Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł metodologiczny

Przeniesienie kliniki do domu: multimodalny ekosystem gromadzenia danych w domu wspierający adaptacyjną głęboką stymulację mózgu

2.3K wyświetleń

⸱

DOI:

10.3791/65305

⸱

14 lipca 2023

 ,  ,  ,  ,  ,  ,  ,  ,  , 
1Computer Science and Engineering, University of Washington, 2Neuroscience, University of Washington, 3Neurology, University of California, San Francisco, 4Bioengineering, University of Washington, 5Bioengineering, University of California, Berkeley, 6Biophysics, University of California, Berkeley, 7Psychology, University of California, Berkeley, 8Neurological Surgery, University of Washington

W tym artykule

Podsumowanie

Protokół pokazuje prototyp domowej platformy do zbierania danych multimodalnych, która wspiera badania optymalizujące adaptacyjną głęboką stymulację mózgu (aDBS) dla osób z neurologicznymi zaburzeniami ruchu. Przedstawiamy również kluczowe wnioski z wdrażania platformy przez ponad rok w domu osoby z chorobą Parkinsona.

Streszczenie

Adaptacyjna głęboka stymulacja mózgu (aDBS) daje nadzieję na poprawę leczenia zaburzeń neurologicznych, takich jak choroba Parkinsona (PD). aDBS wykorzystuje biomarkery związane z objawami do dostosowywania parametrów stymulacji w czasie rzeczywistym, aby bardziej precyzyjnie celować w objawy. Aby umożliwić te dynamiczne korekty, parametry algorytmu aDBS muszą być określone dla każdego pacjenta z osobna. Wymaga to czasochłonnego ręcznego dostrajania przez badaczy klinicznych, co utrudnia znalezienie optymalnej konfiguracji dla pojedynczego pacjenta lub skalowanie do wielu pacjentów. Co więcej, otwartą kwestią pozostaje długoterminowa skuteczność algorytmów aDBS skonfigurowanych w klinice, gdy pacjent jest w domu. Aby wdrożyć tę terapię na dużą skalę, potrzebna jest metodologia automatycznej konfiguracji parametrów algorytmu aDBS przy jednoczesnym zdalnym monitorowaniu wyników terapii. W tym artykule przedstawiamy projekt domowej platformy do gromadzenia danych, która ma pomóc w rozwiązaniu obu problemów. Platforma składa się ze zintegrowanego ekosystemu sprzętowego i programowego, który jest open-source i umożliwia gromadzenie w domu danych wideo z neuronów, inercji i wielu kamer. Aby zapewnić prywatność danych umożliwiających identyfikację pacjenta, platforma szyfruje i przesyła dane za pośrednictwem wirtualnej sieci prywatnej. Metody te obejmują wyrównywanie strumieni danych w czasie i wyodrębnianie szacunków póz z nagrań wideo. Aby zademonstrować zastosowanie tego systemu, wdrożyliśmy tę platformę w domu osoby z chorobą Parkinsona i zebraliśmy dane podczas samodzielnych zadań klinicznych i okresów swobodnego zachowania w ciągu 1,5 roku. Dane rejestrowano przy amplitudach stymulacji subterapeutycznej, terapeutycznej i supraterapeutycznej w celu oceny nasilenia objawów motorycznych w różnych warunkach terapeutycznych. Te dane dostosowane do czasu pokazują, że platforma jest zdolna do zsynchronizowanego gromadzenia danych multimodalnych w domu w celu oceny terapeutycznej. Ta architektura systemu może być wykorzystana do wspierania zautomatyzowanych badań nad aDBS, do zbierania nowych zbiorów danych i do badania długoterminowych efektów terapii DBS poza kliniką dla osób cierpiących na zaburzenia neurologiczne.

Wprowadzenie

Głęboka stymulacja mózgu (DBS) jest stosowana w leczeniu schorzeń neurologicznych, takich jak choroba Parkinsona (PD), poprzez dostarczanie prądu elektrycznego bezpośrednio do konkretnych obszarów mózgu. Szacuje się, że na całym świecie występuje 8,5 miliona przypadków PD, a DBS okazała się kluczową terapią w sytuacjach, gdy farmakoterapia jest niewystarczająca do opanowania objawów1,2. Jednakże skuteczność DBS może być ograniczona przez skutki uboczne, które czasami występują przy stymulacji dostarczanej w sposób konwencjonalny, ze stałą amplitudą, częstotliwością i szerokością impulsu3. Taka implementacja w pętli otwartej nie reaguje na zmiany w stanie objawów, co prowadzi do ustawień stymulacji, które nie są odpowiednio dopasowane do zmieniających się potrzeb pacjenta. DBS jest dodatkowo utrudniana przez czasochłonny proces dostrajania parametrów stymulacji, który jest obecnie wykonywany ręcznie przez klinicystów dla każdego pacjenta z osobna.

Adaptacyjna stymulacja głęboka mózgu (aDBS) to podejście w pętli zamkniętej, które okazało się skuteczną kolejną iteracją DBS poprzez dostosowywanie parametrów stymulacji w czasie rzeczywistym w momencie wykrycia biomarkerów związanych z objawami3,4,5. Badania wykazały, że oscylacje beta (10-30 Hz) w jądrze podwzgórzowym (STN) występują konsekwentnie podczas bradykinezji, czyli spowolnienia ruchów charakterystycznego dla PD6,7. Podobnie oscylacje wysokiej częstotliwości gamma (50-120 Hz) w korze mózgowej występują podczas okresów dyskinezji, czyli nadmiernych i mimowolnych ruchów również powszechnie obserwowanych w PD8. W niedawnych pracach z sukcesem zastosowano aDBS poza warunkami klinicznymi przez dłuższe okresy5, jednak nie ustalono długoterminowej skuteczności algorytmów aDBS skonfigurowanych w klinice w sytuacji, gdy pacjent przebywa w domu.

Systemy zdalne są niezbędne do rejestracji zmieniającej się w czasie skuteczności tych dynamicznych algorytmów w tłumieniu objawów występujących podczas codziennego życia. Chociaż dynamiczne podejście do stymulacji w aDBS potencjalnie umożliwia bardziej precyzyjne leczenie przy zredukowanych efektach ubocznych3,9, aDBS wciąż wiąże się z dużym obciążeniem klinicystów, którzy muszą ręcznie określać parametry stymulacji dla każdego pacjenta. Oprócz i tak dużego zestawu parametrów programowanych podczas konwencjonalnej DBS, algorytmy aDBS wprowadzają wiele nowych parametrów, które również muszą być starannie dostosowane. To połączenie parametrów stymulacji i algorytmu tworzy ogromną przestrzeń parametrów z niezarządzalną liczbą możliwych kombinacji, co uniemożliwia skalowanie aDBS na wielu pacjentach10. Nawet w warunkach badawczych dodatkowy czas wymagany do konfiguracji i oceny systemów aDBS sprawia, że trudno jest odpowiednio zoptymalizować algorytmy wyłącznie w klinice, dlatego niezbędne jest zdalne aktualizowanie parametrów. Aby aDBS stało się terapią skalowalną, strojenie parametrów stymulacji i algorytmów musi zostać zautomatyzowane. Ponadto wyniki terapii muszą być analizowane w ramach wielokrotnych prób, aby ustanowić aDBS jako wykonalne długoterminowe leczenie poza kliniką. Istnieje potrzeba stworzenia platformy, która mogłaby gromadzić dane do zdalnej oceny skuteczności terapii oraz zdalnie wdrażać aktualizacje parametrów algorytmu aDBS.

Celem niniejszego protokołu jest przedstawienie możliwości ponownego wykorzystania projektu multimodalnej platformy do domowej kolekcji danych, mającej na celu poprawę skuteczności aDBS poza warunkami klinicznymi oraz umożliwienie skalowania tej terapii dla większej liczby pacjentów. Według naszej wiedzy jest to pierwszy projekt platformy do gromadzenia danych, która zdalnie ocenia wyniki terapeutyczne przy użyciu domowych kamer wideo, czujników ubieralnych, chronicznej rejestracji sygnałów neuronowych oraz informacji zwrotnych od pacjentów w celu oceny systemów aDBS podczas kontrolowanych zadań i naturalnych zachowań.

Platforma stanowi ekosystem komponentów sprzętowych i programowych zbudowany na bazie wcześniej opracowanych systemów5. Po początkowej instalacji minimalnego sprzętu umożliwiającego multimodalny pobór danych od osoby w komfortowych warunkach domowych, system może być konserwowany w całości poprzez zdalny dostęp. Kluczowym elementem jest implantowalny system neurostymulacji (INS)11, który wykrywa aktywność neuronalną, dostarcza stymulację do STN oraz rejestruje przyspieszenie z implantów klatki piersiowej. W przypadku implantu zastosowanego podczas pierwszej implementacji, aktywność neuronalna jest rejestrowana z obustronnych elektrod implantowanych w STN oraz z elektrod elektrokortykograficznych implantowanych nad korą ruchową. System nagrywania wideo pomaga klinicystom monitorować nasilenie objawów i skuteczność terapii; obejmuje on graficzny interfejs użytkownika (GUI), który umożliwia łatwe przerywanie trwających nagrań w celu ochrony prywatności pacjenta. Filmy są przetwarzane w celu wyodrębnienia trajektorii kinetycznych pozycji w dwóch wymiarach (2D) lub trzech wymiarach (3D), a na obu nadgarstkach noszone są inteligentne zegarki służące do przechwytywania informacji o prędkości kątowej i przyspieszeniu. Co istotne, wszystkie dane są szyfrowane przed przesłaniem do długoterminowej pamięci w chmurze, a dostęp do komputera zawierającego filmy pozwalające na identyfikację pacjenta jest możliwy wyłącznie poprzez wirtualną sieć prywatną (VPN). System obejmuje dwa podejścia do post-hoc synchronizacji czasowej wszystkich strumieni danych; dane te są wykorzystywane do zdalnego monitorowania jakości ruchu pacjenta oraz do identyfikacji biomarkerów związanych z objawami w celu udoskonalenia algorytmów aDBS. Część wideo niniejszej pracy przedstawia proces zbierania danych oraz animacje trajektorii kinetycznych wyodrębnionych z zebranych nagrań.

Podczas opracowywania protokołu kierowano się następującymi kwestiami projektowymi:
Zapewnienie bezpieczeństwa danych i prywatności pacjenta: Gromadzenie identyfikowalnych danych pacjentów wymaga najwyższej staranności podczas przesyłania i przechowywania, aby zapewnić zgodność z ustawą o przenoszalności i odpowiedzialności ubezpieczeń zdrowotnych (HIPAA)12, 13 oraz poszanować prywatność pacjenta w jego własnym domu. W tym projekcie osiągnięto to poprzez skonfigurowanie niestandardowej sieci VPN, aby zapewnić prywatność całego poufnego ruchu między komputerami systemu.
Bezpieczne granice parametrów stymulacji: Kluczowe jest zapewnienie bezpieczeństwa pacjenta podczas testowania algorytmów aDBS, które mogą wywołać nieprzewidziane efekty. System INS pacjenta musi zostać skonfigurowany przez klinicystę w taki sposób, aby posiadał bezpieczne granice parametrów stymulacji, które wykluczają wystąpienie niebezpiecznych skutków nadmiernej stymulacji lub zbyt słabej stymulacji. W systemie INS11 wykorzystanym w tej badaniu funkcja ta jest aktywowana przez programistę klinicznego.
Zapewnienie prawa veta pacjenta: Nawet w ramach bezpiecznych granic parametrów, codzienna zmienność objawów i odpowiedzi na stymulację może prowadzić do nieprzyjemnych sytuacji, w których pacjent nie akceptuje testowanego algorytmu i chce powrócić do standardowej klinicznej stymulacji DBS w pętli otwartej. Wybrany system INS zawiera moduł telemetrii pacjenta (PTM), który pozwala pacjentowi na ręczną zmianę grupy stymulacji oraz amplitudy stymulacji w mA. Istnieje również połączona z INS aplikacja badawcza służąca do zdalnej konfiguracji INS przed gromadzeniem danych14, która umożliwia pacjentowi przerwanie prób aDBS i kontrolę nad terapią.
Rejestracja złożonych i naturalnych zachowań: Do platformy włączono dane wideo, aby umożliwić klinicystom zdalne monitorowanie skuteczności terapii oraz wyodrębnianie trajektorii kinematycznych z szacunków pozy do analiz badawczych15. Chociaż czujniki ubieralne są mniej inwazyjne, trudno jest uchwycić pełen dynamiczny zakres ruchu całego ciała wyłącznie za pomocą systemów ubieralnych. Filmy umożliwiają jednoczesną rejestrację pełnego zakresu ruchu pacjenta oraz jego objawów w czasie.
Użyteczność systemu dla pacjentów: Gromadzenie multimodalnych danych w domu wymaga instalacji i użytkowania wielu urządzeń, co dla pacjentów mogłoby stać się obciążeniem. Aby system był łatwy w użyciu przy jednoczesnym zachowaniu kontroli pacjenta, tylko urządzenia wszczepione lub fizycznie przymocowane do pacjenta (w tym przypadku system INS i inteligentne zegarki) muszą być ręcznie włączane przed rozpoczęciem nagrywania. W przypadku urządzeń oddzielnych od pacjenta (tutaj dane rejestrowane przez kamery wideo), nagrywanie rozpoczyna i kończy się automatycznie, bez konieczności interakcji z pacjentem. Podczas projektowania interfejsu GUI zadbano o zminimalizowanie liczby przycisków i unikanie głębokich struktur menu, aby interakcje były proste. Po zainstalowaniu wszystkich urządzeń koordynator badania pokazał pacjentowi, jak obsługiwać wszystkie urządzenia za pomocą interfejsów GUI skierowanych do pacjenta, które są częścią każdego urządzenia, np. jak przerywać nagrywanie na dowolnym urządzeniu oraz jak wprowadzać historię leczenia i raporty o objawach.
Przejrzystość gromadzenia danych: Jasne wskazywanie momentu włączenia kamer jest niezbędne, aby ludzie wiedzieli, kiedy są nagrywani i mogli wstrzymać nagrywanie, jeśli potrzebują chwili prywatności. W tym celu do sterowania nagraniami wideo z interfejsem GUI skierowanym do pacjenta wykorzystuje się aplikację systemu kamer. GUI otwiera się automatycznie po uruchomieniu aplikacji i wyświetla czas oraz datę następnego zaplanowanego nagrania. Gdy trwa nagrywanie, komunikat informuje, kiedy nagrywanie ma się zakończyć. W centrum GUI wyświetlany jest duży obraz czerwonego światła. Obraz ten pokazuje jasno świecące światło zawsze wtedy, gdy trwa nagrywanie i zmienia się w obraz z wygaszonym światłem, gdy nagrywanie jest wyłączone.

Protokół szczegółowo opisuje metody projektowania, budowy i wdrażania domowej platformy gromadzenia danych, sprawdzania jakości zebranych danych pod kątem kompletności i rzetelności oraz postprocesowania danych w celu ich wykorzystania w przyszłych badaniach.

Schemat przepływu danych w inteligentnym domu; wideo, dane z czujników, smartwatch; zautomatyzowana walidacja i wyrównanie danych.
Rysunek 1: Przepływ danych. Dane dla każdej modalności są zbierane niezależnie z miejsca zamieszkania pacjenta, a następnie przetwarzane i agregowane w jednym zdalnym punkcie przechowywania. Dane z każdej modalności są przesyłane automatycznie do zdalnego punktu przechowywania. Następnie, przy udziale jednego z członków zespołu, mogą zostać pobrane, sprawdzone pod kątem poprawności, wyrównane czasowo między modalnościami oraz poddane dalszemu przetwarzaniu wstępnemu specyficznemu dla danej modalności. Skompilowany zbiór danych jest następnie przesyłany do zdalnego punktu przechowywania, do którego bezpieczny dostęp mają wszyscy członkowie zespołu w celu przeprowadzenia dalszej analizy. Wszystkie maszyny z dostępem do danych, zwłaszcza w przypadku danych wrażliwych, takich jak surowe nagrania wideo, znajdują się w ramach sieci VPN, która zapewnia bezpieczny transfer wszystkich danych oraz stałe szyfrowanie przechowywanych informacji. Kliknij tutaj, aby zobaczyć powiększoną wersję tego rysunku.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

Pacjenci zostali zakwalifikowani do aDBS na Uniwersytecie Kalifornijskim w San Francisco (protokół nr G1800975) w ramach szerszego badania zatwierdzonego przez IRB oraz IDE. Pacjent włączony do niniejszego badania dodatkowo wyraził świadomą zgodę specjalnie na cele tego badania.

1. Komponenty systemu domowego

  1. Serwer centralny i VPN
    1. Nabyć komputer osobisty (PC) z systemem operacyjnym (OS) opartym na Linuxie, przeznaczony do obsługi VPN. Umieścić urządzenie w bezpiecznym pomieszczeniu. Zaszyfrować dyski urządzenia, aby zapewnić bezpieczeństwo danych.
    2. Skonfigurować serwer VPN tak, aby był publicznie dostępny na co najmniej jednym porcie.
      UWAGA: W tym przypadku osiągnięto to poprzez współpracę z działem IT w celu nadania serwerowi zewnętrznego statycznego adresu IP oraz niestandardowego adresu URL za pomocą opcji hostingu DNS uczelni.
    3. W celu instalacji serwera wykonać następujące kroki na komputerze wybranym do obsługi VPN.
      1. Konfiguracja zapory sieciowej: uruchomić następujące polecenia w terminalu komputera, aby zainstalować i skonfigurować prostą zaporę sieciową (uncomplicated firewall):
        sudo apt install ufw
        sudo ufw allow ssh
        sudo ufw allow /udp
        sudo ufw enable
      2. Instalacja serwera VPN: zainstalować protokół VPN WireGuard o otwartym kodzie źródłowym16 na komputerze i przejść do katalogu instalacyjnego. W terminalu komputera uruchomić umask 007, aby zaktualizować reguły dostępu do katalogów.
      3. Generowanie kluczy: w terminalu komputera uruchomić
        wg genkey | tee privatekey | wg pubkey > publickey
        ​Generuje to parę kluczy publicznego i prywatnego dla serwera VPN. Ten klucz publiczny zostanie udostępniony każdemu komputerowi klienta, który łączy się z VPN.
      4. Konfiguracja VPN: w terminalu komputera uruchomić touch .conf, aby utworzyć plik konfiguracyjny, gdzie nazwa pliku powinna odpowiadać nazwie interfejsu. Wkleić następujące reguły serwera do tego pliku:
        [Interface]
        PrivateKey =
        Address = ##.#.#.#/##
        PostUp = iptables -A FORWARD -i interface_name -j ACCEPT; iptables -t nat -A POSTROUTING -o network_interface_name -j MASQUERADE
        PostDown = iptables -D FORWARD -i interface_name -j ACCEPT; iptables -t nat -D POSTROUTING -o network_interface_name -j MASQUERADE
        ListenPort = #####
        [Peer]
        PublicKey =
        AllowedIPs = ##.#.#.#/##
      5. Aktywacja VPN: uruchomić VPN, wpisując wg-quick up w terminalu. Aby protokół VPN uruchamiał się automatycznie przy każdym restartowaniu komputera, uruchomić w terminalu:
        ​systemctl enable wg-quick@
    4. W celu instalacji klienta wykonać następujące kroki dla każdego nowego urządzenia wymagającego dostępu do VPN.
      1. Instalacja VPN klienta: zainstalować protokół VPN zgodnie z instrukcjami dla danej wersji systemu operacyjnego na stronie pobierania WireGuard16.
      2. Dodanie klienta do VPN: pobrać klucz publiczny z pliku konfiguracyjnego utworzonego podczas instalacji. Wkleić ten klucz do sekcji peer w pliku konfiguracyjnym serwera.
      3. Aktywacja VPN: uruchomić VPN zgodnie z instrukcjami dla danej wersji systemu operacyjnego na stronie pobierania WireGuard16.
  2. Przechowywanie w chmurze
    1. Wybrać witrynę do przechowywania w chmurze, aby umożliwić długoterminowe przechowywanie wszystkich zarejestrowanych strumieni danych w jednym miejscu. Tutaj wykorzystano witrynę do przechowywania w chmurze opartą na usłudze Amazon web service, która była kompatybilna z wybranym protokołem przesyłania danych.
  3. Implantowalny system neuromodulacji
    1. Zgodnie z wytycznymi IRB i IDE, wybrać implantowalny system neuromodulacji (INS)11, który umożliwia pacjentom ręczną zmianę ustawień stymulacji.
    2. Nabyć tablet PC i zainstalować aplikację UCSF DBS o otwartym kodzie źródłowym, aby umożliwić rejestrację danych z INS, raportowanie leków i objawów lub inne uwagi pacjentów14. Skonfigurować przesyłanie danych z INS do tabletu, a następnie do tymczasowego, zgodnego z HIPPA punktu końcowego w chmurze, do czasowego przechowywania przed deidentyfikacją danych i przeniesieniem do długoterminowej pamięci w chmurze.
  4. System zbierania wideo
    1. Nabyć komputer PC zdolny do zbierania i przechowywania pożądanej ilości plików wideo przed ich przeniesieniem do chmury. Upewnić się, że płyta główna komputera posiada układ TPM (trusted platform module).
      UWAGA: W tym przypadku wybrano komputer z dyskiem SSD 500 GB, dyskiem HDD 2 TB i kartą GPU 6 GB. Dysk 2 TB zapewnia możliwość buforowania filmów po długiej sesji nagraniowej lub w przypadku utraty połączenia z Internetem przez kilka dni, a zastosowanie jednego komputera minimalizuje ingerencję sprzętową w domu.
    2. Zainstalować wybrany system operacyjny i postępować zgodnie z instrukcjami, aby włączyć automatyczne szyfrowanie dysku w celu zapewnienia prywatności pacjenta i uniknięcia wycieku danych. W tym przypadku wybrano system operacyjny oparty na Linuxie z dystrybucją Ubuntu ze względu na łatwość obsługi i niezawodność.
    3. Szyfrować oddzielnie wszystkie dyski twarde po zainstalowaniu systemu operacyjnego. Należy upewnić się, że włączono automatyczne ponowne montowanie dysków po restartach systemu.
    4. Skonfigurować wbudowany układ TPM komputera, aby zachować dostęp do zaszyfrowanego dysku po ponownym uruchomieniu systemu17.
      UWAGA: W przypadku korzystania z systemu Linux należy wybrać płytę główną z zainstalowanym układem TPM2, aby umożliwić ten krok. W przypadku systemu Windows automatyczne szyfrowanie i odblokowywanie dysku może być obsługiwane przez program Bitlocker.
    5. Skonfigurować komputer jako klienta VPN, postępując zgodnie z krokami instalacyjnymi w punkcie 1.1.4. Włączyć automatyczne uruchamianie protokołu VPN przy każdym restarcie komputera, zgodnie z sekcją 1.1.3.5, aby zapewnić badaczom stały zdalny dostęp do komputera (zalecane).
    6. Utworzyć konto użytkownika maszyny w GitHub, aby łatwo automatyzować aktualizacje oprogramowania zainstalowanego na komputerze. Konto to służy jako webhook do automatycznego pobierania danych z zdalnego punktu końcowego git i pomaga zidentyfikować aktualizacje przesyłane z zdalnej maszyny.
    7. Wybrać oprogramowanie do planowania i kontrolowania nagrań wideo i zainstalować je na komputerze. Aby zmaksymalizować prywatność i komfort pacjenta, wybrane oprogramowanie powinno posiadać graficzny interfejs użytkownika (GUI), który jasno wskazuje, kiedy trwa nagrywanie, oraz umożliwia łatwe przerwanie nagrań w dowolnym momencie.
      UWAGA: W razie potrzeby można zainstalować niestandardową aplikację do nagrywania wideo autorów z interfejsem GUI dla pacjenta, pobierając aplikację i postępując zgodnie z instrukcjami na GitHubie (https://github.com/Weill-Neurohub-OPTiMaL/VideoRecordingApp).
    8. Wybrać monitor, który będzie sygnalizował trwanie nagrywania wideo i umożliwi osobom łatwe przerywanie nagrań. Wybrać monitor z funkcją ekranu dotykowego, aby nagrania można było przerwać bez konieczności korzystania z klawiatury lub myszy.
    9. Zainstalować na komputerze aplikację do zdalnego pulpitu. Umożliwia to uruchomienie aplikacji z GUI w taki sposób, aby interfejs pozostawał widoczny zarówno po stronie pacjenta, jak i zdalnego badacza.
      UWAGA: Aplikacja do zdalnego pulpitu o otwartym kodzie źródłowym NoMachine najlepiej sprawdziła się w systemie Linux.
    10. Wybrać kompatybilne z USB kamery internetowe o dostatecznie wysokiej rozdzielczości do obliczania póz w danej przestrzeni.
      UWAGA: W tym przypadku wybrano kamery internetowe kompatybilne z 4k, które oferują wiele kombinacji rozdzielczości i częstotliwości odświeżania, w tym rozdzielczość 4k przy 30 fps lub rozdzielczość HD przy 60 fps.
    11. Wybrać solidny sprzęt do montażu kamer internetowych w domu pacjenta. Użyć uchwytów typu „gęsia szyja” z klipsami, aby przymocować je do mebli i zapobiec drganiom kamer.
    12. Wybrać protokół przesyłania danych z możliwością szyfrowania i zainstalować go na komputerze. Utworzyć konfigurację dostępu do witryny przechowywania w chmurze, a następnie utworzyć konfigurację szyfrowania, która obejmie pierwszą konfigurację przed przesłaniem danych.
      UWAGA: W tym przypadku zainstalowano protokół przesyłania danych i synchronizacji plików o otwartym kodzie źródłowym z możliwością szyfrowania18. Dokumentacja protokołu przesyłania danych wyjaśnia, jak skonfigurować przesyłanie danych do chmury. Protokół został najpierw zainstalowany na serwerze VPN, a następnie utworzono konfigurację szyfrowania przesyłającą dane do zewnętrznej witryny przechowywania w chmurze.
  5. Komponenty danych z czujników ubieralnych
    1. Wybrać inteligentne zegarki, które pacjent będzie nosił na każdym nadgarstku, aby monitorować sygnały, w tym ruch, akcelerometrię i tętno.
      ​UWAGA: Wybrano Apple watch series 3 z wbudowanym monitorem objawów zaburzeń ruchowych, który generuje wyniki objawów PD, takie jak wyniki dla dyskinezy i drżeń.
    2. Wybrać i zainstalować na każdym inteligentnym zegarku oprogramowanie, które może rozpoczynać i kończyć nagrania oraz przesyłać dane do chmury. Wybrać aplikację, która przesyła wszystkie strumienie danych do powiązanego portalu online w celu analizy przez badaczy i klinicystów19.

Układ wizji komputerowej, maszyna z kamerami, wyświetlacz eksperymentu przetwarzania obrazu.
Rysunek 2: Komponenty rejestracji wideo. Sprzętowe komponenty wspierające zbieranie danych wideo są ograniczone do minimum i obejmują pojedynczy komputer stacjonarny, kamery internetowe podłączone przez USB oraz mały monitor służący do wyświetlania interfejsu graficznego użytkownika (GUI) skierowanego do pacjenta. Monitor posiada funkcję ekranu dotykowego, co umożliwia łatwe przerywanie wszelkich trwających lub zaplanowanych nagrań poprzez naciśnięcie przycisków widocznych w GUI. W centrum GUI znajduje się obraz kontrolki nagrywania, która zmienia kolor na jaskrawoczerwony, gdy kamery wideo aktywnie rejestrują obraz. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

2. Konfiguracja w warunkach domowych

  1. Instalacja sprzętu
    1. Wyznaczyć odpowiednie miejsce do montażu kamer internetowych, aby zminimalizować zakłócenia w funkcjonowaniu domu. Miejsce to ustalić w rozmowie z pacjentem; w niniejszym przypadku jako optymalne miejsce, zapewniające równowagę między zakresem nagrywania a prywatnością, wybrano obszar domowego biura.
    2. Zamontować kamery internetowe w wyznaczonym obszarze na wybranych uchwytach montażowych. Przymocowanie uchwytów typu „gooseneck” do pobliskich ciężkich mebli zapobiega drganiom kamer, gdy ktoś przechodzi w pobliżu.
    3. Umieścić komputer PC wystarczająco blisko zamontowanych kamer, tak aby ich kable USB mogły zostać podłączone do komputera.
    4. Umieścić tablet, komponenty INS, inteligentne zegarki i smartfony w pobliżu gniazda zasilania, aby wszystkie urządzenia mogły pozostawać podłączone i być gotowe do użycia w dowolnym momencie.
    5. Potwierdzić, że połączenie VPN jest aktywne, uruchamiając polecenie route -n w terminalu PC. Jeśli nie jest aktywne, postępować zgodnie z instrukcjami aktywacji VPN w sekcji 1.1.3.5.
  2. Uruchomienie aplikacji do nagrywania wideo
    1. Harmonogram nagrywania wideo: Przed rozpoczęciem zbierania danych omówić z pacjentem odpowiedni harmonogram nagrań. Skonfigurować ten harmonogram w oprogramowaniu do nagrywania wideo.
      UWAGA: W przypadku korzystania z autorskiej aplikacji do nagrywania wideo, instrukcje dotyczące ustawiania harmonogramu znajdują się na GitHub (https://github.com/Weill-Neurohub-OPTiMaL/VideoRecordingApp#installation-guide).
    2. Aktualizacja oprogramowania do nagrywania: Upewnić się, że najnowsza wersja wybranego oprogramowania do nagrywania wideo została wgrana na komputer PC za pomocą konta użytkownika maszyny GitHub zainstalowanego w punkcie 1.4.6.
    3. Uruchomienie nagrań wideo: Zalogować się do komputera PC za pomocą zainstalowanego oprogramowania do zdalnego pulpitu i uruchomić oprogramowanie do nagrywania wideo.
      UWAGA: W przypadku korzystania z autorskiej aplikacji do nagrywania wideo, instrukcje uruchamiania aplikacji znajdują się na GitHub (https://github.com/Weill-Neurohub-OPTiMaL/VideoRecordingApp#installation-guide).
  3. Kalibracja kamer wideo
    1. Wyłączenie autofocusa: W celu obliczenia parametrów wewnętrznych, takich jak dystorsja soczewki i perspektywy, postępować zgodnie z instrukcjami dla wybranego systemu operacyjnego i kamer internetowych, aby wyłączyć autofocus.
      UWAGA: W systemie Linux dostęp do kamer internetowych odbywa się poprzez interfejs API Video for Linux, który domyślnie włącza autofocus przy każdym ponownym uruchomieniu komputera połączonego z kamerami. Konfiguracja skryptu automatycznie wyłączającego tę funkcję jest niezbędna do zachowania ostrości uzyskanej podczas kalibracji kamer w celu przetwarzania pozy 3D.
    2. Kalibracja wewnętrzna: Przygotować szachownicę o wymiarach 6 x 8 z kwadratami 100 mm, aby umożliwić kalibrację 3D oprogramowania do estymacji pozy20. Nagrać wideo z każdej kamery internetowej, podczas gdy badacz ustawia szachownicę pod różnymi kątami w kadrze wszystkich kamer. Upewnić się, że szachownica ma parzystą liczbę wierszy i nieparzystą liczbę kolumn (lub odwrotnie). Pozwoli to uniknąć dwuznaczności w kwestii rotacji.
    3. Kalibracja zewnętrzna: Nagrać wideo jednocześnie ze wszystkich trzech kamer internetowych. Należy upewnić się, że filmy są nagrywane w tej samej rozdzielczości, co filmy, które mają być przetwarzane w celu estymacji pozy 3D. Aby zapewnić dokładną synchronizację czasową wszystkich nagrań, na początku i na końcu nagrywania należy błysnąć diodą IR LED. Użyć oprogramowania do edycji wideo, aby ręcznie zsynchronizować filmy, zaznaczając klatki w momencie zapłonu diody LED i przycinając filmy do tej samej długości.
    4. Macierze kalibracyjne: Przetworzyć nagrania wideo z dwóch poprzednich kroków za pomocą OpenPose21, aby wygenerować macierze kalibracji wewnętrznej i zewnętrznej.
      UWAGA: OpenPose wykorzystuje bibliotekę OpenCV do kalibracji kamer; dalsze instrukcje można znaleźć w dokumentacji na GitHub OpenPose20, 22.

3. Gromadzenie danych

  1. Instrukcje dla pacjenta dotyczące rozpoczęcia rejestracji
    1. Sprawdzenie baterii i zasilania urządzenia: Urządzenie INS jest zawsze włączone, aby zapewnić pacjentowi stałą stymulację. Aby rozpocząć rejestrację danych neuronalnych, poproś pacjenta o włączenie tabletu i upewnij się, że moduły telemetrii klinicznej (CTM) dla obu urządzeń INS (lewego i prawego) są włączone i w pełni naładowane.
    2. Umiejscowienie modułów CTM: Umieść moduły CTM po obu stronach klatki piersiowej. Aby zapewnić maksymalną łączność i zredukować utratę pakietów, podczas rejestracji umieść moduły CTM blisko implantów w klatce piersiowej. Alternatywnymi miejscami rozmieszczenia modułów CTM są kieszenie kurtki na piersiach lub specjalny szal.
    3. Aktywacja połączenia z tabletem: Po uruchomieniu tabletu poproś pacjenta o otwarcie aplikacji DBS i wybranie opcji Connect, co zainicjuje połączenie Bluetooth z modułami CTM, a następnie z urządzeniami INS14.
    4. Aktywacja kamer: Poproś pacjenta o potwierdzenie, że kamery wideo są połączone z komputerem za pomocą kabli USB i że kamery zostały włączone.
      UWAGA: W przypadku korzystania z autorskiej aplikacji do rejestracji wideo, trwające nagrywanie jest wyraźnie sygnalizowane w interfejsie użytkownika (GUI) widocznym dla pacjenta za pomocą dużego obrazu jasno świecącej czerwonej lampki. Gdy nagrywanie jest wyłączone, lampka nie świeci. Wybrane kamery internetowe posiadają również małą, białą diodę wskaźnikową.
    5. Aktywacja inteligentnego zegarka: Poproś pacjenta o włączenie inteligentnych zegarków i smartfonów poprzez przytrzymanie przycisku Power. Następnie poproś o otwarcie aplikacji w inteligentnym zegarku w celu rozpoczęcia rejestracji danych i śledzenia objawów PD.
  2. Scenariusze rejestracji i wyrównania danych na podstawie gestów
    1. Przed rozpoczęciem zbierania danych wypisz wszystkie zadania, które pacjent ma wykonać podczas rejestracji.
    2. Ponieważ synchronizacja wielu urządzeń w oparciu o zegar w celu wyrównania znaczników czasu może być zawodna, poproś pacjenta o wykonanie gestu, który posłuży do synchronizacji znaczników czasu z rejestrowanych danych na początku każdego nowego nagrania, nawet jeśli planowane jest nagrywanie podczas okresów swobodnego zachowania.
      ​UWAGA: Autorzy opracowali prosty gest, w którym pacjent opukiwał oba implantowane urządzenia INS, trzymając dłonie w zasięgu wzroku kamer. Takie opukiwanie tworzy charakterystyczne wzorce w rejestracjach inercyjnych z inteligentnych zegarków i akcelerometru INS, co jest łatwe do zaobserwowania na nagraniach wideo.
  3. Instrukcje dla pacjenta dotyczące zakończenia rejestracji
    1. Przełącz grupę stymulacji z powrotem na grupę preferowaną przez pacjenta i przypisaną klinicznie.
    2. W interfejsie użytkownika aplikacji DBS widocznym dla pacjenta wprowadź raport o objawach.
    3. Zamknij aplikację DBS, co rozłączy moduły CTM i zakończy strumieniowanie danych z INS.
    4. Zamknij aplikację rejestrującą w inteligentnym zegarku i odłóż moduły CTM, smartfony oraz inteligentne zegarki do stacji ładujących.
  4. Przesyłanie danych
    1. Prześlij surowe nagrania wideo do pamięci chmurowej za pomocą protokołu transferu danych z wykorzystaniem szyfrowanej konfiguracji. Skonfiguruj zadanie cron na komputerze do rejestracji wideo, aby automatycznie przesyłać nagrane filmy do chmury za pomocą protokołu transferu danych18.
      UWAGA: W zależności od rozdzielczości filmów i liczby godzin nagrywanych każdego dnia, prędkość internetu musi być wystarczająco wysoka, aby umożliwić przesłanie wszystkich filmów do chmury w ciągu 24 godzin. Jeśli transfer danych będzie zbyt wolny, może zabraknąć miejsca na dysku, co spowoduje błędy w nagraniach wideo zaplanowanych na następny dzień.
    2. Zapisz dane INS w zabezpieczonym zgodnie z HIPAA punkcie końcowym w chmurze skonfigurowanym w kroku 1.3.2. Pobierz dane INS z zabezpieczonego punktu końcowego i zanonimizuj dane. Zapisz zanonimizowane dane w zewnętrznej pamięci chmurowej.
      ​UWAGA: Do anonimizacji danych i konwersji plików json na format tabelaryczny wykorzystano otwartoźródłowy kod do wstępnego przetwarzania OpenMind23. Tablet pacjenta skonfigurowano z zabezpieczonym zgodnie z HIPAA punktem końcowym w chmurze do tymczasowego przechowywania surowych danych INS; jednakże do tego kroku można by prawdopodobnie wykorzystać ten sam serwis chmurowy używany do długoterminowego przechowywania, pod warunkiem że jest on zgodny z HIPAA, a dane zostaną zaszyfrowane przed przesłaniem.
    3. W razie potrzeby zapisz kopię danych z inteligentnego zegarka w zewnętrznej pamięci chmurowej, aby wszystkie strumienie danych były dostępne w jednym miejscu.

4. Charakterystyka systemu

  1. Wizualizacja surowych danych: W wybranym środowisku programistycznym należy zwizualizować wszystkie strumienie surowych danych, aby upewnić się, że dane zostały zarejestrowane i przesłane prawidłowo, bez strat lub uszkodzeń.
    UWAGA: Aplikacja wybrana do zarządzania nagraniami z inteligentnego zegarka posiada aplikację przeglądarkową, która jest pomocna przy wizualizacji danych z zegarka24.
  2. Opóźnienia klatek wideo i znaczników czasu: Należy sprawdzić wszelkie opóźnienia między znacznikami czasu generowanymi przez różne kamery internetowe. Opóźnienia analizuje się poprzez nagrywanie filmów z programowalną diodą LED umieszczoną w kadrze wszystkich kamer.
    UWAGA: Analiza wykazała, że źródłem zwiększających się opóźnień znaczników czasu była funkcja segmentacji wideo25 zaimportowana przez niestandardową aplikację do nagrywania wideo. Nagrywanie filmów bez funkcji segmentacji skutkowało opóźnieniami klatek i znaczników czasu między kamerami, które nie zwiększały się w czasie (Patrz: Plik uzupełniający 1 oraz Rysunek uzupełniający 1).

5. Wstępne przetwarzanie i wyrównywanie danych post-hoc

  1. Dane pozy
    1. Zainstaluj oprogramowanie do obliczania szacunkowych pozycji stawów z nagranych filmów.
      UWAGA: Wybrano bibliotekę OpenPose, ponieważ umożliwia ona śledzenie dłoni i twarzy zarówno w 2D, jak i w 3D.
    2. Biblioteka OpenPose nie obsługuje automatycznie przypadków, w których w kadrze znajduje się wiele osób, dlatego należy użyć skryptu do postprocesingu, aby zapewnić ciągłość szacunkowych póz każdej osoby z klatki na klatkę. OpenPose dostarcza kod do łatwego generowania animacji, w 2D lub 3D, w celu wizualnej weryfikacji jakości szacowania póz.
  2. Wyrównanie czasowe na podstawie gestów
    1. Dla każdego urządzenia INS (lewego i prawego) wykonaj kroki opisane poniżej, korzystając z interfejsu GUI do wyrównywania danych opracowanego przez autorów (https://github.com/Weill-Neurohub-OPTiMaL/ManualTimeAlignerGUI).
      1. Wczytanie danych: Pobierz zapisane dane z akcelerometrii INS i inteligentnego zegarka z pamięci chmurowej dla wybranej sesji danych.
        UWAGA: W razie potrzeby można dodać dodatkową szeregi czasowe. Rysunek 3 pokazuje pozycję końcówki prawego środkowego palca zaznaczoną na zielono.
      2. Wizualizacja strumieni danych w GUI: Użyj interfejsu GUI do ręcznego wyrównywania czasu, aby nałożyć na siebie dane z akcelerometrii INS, akcelerometrii inteligentnego zegarka oraz dane o pozach.
      3. Przybliżanie artefaktów wyrównania: Powiększ oś czasu i przesuń okno podglądu do sekcji nagrania z opukiwaniem klatki piersiowej. Przesuń wyrównywany szereg czasowy tak, aby piki z uderzeń w klatkę piersiową w sygnałach z INS i inteligentnego zegarka pokrywały się jak najdokładniej.
        ​UWAGA: GUI zostało zaprojektowane, aby ułatwić ręczne wyrównywanie dowolnych szeregów czasowych do wspólnego czasu rzeczywistego. Rysunek 3 pokazuje rzeczywisty szereg czasowy na niebiesko, natomiast wyrównywane szeregi czasowe są przedstawione na pomarańczowo i zielono. Główne wytyczne dotyczące wyrównywania w GUI znajdują się w pliku ReadMe na GitHubie (https://github.com/Weill-Neurohub-OPTiMaL/ManualTimeAlignerGUI#time-alignment).
      4. Potwierdzenie wyrównania: Przesuń okno GUI do każdego z zadań opukiwania klatki piersiowej w nagraniu i potwierdź, że wyrównanie pozostaje spójne w całym szeregu czasowym. Naciśnij przycisk Switch Aligning i powtórz wyrównywanie dla pozostałych strumieni danych.
      5. Flagi ostrzegawcze: Aby wskazać brakujące dane, przesunięcia lub inne ogólne ostrzeżenia dotyczące jakości danych, ustaw flagi ostrzegawcze w GUI, używając odpowiednio klawiszy D, S i F.
  3. Wyrównanie czasowe za pomocą korelacji krzyżowej z normalizacją zerową (ZNCC)
    1. Zidentyfikuj sygnał, który z największym prawdopodobieństwem jest najbliższy czasowi rzeczywistemu. Zazwyczaj jest to sygnał o najwyższej częstotliwości próbkowania lub najszybszym odświeżaniu czasu internetowego.
    2. Przeprowadź resampling obu sygnałów, aby miały tę samą czasową częstotliwość próbkowania, a następnie indywidualnie oblicz z-score dla obu sygnałów. Zapewnia to, że wynikowe wartości ZNCC będą znormalizowane w zakresie od -1 do 1, co daje szacunkowy poziom podobieństwa między dwoma sygnałami, co jest przydatne do wykrywania błędów.
    3. Oblicz korelację krzyżową drugiego sygnału z pierwszym sygnałem dla każdego opóźnienia czasowego.
    4. Jeśli informacje o fazie obu sygnałów nie są istotne, przyjmij wartość bezwzględną zmierzonej krzywej korelacji krzyżowej.
      UWAGA: Jeśli zachowanie jest znacząco aperiodyczne, informacje o fazie nie są konieczne, tak jak w tym przypadku.
    5. Przeanalizuj krzywą ZNCC. Jeśli występuje pojedynczy, wyraźny pik z maksymalną wartością ZNCC powyżej 0,3, czas tego piku odpowiada opóźnieniu czasowemu między dwoma sygnałami. Jeśli występuje wiele pików, brak wyraźnego piku lub wartość ZNCC jest niska dla wszystkich opóźnień czasowych, dwa sygnały muszą zostać wyrównane ręcznie.

Wykres szeregów czasowych przedstawiający dopasowanie danych z zegarka, INS i pozy; wstawka powiększa dane z przedziału 100-400 s.
Rysunek 3: Dopasowanie danych w oparciu o gesty. Górna część rysunku przedstawia interfejs graficzny (GUI) do ręcznego dopasowania po zsynchronizowaniu trzech strumieni danych. Linia niebieska to dane z akcelerometru smartwatcha, linia pomarańczowa to dane z akcelerometru INS, a linia zielona to dwuwymiarowa pozycja końcówki środkowego palca prawej ręki zarejestrowana przez jedną kamerę internetową. W prawym górnym rogu widoczny jest offset między rzeczywistym czasem smartwatcha a INS oraz różne flagi ostrzegawcze sygnalizujące wszelkie problemy. W tym przykładzie INS wyprzedzał smartwatch o 20,8 s. Wykres w lewym dolnym rogu jest powiększony, aby pokazać pięć uderzeń w klatkę piersiową wykonanych przez pacjenta w celu dopasowania danych. Pięć szczytów jest wystarczająco wyraźnych w każdym strumieniu danych, aby zapewnić prawidłowe dopasowanie. Prosimy kliknąć tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Projekt i wdrożenie prototypowej platformy
Zaprojektowaliśmy prototypową platformę i wdrożyliśmy ją w domu jednego pacjenta (Rysunek 1). Po pierwszej instalacji sprzętu w domu, platforma może być serwisowana, a dane gromadzone w całości poprzez zdalny dostęp. Urządzenia INS, inteligentne zegarki oraz kamery posiadają aplikacje dla pacjentów, które umożliwiają im rozpoczęcie i zatrzymanie nagrań. Sprzęt do gromadzenia wideo umożliwia automatyczne nagrywanie obrazu po skon...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

Udostępniamy projekt domowego prototypu multimodalnej platformy do gromadzenia danych, która będzie wspierać przyszłe badania nad neuromodulacją. Projekt jest open-source i modułowy, dzięki czemu każdy element sprzętu można wymienić, a dowolny komponent oprogramowania można zaktualizować lub zmienić bez zawalenia się całej platformy. Podczas gdy metody zbierania i deidentyfikacji danych neuronowych są specyficzne dla wybranego INS, pozostałe metody i ogólne podejście do zbierania danych behawioralnych są niezależne od te...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy nie mają do ujawnienia żadnych konfliktów interesów.

Podziękowania

Ten materiał jest oparty na pracy wspieranej przez National Science Foundation Graduate Research Fellowship Program (DGE-2140004), Weill Neurohub oraz National Institute of Health (UH3NS100544). Wszelkie opinie, ustalenia, wnioski lub zalecenia wyrażone w tym materiale są opiniami autora (autorów) i niekoniecznie odzwierciedlają poglądy National Science Foundation, Weill Neurohub lub National Institute of Health. Dziękujemy Tianjiao Zhangowi za jego fachowe konsultacje w zakresie projektowania platformy i włączania danych wideo. Szczególnie dziękujemy pacjentowi za udział w tym badaniu oraz za informacje zwrotne i porady dotyczące bezpieczeństwa sieci i projektowania platformy.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Analiza Przetwarzanie danych RCSOpenMindhttps://github.com/openmind-consortium/Analysis-rcs-data, zegarki Apple o otwartym kodzie źródłowym
Apple, IncUżyj 2 zegarków dla każdego pacjenta, po jednym na każdym nadgarstku
BRIO ULTRA HD PRO BUSINESS WEBCAMLogitech960-001105Używany 3 w naszym projekcie platformy 
Oprogramowanie do edycji wideo DaVinci Resolve DaVinci Resolvesłuży do obsługi kalibracji kamery
Dell XPS PC Dysk twardy Dell2T, 500 GB SSD
DropboxDropbox
ffmpeg Nie dotyczyopen-source, zainstaluj, aby uruchomić aplikację do nagrywania wideo
Mocowania na gęsiej szyi do kamer internetowychNie dotyczy
GPUNvidiaDo uruchomienia OpenPose zalecane jest co najmniej 8 GB pamięci GPU, 12 GB jest idealne
Java 11OracleZainstaluj, aby uruchomić aplikację do nagrywania wideo
Tablet Microsoft Surface Microsoft
NoMachine NoMachineIdealny do korzystania z systemu operacyjnego Linux, OpenPose o otwartym kodzie źródłowym
 otwartym kodzie źródłowym
RcloneSzyfruje dane i kopiuje lub przenosi dane do pamięci masowej poza siedzibą firmy,
aplikacja StrivePDźródłowym RuneLabsZainstalowaliśmy aplikację na zegarkach Apple Watch, aby rozpocząć nagrywanie i przesyłanie danych do portalu internetowego.
System neuromodulacji Summit RC+SMedtronicTylko do użytku eksperymentalnego
Monitor kompatybilny z ekranemdotykowym Nie dotyczy
Wideo dla systemu Linux 2 APIJądroZainstaluj, jeśli używasz systemu operacyjnego Linux do nagrywania wideo 
Wasabi Długoterminowa pamięć masowa w chmurzeWasabi
Protokół WireGuard VPNWireGuardopen-source
Nie dotyczy programu do przesyłania plików Rclone o o otwartym kodzie Linux

Bibliografia

  1. World Health Organization. Parkinson disease. , https://www.who.int/news-room/fact-sheets/detail/parkinson-disease (2022).
  2. Herrington, T. M., Cheng, J. J., Eskandar, E. N. Mechanisms of deep brain stimulation. Journal of Neurophysiology. 115 (1), 19-38 (2016).
  3. Little, S., et al. Adaptive deep brain stimulation for Parkinson's disease demonstrates reduced speech side effects compared to conventional stimulation in the acute setting. Journal of Neurology, Neurosurgery & Psychiatry. 87 (12), 1388-1389 (2016).
  4. Mohammed, A., Bayford, R., Demosthenous, A. Toward adaptive deep brain stimulation in Parkinson's disease: a review. Neurodegenerative Disease Management. 8 (2), 115-136 (2018).
  5. Gilron, R., et al. Long-term wireless streaming of neural recordings for circuit discovery and adaptive stimulation in individuals with Parkinson's disease. Nature Biotechnology. 39 (9), 1078-1085 (2021).
  6. Ray, N. J., et al. Local field potential beta activity in the subthalamic nucleus of patients with Parkinson's disease is associated with improvements in bradykinesia after dopamine and deep brain stimulation. Experimental Neurology. 213 (1), 108-113 (2008).
  7. Neumann, W. J., et al. Subthalamic synchronized oscillatory activity correlates with motor impairment in patients with Parkinson's disease. Movement Disorders: Official Journal of the Movement Disorder Society. 31 (11), 1748-1751 (2016).
  8. Swann, N. C., et al. Adaptive deep brain stimulation for Parkinson's disease using motor cortex sensing. J. Neural Eng. 11, (2018).
  9. Little, S., et al. Adaptive deep brain stimulation in advanced Parkinson disease. Annals of Neurology. 74 (3), 449-457 (2013).
  10. Connolly, M. J., et al. Multi-objective data-driven optimization for improving deep brain stimulation in Parkinson's disease. Journal of Neural Engineering. 18 (4), 046046(2021).
  11. Stanslaski, S., et al. Creating neural "co-processors" to explore treatments for neurological disorders. 2018 IEEE International Solid - State Circuits Conference - (ISSCC). , 460-462 (2018).
  12. Rights (OCR), O. for C. The HIPAA Privacy Rule. HHS.gov. , https://www.hhs.gov/hipaa/for-professionals/privacy/index.html (2008).
  13. Rights (OCR), O. for C. The Security Rule. HHS.gov. , https://www.hhs.gov/hipaa/for-professionals/security/index.html (2009).
  14. Perrone, R., Gilron, R. SCBS Patient Facing App (Summit Continuous Bilateral Streaming). , https://github.com/openmind-consortium/App-SCBS-PatientFacingApp (2021).
  15. Strandquist, G., et al. In-Home Video and IMU Kinematics of Self Guided Tasks Correlate with Clinical Bradykinesia Scores. , (2023).
  16. Donenfeld, J. A. WireGuard: Next Generation Kernel Network Tunnel. Proceedings 2017 Network and Distributed System Security Symposium. , (2017).
  17. etzion. Ubuntu 20.04 and TPM2 encrypted system disk - Running Systems. , https://run.tournament.org.il/ubuntu-20-04-and-tpm2-encrypted-system-disk/ (2021).
  18. Craig-Wood, N. Rclone. , https://github.com/rclone/rclone (2023).
  19. Chen, W., et al. The Role of Large-Scale Data Infrastructure in Developing Next-Generation Deep Brain Stimulation Therapies. Frontiers in Human Neuroscience. 15, 717401(2021).
  20. Hidalgo, G. inés, et al. CMU-Perceptual-Computing-Lab/openpose. , https://github.com/CMU-Perceptual-Computing-Lab/openpose (2023).
  21. Cao, Z., Hidalgo, G., Simon, T., Wei, S. E., Sheikh, Y. OpenPose: Realtime Multi-Person 2D Pose Estimation Using Part Affinity Fields. IEEE Transactions on Pattern Analysis and Machine Intelligence. 43 (1), 172-186 (2021).
  22. Cao, Z. openpose/calibration_module.md at master · CMU-Perceptual-Computing-Lab/openpose. , https://github.com/CMU-Perceptual-Computing-Lab/openpose/blob/master/doc/advanced/calibration_module.md (2023).
  23. Sellers, K. K., et al. Analysis-rcs-data: Open-Source Toolbox for the Ingestion, Time-Alignment, and Visualization of Sense and Stimulation Data From the Medtronic Summit RC+S System. Frontiers in Human Neuroscience. 15, 398(2021).
  24. Ranti, C. Rune Labs Stream API. , https://docs.runelabs.io/ (2023).
  25. ffmpeg development community. FFmpeg Formats Documentation. , https://ffmpeg.org/ffmpeg-formats.html (2023).
  26. Goetz, C. G., et al. Movement Disorder Society-sponsored revision of the Unified Parkinson's Disease Rating Scale (MDS-UPDRS): Scale presentation and clinimetric testing results: MDS-UPDRS: Clinimetric Assessment. Movement Disorders. 23 (15), 2129-2170 (2008).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Tagi

Domowa zbi r danychchoroba Parkinsonazdalne monitorowaniedane neuronalnewideozbi r danychocena objaw w ruchowychzautomatyzowane badania DBSprywatno pacjenta
Przeniesienie kliniki do domu: multimodalny ekosystem gromadzenia danych w domu wspierający adaptacyjną głęboką stymulację mózgu
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki Korzystania

Zasady

Copyright © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.