve en kwantitatieve methoden voor vroege grove motorische beoordeling is essentieel om de neurologische ontwikkeling beter te begrijpen en om vroege therapeutische interventies te ondersteunen. Hier presenteren we een methode om de grove motorische prestaties te kwantificeren met behulp van een multisensor wearable, MAIJU (Motility Assessment of Infants with a JUmpsuit), die een geautomatiseerde, schaalbare, kwantitatieve en objectieve beoordeling biedt met behulp van een volledig geautomatiseerde cloudgebaseerde pijplijn. Dit draagbare pak is uitgerust met vier bewegingssensoren die gesynchroniseerde gegevens opnemen op een mobiele telefoon met behulp van een energiezuinige Bluetooth-verbinding. Een offline analyse in de cloudserver genereert binnen enkele minuten volledig geanalyseerde resultaten voor elke opname. Deze resultaten omvatten een grafisch rapport van de opnamesessie en een gedetailleerde resultatenmatrix die van seconde tot seconde classificaties geeft voor houding, beweging, dragen van baby's en vrije speeltijd. Onze recente resultaten tonen de deugd aan van een dergelijke gekwantificeerde motorische beoordeling die een potentieel effectieve methode biedt voor het onderscheiden van variaties in de grove motorische ontwikkeling van het kind.

Inleiding

Vroege grove motorische ontwikkeling is essentieel voor neurocognitieve prestaties op een hoger niveau die later naar voren komen door de verkenning van de omgeving door baby's te ondersteunen. Daarom hebben zowel clinici als onderzoekers een groot belang bij het beoordelen van de vroege grove motorische ontwikkeling ^1,2,3. Om evidence-based geneeskunde of wetenschappelijke studies te ondersteunen, is het essentieel dat de grove motorische beoordelingen kwantitatief, betrouwbaar, objectief en ecologisch valide zijn. Er is echter een schaarste aan dergelijke methoden die beschikbaar zijn voor klinisch of fundamenteel wetenschappelijk onderzoek.

Een typische vroege grove motorische ontwikkeling verloopt via een voorspelbare opeenvolging van nieuw verworven vaardigheden. Ze worden vaak waargenomen bij zuigelingen als het bereiken van discrete motorische mijlpalen⁴, waarbij staan en lopen vaak worden beschouwd als belangrijke oriëntatiepunten op weg naar complexer gedragsrepertoire⁵. Naast directe observatie of ouderlijke enquêtes over motorische mijlpalen, zijn er verschillende veelgebruikte gestandaardiseerde batterijen ontwikkeld 6,7,8,9 voor het uitvoeren van beoordelingen van baby's in het laboratorium of in een ziekenhuisomgeving. Deze beoordelingen hebben echter meerdere kanttekeningen: ze vereisen substantiële expertise van getrainde professionals, ze zijn deels subjectief en categorisch, en ze beoordelen de prestaties van baby's in een omgeving (ziekenhuis of laboratorium) die onnatuurlijk is vanuit het perspectief van een baby.

Het registreren van de spontane motorische activiteit van baby's gedurende langere tijd in de oorspronkelijke omgeving, zoals hun huis, maakt relevantere metingen van motorische vaardigheden mogelijk. Bij een dergelijke haalbare methode wordt de beoordeling uitgevoerd voor de volledige volgorde van de ontwikkeling van de motorische vaardigheden van het kind, van liggend liggen tot vloeiend lopen met een draagbaar systeem, zoals de MAIJU wearable (Motor Assessment of the Infants with a JUmpsuit)10,11,12. Het draagbare MAIJU-systeem (Figuur 1) omvat een textielkledingstuk voor het hele lichaam dat is uitgerust met bewegingssensoren om ongecontroleerde beoordelingen buiten het ziekenhuis/laboratorium en opnames mogelijk te maken die worden geanalyseerd met een geautomatiseerde pijplijn, waardoor een beoordeling van seconde tot seconde van houding en bewegingspatronen wordt verkregen. Deze algoritmische detecties kunnen voor elke houding en elk bewegingstype afzonderlijk worden gebruikt, of ze kunnen worden gecombineerd voor een holistische beoordeling van het rijpingsniveau van de motorische vaardigheden van het kind. Een recent gepubliceerde, eenheidsvrije uitdrukking van een dergelijke maatstaf voor motorische volwassenheid is BIMS (Baba Infant Motor Score)^10,12.

Dit artikel beschrijft de beoordeling van de grove motorische prestaties van baby's met behulp van een draagbaar pak met meerdere sensoren; De grondgedachte, praktische prestaties, analysepijplijn en mogelijke toekomstperspectieven voor het gebruik van de statistieken die kunnen worden verkregen uit de geautomatiseerde analysepijplijn die beschikbaar is voor opnames met een multisensor-wearable 10,11,12. De methode is geschikt voor een gedetailleerde kwantificering van spontane grove motorische activiteiten bij alle zuigelingen die motorische vaardigheden vertonen tussen liggend liggen en vloeiend lopen.

Het draagbare multisensorsysteem bestaat uit drie componenten: 1) het algehele kledingstuk voor het hele lichaam dat is uitgerust met vier bewegingssensoren, 2) een mobiel apparaat met behulp van een op maat gemaakte iOS-applicatie, en 3) een cloudgebaseerde analysepijplijn (Babacloud waarvan de referenties kunnen worden verkregen bij de auteurs)¹¹. De waterdichte traagheidsmeeteenheid (IMU)-sensoren streamen gesynchroniseerde gegevens (3-assige versnellingsmeter en gyroscoop) met een bemonsteringsfrequentie van 13-52 Hz naar een mobiele telefoon met behulp van een energiezuinige Bluetooth-verbinding. De gegevens worden in eerste instantie opgeslagen in het geheugen van (de sensor of) het mobiele apparaat, gevolgd door een offline analyse in de cloudserver nadat de opname is gestopt.

Protocol

De studies die met dit systeem werden uitgevoerd, werden beoordeeld door de ethische commissie van het New Children's Hospital, Helsinki University Hospital, en het ziekenhuis gaf toestemming om de onderzoeksprojecten uit te voeren die werden beschreven in de oorspronkelijke studies die in dit werk werden geciteerd. Er werd een geïnformeerde toestemming verkregen om het kind in de video te filmen.

1. Het pak voorbereiden op een opnamesessie

1. Selecteer de juiste pakmaat. Momenteel lopen de maten op vanaf maat 68 cm en zijn er vijf verschillende maatopties (68 cm, 74 cm, 80 cm, 86 cm en 92 cm). Zorg ervoor dat het pak goed en toch comfortabel zit en dat het kind zich vrij en ongestoord kan bewegen.
2. Start de opname, d.w.z. het verzamelen van gegevens met behulp van de datalogger-applicatie, Maijulogger, zoals beschreven in aanvullend bestand 1.
   1. Voer op de eerste pagina het "Onderwerpidentificatienummer" in. Het aantal bewegingssensoren dat bij de beoordeling wordt gebruikt, is standaard ingesteld op 4, zoals weergegeven op de eerste pagina.
   2. Ga naar de volgende fase door op de pijl vooruit te drukken.
3. Rust vier sensoren uit met batterijen (versie CR2025).
4. Koppel elke sensor met de mobiele applicatie door een locatie van een ledemaat in de applicatie te selecteren en erop te drukken en de sensor dicht bij het mobiele apparaat te brengen.
   1. Controleer of het juiste sensornummer op de applicatie wordt weergegeven.
   2. Zorg voor voldoende laadniveau van de batterij (aanbevolen > 80%) door de indicatoren onder het sensornummer te controleren.
      NOTITIE: Vervang indien nodig de sensorbatterijen door de achterklep op te tillen.
5. Bevestig elke sensor met de klikbevestigingen in de juiste mouwzak.
   1. Zorg ervoor dat de sensoren correct zijn gericht.
   2. Raadpleeg altijd de meest recente gebruikershandleiding voor meer informatie. Een verkeerde oriëntatie leidt tot onbruikbare gegevens.
6. Ga verder met het controleren van de juiste sensorkoppeling door op de pijl vooruit in de applicatie te drukken.
   1. Schud de sensoren één voor één en controleer de applicatie om te zien of de juiste indicator wiebelt.
7. Wanneer de controles zijn voltooid, gaat u naar de startpagina door op de pijl vooruit te drukken.
   NOTITIE: Indien nodig kan de duur van de opname (uu:mm) handmatig worden ingesteld door aan het begin van elke opname op de knop Instellingen te drukken.
   1. Druk op de opnameknop om de opname te starten. Wacht tot de sensoren klaar zijn voordat u het pak van de baby aantrekt (dit kan een paar minuten duren).
8. Voor thuisopnames zonder toezicht stelt u de schermvergrendeling in op het mobiele apparaat om de ouderlijke bediening te voorkomen en pakt u het pak in voor levering aan de ontvanger.
   1. Gebruik een koerier of een soortgelijke dienst om het pak onmiddellijk bij de ontvanger af te leveren nadat het is voorbereid.

2. De baby voorbereiden en aankleden voor een opnamesessie

1. Zorg ervoor dat de baby borstvoeding krijgt (d.w.z. gevoed en luiers verschoond) en zich veilig en comfortabel voelt voor een natuurlijke en spontane speeltijd.
   1. Trek het pak later uit voor het verschonen van de luier, indien nodig.
2. Kleed het pak aan bij de baby zoals gedaan met een gewone overall.
   1. Controleer of de sensorzakken naar buiten zijn gericht (d.w.z. weg van de middellijn van het lichaam in plaats van naar de voor- of achterkant van de baby te draaien).
3. Controleer op elke sensorlocatie of het pak goed op de ledematen past.
   1. Pas indien nodig de riemen bij de zakken aan om de sensor op de ledemaat strakker te maken.
      OPMERKING: Het is ook mogelijk om kleding onder het pak of verband toe te voegen om de sensoren vast te maken voor het geval de ledematen te dun zijn voor voldoende bevestiging met de riemen.

3. Opnamesessie

1. Houd het mobiele apparaat in de buurt van de baby om een betrouwbare gegevensoverdracht via de Bluetooth-verbinding te garanderen (d.w.z. in dezelfde kamer of binnen 10 m bij opname in open ruimte) bij opname met directe gegevensstreaming.
   1. Bewaar het mobiele apparaat, indien van toepassing, in een tas, zoals een tablethoes, voor eenvoudiger en veiliger gebruik. Het Bluetooth-protocol probeert opnieuw verbinding te maken als de BLE-verbinding wordt verbroken.
      NOTITIE: Het is niet raadzaam om de opname te pauzeren en vervolgens voort te zetten, omdat dit de synchronisatie tussen sensoren of de temporele integriteit van de opgenomen gegevens kan verstoren en u de BLE-verbinding kunt verliezen. In dergelijke gevallen is de enige optie om de applicatie uit te schakelen en de opname opnieuw te starten.
2. Richt de omgeving zo in dat het spelen met speelgoed en andere voorwerpen wordt vergemakkelijkt en moedig de baby aan om vrij te bewegen. Maak bijvoorbeeld de ruimte vrij om te bewegen of leg een mat op de grond, zodat de baby kan worden aangemoedigd om te bewegen bij het zien van speelgoed dat geschikt is voor de leeftijd. Het doel is om de natuurlijke beweging van het kind vast te leggen.
   1. Zorg ervoor dat de baby zich comfortabel en veilig genoeg voelt om spontaan te spelen zonder angst te ervaren vanwege nieuwe mensen of onbekende plaatsen.
3. Neem minimaal 1 uur vrij spel op of zo lang als gewenst door de studievragen. Meerdere spel-/bewegingstijdperken kunnen later tijdens de analyse worden gecombineerd.
4. Indien vereist door het specifieke onderzoeksprotocol, maak dan verdere aantekeningen om een gedetailleerde inspectie van individuele resultaten te vergemakkelijken. Gebruik real-time gesynchroniseerde annotaties in de datalogger-applicatie als vrije tekst, audio-opnamen of video-opnamen.
5. Voor thuisopnamen zonder toezicht stelt u de opname in om automatisch te stoppen (d.w.z. stel de duur (uu:mm) van de opname handmatig in door op de knop Instellingen te drukken).
6. Beëindig in bewaakte instellingen de opname door op de knop Stop in de applicatie te drukken.
7. Trek het pak uit en pak het in voor teruggave aan het laboratorium.
8. Was het pak na elke opname nadat u de sensoren uit de zakken van het pak hebt gehaald. Gebruik, indien beschikbaar, reinigingsmiddelen, inclusief vochttransport gericht op synthetische materialen¹¹.
   1. Inspecteer het pak na het wassen visueel op mechanische defecten voordat u het opbergt voor gebruik bij het volgende kind.

4. Cloudgebaseerde analyse: uploaden van ruwe gegevens en downloaden van resultaten

1. Klik op het opgenomen bestand in de databaseweergave van de applicatie en klik vervolgens op Exporteren naar Babacloud, waardoor de startpagina van de computationele cloud (https://babacloud.fi/) wordt geopend met behulp van de webbrowser op het mobiele apparaat (aanvullend bestand 2).
2. Voer gebruikersnaam en wachtwoord in op de inlogpagina. Vraag indien nodig nieuwe inloggegevens aan via het e-mailadres dat op de startpagina van Babacloud staat.
3. Kies het opgenomen bestand voor een upload. Kies vervolgens een identificatienummer voor het onderwerp en voeg de vereiste informatie toe zoals aangegeven door de Babacloud-workflow. Als dit relevant is voor de zaak, voer dan ook de leeftijd van de proefpersoon of andere informatie (bijv. speeltijd) in bij "Nog een onbewerkt bestandslabel toevoegen". Sla ten slotte de uploadsessie op door op de knop Opslaan te drukken.
   OPMERKING: Standaard genereert de datalogger-applicatie een gecomprimeerd bestand van de bewegingsgegevens om een eenvoudigere en snellere gegevensoverdracht via de ether via een wi-fi of mobiel netwerk mogelijk te maken. De Babacloud-interface vereist inloggegevens die kunnen worden verkregen volgens de instructies op hun webpagina. De geregistreerde onbewerkte gegevens kunnen ook rechtstreeks van de telefoon naar een ander apparaat worden overgebracht voor analyse op maat. Zorg ervoor dat onnodige gegevens uit het geheugen van het mobiele apparaat worden verwijderd om verwarring tussen opnamesessies te voorkomen. De opnamesessies worden automatisch in hun eigen mappen geplaatst, die een naam krijgen met hun respectievelijke tijdstempels.
4. Download het gecomprimeerde pakket met analyse-outputs van de cloudserver met behulp van een mobiel apparaat of een webbrowser op een computer. Klik op de juiste onderwerp-ID en kies vervolgens de link naar de gewenste analyse, waardoor de bestandsdownload automatisch wordt geopend.
   OPMERKING: In het gezipte resultatenpakket zijn de volgende twee items te vinden: Een gedetailleerde resultatenmatrix, die alle classificaties van seconde tot seconde geeft voor houding, beweging, dragen van baby's en vrije speeltijd (Figuur 2A, aanvullend bestand 3). Grafische rapporten die een overzicht geven van de studiesessie (Aanvullend dossier 4).

Resultaten

De gepresenteerde methode kwantificeert de grove motorische prestaties van baby's door de soorten houdingen en bewegingen voor elke seconde van de opnamesessie te classificeren. Daarom bevat het resultatenpakket van de geautomatiseerde analysepijplijn een volledige classificatiematrix (aanvullend bestand 3) en een grafische samenvatting (aanvullend bestand 4) van de hele opnamesessie. Afhankelijk van de exacte onderzoeksvraag kunnen deze resultaten op verschillende niveaus worden geïnspecteerd.

Voor de ontwikkeling en validatie van deze methode is gebruik gemaakt van resultaatinspectie.
Hieronder presenteren we vier niveaus van resultaatinspectie die worden gebruikt voor de ontwikkeling en validatie van deze methodologie. Aanvullend bestand 5 geeft representatieve voorbeelden van de belangrijkste validatie-experimenten die eerder in detail zijn gepubliceerd 10,11,12.

Ten eerste werden de automatische algoritmen die waren getraind voor bewegings- en houdingsdetecties gevalideerd aan de hand van menselijke observaties van het bewegingsgedrag van baby's op seconde-voor-secondeniveau. We gebruikten verschillende parallel opgeleide experts die blindelings de gesynchroniseerde video-opnames beoordeelden met de draagbare opnames. Alle verschillende houdings- en bewegingscategorieën werden afzonderlijk vergeleken met de individuele menselijke annotaties, en we vonden een zeer hoge overeenkomst tussen het algoritme en de mens voor houdingen (gemiddelde kappa 0,93); Er werd een substantiële overeenstemming gevonden voor de categorieën verplaatsingen (subcategoriespecifieke kappa, meestal tussen de 60 en 80%). Zie Aanvullend dossier 5A voor een voorbeeld van verwarringsmatrix¹⁰. Ook werden interbeoordelaarsovereenkomstniveaus beoordeeld om te bevestigen dat de algoritmen presteren op ongeveer menselijk equivalent niveau^10,11.

Ten tweede beoordeelden we hoe goed de op classificatie gebaseerde kwantificering van bewegings- en houdingscategorieën zou overeenkomen met de overeenkomstige kwantificering van de menselijke annotaties op het tweede niveau. Voorbeelden van spreidingsdiagrammen in aanvullend bestand 5B¹⁰ tonen aan dat verschillende hoofdcategorieën een bijna perfecte match hebben (correlatiecoëfficiënt >0,96) tussen algoritmische en menselijke visuele kwantificering. Dit ondersteunt direct het idee dat de leeftijdsspecifieke verdelingen van motiliteitskwantificering (Figuur 3A,B) betrouwbaar zijn¹².

Ten derde werd het idee van een holistische beoordeling van motorische volwassenheid gevalideerd door een voorspelling van de ontwikkelingsleeftijd te trainen op basis van de bewegingshoeveelheden van de combinatie (zie hierboven) die zeer nauw correleerde met de werkelijke leeftijd bij de typisch ontwikkelende zuigelingen (r = 0,89; Aanvullend dossier 5C). Vervolgens werd de leeftijdsvoorspelling geschaald naar 0-100 als een eenheidsloze maat BIMS (Baba Infant Motor Score¹⁰), en het nut ervan voor het bouwen van motorische groeigrafieken (aanvullend bestand 5D) werd gevalideerd met behulp van een typisch ontwikkelend babycohort dat sterk leeftijdsafhankelijke en voorspelbare groeitrajecten vertoonde. We hebben ook de relatieve nauwkeurigheid gevalideerd door aan te tonen dat de nauwkeurigheid in motorische groeigrafieken goed te vergelijken is met de bekende fysieke groeigrafieken¹².

Ten vierde werd het potentieel voor het detecteren van afwijkingen met de gegeven statistieken gevalideerd in een proof of principle-experiment waarbij werd aangetoond dat individuele motorische metingen duidelijk onderscheid maakten tussen respectievelijk baby's met slechte en goede motorische prestaties (aanvullend bestand 5E)¹⁰.

Mogelijke verdere studievragen op verschillende analyseniveaus
Figuur 3 toont voorbeelden van verdere toepassingen van de informatie die wordt geleverd door het draagbare pak en de geautomatiseerde analysepijplijn. Ten eerste kan de vroege ontwikkeling van houdings- en bewegingsvaardigheden worden uitgezet als een functie van de leeftijd en worden vergeleken met de leeftijdsafhankelijke verdelingen (Figuur 3A, "groeigrafieken"¹²), of kan de ontwikkeling in de tijd voor elk individu worden gevolgd (Figuur 3B). Ten tweede, wanneer een onderzoeksvraag een meer holistische grove motorische beoordeling vereist, kan men een combinatie van de houding en bewegingsverhoudingen van een individu gebruiken (zoals weergegeven in aanvullend bestand 5D, berekend op basis van de tijdreeks in aanvullend bestand 5C) om een index zoals BIMS (Baba Infant Motor Score) te genereren. Dergelijke maatregelen ondersteunen direct gebruik in motorische groeigrafieken (aanvullend bestand 5C,D) en berekening van statistische afleidingen zoals z-score (figuur 3A). Door gebruik te maken van de fulltime reeks detecties van algoritmen (Figuur 3C en aanvullend bestand 3) kunnen studies worden uitgevoerd naar de gedetailleerde temporele structuur van de beweeglijkheid van baby's met vragen als "Hoeveel houdingsovergangen voert de baby uit in een tijdseenheid?" of "Wat is de verdeling van staande epochs tijdens spontane speeltijd?".

Figuur 1: Overzicht van het draagbare multisensorsysteem en een typisch studieverloop van de opname tot de analyse. Figuur 1 aangepast van Airaksinen et ^al.12gepubliceerd onder CC_BY licentie. De foto van het kind wordt gepubliceerd met toestemming van de ouders. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 2: Houdings- en bewegingscategorisatie en een voorbeeldvisualisatie van onbewerkte gegevens en analyse-output (A) Houdings- en bewegingscategorisatieschema dat wordt gebruikt door de algoritmische classificaties binnen de volledig geautomatiseerde analysepijplijn voor een wearable met meerdere sensoren. Deze figuur is overgenomen uit Airaksinen et ^al.10 (B) Voorbeeld van een 10 minuten aan ruwe versnellingsmetersensorgegevens van elk van de vier armen zoals deze uit de MAIJU-opnames komen. De horizontale balken hieronder tonen geautomatiseerde classificatie-uitgangen voor de houdings- (bovenste balk) en bewegingsdetecties (onderste balk) voor hetzelfde tijdvak van 10 minuten. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 3: Voorbeeldresultaten afgeleid van de ruwe output van de classifier. (A) Een voorbeeld van een gegevensvergelijking tussen de leeftijd van de baby en de Baba Infant Motor Score (BIMS). De S-vormige groene curve geeft het ontwikkelingstraject van BIMS in een grotere populatie weer. De stip toont een voorbeeldpersoon gemeten na 14 maanden, met een BIMS ~74, wat overeenkomt met iets onder het gemiddelde leeftijdstypische niveau (de groene lijn). (B) Een voorbeeldcohort met individuele trajecten van motorische ontwikkeling met behulp van de Baba Infant Motor Score over (BIMS). Elke lijn vertegenwoordigt een baby die op verschillende leeftijdspunten is geregistreerd (stippen in de lijn). De lijnen zijn gekleurd voor de gemiddelde afwijking ten opzichte van het leeftijdstypische gemiddelde (blauwe S-vormige curve op de achtergrond; zie ook paneel A. (C) Representatieve uitvoermatrix van de automatische classifier zoals deze afkomstig is van de Babacloud-pijplijn. De eerste kolom geeft de verstreken tijd weer vanaf het begin van de opname (in seconden) voor elk analysevenster in de classificatie (vensterduur 2,3 s, met 50% overlapping). De tweede en derde kolom tonen de detectie van de classificatie voor respectievelijk houding en beweging. De derde en vierde kolom zijn hulpclassificaties die respectievelijk tijdperken weergeven waarin het kind door iemand anders werd gedragen en wanneer het kind autonoom speelde. (D) Een illustratie van een samenvattend rapport. Panelen A en B zijn overgenomen van Airaksinen et ^al.10. Klik hier om een grotere versie van deze figuur te bekijken.

Aanvullend bestand 1: Een korte handleiding voor het opnemen met MAIJU wearable. Klik hier om dit bestand te downloaden.

Aanvullend bestand 2: Een korte handleiding voor het overbrengen van gegevens van Maijulogger naar de analyseserver in Babacloud. Klik hier om dit bestand te downloaden.

Aanvullend bestand 3: Een voorbeeld van een gedetailleerde classificatiematrix die alle classificaties van seconde tot seconde geeft voor houding, beweging, dragen van baby's en vrije speeltijd. Klik hier om dit bestand te downloaden.

Aanvullend bestand 4: Een volledig PDF-bestand voorbeeld van een grafisch overzichtsrapport. Dit is afkomstig uit het algoritmebestand dat (A) basisachtergrondinformatie over de opnamesessie bevat (onderwerp-ID en leeftijd, de opnamedatum, duur en het totale aantal epochs dat is gebruikt voor de uiteindelijke analyses). (B) Een grafische weergave van de volledige registratie met vermelding van de verdeling van houdingen over de volledige registratie en tijdvakken die van de kwantitatieve beoordeling zijn uitgesloten. C) Typische verdelingen weergegeven met vioolplots voor alle zes houdingen (linkerkant) en 12 bewegingstypes (rechterkant). Op dezelfde manier tonen tekeningen aan de rechterkant het type bewegingen dat door elke houding wordt aangegeven, waarbij ook de volgorde van de zich stapsgewijs ontwikkelende motorische prestaties wordt weergegeven (de stippen geven de resultaten van een individuele opname aan en kleurrijke vioolplots die leeftijdsafhankelijke verdelingen van houding/beweging van een relevante dataset aangeven). Met name de ruwe waarden die door de stippen worden aangegeven, tonen de werkelijke hoeveelheden van de gegeven motorprestaties en kunnen direct in andere contexten worden gebruikt. Klik hier om dit bestand te downloaden.

Aanvullend bestand 5: Validatie-experimenten op verschillende analyseniveaus. (A) Verwarringsmatrices die overeenstemming laten zien tussen menselijke annotaties (doelklasse) en de detecties van het algoritme (voorspelde klasse) voor zowel de houdings- als de bewegingscategorieën. (B) Vergelijking van motorische kwantitaties over volledige opnamesessies tussen menselijke annotaties en detecties afgeleid van de geautomatiseerde classificatie. (C) Correlatie tussen de voorspelling van de ontwikkelingsleeftijd op basis van de draagbare gegevens (Y-as aan de linkerkant) en de herschaling ervan om de BIMS-score te genereren (Y-as aan de rechterkant). De werkelijke leeftijd van het kind op het moment van registratie wordt weergegeven op de X-as. (D) Correlatie van de leeftijdsvoorspelling en de werkelijke leeftijd bij gebruik van een passende functie. De waarden die worden weergegeven, passen bij het model bij gebruik van het groepsgemiddelde in de afgebeelde tijdvensters (blauw), alle onbewerkte waarden (zwart) of bij het rekening houden met herhaalde metingen van elk individu (groen). (E) Vergelijking van individuele motorische metingen tussen groepen van goed en slecht presterende baby's suggereert dat verschillende automatisch gedetecteerde motorische statistieken deze babygroepen kunnen onderscheiden. Paneel A,B,C is een bewerking van Airaksinen et ^al.10. Paneel D is een bewerking van Airaksinen et ^al.12. Paneel E is een bewerking van "Airaksinen et ^al.11. Klik hier om dit bestand te downloaden.

Discussie

Een gekwantificeerde beoordeling en ontwikkelingstracking van de motorische prestaties van baby's met een draagbare oplossing, zoals MAIJU, is technisch eenvoudig te leren en uit te voeren, en kan gemakkelijk worden geïmplementeerd in de gezondheidszorg of klinische onderzoekspraktijk 10,11,12. In vergelijking met de andere bestaande motorische beoordelingsmethoden, verbetert dit soort thuisregistratie van de spontane motorische activiteit van baby's de ecologische validiteit van de beoordeling. Bovendien biedt het een gekwantificeerde, transparante en volledig geautomatiseerde analyse van de motorische prestaties van baby's. Het belangrijkste is dat de statistieken die in de analyse worden gebruikt, intuïtief en verklaarbaar zijn, waardoor ze gemakkelijk kunnen worden vergeleken met andere klinische en onderzoeksbeoordelingen, zoals omgevingsfactoren, cognitieve ontwikkeling of psychosociale beoordelingen. Een holistische beoordeling van de motorische ontwikkeling biedt een nauwkeurigheid die goed te vergelijken is met de conventionele fysieke groeimetingen¹².

Cruciale stappen in het protocol zijn onder meer een zorgvuldige voorbereiding van het draagbare pak. Bij de voorbereiding van een opname is het van cruciaal belang om de juiste maat voor het pak te kiezen, aangezien de sensorbevestigingen in de mouwen en benen strak moeten zitten om een betrouwbare registratie van lichaamsbewegingen te verkrijgen. Voor een succesvolle opname is het ook essentieel om de sensoren in de zakken te plaatsen met een juiste oriëntatie, zoals aangegeven in het protocol. De sensorbevestigingen laten sensoren niet draaien tijdens de opname. De verkeerd georiënteerde sensor registreert echter gegevens die moeilijk, zo niet onmogelijk, achteraf te repareren zijn. Het kind moet worden aangemoedigd om zich tijdens de opname vrij en zelfstandig te bewegen. De lengte van de opname kan variëren afhankelijk van de gegeven onderzoeksvragen. De meerdere spontane bewegingsepochs worden gecombineerd om voldoende spontane beweging te verzamelen voor elke opnamesessie.

De flexibele en praktische werking van de draagbare MAIJU-oplossing maakt het mogelijk om deze in variabele contexten te gebruiken, zowel in bewaakte als niet-bewaakte omgevingen, zoals onderzoekslaboratoria of huizen. Recente resultaten van onze klinische onderzoeken tonen aan dat volledig ongecontroleerde opnames die thuis worden uitgevoerd, vergelijkbare resultaten kunnen opleveren met opnames die onder volledig of gedeeltelijk toezicht worden gemaakt¹². Toch wordt het spontane motorische gedrag van een kind mogelijk beïnvloed door verschillende factoren, zoals de omgeving (bijv. buiten versus binnen spelen, de indeling van de ruimte, meubels en speelgoed), het niveau van alertheid van het kind en de betrokkenheid van de ouders tijdens de thuisopname. Wanneer de opnames thuis zonder toezicht worden uitgevoerd, is het belangrijk om het kind aan te moedigen spontaan te spelen, d.w.z. om zelfstandig te spelen of te bewegen, zonder dat iemand anders het kind draagt of vasthoudt als dat niet nodig is, en om de mobiele telefoon op een Bluetooth-bereik te houden (in dezelfde kamer)¹⁰. De meeste van onze huidige probleemoplossingssituaties tijdens de opnames worden veroorzaakt door het wegvallen van de Bluetooth-verbinding. Ontwikkelingen in de nabije toekomst op het gebied van sensortechnologie zullen de Bluetooth-connectiviteit verbeteren, en de aanstaande introductie van een groter sensorgeheugen zal offline opname mogelijk maken door bewegingsgegevens rechtstreeks in het sensorgeheugen op te slaan.

Opnames buiten het ziekenhuis met een dergelijke draagbare oplossing zijn gemakkelijk schaalbaar en kunnen de veiligheid van baby's verbeteren, bijvoorbeeld door monitoring op afstand mogelijk te maken tijdens omstandigheden zoals een pandemie. Onze huidige classificatiealgoritmen zijn getraind om specifiek de gegeven motorische vaardigheden, houdingen en bewegingen te herkennen die worden weergegeven in het beschrijvingsschema voor beweeglijkheid (Figuur 2A). Deze verschijnselen werden geïdentificeerd als kenmerkend voor de beweging van baby's tijdens de eerste twee levensjaren. Andere soorten bewegingen of houdingen die bij oudere kinderen worden gezien, zoals rennen of springen, vereisen aangepaste bewegingsbeschrijvingsschema's en respectieve algoritmen om ze te identificeren. Houdingscontextafhankelijke analyse is een potentieel vruchtbare benadering waarbij de motorische activiteit van een baby afzonderlijk wordt geanalyseerd in verschillende houdingen ter ondersteuning van het bestuderen van bijvoorbeeld ontwikkelingscorrelaten van het gedrag van baby's 5,6,7,8,9,13. Als alternatief zou een contextafhankelijke bewegingsanalyse ook kunnen helpen bij het beoordelen van asymmetrie in motorische functie bij het voorspellen van de ontwikkeling van unilaterale hersenverlamming 10,12,14,15. Verder kan de beoordeling van motorische vaardigheden met het MAIJU-systeem worden gecombineerd met andere onderzoeksmodaliteiten, bijv. eye-tracking, beeldvorming of video-opname, om multimodale gegevens te verstrekken, variërend van verschillende typen en contexten. Multimodale gegevens kunnen nuttig zijn, bijvoorbeeld bij het evalueren van de effecten van sociale interactie of de werkzaamheid van therapeutische interventie.

Voor het succes van nieuwe draagbare technologieën in bewakingsomgevingen buiten het ziekenhuis met baby's, moeten bepaalde beperkingen, uitdagingen en ethische zorgen worden aangepakt. Onze analysepijplijnen zijn getraind en gevalideerd met behulp van typisch ontwikkelende baby's in Finland 10,11,12. De ruwe analyse-outputs met pure houdingen en bewegingen moeten universeel zijn. Hun ontwikkelingstrajecten kunnen echter aanpassingen vereisen voor verschillende culturen en geografische locaties. Volgens feedback van ouders over draagbare apparaten worden ze gunstig beoordeeld vanwege de babyvriendelijkheid¹⁶. Ouders kunnen echter hun bezorgdheid uiten over privacy, toegang tot gegevens en praktische zaken in het gezin (bijv. meerdere verzorgers, bezoekers en verschillende schema's). Afhankelijkheid van de levensduur van de batterij van de sensoren en de opnametelefoon kan worden beschouwd als een beperking van de methode. Onze ervaring is dat het batterijmodel (CR2025) doorgaans de hele dag meegaat (12-24 uur) bij gebruik van continue datastreaming. Het hangt met name af van zowel het batterijmerk als de sterkte van de Bluetooth-verbinding die nodig is voor draadloze gegevensoverdracht, die voortdurend verandert om de gegevensoverdracht in de opnameomgeving te maximaliseren. Een lange afstand tussen de baby en de telefoon of een muur tussen hen zou bijvoorbeeld de Bluetooth-verbinding aanpassen aan een aanzienlijk hoger batterijverbruik. Met name de batterijen van de meeste mobiele apparaten zijn ook binnen ongeveer dezelfde tijd leeg als u continue Bluetooth-streaming gebruikt. In de praktijk betekent de momenteel gebruikte continue datastreaming via de Bluetooth-verbinding dat zowel de sensoren als de mobiele apparaten dagelijks moeten worden opgeladen/vervangen. De nabije introductie van sensoren met een grotere geheugencapaciteit zal gegevensopslag in het sensorgeheugen mogelijk maken, waardoor meer dan een week continu opnemen mogelijk is. Dat elimineert de noodzaak van stroomverslindende Bluetooth-streaming, evenals het dragen van de telefoon binnen een Bluetooth-bereik dat als beperkend kan worden ervaren in opnamesituaties en vatbaar is voor menselijke fouten.

Over het algemeen zijn voor het volgen van vroege neurologische ontwikkeling methoden nodig die gevoelig zijn voor natuurlijke neurologische gedragsvariabiliteit. De grove motorische ontwikkeling is een ingewikkeld proces dat bestaat uit variaties in de volgorde en timing, zowel op individueel als op cultureel niveau^. Detectie van atypische motorische ontwikkeling is effectief bij het herkennen van baby's die risico lopen op een uitgebreid scala aan neurologische ontwikkelingsstoornissen. Traditionele testbatterijen met gestandaardiseerde neurologische ontwikkelingsbeoordelingen worden uitgevoerd in gecontroleerde omgevingen, zoals ziekenhuizen, en zijn op zijn minst gedeeltelijk subjectief ^7,8,9. De huidige ontwikkelingen op het gebied van sensortechnologie en signaalanalyse hebben het mogelijk gemaakt om de spontane motoriek van baby's gedurende langere perioden buiten het ziekenhuis te registreren en het motorische gedrag te kwantificeren met een nauwkeurigheid die vergelijkbaar is met die van menselijke waarnemers 10,11,12. Nieuwe draagbare technologie biedt geautomatiseerde en schaalbare methoden voor het monitoren van beweging en de werkzaamheid van therapeutische interventie bij zuigelingen op een ecologisch geldige en objectieve manier. Bovendien maakt de nieuwe neurologische ontwikkelingsindex Baba Infant Motor Score (BIMS) het mogelijk om de volwassenheid van de motorische vaardigheden van baby's te schatten door individuele tracking van neurologische ontwikkeling^10,12. Het kan worden gebruikt in een reeks toekomstige toepassingen, zoals de ontwikkeling van motorische groeigrafieken voor^{baby's 12}. Door de geautomatiseerde classificatoren te trainen voor andere specifieke beweeglijkheden (bijv. voor oudere kinderen of volwassenen) met verschillende soorten bewegingsbeschrijvingsschema's en algoritmen, hebben de draagbare bewegingssensoren het potentieel voor klinische toepassingen, zoals bewegingsstoornissen of follow-up van de effecten van therapeutische interventies, ongeacht het ontwikkelingsstadium van het individu¹⁷. Momenteel moet dit echter worden gezien als een onderzoeksmethodologie die niet mag worden gebruikt om klinische diagnoses of behandelingsdoelen te stellen.

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
iOS apparaat (versie 16.5 of hoger)	Apple	n/a
MAIJU jumpsuit	Planno Ltd	n/a	aangepast voor doeleinde
Maijulogger (mobiele applicatie) en sensor firmware	BABA Center (www.babacenter.fi), Kaasa solutions GmbH	n/a	gemaakt door Kaasa Solutions, gedistribueerd door Baba Center
Movesense bewegingssensor	Movesense (www.movesense.com)	n/a