Количественная оценка крупной моторики младенца с помощью мультисенсорного носимого устройства

Краткое содержание

В этом документе описывается оценка крупной моторики младенцев с помощью мультисенсорного носимого устройства и его полностью автоматизированного конвейера анализа на основе глубокого обучения. Метод количественно оценивает позу и модели движений младенцев от лежания на спине до тех пор, пока они не овладеют самостоятельной ходьбой.

Аннотация

Разработка объективных и количественных методов ранней оценки крупной моторики имеет важное значение для лучшего понимания развития нервной системы и поддержки ранних терапевтических вмешательств. В этой статье мы представляем метод количественной оценки общей моторики с помощью мультисенсорного носимого устройства MAIJU (Motility Assessment of Infants with a JUmpsuit), который предлагает автоматизированную, масштабируемую, количественную и объективную оценку с использованием полностью автоматизированного облачного конвейера. Этот носимый костюм оснащен четырьмя датчиками движения, которые записывают синхронизированные данные на мобильный телефон с помощью Bluetooth-соединения с низким энергопотреблением. Автономный анализ на облачном сервере генерирует полностью проанализированные результаты в течение нескольких минут для каждой записи. Эти результаты включают в себя графический отчет о сеансе записи и подробную матрицу результатов, которая дает посекундную классификацию позы, движения, ношения младенца и свободного игрового времени. Наши недавние результаты показывают достоинства такой количественной оценки моторики, обеспечивающей потенциально эффективный метод для различения вариаций в развитии крупной моторики младенца.

Введение

Раннее развитие крупной моторики имеет важное значение для нейрокогнитивных способностей более высокого уровня, которые появляются позже, поддерживая исследование младенцами окружающей среды. Поэтому клиницисты и исследователи проявляют большой интерес к оценке раннего развития крупной моторики ^1,2,3. Для поддержки доказательной медицины или научных исследований важно, чтобы оценки крупной моторики были количественными, надежными, объективными и экологически обоснованными. Тем не менее, существует дефицит таких методов, доступных как для клинических, так и для фундаментальных научных исследований.

Типичное раннее развитие крупной моторики протекает через предсказуемую последовательность вновь приобретенных навыков. Они обычно наблюдаются у младенцев при достижении дискретных двигательных этапов⁴, где стояние и ходьба часто считаются важными ориентирами на пути к более сложному поведенческому репертуару⁵. В дополнение к непосредственному наблюдению или опросу родителей о двигательных вехах, было разработано несколько широко используемых стандартизированных батарей 6,7,8,9 для проведения оценки младенцев в лабораторных или больничных условиях. Тем не менее, эти оценки страдают от множества предостережений: они требуют значительного опыта квалифицированных специалистов, они частично субъективны и категоричны, и они оценивают работу младенцев в неестественной с точки зрения младенца среде (больнице или лаборатории).

Регистрация спонтанной двигательной активности младенцев в течение длительного времени в родной среде, например, дома, позволяет более точно измерять двигательные способности. В одном из таких возможных методов оценка проводится для полной последовательности развития двигательных способностей младенца от лежания на спине до беглой ходьбы с помощью носимой системы, такой как носимая система MAIJU (Motor Assessment of the Infants with a JUmpsuit)10,11,12. Носимая система MAIJU (рис. 1) представляет собой текстильную одежду для всего тела, оснащенную датчиками движения, позволяющими проводить внебольничные/лабораторные оценки и записи без присмотра, которые анализируются с помощью автоматизированного конвейера, обеспечивая посекундную оценку осанки и моделей движений. Эти алгоритмические определения могут быть использованы для каждого типа позы и движения отдельно, или же они могут быть объединены для целостной оценки уровня созревания двигательных способностей младенца. Недавно опубликованным безусловным выражением такого показателя моторной зрелости является BIMS (Baba Infant Motor Score)^10,12.

В этой статье будет описана оценка крупной моторики младенцев с помощью мультисенсорного носимого костюма; Обоснование, практическая производительность, конвейер анализа и потенциальные перспективы использования метрик, которые могут быть получены из автоматизированного конвейера анализа, доступного для записей с помощью носимого мультисенсорного устройства 10,11,12. Метод подходит для детальной количественной оценки спонтанной крупной моторики у всех младенцев, которые демонстрируют двигательные способности между лежанием на спине и беглой ходьбой.

Мультисенсорная носимая система состоит из трех компонентов: 1) комбинезона всего тела, оснащенного четырьмя датчиками движения, 2) мобильного устройства, использующего специально разработанное приложение для iOS, и 3) облачного аналитического конвейера (Babacloud, учетные данные для которого можно получить у авторов)¹¹. Водонепроницаемые датчики инерциального измерительного блока (IMU) передают синхронизированные данные (3-осевой акселерометр и гироскоп) с частотой дискретизации 13-52 Гц на мобильный телефон с помощью Bluetooth-соединения с низким энергопотреблением. Данные изначально сохраняются в памяти (датчика или) мобильного устройства, после чего проводится автономный анализ на облачном сервере после остановки записи.

Протокол

Исследования, проведенные с помощью этой системы, были рассмотрены Комитетом по этике Новой детской больницы Университетской больницы Хельсинки, и больница дала разрешение на проведение исследовательских проектов, описанных в оригинальных исследованиях, цитируемых в этой работе. Было получено информированное согласие на съемку ребенка на видео.

1. Подготовка костюма к сеансу записи

1. Выберите правильный размер костюма. В настоящее время размеры начинаются с размера 68 см, и существует пять различных вариантов размера (68 см, 74 см, 80 см, 86 см и 92 см). Убедитесь, что костюм плотно прилегает к телу, но в то же время удобен и ребенок может свободно двигаться без помех.
2. Запустите запись, т.е. сбор данных с помощью приложения для регистрации данных Maijulogger, как описано в Дополнительном файле 1.
   1. На первой странице введите «Идентификационный номер субъекта». Количество датчиков движения, используемых в оценке, по умолчанию равно 4, как показано на первой странице.
   2. Переходите к следующему этапу, нажимая стрелку вперед.
3. Оснастите четыре датчика батареями (версия CR2025).
4. Подключите каждый датчик к мобильному приложению, выбрав и нажав на местоположение конечности в приложении и поднеся датчик близко к мобильному устройству.
   1. Убедитесь, что в приложении указан правильный номер датчика.
   2. Обеспечьте достаточный уровень заряда аккумулятора (рекомендуется > 80%), проверив индикаторы под номером датчика.
      ПРИМЕЧАНИЕ: При необходимости замените батарейки датчика, подняв заднюю крышку.
5. Закрепите каждый датчик с помощью защелкивающихся креплений в подходящем кармане рукава.
   1. Убедитесь, что датчики правильно ориентированы.
   2. Всегда проверяйте последнюю версию руководства пользователя для получения подробной информации. Неправильная ориентация приведет к непригодным для использования данным.
6. Перейдите к проверке правильности сопряжения датчиков, нажав стрелку вперед в приложении.
   1. Встряхните датчики один за другим и проверьте приложение, чтобы убедиться, что правильный индикатор покачивается.
7. Когда проверки будут завершены, перейдите на начальную страницу, нажав стрелку вперед.
   ПРИМЕЧАНИЕ: При необходимости продолжительность записи (чч:мм) можно установить вручную, нажав кнопку «Настройки » в начале каждой записи.
   1. Нажмите кнопку «Запись », чтобы начать запись. Подождите, пока датчики не будут готовы, прежде чем надевать костюм на младенца (это может занять несколько минут).
8. Для домашней записи без присмотра установите блокировку экрана на мобильном устройстве, чтобы избежать его родительского вмешательства, и упакуйте костюм для доставки получателю.
   1. Воспользуйтесь услугами курьера или аналогичной службы, чтобы доставить костюм получателю сразу после того, как он будет подготовлен.

2. Подготовка и одевание младенца к сеансу записи

1. Убедитесь, что младенец находится на грудном вскармливании (т.е. его кормят и меняют подгузники) и он чувствует себя безопасно и комфортно для естественных и спонтанных игр.
   1. При необходимости снимите костюм позже, чтобы сменить подгузник.
2. Оденьте костюм на младенца так, как это делается с обычным комбинезоном.
   1. Убедитесь, что карманы датчика направлены наружу (т. е. в сторону от средней линии тела, а не поворачиваются вперед или сзади младенца).
3. Убедитесь, что костюм плотно прилегает к конечностям в каждом месте расположения датчика.
   1. При необходимости отрегулируйте ремни возле карманов, чтобы затянуть датчик на конечности.
      ПРИМЕЧАНИЕ: Также можно добавить одежду под костюм или бинты для крепления датчиков на случай, если конечности слишком тонкие для достаточного крепления ремнями.

3. Сессия записи

1. Держите мобильное устройство рядом с младенцем, чтобы обеспечить надежную передачу данных по Bluetooth-соединению (т. е. в той же комнате или в пределах 10 м при записи на открытом пространстве) при записи с прямой потоковой передачей данных.
   1. Если применимо, храните мобильное устройство в сумке, например, в чехле для планшета, для более удобного и безопасного использования. Протокол Bluetooth попытается переподключиться в случае потери BLE-соединения.
      ПРИМЕЧАНИЕ: Не рекомендуется приостанавливать, а затем продолжать запись, так как это может нарушить синхронизацию между датчиками или временную целостность записанных данных, а также вы можете потерять соединение BLE. В таких случаях единственный вариант — выключить приложение и начать запись заново.
2. Организуйте обстановку так, чтобы облегчить игру с игрушками и другими предметами и побудить ребенка свободно двигаться. Например, освободите место для передвижения или постелите коврик на землю, чтобы младенец мог двигаться при виде игрушек, соответствующих его возрасту. Цель состоит в том, чтобы зафиксировать естественные движения младенца.
   1. Убедитесь, что младенец чувствует себя достаточно комфортно и безопасно, чтобы участвовать в спонтанных играх, не испытывая беспокойства из-за новых людей или незнакомых мест.
3. Запишите не менее 1 часа свободной игры или столько, сколько пожелают учебные вопросы. Несколько эпох игры/движения могут быть объединены позже в ходе анализа.
4. Если этого требует конкретный протокол исследования, сделайте дополнительные заметки, чтобы облегчить детальную проверку отдельных результатов. Используйте синхронизированные аннотации в режиме реального времени в приложении регистратора данных в виде произвольного текста, аудиозаписей или видеозаписей.
5. Для домашней записи без учителя установите автоматическую остановку записи (т. е. установите продолжительность (чч:мм) записи вручную, нажав кнопку «Настройки »).
6. В контролируемых настройках завершите запись, нажав кнопку «Стоп» в приложении.
7. Снимите костюм и упакуйте его для возвращения в лабораторию.
8. Стирайте костюм после каждой записи, предварительно вынув датчики из карманов костюма. При наличии следует использовать моющие средства, в том числе для транспортировки влаги, направленные на синтетические материалы¹¹.
   1. Визуально осмотрите костюм после стирки на наличие механических дефектов, прежде чем хранить его для использования на следующем ребенке.

4. Облачный анализ: загрузка сырых данных и выгрузка результатов

1. Щелкните записанный файл в представлении базы данных приложения, а затем нажмите кнопку Экспорт в Babacloud, чтобы открыть домашнюю страницу вычислительного облака (https://babacloud.fi/) с помощью веб-браузера на мобильном устройстве (дополнительный файл 2).
2. Введите логин и пароль на странице входа. При необходимости запросите новые учетные данные с адреса электронной почты, указанного на домашней странице Babacloud.
3. Выберите записанный файл для загрузки. Затем выберите идентификационный номер для субъекта и добавьте необходимую информацию в соответствии с рабочим процессом Babacloud. Если это имеет отношение к делу, также введите возраст субъекта или другую информацию (например, время воспроизведения) в поле «Добавить еще одну метку необработанного файла». Наконец, сохраните сеанс загрузки, нажав кнопку «Сохранить ».
   ПРИМЕЧАНИЕ: По умолчанию приложение регистратора данных генерирует заархивированный файл из данных о движении, чтобы обеспечить более простую и быструю передачу данных по воздуху через Wi-Fi или мобильную сеть. Для интерфейса Babacloud потребуются учетные данные, которые можно получить в соответствии с инструкциями на их веб-странице. Записанные необработанные данные также могут быть переданы непосредственно с телефона на другое устройство для индивидуального анализа. Убедитесь, что ненужные данные из памяти мобильного устройства удалены, чтобы избежать путаницы между сеансами записи. Сеансы записи автоматически помещаются в собственные папки, которым присваиваются соответствующие метки времени.
4. Загрузите заархивированный пакет выходных данных анализа с облачного сервера с помощью мобильного устройства или веб-браузера компьютера. Нажмите на нужный идентификатор объекта, затем выберите ссылку на нужный анализ, после чего автоматически откроется загрузка файла.
   ПРИМЕЧАНИЕ: В заархивированном пакете результатов можно найти два следующих элемента: Подробная матрица результатов, которая дает все посекундные классификации для осанки, движения, переноски младенца и свободного игрового времени (рисунок 2A, дополнительный файл 3). Графические отчеты, дающие обзор учебной сессии (Дополнительный файл 4).

Результаты

Представленный метод количественно оценивает крупную моторику младенцев путем классификации типов поз и движений для каждой секунды сеанса записи. Таким образом, пакет результатов из конвейера автоматизированного анализа включает полную классификационную матрицу (дополнительный файл 3) и графическую сводку (дополнительный файл 4) по всему сеансу записи. В зависимости от конкретного вопроса исследования, эти результаты могут быть проверены на разных уровнях.

Для разработки и валидации данного метода был использован контроль результатов.
Ниже мы представим четыре уровня проверки результатов, используемых для разработки и валидации этой методологии. В дополнительном файле 5 представлены репрезентативные примеры ключевых экспериментов по валидации, которые ранее были опубликованы во всех подробностях 10,11,12.

Во-первых, автоматические алгоритмы, обученные для определения движений и поз, были проверены на основе посекундных наблюдений человека за движением младенцев. Мы использовали несколько параллельно обученных экспертов, которые вслепую просматривали синхронизированные видеозаписи с записями носимых устройств. Все различные категории поз и движений сравнивались отдельно с индивидуальными аннотациями человека, и мы обнаружили очень высокое соответствие между алгоритмом и человеком для поз (средняя каппа 0,93); Существенное совпадение было обнаружено для категорий движения (каппа, специфичная для подкатегорий, в основном в диапазоне 60-80%). Пример матрицы несоответствий¹⁰ см. в дополнительном файле 5А. Кроме того, были оценены уровни взаимного согласия, чтобы подтвердить, что алгоритмы работают примерно на уровне человеческого эквивалента^10,11.

Во-вторых, мы оценили, насколько хорошо количественная оценка категорий движения и осанки на основе классификатора будет соответствовать соответствующей количественной оценке из аннотаций человека второго уровня. Примеры точечных диаграмм, показанные в дополнительном файле 5B¹⁰ , показывают, что несколько ключевых категорий имеют почти идеальное соответствие (коэффициент корреляции >0,96) между алгоритмической и визуальной количественной оценкой человека. Это прямо подтверждает идею о том, что возрастные распределения количественной оценки подвижности (рис. 3A, B) являются надежными¹².

В-третьих, идея целостной оценки моторной зрелости была подтверждена путем обучения прогнозированию возраста развития на основе комбинированных величин движений (см. выше), которые очень тесно коррелировали с фактическим возрастом у типично развивающихся младенцев (r=0,89; Дополнительный файл 5С). Впоследствии прогноз возраста был масштабирован до 0-100 в качестве безразмерной меры BIMS (Baba Infant Motor Score¹⁰), и его полезность для построения диаграмм моторного роста (дополнительный файл 5D) была проверена на типично развивающейся когорте младенцев, демонстрирующей зависящие от возраста и предсказуемые траектории роста. Мы также подтвердили его относительную точность, показав, что точность в графиках моторного роста хорошо сопоставима с хорошо известными графиками физического роста¹².

В-четвертых, возможность выявления аномалий с помощью заданных показателей была подтверждена в эксперименте, в котором было показано, что отдельные моторные показатели четко различают младенцев с плохими и хорошими двигательными показателями соответственно (Дополнительный файл 5E)¹⁰.

Возможные вопросы для дальнейшего изучения на разных уровнях анализа
На рисунке 3 показаны примеры дальнейшего использования информации, предоставляемой носимым костюмом и его автоматизированным аналитическим конвейером. Во-первых, раннее развитие осанки и двигательных навыков может быть построено как функция возраста и сопоставлено с возрастно-зависимыми распределениями (рис. 3A, «диаграммы роста»¹²), или развитие может быть проследено с течением времени для каждого человека (рис. 3B). Во-вторых, когда исследуемый вопрос требует более целостной оценки крупной моторики, можно использовать комбинацию пропорций осанки и движений человека (как показано в Дополнительном файле 5D, рассчитанном на основе временных рядов в Дополнительном файле 5C) для создания индекса типа BIMS (Baba Infant Motor Score). Такие показатели поддерживают непосредственное использование в диаграммах моторного роста (Дополнительный файл 5C,D) и вычислении статистических выводов, таких как z-балл (рис. 3A). Использование серий обнаружений алгоритма (рис. 3C и дополнительный файл 3) позволяет исследовать детальную временную структуру моторики младенцев с помощью таких вопросов, как «Сколько переходов из одной позы в другую за единицу времени выполняет младенец?» или «Каково распределение эпох стояния во время спонтанной игры?».

Рисунок 1: Обзор мультисенсорной носимой системы и типичный процесс исследования от записи до анализа. Рисунок 1 адаптирован из Airaksinen et ^al.12, опубликованных под лицензией CC_BY. Фотография младенца публикуется с согласия родителей. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

Рисунок 2: Категоризация позы и движений и пример визуализации исходных данных и результатов анализа (A) Схема категоризации позы и движений, используемая алгоритмическими классификаторами в полностью автоматизированном аналитическом конвейере для носимого мультисенсорного устройства. Этот рисунок перепечатан из Airaksinen et ^al.10 (B) Пример 10-минутных необработанных данных датчика акселерометра с каждого из четырех рукавов, полученных из записей MAIJU. Горизонтальные полосы ниже показывают выходные данные автоматического классификатора для определения позы (верхняя полоса) и движения (нижняя полоса) за ту же 10-минутную эпоху. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

Рисунок 3: Пример результатов, полученных из необработанных выходных данных классификатора. (A) Пример сравнения данных между возрастом младенца и оценкой моторики младенцев по шкале Баба (BIMS). S-образная зеленая кривая показывает траекторию развития BIMS в большей популяции. На точке изображен пример индивидуума в возрасте 14 месяцев, с BIMS ~74, что соответствует немного ниже среднего возрастного типичного уровня (зеленая линия). (B) Пример когорты с индивидуальными траекториями моторного развития с использованием шкалы Baba Infant Motor Score over (BIMS). Каждая линия представляет младенца, записанного в нескольких возрастных точках (точки в строке). Линии раскрашены для среднего отклонения относительно типичного для возраста среднего значения (синяя S-образная кривая на заднем плане; см. также панель A. (C) Репрезентативная выходная матрица из автоматического классификатора в том виде, в каком она поступает из конвейера Babacloud. В первом столбце показано время, прошедшее с начала записи (в секундах) для каждого окна анализа в классификации (длительность окна 2,3 с, перекрытие 50%). Во втором и третьем столбцах показано определение классификатора по позе и движению соответственно. Третья и четвертая колонки являются вспомогательными классификаторами, описывающими эпохи, когда младенца носил кто-то другой, и когда младенец был вовлечен в самостоятельную игру, соответственно. (D) Иллюстрация краткого отчета. Панели A и B адаптированы из Airaksinen et ^al.10. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этого рисунка.

Дополнительный файл 1: Краткое руководство по записи с помощью носимого устройства MAIJU. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный файл 2: Краткое руководство по переносу данных из Maijulogger на сервер анализа в Babacloud. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный файл 3: Пример подробной классификационной матрицы, которая дает все посекундные классификации по осанке, движению, переноске младенцев и свободному игровому времени. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный файл 4: Пример графического сводного отчета в формате PDF. Эти данные берутся из файла алгоритма, который включает в себя: (A) основную справочную информацию о сеансе записи (идентификатор и возраст субъекта, дату записи, продолжительность и общее количество эпох, использованных для окончательного анализа). (В) Графическое отображение полной записи с указанием распределения поз по всей записи и эпохам, которые исключены из количественной оценки. В) Типичные распределения, отображаемые в виде скрипичных графиков для всех шести поз (левая сторона) и 12 типов движений (правая сторона). Аналогичным образом, на рисунках справа изображены типы движений, обозначенные каждой позой, а также последовательность постепенного развития двигательной активности (точки, обозначающие результаты индивидуальной записи, и цветные скрипичные графики, указывающие возрастные распределения позы/движения соответствующего набора данных). Примечательно, что исходные значения, обозначенные точками, показывают фактические значения заданной производительности двигателя, и они могут быть использованы непосредственно в других контекстах. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный файл 5: Проверочные эксперименты на разных уровнях анализа. (A) Матрицы несоответствий, показывающие согласованность между человеческими аннотациями (целевой класс) и обнаружениями алгоритма (прогнозируемый класс) как для категорий позы, так и для категорий движения. (B) Сравнение моторных квантитаций в течение полных сеансов записи между человеческими аннотациями и обнаружениями, полученными с помощью автоматического классификатора. (C) Корреляция между прогнозированием возраста развития на основе носимых данных (левая ось Y) и их перемасштабированием для получения оценки BIMS (правая ось Y). Фактический возраст младенца на момент записи отображается по оси X. (D) Корреляция прогноза возраста и фактического возраста при использовании аппроксимированной функции. Значения показывают соответствие модели при использовании группового среднего значения в изображенных временных окнах (синий), всех исходных значений (черный) или при учете повторных измерений каждого отдельного элемента (зеленый). (E) Сравнение индивидуальных моторных показателей между группами детей с хорошими и плохими показателями позволяет предположить, что несколько автоматически определяемых моторных показателей могут дифференцировать эти группы младенцев. Панель A,B,C адаптирована из Airaksinen et ^al.10. Панель D адаптирована из Airaksinen et ^al.12. Панель E адаптирована из "Airaksinen et ^al.11. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Обсуждение

Количественная оценка и отслеживание развития моторики младенцев с помощью носимого решения, такого как MAIJU, технически просты в освоении и выполнении и могут быть легко внедрены в практику здравоохранения или клинических исследований 10,11,12. По сравнению с другими существующими методами оценки моторики, этот вид регистрации спонтанной двигательной активности младенцев в домашних условиях повышает экологическую валидность оценки. Кроме того, он обеспечивает количественный, прозрачный и полностью автоматизированный анализ двигательных способностей младенцев. Самое главное, что метрики, используемые в анализе, интуитивно понятны и объяснимы, что позволяет легко сравнивать их с другими клиническими и исследовательскими оценками, такими как факторы окружающей среды, когнитивное развитие или психосоциальные оценки. Целостная оценка моторного развития обеспечивает точность, которая хорошо сопоставима с^{обычными показателями} физического роста.

Важнейшие этапы протокола включают в себя тщательную подготовку носимого костюма. При подготовке к записи выбор правильного размера костюма имеет решающее значение, так как крепления датчика в рукавах и штанинах должны плотно прилегать для получения надежной записи движений тела. Также для успешной записи важно разместить датчики в карманах с правильной ориентацией, как указано в протоколе. Крепления датчиков не позволят датчикам вращаться во время записи. Однако неправильно ориентированный датчик записывает данные, которые трудно, если не невозможно, исправить впоследствии. Ребенка следует поощрять к свободному и самостоятельному движению во время записи. Продолжительность записи может варьироваться в зависимости от заданных учебных вопросов. Несколько эпох спонтанных движений объединяются, чтобы накопить достаточное количество спонтанных движений для каждой сессии записи.

Гибкое и практичное управление носимым устройством MAIJU позволяет использовать его в различных контекстах как в контролируемых, так и в неконтролируемых условиях, таких как исследовательские лаборатории или дома. Недавние результаты наших клинических испытаний показывают, что полностью неконтролируемые записи, проводимые в домашних условиях, могут давать результаты, сопоставимые с записями, проводимыми под полным или частичным наблюдением¹². Тем не менее, на спонтанное двигательное поведение ребенка потенциально влияет несколько факторов, таких как окружающая среда (например, игра на улице или в помещении, планировка пространства, мебели и игрушек), уровень бдительности ребенка и участие родителей во время домашней записи. Когда запись ведется дома без присмотра, важно поощрять ребенка к спонтанной игре, т.е. играть или двигаться самостоятельно, без того, чтобы кто-то другой нес или держал ребенка, если в этом нет необходимости, и держать записывающий мобильный телефон на расстоянии Bluetooth (в той же комнате)¹⁰. Большинство текущих ситуаций, связанных с устранением неполадок во время записи, вызваны потерей соединения Bluetooth. В ближайшем будущем достижения в области сенсорных технологий улучшат возможности подключения по Bluetooth, а предстоящее внедрение большего объема памяти датчика позволит вести запись в автономном режиме, сохраняя данные о движении непосредственно в памяти датчика.

Внебольничные записи с помощью носимого решения такого рода легко масштабируются и могут повысить безопасность младенцев, например, за счет возможности удаленного мониторинга во время таких обстоятельств, как пандемия. Наши алгоритмы-классификаторы были обучены распознавать заданные двигательные способности, позы и движения, показанные на схеме описания моторики (рис. 2А). Эти явления были идентифицированы как характерные для движений младенцев в течение первых двух лет жизни. Другие типы движений или поз, наблюдаемые у детей старшего возраста, такие как бег или прыжки, потребуют модифицированных схем описания движений и соответствующих алгоритмов для их идентификации. Анализ, зависящий от контекста позы, является потенциально плодотворным подходом, при котором двигательная активность младенца анализируется отдельно в разных позах для поддержки изучения, например, коррелятов развития поведения младенцев 5,6,7,8,9,13. Кроме того, контекстно-зависимый двигательный анализ также может помочь оценить асимметрию двигательной функции при прогнозировании развития одностороннего церебрального паралича 10,12,14,15. Кроме того, оценка двигательных способностей с помощью системы MAIJU может быть объединена с другими методами исследования, например, отслеживанием движений глаз, визуализацией или видеозаписью, для получения мультимодальных данных, охватывающих различные типы и контексты. Мультимодальные данные могут быть полезны, например, для оценки эффектов социального взаимодействия или эффективности терапевтического вмешательства.

Для успеха новых носимых технологий во внебольничных условиях мониторинга младенцев необходимо учитывать определенные ограничения, проблемы и этические проблемы. Наши аналитические конвейеры были обучены и проверены на типично развивающихся младенцах в Финляндии 10,11,12. Результаты сырого анализа с чистыми позами и движениями должны быть универсальными. Однако их траектории развития могут потребовать корректировки с учетом различных культур и географических положений. Согласно отзывам родителей о носимых устройствах, к ним относятся положительно из-за удобства для младенцев¹⁶. Тем не менее, родители могут выражать обеспокоенность по поводу конфиденциальности, доступа к данным и семейных аспектов (например, наличие нескольких опекунов, посетителей и изменение графика). Ограничением метода можно считать зависимость от времени автономной работы датчиков и записывающего телефона. По нашему опыту, модель батареи (CR2025) обычно работает в течение полного дня (12-24 часа) при использовании непрерывной потоковой передачи данных. Примечательно, что это зависит как от марки аккумулятора, так и от мощности соединения Bluetooth, необходимого для беспроводной передачи данных, которая постоянно меняется, чтобы максимизировать передачу данных в среде записи. Например, большое расстояние между младенцем и телефоном или стена между ними могут привести к значительному увеличению расхода заряда батареи. Примечательно, что батареи большинства мобильных устройств также разряжаются примерно за одно и то же время при использовании непрерывной потоковой передачи по Bluetooth. На практике используемая в настоящее время непрерывная потоковая передача данных по Bluetooth-соединению означает, что как датчики, так и мобильные устройства нуждаются в ежедневной подзарядке/замене батареи. В ближайшем будущем появятся датчики с большим объемом памяти, которые позволят хранить данные в памяти датчика, поддерживая непрерывную запись в течение недели. Это устранит необходимость в энергоемкой потоковой передаче по Bluetooth, а также в переноске телефона в пределах диапазона Bluetooth, который может восприниматься как ограничивающий в ситуациях записи и подверженный человеческим ошибкам.

В целом, для отслеживания раннего развития нервной системы необходимы методы, чувствительные к естественной нейроповеденческой изменчивости. Развитие крупной моторики представляет собой сложный процесс, состоящий из вариаций в порядке и сроках, как на индивидуальном, так и на^{культурном уровнях.} Выявление атипичного моторного развития эффективно для распознавания младенцев, подверженных риску широкого спектра нарушений развития нервной системы. Традиционные тестовые батареи со стандартизированными оценками развития нервной системы проводятся в контролируемых условиях, таких как больницы, и, по крайней мере, частично субъективны ^7,8,9. Современные достижения в области сенсорных технологий и анализа сигналов позволили регистрировать спонтанные двигательные способности младенцев в течение длительных периодов времени во внебольничных условиях и количественно оценивать двигательное поведение с точностью, сравнимой с ^{людьми-наблюдателями} 10,11,12. Новые носимые технологии предлагают автоматизированные и масштабируемые методы мониторинга движений и эффективности терапевтического вмешательства у младенцев экологически обоснованным и объективным способом. Кроме того, новый индекс развития нервной системы Baba Infant Motor Score (BIMS) позволяет оценить зрелость двигательных способностей младенцев путем индивидуального отслеживания развития нервной системы^10,12. Он может быть использован в ряде будущих приложений, таких как разработка диаграмм моторного роста младенцев¹². Обучая автоматизированные классификаторы для других специфических движений (например, для детей старшего возраста или взрослых) с помощью различных схем и алгоритмов описания движений, носимые датчики движения имеют потенциал для клинического применения, например, для лечения двигательных расстройств или последующего наблюдения за эффектами терапевтических вмешательств независимо от стадии^{развития человека.}. В настоящее время, однако, это следует рассматривать как исследовательскую методологию, которая не должна использоваться для информирования о клиническом диагнозе или назначении лечения.

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
Устройство iOS (версия 16.5 или выше)	Apple	n/a
комбинезон MAIJU	Planno Ltd	n/a	специально для этой цели
Maijulogger (мобильное приложение) и прошивка датчика	BABA Center (www.babacenter.fi), Kaasa solutions GmbH	n/a	создано Kaasa Solutions, распространяется Baba Center
Датчик движения Movesense	Movesense (www.movesense.com)	н/д