A subscription to JoVE is required to view this content. Sign in or start your free trial.
Research Article
Please note that some of the translations on this page are AI generated. Click here for the English version.
O protocolo mostra um protótipo da plataforma de coleta de dados multimodal em casa que apoia pesquisas otimizando a estimulação cerebral profunda adaptativa (aDBS) para pessoas com distúrbios neurológicos do movimento. Também apresentamos as principais descobertas da implantação da plataforma por mais de um ano na casa de um indivíduo com doença de Parkinson.
A estimulação cerebral profunda adaptativa (aDBS) mostra-se promissora para melhorar o tratamento de distúrbios neurológicos, como a doença de Parkinson (DP). O aDBS usa biomarcadores relacionados a sintomas para ajustar os parâmetros de estimulação em tempo real para atingir os sintomas com mais precisão. Para permitir esses ajustes dinâmicos, os parâmetros para um algoritmo de aDBS devem ser determinados para cada paciente individual. Isso requer um ajuste manual demorado por parte dos pesquisadores clínicos, tornando difícil encontrar uma configuração ideal para um único paciente ou dimensionar para muitos pacientes. Além disso, a eficácia a longo prazo dos algoritmos aDBS configurados na clínica enquanto o paciente está em casa permanece uma questão em aberto. Para implementar essa terapia em larga escala, é necessária uma metodologia para configurar automaticamente os parâmetros do algoritmo aDBS enquanto monitora remotamente os resultados da terapia. Neste artigo, compartilhamos um projeto para uma plataforma de coleta de dados em casa para ajudar o campo a abordar ambas as questões. A plataforma é composta por um ecossistema integrado de hardware e software que é de código aberto e permite a coleta domiciliar de dados de vídeo neural, inercial e multicâmera. Para garantir a privacidade dos dados identificáveis pelo paciente, a plataforma criptografa e transfere dados por meio de uma rede privada virtual. Os métodos incluem o alinhamento de tempo de fluxos de dados e a extração de estimativas de pose de gravações de vídeo. Para demonstrar o uso desse sistema, implantamos essa plataforma na casa de um indivíduo com DP e coletamos dados durante tarefas clínicas autoguiadas e períodos de comportamento livre ao longo de 1,5 anos. Os dados foram registrados em amplitudes de estimulação subterapêutica, terapêutica e supraterapêutica para avaliar a gravidade dos sintomas motores em diferentes condições terapêuticas. Esses dados alinhados ao tempo mostram que a plataforma é capaz de coletar dados multimodais sincronizados em casa para avaliação terapêutica. Essa arquitetura de sistema pode ser usada para apoiar a pesquisa automatizada de aDBS, para coletar novos conjuntos de dados e para estudar os efeitos de longo prazo da terapia com DBS fora da clínica para aqueles que sofrem de distúrbios neurológicos.
A estimulação cerebral profunda (DBS) trata distúrbios neurológicos, como a doença de Parkinson (DP), fornecendo corrente elétrica diretamente para regiões específicas do cérebro. Estima-se que existam 8,5 milhões de casos de DP em todo o mundo, e a EEP tem se mostrado uma terapia crítica quando a medicação é insuficiente para o manejo dos sintomas 1,2. No entanto, a efetividade da EEP pode ser limitada por efeitos colaterais que às vezes ocorrem a partir da estimulação convencionalmente administrada em amplitude, frequência e largura de pulso fixas3. Essa implementação em malha aberta não responde às flutuações no estado de sintomas, resultando em configurações de estimulação que não são apropriadamente adaptadas às necessidades em mudança do paciente. A EEP é ainda mais prejudicada pelo demorado processo de ajuste dos parâmetros de estimulação, que atualmente é realizado manualmente pelos médicos para cada paciente individual.
A EEP adaptativa (EEPa) é uma abordagem de circuito fechado que se mostrou uma próxima iteração eficaz da EEP, ajustando parâmetros de estimulação em tempo real sempre que biomarcadores relacionados a sintomas são detectados 3,4,5. Estudos têm demonstrado que as oscilações beta (10-30 Hz) no núcleo subtalâmico (NST) ocorrem consistentemente durante a bradicinesia, uma lentificação do movimento característica da DP 6,7. Da mesma forma, sabe-se que altas oscilações gama (50-120 Hz) no córtex ocorrem durante períodos de discinesia, um movimento excessivo e involuntário também comumente observado naDP8. Trabalhos recentes administraram com sucesso aDBS fora da clínica por períodos prolongados5, no entanto, a eficácia a longo prazo dos algoritmos de aDBS que foram configurados na clínica enquanto um paciente está em casa não foi estabelecida.
Sistemas remotos são necessários para capturar a eficácia variável no tempo desses algoritmos dinâmicos na supressão de sintomas encontrados durante a vida diária. Embora a abordagem de estimulação dinâmica da EEPa potencialmente permita um tratamento mais preciso com efeitos colaterais reduzidos3,9, a EEP ainda sofre de uma alta carga sobre os médicos para identificar manualmente os parâmetros de estimulação para cada paciente. Além do já grande conjunto de parâmetros para programar durante o DBS convencional, os algoritmos aDBS introduzem muitos novos parâmetros que também devem ser cuidadosamente ajustados. Essa combinação de parâmetros de estimulação e algoritmo produz um vasto espaço de parâmetros com um número incontrolável de combinações possíveis, proibindo o dimensionamento de aDBS para muitos pacientes10. Mesmo em ambientes de pesquisa, o tempo adicional necessário para configurar e avaliar sistemas aDBS dificulta a otimização adequada de algoritmos apenas na clínica, e a atualização remota de parâmetros é necessária. Para tornar o aDBS um tratamento que possa escalar, a estimulação e o ajuste de parâmetros do algoritmo devem ser automatizados. Além disso, os resultados da terapia devem ser analisados em ensaios repetidos para estabelecer a EEP como um tratamento viável a longo prazo fora da clínica. Há necessidade de uma plataforma que possa coletar dados para avaliação remota da eficácia da terapia e implantar remotamente atualizações nos parâmetros do algoritmo aDBS.
O objetivo deste protocolo é fornecer um design reutilizável para uma plataforma multimodal de coleta de dados em casa para melhorar a eficácia do aDBS fora da clínica e permitir que esse tratamento seja dimensionado para um maior número de indivíduos. Até onde sabemos, é o primeiro projeto de plataforma de coleta de dados que avalia remotamente os resultados terapêuticos usando câmeras de vídeo em casa, sensores vestíveis, gravação crônica de sinais neurais e feedback orientado ao paciente para avaliar sistemas aDBS durante tarefas controladas e comportamento naturalista.
A plataforma é um ecossistema de componentes de hardware e software construído sobre sistemas previamente desenvolvidos5. É totalmente sustentável através de acesso remoto após uma instalação inicial de hardware mínimo para permitir a coleta de dados multi-modal de uma pessoa no conforto de sua casa. Um componente-chave é o sistema de neuroestimulação implantável (SNI)11 , que detecta a atividade neural e estimula a NST, registrando a aceleração dos implantes torácicos. Para o implante utilizado na implantação inicial, a atividade neural é registrada a partir de eletrodos bilaterais implantados no NST e de eletroeletrocorticogramas implantados sobre o córtex motor. Um sistema de gravação de vídeo ajuda os médicos a monitorar a gravidade dos sintomas e a eficácia da terapia, que inclui uma interface gráfica do usuário (GUI) para permitir o cancelamento fácil de gravações em andamento para proteger a privacidade do paciente. Os vídeos são processados para extrair trajetórias cinemáticas de posição em duas dimensões (2D) ou tridimensionais (3D), e relógios inteligentes são usados em ambos os pulsos para capturar informações de velocidade angular e aceleração. É importante ressaltar que todos os dados são criptografados antes de serem transferidos para o armazenamento em nuvem de longo prazo, e o computador com vídeos identificáveis pelo paciente só pode ser acessado por meio de uma rede privada virtual (VPN). O sistema inclui duas abordagens para alinhamento de tempo post-hoc de todos os fluxos de dados, e os dados são usados para monitorar remotamente a qualidade do movimento do paciente e para identificar biomarcadores relacionados a sintomas para refinar algoritmos aDBS. A parte em vídeo deste trabalho mostra o processo de coleta de dados e animações de trajetórias cinemáticas extraídas dos vídeos coletados.
Várias considerações de design orientaram o desenvolvimento do protocolo:
Garantindo a segurança dos dados e a privacidade do paciente: A coleta de dados identificáveis de pacientes requer o máximo de cuidado na transmissão e armazenamento para ser um ato de portabilidade e responsabilidade do seguro de saúde (HIPAA)12,13 cumprir e respeitar a privacidade do paciente em sua própria casa. Neste projeto, isso foi alcançado através da configuração de uma VPN personalizada para garantir a privacidade de todo o tráfego sensível entre os computadores do sistema.
Limites de segurança dos parâmetros de estimulação: É fundamental garantir que o paciente permaneça seguro ao experimentar algoritmos aDBS que podem ter efeitos não intencionais. O INS do paciente deve ser configurado por um clínico para ter limites seguros para parâmetros de estimulação que não permitam efeitos inseguros de superestimulação ou subestimulação. Com o sistema INS11 Utilizado neste estudo, esse recurso é habilitado por um programador clínico.
Garantindo o veto do paciente: Mesmo dentro dos limites dos parâmetros seguros, a variabilidade diária dos sintomas e das respostas de estimulação pode resultar em situações desagradáveis para o paciente, onde ele não gosta de um algoritmo em teste e deseja retornar à EEP clínica normal de malha aberta. O sistema INS selecionado inclui um módulo de telemetria do paciente (PTM) que permite ao paciente alterar manualmente seu grupo de estimulação e amplitude de estimulação em mA. Há também um aplicativo de pesquisa conectado ao INS que é usado para configuração remota do INS antes da coleta de dados14, que também permite que o paciente aborte os ensaios de aDBS e controle sua terapia.
Capturando comportamentos complexos e naturais: Os dados de vídeo foram incorporados à plataforma para permitir que os médicos monitorem remotamente a eficácia da terapia e extraiam trajetórias cinemáticas de estimativas de pose para uso em análises de pesquisa15. Embora os sensores vestíveis sejam menos intrusivos, é difícil capturar toda a amplitude dinâmica de movimento de um corpo inteiro usando apenas sistemas vestíveis. Os vídeos permitem a gravação simultânea de toda a amplitude de movimento do paciente e seus sintomas ao longo do tempo.
Usabilidade do sistema para pacientes: A coleta de dados multimodais em casa requer que vários dispositivos sejam instalados e utilizados na casa do paciente, o que pode se tornar oneroso para os pacientes navegarem. Para tornar o sistema fácil de usar e, ao mesmo tempo, garantir o controle do paciente, apenas os dispositivos implantados ou fisicamente conectados ao paciente (neste caso, incluindo o sistema INS e relógios inteligentes) devem ser ativados manualmente antes de iniciar uma gravação. Para dispositivos que são separados do paciente (neste caso, inclui dados gravados de câmeras de vídeo), as gravações começam e terminam automaticamente sem exigir qualquer interação com o paciente. Durante o design da GUI, foi tomado cuidado para minimizar o número de botões e evitar árvores de menu profundas para que as interações fossem simples. Depois que todos os dispositivos são instalados, um coordenador de pesquisa mostrou ao paciente como interagir com todos os dispositivos por meio de GUIs voltadas para o paciente que fazem parte de cada dispositivo, como encerrar gravações em qualquer dispositivo e como inserir seu histórico de medicação e relatórios de sintomas.
Transparência da coleta de dados: Indicar claramente quando as câmeras estão ligadas é imprescindível para que as pessoas saibam quando estão sendo gravadas e possam suspender a gravação se precisarem de um momento de privacidade. Para conseguir isso, um aplicativo de sistema de câmera é usado para controlar gravações de vídeo com uma GUI voltada para o paciente. A GUI é aberta automaticamente quando o aplicativo é iniciado e lista a hora e a data da próxima gravação agendada. Quando uma gravação está em andamento, uma mensagem informa quando a gravação está programada para terminar. No centro da GUI, uma imagem grande de uma luz vermelha é exibida. A imagem mostra a luz sendo acesa sempre que uma gravação está em andamento e muda para uma imagem não iluminada quando as gravações estão DESLIGADAS.
O protocolo detalha métodos para projetar, construir e implantar uma plataforma de coleta de dados em casa, para verificar a qualidade dos dados coletados quanto à completude e robustez e para o pós-processamento de dados para uso em pesquisas futuras.
Figura 1: Fluxo de dados. Os dados de cada modalidade são coletados independentemente da residência do paciente antes de serem processados e agregados em um único endpoint de armazenamento remoto. Os dados de cada modalidade são enviados automaticamente para um ponto de extremidade de armazenamento remoto. Com a ajuda de um dos membros da equipe, ele pode ser recuperado, verificado quanto à validade, alinhado ao tempo entre as modalidades, bem como submetido a um pré-processamento mais específico da modalidade. O conjunto de dados compilado é carregado em seguida em um ponto de extremidade de armazenamento remoto que pode ser acessado com segurança por todos os membros da equipe para análise contínua. Todas as máquinas com acesso a dados, especialmente para dados confidenciais, como vídeo bruto, estão dentro de uma VPN que garante que todos os dados sejam transferidos com segurança e que os dados armazenados sejam sempre criptografados. Clique aqui para ver uma versão maior desta figura.
Os pacientes são inscritos através de um estudo maior aprovado pelo IRB e IDE no aDBS da Universidade da Califórnia, São Francisco, protocolo # G1800975. O paciente incluído neste estudo também forneceu consentimento informado especificamente para este estudo.
1. Componentes do sistema em casa
Figura 2: Componentes de gravação de vídeo. Os componentes de hardware para suportar a coleta de dados de vídeo são mínimos, incluindo um único PC de torre, webcams conectadas por USB e um pequeno monitor para exibir a GUI voltada para o paciente. O monitor é habilitado para tela sensível ao toque para permitir o encerramento fácil de quaisquer gravações em andamento ou programadas pressionando os botões visíveis na GUI. O centro da GUI mostra uma imagem de uma luz de gravação que se transforma em uma cor vermelha brilhante quando as câmeras de vídeo estão gravando ativamente. Clique aqui para ver uma versão maior desta figura.
2. Configuração doméstica
3. Coleta de dados
4. Caracterização do sistema
5. Pré-processamento e alinhamento de dados post-hoc
Figura 3: Alinhamento de dados baseado em gestos. A metade superior da figura mostra a GUI de alinhamento manual depois de alinhar os três fluxos de dados. A linha azul são os dados de acelerometria do smartwatch, a linha laranja são os dados de acelerometria do INS, e a linha verde é a posição de pose 2D da ponta do dedo médio direito de uma única webcam. O canto superior direito mostra o deslocamento entre o tempo real do relógio inteligente e o INS, bem como várias bandeiras de aviso para marcar quaisquer problemas que surjam. Neste exemplo, o INS estava 20,8 s à frente do smartwatch. O gráfico inferior esquerdo é ampliado para mostrar as cinco batidas torácicas realizadas pelo paciente para alinhamento dos dados. Os cinco picos são suficientemente claros em cada fluxo de dados para garantir o alinhamento adequado. Clique aqui para ver uma versão maior desta figura.
Projeto e implantação de protótipos de plataforma
Projetamos um protótipo de plataforma e a implantamos na casa de um único paciente (Figura 1). Após a primeira instalação de hardware em casa, a plataforma pode ser mantida, e os dados coletados inteiramente através de acesso remoto. Os dispositivos INS, relógios inteligentes e câmeras têm aplicativos voltados para o paciente, permitindo que os pacientes iniciem e parem gravações. O hardware de coleta de vídeo permite gravações automáticas de vídeo após a configuração de um cronograma aprovado. Os pacientes podem facilmente cancelar uma gravação em andamento simplesmente pressionando um botão na GUI do aplicativo de gravação de vídeo (Figura 2). Todos os dados coletados foram criptografados e transferidos para um local de armazenamento em nuvem para que os pesquisadores processassem e analisassem.
Recolha de dados
Para as primeiras implantações e ciclos de coleta de dados, solicitamos ao paciente que realizasse tarefas clínicas autoguiadas. As tarefas foram retiradas da escala unificada de avaliação da doença de Parkinson (UPDRS)26, a saber: tremor de repouso, toque do polegar para o indicador, abertura e fechamento das mãos, pronação-supinação do punho, movimento de sentar e levantar e deambular, e uma tarefa de digitação. Todas as tarefas foram repetidas três vezes para cada dia de gravação. Para cada repetição, uma amplitude de estimulação diferente foi ajustada para expor possíveis sintomas de estimulação relacionados à DP. A Figura 4 mostra um exemplo esquematizado de como seria uma semana de dados coletados com o sistema.
Figura 4: Disponibilidade de dados. Uma demonstração esquematizada de como seria uma semana de dados coletados com o sistema. O gráfico superior mostra o nível de estimulação (azul) ao longo de vários ciclos dia/noite. As mudanças de estimulação para esse paciente dependem do horário de sono e dos horários de ingestão da medicação (linhas vermelhas verticais). Em horários arbitrários ao longo do dia, o sistema de coleta de dados pode ser habilitado remotamente para coletar dados para várias modalidades, mostrados como caixas coloridas. Um exemplo de todos os fluxos de dados paralelos e alinhados ao tempo, apenas selecionados para o lado esquerdo do corpo, é mostrado no gráfico inferior. Durante essa gravação, o paciente foi solicitado a realizar uma série de avaliações clínicas durante condições de estimulação de baixa, terapêutica e alta amplitude. Todos os dados mostrados aqui correspondem a dados reais coletados, mas foram compactados em experimentos separados para facilitar a visualização e mostrar variedade. Abreviações: LFP=potencial de campo local, STN=núcleo subtalâmico, Accel=acelerômetro, giroscópio=giroscópio, 2D=bidimensional. Clique aqui para ver uma versão maior desta figura.
Alinhamento manual
A GUI de alinhamento manual fornece uma plataforma fácil de usar para alinhar vários fluxos de dados. Como mostrado na Figura 3, as torneiras torácicas fornecem um artefato claramente identificável em todas as modalidades de dados (INS, relógios inteligentes, vídeos) que podem ser usados no alinhamento manual. A GUI era um meio útil de alinhar os dados, mas isso poderia ser trocado por qualquer outra ferramenta de alinhamento que os pesquisadores gostariam de usar. Em alguns casos, os fluxos de dados têm uma pequena deriva. Uma possível solução futura para esse problema seria dividir os dados da sessão em diferentes ensaios, cada um com sua própria sequência de toques no peito. Cada ensaio pode então ser alinhado individualmente para minimizar o impacto da deriva.
Alinhamento de tempo de correlação cruzada normalizada zero (ZNCC)
O método para ZNCC funciona bem em alguns casos, mas tem algumas vulnerabilidades críticas. Por exemplo, para alguns movimentos, os dois sinais do acelerômetro podem ser deslocados de fase um em relação ao outro. Se um movimento alinhado de fase e deslocado de fase são ambos incluídos nas épocas analisadas, então o ZNCC pode ter múltiplos ou mesmo nenhum pico claro. A normalização do ZNCC permite que esses alinhamentos sejam automaticamente identificados e descartados conforme necessário. Este método funciona melhor se ambos os sinais são relativamente livres de ruído e janelados para uma época com efeitos grandes e sincronizados em ambos os traços. Os melhores resultados foram obtidos quando o paciente foi solicitado a realizar uma série de toques fortes com as duas mãos contra o peito. Na prática, no entanto, a verificação manual do alinhamento automatizado era necessária para casos suficientes que a vantagem do uso do método automatizado era desprezível.
Qualidade dos dados
A perda de dados durante a transferência automatizada foi insignificante, uma vez que o processo de protocolo de transferência de dados faz backup de cópias brutas para garantir que quaisquer perdas sejam recuperáveis. A perda de dados por problemas de conectividade ocorreu regularmente, uma vez que o Bluetooth e a frequência de rádio às vezes têm interrupções inesperadas de conexão e são de alcance limitado. Intervalos curtos de até 2 segundos ocorreram aproximadamente algumas vezes por hora, e intervalos mais longos, de até 2 minutos, ocorreram aproximadamente uma vez a cada duas horas. Além da perda de dados, foram observados artefatos de estimulação significativos nos dados neurais, cuja gravidade dependeu do registro e dos grupos de estimulação escolhidos. Os maiores artefatos ocorrem próximos à frequência de estimulação, bem fora das faixas de interesse. Nenhum artefato foi observado nos dados dos relógios inteligentes. Os vídeos foram gravados a uma taxa de quadros constante; no entanto, quadros duplicados foram identificados em vídeos. Isso gerou uma taxa de quadros real para ser alguns quadros menor do que a taxa de quadros teórica, como declarado pelas especificações da webcam. Mais perceptíveis do que os quadros duplicados, no entanto, foram os períodos de congelamento que foram identificados em vídeos em intervalos variáveis dependendo do dia de gravação. Períodos de congelamento de aproximadamente 10 quadros ou menos foram observados regularmente; no entanto, seções mais longas, de aproximadamente 2 a 30 segundos de duração, também foram observadas em períodos irregulares.
Coleta de dados longitudinais
A Tabela 1 mostra os dados que o protótipo da plataforma coletou periodicamente ao longo de 1,5 ano. Nesse período, centenas de horas de dados foram coletadas, com um total de 293 horas de dados INS em ambos os lados do corpo, 224 horas de dados de relógios inteligentes para ambos os relógios e 2.037 horas de dados de vídeo em três webcams. Isso demonstra que a plataforma suporta a coleta de dados em casa por longos períodos de tempo, oferecendo uma rara oportunidade de observar mudanças longitudinais nos dados neurais e nos requisitos de estimulação correspondentes.
| Tipo de dado | Duração total (hh:mm:ss) | Total de Dias | Tamanho do armazenamento |
| Neural | 293:17:33 | 90 | 28,94 GB |
| Relógio | 224:06:05 | 89 | 35,67 GB |
| Vídeo | 2037:06:11 | 228 | 146.073,77 GB |
Tabela 1: Visão geral longitudinal dos dados coletados. A plataforma implantada coletou dados durante vários experimentos ao longo de 1,5 ano. Aproximadamente 90 dias foram gravados com fluxos de dados neurais, de vídeo e de relógios inteligentes sendo coletados.
Estimativas de pose 2D e 3D
Vários pacotes de software de estimativa de pose estão agora disponíveis. A estimativa de pose foi testada usando o OpenPose, um pacote de software de código aberto21. Isso foi instalado com sucesso seguindo a documentação fornecida pelo GitHub da organização, bem como muitos outros tutoriais não oficiais encontrados na web. O tempo de processamento do OpenPose varia significativamente com base em como a biblioteca OpenPose e suas extensas dependências são instaladas, o tamanho da GPU usada e se os pontos-chave opcionais de mãos e faces são processados. A pose 2D foi relativamente fácil de implementar, no entanto a pose 3D foi notavelmente mais difícil e os resultados preliminares 3D produziram qualidade inconsistente igual à da pose 2D. A estimativa de pose 3D de baixa qualidade pode ter sido afetada negativamente pela calibração da câmera abaixo do ideal, períodos em que o foco automático da câmera foi ativado erroneamente ou inerente ao próprio software OpenPose. No entanto, vídeos sincronizados de alta qualidade de vários ângulos podem fornecer entradas ricas para uma variedade de pacotes de software de estimativa de pose disponíveis. Recomenda-se que uma configuração de teste seja concluída fora da casa do paciente, com benchmarking manual dos diferentes pacotes de software de estimativa de pose disponíveis.
Figura suplementar 1: Análise de atraso de quadros de vídeo. Atrasos nos carimbos de data/hora gerados a partir do aplicativo de gravação de vídeo foram detectados durante a caracterização do sistema. Para investigar a causa dos atrasos, o número de quadros e o carimbo de data/hora gerados a partir de cada câmera foram determinados pela gravação de uma luz LED vermelha que piscou em intervalos aleatórios, em seguida, as variações nos atrasos de carimbo de data/hora entre as câmeras foram computadas. (Topo) Intensidades de LED (em unidades RGB) medidas em cada uma das três câmeras, demonstrando os deslocamentos de tempo observados entre as três câmeras (indicados com setas vermelhas). (Parte inferior) Três gráficos mostram que o carimbo de data/hora entre câmeras atrasa no número de quadros para uma série de piscadas de LED ao longo de toda a gravação. Cada gravação foi dividida em vários segmentos e o frame lag foi aproximadamente constante ao longo do tempo. Clique aqui para baixar este arquivo.
Arquivo suplementar 1: Método de análise de quadro de vídeo e carimbo de data/hora. Clique aqui para baixar este arquivo.
Os autores não têm conflitos de interesse a declarar.
O protocolo mostra um protótipo da plataforma de coleta de dados multimodal em casa que apoia pesquisas otimizando a estimulação cerebral profunda adaptativa (aDBS) para pessoas com distúrbios neurológicos do movimento. Também apresentamos as principais descobertas da implantação da plataforma por mais de um ano na casa de um indivíduo com doença de Parkinson.
Este material é baseado em trabalhos apoiados pelo National Science Foundation Graduate Research Fellowship Program (DGE-2140004), pelo Weill Neurohub e pelo National Institute of Health (UH3NS100544). Quaisquer opiniões, descobertas e conclusões ou recomendações expressas neste material são do(s) autor(es) e não refletem necessariamente as opiniões da National Science Foundation, do Weill Neurohub ou do National Institute of Health. Agradecemos a Tianjiao Zhang por suas consultas especializadas em design de plataforma e incorporação de dados de vídeo. Agradecemos especialmente ao paciente por sua participação neste estudo e pelo feedback e conselhos sobre segurança de rede e design de plataforma.
| Análise RCS Processamento de Dados | OpenMind | https://github.com/openmind-consortium/Analysis-rcs-data, | |
| Apple Watches | de código abertoApple, Inc | Use 2 relógios para cada paciente, um em cada pulso | |
| BRIO ULTRA HD PRO BUSINESS WEBCAM | Logitech | 960-001105 | Usado 3 em nosso design de plataforma |
| Software de edição de vídeo DaVinci Resolve | DaVinci Resolve | usado para suportar a calibração da câmera | |
| Dell XPS PC | Unidade | de disco rígido Dell 2T, SSD de 500GB | Dropbox Dropbox ffmpeg|
| N/A | open-source, instalar para executar o aplicativo de gravação de vídeo | ||
| Gooseneck monta para webcams | N/A | ||
| GPU | Nvidia | Recomenda-se um mínimo de 8 GB de memória GPU para executar o OpenPose, 12 GB é ideal | |
| Java 11 | Oracle | Instalar para executar o aplicativo de gravação de vídeo | |
| Microsoft Surface tablet | Microsoft | ||
| NoMachine | NoMachine | Ideal ao usar um sistema operacional Linux, OpenPose de código aberto | |
| N/A | programa de transferência de | ||
| arquivos Rclone | de código abertoRclone | Criptografa dados e copia ou move dados para armazenamento externo, | |
| aplicativo StrivePD | de código abertoRuneLabs | Instalamos o aplicativo nos Apple Watches para iniciar gravações e fazer upload de dados para um portal online. | |
| Sistema de neuromodulação Summit RC+S | Medtronic | Para uso experimental apenas | |
| monitor compatível com tela sensível ao toque | N/A | ||
| Vídeo para Linux 2 API | O Kernel | Linux | Instale se estiver usando um sistema operacional Linux para gravação de vídeo |
| Wasabi | Wasabi | Armazenamento de dados em nuvem de longo prazo | |
| WireGuard VPN Protocol | WireGuard | open-source |
