Neuroscience

מביאים את המרפאה הביתה: מערכת אקולוגית ביתית רב-מודאלית לאיסוף נתונים לתמיכה בגירוי מוחי עמוק אדפטיבי

Published: July 14, 2023 doi: 10.3791/65305

Gabrielle Strandquist¹, Tomasz Frączek², Tanner Dixon³, Shravanan Ravi³, Raphael Bechtold⁴, Daryl Lawrence⁵, Alicia Zeng⁶, Jack Gallant⁷, Simon Little³, Jeffrey Herron⁸

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

Summary

הפרוטוקול מציג אב טיפוס של פלטפורמת איסוף נתונים רב-מודאלית ביתית התומכת במחקר הממטב גירוי מוחי עמוק אדפטיבי (aDBS) עבור אנשים עם הפרעות תנועה נוירולוגיות. כמו כן, אנו מציגים ממצאים מרכזיים מפריסת הפלטפורמה במשך למעלה משנה לביתו של אדם עם מחלת פרקינסון.

Abstract

גירוי מוחי עמוק אדפטיבי (aDBS) מראה הבטחה לשיפור הטיפול בהפרעות נוירולוגיות כגון מחלת פרקינסון (PD). aDBS משתמש בסמנים ביולוגיים הקשורים לתסמינים כדי להתאים את פרמטרי הגירוי בזמן אמת כדי להתמקד בסימפטומים בצורה מדויקת יותר. כדי לאפשר התאמות דינמיות אלה, יש לקבוע פרמטרים עבור אלגוריתם aDBS עבור כל מטופל בנפרד. זה דורש כוונון ידני גוזל זמן על ידי חוקרים קליניים, מה שמקשה על מציאת תצורה אופטימלית עבור מטופל בודד או קנה מידה לחולים רבים. יתר על כן, היעילות ארוכת הטווח של אלגוריתמי aDBS המוגדרים במרפאה בזמן שהמטופל בבית נותרה שאלה פתוחה. כדי ליישם טיפול זה בקנה מידה גדול, יש צורך במתודולוגיה להגדרה אוטומטית של פרמטרים של אלגוריתם aDBS תוך ניטור מרחוק של תוצאות הטיפול. במאמר זה, אנו חולקים תכנון עבור פלטפורמת איסוף נתונים ביתית כדי לעזור לשטח לטפל בשתי הבעיות. הפלטפורמה מורכבת מאקוסיסטם משולב של חומרה ותוכנה שהוא קוד פתוח ומאפשר איסוף ביתי של נתוני וידאו עצביים, אינרציאליים ומרובי מצלמות. כדי להבטיח פרטיות עבור נתונים הניתנים לזיהוי מטופלים, הפלטפורמה מצפינה ומעבירה נתונים באמצעות רשת וירטואלית פרטית. השיטות כוללות יישור זמן של זרמי נתונים וחילוץ הערכות תנוחה מהקלטות וידאו. כדי להדגים את השימוש במערכת זו, פרסנו פלטפורמה זו בביתו של אדם עם פרקינסון ואספנו נתונים במהלך משימות קליניות בהדרכה עצמית ותקופות של התנהגות חופשית במשך שנה וחצי. הנתונים נרשמו באמפליטודות גירוי תת-טיפוליות, טיפוליות ועל-טיפוליות כדי להעריך את חומרת הסימפטומים המוטוריים בתנאים טיפוליים שונים. נתונים אלה המותאמים בזמן מראים כי הפלטפורמה מסוגלת לאיסוף נתונים רב-מודאלי מסונכרן בבית לצורך הערכה טיפולית. ארכיטקטורת מערכת זו עשויה לשמש לתמיכה במחקר aDBS אוטומטי, לאיסוף מערכי נתונים חדשים ולחקר ההשפעות ארוכות הטווח של טיפול DBS מחוץ למרפאה עבור אלה הסובלים מהפרעות נוירולוגיות.

Introduction

גירוי מוחי עמוק (DBS) מטפל בהפרעות נוירולוגיות כגון מחלת פרקינסון (PD) על ידי העברת זרם חשמלי ישירות לאזורים ספציפיים במוח. ישנם כ-8.5 מיליון מקרים של פרקינסון ברחבי העולם, ו-DBS הוכיח את עצמו כטיפול קריטי כאשר התרופות אינן מספיקות לניהול תסמינים ^1,2. עם זאת, יעילות DBS יכולה להיות מוגבלת על ידי תופעות לוואי המתרחשות לעיתים מגירוי המועבר באופן קונבנציונלי באמפליטודה קבועה, תדירות ורוחב דופק³. יישום לולאה פתוחה זה אינו מגיב לתנודות במצב התסמינים, וכתוצאה מכך הגדרות גירוי שאינן מותאמות כראוי לצרכים המשתנים של המטופל. DBS מעוכב עוד יותר על ידי התהליך הגוזל זמן של כוונון פרמטרים לגירוי, אשר מבוצע כיום באופן ידני על ידי רופאים עבור כל מטופל בנפרד.

DBS אדפטיבי (aDBS) היא גישה בלולאה סגורה שהוכחה כאיטרציה הבאה יעילה של DBS על ידי התאמת פרמטרי גירוי בזמן אמת בכל פעם שסמנים ביולוגיים הקשורים לתסמינים מזוהים ^3,4,5. מחקרים הראו כי תנודות בטא (10-30 הרץ) בגרעין התת-תלמי (STN) מתרחשות באופן עקבי במהלך ברדיקינזיה, האטה בתנועה האופיינית ל-PD ^6,7. באופן דומה, תנודות גמא גבוהות (50-120 הרץ) בקליפת המוח ידועות כמתרחשות בתקופות של דיסקינזיה, תנועה מוגזמת ולא רצונית הנפוצה גם ב-PD⁸. עבודות אחרונות ניהלו בהצלחה aDBS מחוץ למרפאה לתקופות ממושכות⁵, אולם היעילות ארוכת הטווח של אלגוריתמי aDBS שהוגדרו במרפאה בזמן שהמטופל נמצא בבית לא נקבעה.

מערכות מרוחקות נחוצות כדי ללכוד את היעילות משתנה בזמן של אלגוריתמים דינמיים אלה בדיכוי סימפטומים שבהם נתקלים במהלך חיי היומיום. בעוד שגישת הגירוי הדינמי של aDBS עשויה לאפשר טיפול מדויק יותר עם תופעות לוואי מופחתות^3,9^, aDBS עדיין סובל מעומס גבוה על הרופאים לזהות באופן ידני פרמטרים לגירוי עבור כל מטופל. בנוסף לקבוצה הגדולה כבר של פרמטרים לתכנת במהלך DBS קונבנציונאלי, אלגוריתמים aDBS להציג פרמטרים חדשים רבים אשר חייב גם להיות מותאם בקפידה. שילוב זה של פרמטרי גירוי ואלגוריתם מניב מרחב פרמטרים עצום עם מספר בלתי ניתן לניהול של שילובים אפשריים, המונע מ- aDBS להתרחב למטופלים רבים¹⁰. גם במסגרות מחקר, הזמן הנוסף הנדרש להגדרה והערכה של מערכות aDBS מקשה על אופטימיזציה נאותה של אלגוריתמים אך ורק במרפאה, ויש צורך בעדכון מרחוק של פרמטרים. כדי להפוך את aDBS לטיפול שיכול להתרחב, גירוי וכוונון פרמטרים של אלגוריתם חייב להיות אוטומטי. בנוסף, יש לנתח את תוצאות הטיפול על פני ניסויים חוזרים ונשנים כדי לבסס את aDBS כטיפול בר קיימא לטווח ארוך מחוץ למרפאה. יש צורך בפלטפורמה שתוכל לאסוף נתונים לצורך הערכה מרחוק של יעילות הטיפול, ולפריסה מרחוק של עדכונים לפרמטרים של אלגוריתם aDBS.

מטרת פרוטוקול זה היא לספק תכנון לשימוש חוזר עבור פלטפורמת איסוף נתונים רב-מודאלית בבית כדי לשפר את יעילות aDBS מחוץ למרפאה, ולאפשר לטיפול זה להתרחב למספר גדול יותר של אנשים. למיטב ידיעתנו, זהו תכנון פלטפורמת איסוף הנתונים הראשונה המעריכה מרחוק תוצאות טיפוליות באמצעות מצלמות וידאו ביתיות, חיישנים לבישים, הקלטת אותות עצביים כרוניים ומשוב מונחה מטופל כדי להעריך מערכות aDBS במהלך משימות מבוקרות והתנהגות נטורליסטית.

הפלטפורמה היא אקוסיסטם של רכיבי חומרה ותוכנה הבנויים על מערכות שפותחו בעבר⁵. ניתן לתחזק אותו לחלוטין באמצעות גישה מרחוק לאחר התקנה ראשונית של חומרה מינימלית כדי לאפשר איסוף נתונים רב-מודאלי מאדם בנוחות ביתו. מרכיב מרכזי הוא מערכת הגירוי העצבי המושתלת (INS)¹¹ אשר חשה בפעילות עצבית ומספקת גירוי ל- STN, ורושמת תאוצה משתלי חזה. עבור השתל המשמש בפריסה הראשונית, הפעילות העצבית נרשמת ממוליכים דו-צדדיים שהושתלו ב-STN ומאלקטרודות אלקטרוקורטיקוגרפיה שהושתלו מעל קליפת המוח המוטורית. מערכת הקלטת וידאו מסייעת לרופאים לעקוב אחר חומרת הסימפטומים ויעילות הטיפול, הכוללת ממשק משתמש גרפי (GUI) המאפשר ביטול קל של הקלטות שוטפות כדי להגן על פרטיות המטופלים. סרטונים מעובדים כדי לחלץ מסלולים קינמטיים של מיקום בדו מימדי (2D) או תלת מימדי (3D), ושעונים חכמים נענדים על שני פרקי כף היד כדי ללכוד מהירות זוויתית ומידע על תאוצה. חשוב לציין, כל הנתונים מוצפנים לפני העברתם לאחסון ענן לטווח ארוך, וניתן לגשת למחשב עם סרטונים המזהים את המטופל רק דרך רשת וירטואלית פרטית (VPN). המערכת כוללת שתי גישות ליישור זמן פוסט-הוק של כל זרמי הנתונים, והנתונים משמשים לניטור מרחוק של איכות התנועה של המטופל, ולזיהוי סמנים ביולוגיים הקשורים לתסמינים לצורך זיקוק אלגוריתמים של aDBS. חלק הווידיאו של עבודה זו מציג את תהליך איסוף הנתונים והאנימציות של מסלולים קינמטיים שחולצו מסרטונים שנאספו.

מספר שיקולי עיצוב הנחו את פיתוח הפרוטוקול:
הבטחת אבטחת מידע ופרטיות המטופלים: איסוף נתוני מטופלים הניתנים לזיהוי דורש טיפול מרבי בשידור ובאחסון על מנת להיות חוק ניידות ואחריות של ביטוח בריאות (HIPAA)¹²^,¹³ לציית ולכבד את פרטיות המטופל בביתו. בפרויקט זה, זה הושג על ידי הגדרת VPN מותאם אישית כדי להבטיח פרטיות של כל התעבורה הרגישה בין מחשבי המערכת.
גבולות הבטיחות של פרמטר הגירוי: זה קריטי להבטיח כי המטופל נשאר בטוח בעת ניסיון אלגוריתמים aDBS שעשויים להיות השפעות לא מכוונות. אח"י של המטופל חייב להיות מוגדר על ידי קלינאי כך שיהיו גבולות בטוחים לפרמטרים של גירוי שאינם מאפשרים השפעות לא בטוחות מגירוי יתר או תת-גירוי. עם מערכת אח"י¹¹ בשימוש במחקר זה, תכונה זו מופעלת על ידי מתכנת קלינאי.
הבטחת וטו למטופל: אפילו בגבולות הפרמטרים הבטוחים, השונות היומית של הסימפטומים ותגובות הגירוי עלולה לגרום למצבים לא נעימים עבור המטופל שבהם הם לא אוהבים אלגוריתם שנבדק ורוצים לחזור ל- DBS קליני פתוח רגיל. מערכת INS שנבחרה כוללת מודול טלמטריה למטופל (PTM) המאפשר למטופל לשנות באופן ידני את קבוצת הגירוי ואת משרעת הגירוי שלו ב-mA. קיים גם יישום מחקר המחובר ל-INS המשמש להגדרה מרחוק של אח"י לפני איסוף הנתונים¹⁴אשר גם מאפשר למטופל להפיל ניסויים aDBS ולשלוט בטיפול שלהם.,
לכידת התנהגות מורכבת וטבעית: נתוני וידאו שולבו בפלטפורמה כדי לאפשר לקלינאים לעקוב מרחוק אחר יעילות הטיפול, ולחלץ מסלולים קינמטיים מאומדני תנוחות לשימוש בניתוחי מחקר¹⁵. בעוד חיישנים לבישים הם פחות פולשניים, קשה ללכוד את טווח התנועה הדינמי המלא של גוף שלם באמצעות מערכות לבישות בלבד. סרטונים מאפשרים הקלטה סימולטנית של טווח התנועה המלא של המטופל והתסמינים שלו לאורך זמן.
שימושיות המערכת עבור מטופליםאיסוף נתונים רב-מודאליים בבית דורש התקנה ושימוש במספר מכשירים בבית המטופל, מה שעלול להפוך למעיק על המטופלים לנווט בהם.: כדי להפוך את המערכת לקלה לשימוש תוך הבטחת שליטה במטופל, יש להפעיל ידנית רק את המכשירים המושתלים או המחוברים פיזית למטופל (במקרה זה הוא כלל את מערכת אח"י ושעונים חכמים) לפני תחילת ההקלטה. עבור מכשירים נפרדים מהמטופל (במקרה זה הוא כולל נתונים שהוקלטו ממצלמות וידאו), הקלטות מתחילות ומסתיימות באופן אוטומטי ללא צורך באינטראקציה כלשהי עם המטופל. במהלך תכנון ממשק המשתמש הגרפי ננקטה זהירות כדי למזער את מספר הכפתורים ולהימנע מעצי תפריט עמוקים כך שהאינטראקציות יהיו פשוטות. לאחר התקנת כל המכשירים, מתאם מחקר הראה למטופל כיצד לתקשר עם כל המכשירים באמצעות ממשקי משתמש גרפיים הפונים למטופל שהם חלק מכל מכשיר, כגון כיצד להפסיק הקלטות בכל מכשיר וכיצד להזין את היסטוריית התרופות ודוחות הסימפטומים שלהם.
שקיפות איסוף נתוניםציון ברור מתי מצלמות מופעלות הוא הכרחי כדי שאנשים ידעו מתי הן מוקלטות ויוכלו להשעות את ההקלטה אם הם זקוקים לרגע של פרטיות.: כדי להשיג זאת, יישום מערכת מצלמה משמש לשליטה בהקלטות וידאו עם ממשק משתמש גרפי הפונה למטופל. ממשק המשתמש הגרפי נפתח באופן אוטומטי בעת הפעלת היישום ומפרט את השעה והתאריך של ההקלטה המתוזמנת הבאה. כאשר הקלטה נמשכת, מופיעה הודעה המציינת מתי ההקלטה מתוזמנת להסתיים. במרכז ממשק המשתמש הגרפי מוצגת תמונה גדולה של אור אדום. התמונה מראה את האור מואר באור בהיר בכל פעם שהקלטה נמשכת, ומשתנה לתמונה שאינה מוארת כאשר ההקלטות כבויות.

הפרוטוקול מפרט שיטות לתכנון, בנייה ופריסה של פלטפורמה לאיסוף נתונים בבית, לבדיקת איכות הנתונים שנאספו לשלמות וחוסן, ולעיבוד נתונים לאחר עיבוד לשימוש במחקר עתידי.

איור 1: זרימת נתונים. הנתונים עבור כל שיטה נאספים באופן עצמאי ממקום מגורי המטופל לפני שהם מעובדים ומצטברים לנקודת קצה אחת של אחסון מרוחק. הנתונים עבור כל שיטה נשלחים באופן אוטומטי לנקודת קצה של אחסון מרוחק. בעזרתו של אחד מחברי הצוות, ניתן לאחזר אותו, לבדוק את תקפותו, ליישר את הזמן בין האופנים, כמו גם לעבור עיבוד מקדים ספציפי יותר למודאליות. ערכת הנתונים שעברה הידור מועלית לאחר מכן לנקודת קצה של אחסון מרוחק שכל חברי הצוות יכולים לגשת אליה באופן מאובטח לצורך ניתוח מתמשך. כל המחשבים עם גישה לנתונים, במיוחד עבור נתונים רגישים כמו וידאו גולמי, מוקפים בתוך VPN שמבטיח שכל הנתונים מועברים בצורה מאובטחת והנתונים המאוחסנים תמיד מוצפנים. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

חולים נרשמים באמצעות מחקר גדול יותר IRB ו IDE מאושר לתוך aDBS באוניברסיטת קליפורניה, סן פרנסיסקו, פרוטוקול # G180097⁵. המטופל שנרשם למחקר זה סיפק גם הסכמה מדעת במיוחד למחקר זה.

1. רכיבי מערכת ביתיים

שרת מרכזי ו-VPN
1. רכוש מחשב אישי (PC) המריץ מערכת הפעלה מבוססת לינוקס (OS) המוקדשת לשרת VPN. אכסנו את המכונה בממ"ד. הדיסק מצפין את המכשיר כדי להבטיח אבטחת נתונים.
2. הגדר את שרת ה-VPN כך שיהיה נגיש לציבור ביציאה אחת לפחות.
  הערה: במקרה זה, הדבר הושג על ידי שיתוף פעולה עם מחלקת ה- IT כדי לתת לשרת כתובת IP סטטית הפונה כלפי חוץ וכתובת URL מותאמת אישית על ידי אפשרויות אירוח ה- DNS של האוניברסיטה.
3. עבור התקנת שרת, בצע את השלבים הבאים פעם אחת במחשב שנבחר לשרת את ה- VPN.
  1. תצורת חומת אש: הפעל את הפקודות הבאות במסוף המחשב כדי להתקין ולהגדיר חומת אש לא מסובכת:
    sudo apt install ufw
    סודו UFW לאפשר SSH
    Sudo UFW אפשר /UDP
    Sudo UFW הפעל
  2. התקנת Server VPN: התקן את פרוטוקול הקוד הפתוח WireGuard VPN¹⁶ במחשב ונווט אל ספריית ההתקנה. במסוף המחשב, הפעל את umask 007 כדי לעדכן את כללי הגישה לספריות.
  3. יצירת מפתחות: במסוף המחשב, הפעל
    WG Genkey | טי פרייבטקי | WG Pubkey > Publickey
    פעולה זו יוצרת צמד מפתחות ציבורי/פרטי עבור שרת ה-VPN. מפתח ציבורי זה ישותף לכל מחשב לקוח שמתחבר ל-VPN.
  4. תצורת VPN: במסוף המחשב, הפעל את touch .conf כדי ליצור קובץ תצורה, שבו שם הקובץ צריך להתאים לשם הממשק. הדבק את כללי השרת הבאים בקובץ זה:
    [ממשק]
    PrivateKey = <תוכן-של-שרת-privatekey>
    כתובת = ##.#.#.#/ ##
    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 = #####
    [עמית]
    PublicKey =
    AllowedIPs = ##.#.#.#/ ##
  5. הפעלת ה-VPN: הפעילו את ה-VPN על ידי הזנת wg-quick up בטרמינל. כדי לאפשר לפרוטוקול ה-VPN לפעול באופן אוטומטי בכל פעם שהמחשב מאותחל מחדש, הפעל את הפעולות הבאות במסוף:
    SystemCTL לאפשר WG-quick@
4. עבור התקנת לקוח, בצע את השלבים הבאים עבור כל מחשב חדש שזקוק לגישה ל- VPN.
  1. התקנת VPN ללקוח: התקן את פרוטוקול ה-VPN בהתאם להוראות הספציפיות למערכת ההפעלה בדף ההורדה של WireGuard¹⁶ .
  2. הוספת לקוח ל-VPN: קח את המפתח הציבורי מקובץ התצורה שנוצר במהלך ההתקנה. הדבק מפתח זה במקטע peer של קובץ התצורה של השרת.
  3. הפעלת ה-VPN: הפעילו את ה-VPN בהתאם להוראות הספציפיות למערכת ההפעלה בדף ההורדה של WireGuard¹⁶ .
אחסון בענן
1. בחר אתר אחסון בענן כדי לאפשר אחסון לטווח ארוך של כל זרמי הנתונים המוקלטים במקום אחד. כאן, נעשה שימוש באתר אחסון ענן מבוסס שירות אינטרנט של אמזון שהיה תואם לפרוטוקול העברת הנתונים שנבחר.
מערכת נוירומודולציה מושתלת
1. בהתאם להנחיות IRB ו- IDE, בחר מערכת נוירומודולציה מושתלת (INS)¹¹ המאפשרת למטופלים לשנות באופן ידני את הגדרות הגירוי שלהם.
2. רכוש מחשב לוח והתקן את יישום הקוד הפתוח UCSF DBS כדי לאפשר הקלטות INS, דיווח על תרופות ותסמינים או כל הערה אחרת של המטופל¹⁴. הגדר נתוני INS המוזרמים לטאבלט להעלאה לנקודת קצה זמנית של אחסון ענן תואמת HIPPA, לאחסון זמני לפני ביטול הזיהוי של הנתונים ופריקה לאחסון ענן לטווח ארוך.
מערכת איסוף וידאו
1. רכוש מחשב המסוגל לאסוף ולאחסן את הכמות הרצויה של קבצי וידאו לפני העברתם לאחסון בענן. ודא שלוח האם של המחשב כולל שבב מודול פלטפורמה מהימנה (TPM).
  הערה: במקרה זה, נבחר מחשב עם כונן SSD של 500 GB, כונן דיסק קשיח של 2 TB ו- GPU של 6 GB. דיסק של 2 TB מבטיח שניתן יהיה לאגור סרטוני וידאו לאחר הפעלת הקלטה ממושכת או במקרה של אובדן חיבור לאינטרנט למשך מספר ימים, בעוד שהמחשב היחיד שומר על חומרה פולשנית מינימלית בבית.
2. התקן את מערכת ההפעלה הרצויה ופעל לפי ההנחיות כדי לאפשר הצפנת דיסק אוטומטית כדי להבטיח את פרטיות המטופל ולמנוע דליפת נתונים. במקרה זה, מערכת הפעלה מבוססת לינוקס עם הפצת אובונטו נבחרה על קלות השימוש והאמינות שלה.
3. הצפן בנפרד את כל הדיסקים הקשיחים לאחר התקנת מערכת ההפעלה. הקפד לאפשר הרכבה מחדש אוטומטית של הדיסק בעת אתחול מחדש של המערכת.
4. הגדר את שבב ה- TPM המובנה של המחשב כך שישמור על גישה למחשב המוצפן בדיסק לאחר אתחול מערכת¹⁷.
  הערה: אם אתה משתמש במערכת הפעלה Linux, הקפד לבחור לוח אם שבו מותקן שבב TPM2 כדי לאפשר שלב זה. אם נעשה שימוש במערכת הפעלה של Windows, תוכנית Bitlocker יכולה לטפל בהצפנת דיסק אוטומטית ובביטול נעילה.
5. הגדר את המחשב כלקוח VPN על-ידי ביצוע שלבי ההתקנה ב- 1.1.4. הפעל את פרוטוקול ה- VPN באופן אוטומטי בכל פעם שהמחשב מאותחל מחדש כמו בסעיף 1.1.3.5 כדי להבטיח שמחשבי חוקרים יוכלו תמיד לגשת מרחוק למחשב (מומלץ).
6. צור חשבון משתמש במחשב GitHub כדי להפוך בקלות עדכונים לתוכנות המותקנות במחשב לאוטומטיים. חשבון זה משמש כ- webhook לאוטומציה של משיכה מנקודת הקצה המרוחקת של git ועוזר לזהות עדכונים שנדחפו מהמחשב המרוחק.
7. בחר תוכנה כדי לתזמן ולשלוט בהקלטות וידאו ולהתקין אותה במחשב. כדי למקסם את הפרטיות והנוחות של המטופל, התוכנה שנבחרה צריכה לכלול ממשק משתמש גרפי (GUI) כדי לציין בבירור מתי ההקלטות נמשכות, ולאפשר סיום קל של הקלטות בכל נקודת זמן.
  הערה: אם תרצה, ניתן להתקין את יישום הקלטת הווידאו המותאם אישית של המחברים עם ממשק משתמש גרפי הפונה למטופל על ידי הורדת היישום וביצוע ההוראות ב- GitHub (https://github.com/Weill-Neurohub-OPTiMaL/VideoRecordingApp).
8. בחר צג כדי לציין מתי סרטוני וידאו מוקלטים וכדי לאפשר לאנשים לסיים הקלטות בקלות. בחר צג עם יכולת מסך מגע כך שניתן יהיה לסיים הקלטות ללא צורך להפעיל מקלדת או עכבר.
9. התקן יישום שולחן עבודה מרוחק במחשב. הדבר מאפשר הפעלת יישום עם ממשק משתמש גרפי כך שהממשק הגרפי נשאר גלוי הן בצד המטופל והן בצד החוקר המרוחק.
  הערה: יישום הקוד הפתוח NoMachine לשולחן עבודה מרוחק עבד הכי טוב עבור מערכת הפעלה Linux.
10. בחר מצלמות אינטרנט תואמות USB עם רזולוציה גבוהה מספיק לחישוב תנוחות בשטח הנתון.
  הערה: במקרה זה נבחרו מצלמות אינטרנט תואמות 4k, המציעות שילובים מרובים של רזולוציה וקצב פריימים, כולל רזולוציית 4k ב- 30 fps או רזולוציית HD ב- 60 fps.
11. בחר חומרה חזקה להתקנת מצלמות אינטרנט בבית המטופל. השתמש תושבות צוואר אווז עם קליפסים כדי לאבטח אותם לרהיטים כדי למנוע מהמצלמות לרעוד.
12. בחר פרוטוקול העברת נתונים עם יכולת הצפנה והתקן אותו במחשב. צור תצורה כדי לגשת לאתר האחסון בענן, ולאחר מכן צור תצורת הצפנה כדי לעטוף את התצורה הראשונה לפני העברת הנתונים.
  הערה: במקרה זה הותקן פרוטוקול העברת נתונים וסנכרון קבצים בקוד פתוח עם יכולת הצפנה¹⁸. תיעוד פרוטוקול העברת הנתונים מסביר כיצד להגדיר העברת נתונים לאחסון בענן. הפרוטוקול הותקן לראשונה בשרת ה-VPN ונוצרה תצורת הצפנה המעבירה נתונים לאתר אחסון הענן מחוץ לאתר.
רכיבי נתונים של חיישן לביש
1. בחר שעונים חכמים שיש לענוד על כל פרק כף יד של המטופל כדי לעקוב אחר אותות, כולל תנועה, תאוצה וקצב לב.
  הערה: Apple Watch Series 3 נבחר עם צג תסמיני הפרעות תנועה מובנה שמייצר ציוני תסמיני PD כגון דיסקינזיה וציוני רעד.
2. בחר והתקן תוכנה בכל שעון חכם שיכולה להתחיל ולסיים הקלטות ויכולה להעביר נתונים לאחסון בענן. בחר יישום שמעלה את כל זרמי הנתונים לפורטל המקוון המשויך אליו כדי שחוקרים וקלינאים יוכלו לנתח¹⁹.

איור 2: רכיבי הקלטת וידאו. רכיבי החומרה לתמיכה באיסוף נתוני וידאו הם מינימליים, כולל מחשב Tower יחיד, מצלמות אינטרנט המחוברות ל- USB וצג קטן להצגת ממשק המשתמש הגרפי הפונה למטופל. הצג תומך במסך מגע כדי לאפשר סיום קל של הקלטות מתמשכות או מתוזמנות על ידי לחיצה על הלחצנים הגלויים בממשק המשתמש הגרפי. מרכז ממשק המשתמש הגרפי מציג תמונה של נורית הקלטה שהופכת לצבע אדום בוהק כאשר מצלמות וידאו מקליטות באופן פעיל. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

2. תצורה ביתית

התקנת חומרה
1. קבע מקום מתאים להתקנת מצלמות אינטרנט שממזער את ההפרעות לבית. לקבוע את החלל באמצעות דיונים עם המטופל; כאן נבחר אזור המשרד הביתי כאתר האופטימלי לאיזון עוצמת ההקלטה מול הפרטיות.
2. טען מצלמות אינטרנט באזור המזוהה בחומרת ההרכבה שנבחרה. חיתוך תושבות צוואר אווז לרהיטים כבדים סמוכים מונע מהמצלמות לרעוד בכל פעם שמישהו מתקרב אליהן.
3. מקם את המחשב קרוב מספיק למצלמות האינטרנט המותקנות כך שכבלי ה- USB שלהן יוכלו להתחבר למחשב.
4. מקם את מחשב הלוח, רכיבי INS, השעונים החכמים והטלפונים החכמים ליד שקע חשמל, כך שכל המכשירים יוכלו להישאר מחוברים לחשמל ויהיו מוכנים לשימוש בכל עת.
5. ודא שה-VPN מופעל על-ידי הפעלת מסלול -n במסוף המחשב. אם לא, בצע את ההוראות להפעלת ה-VPN בסעיף 1.1.3.5.
הפעל את יישום הקלטת הווידאו
1. לוח זמנים להקלטת וידאו: לפני איסוף נתונים כלשהם, שוחח עם המטופל על לוח זמנים מתאים להקלטה. הגדר לוח זמנים זה בתוכנת הקלטת הווידאו.
  הערה: אם אתה משתמש ביישום הקלטת הווידאו המותאם אישית של המחברים, ניתן למצוא הוראות להגדרת לוח זמנים ב- GitHub (https://github.com/Weill-Neurohub-OPTiMaL/VideoRecordingApp#installation-guide).
2. עדכון תוכנת הקלטה: ודא שהגרסה העדכנית ביותר של תוכנת הקלטת הווידאו שנבחרה הועלתה למחשב באמצעות חשבון המשתמש במחשב GitHub המותקן ב- 1.4.6.
3. התחל הקלטות וידאו: היכנס למחשב באמצעות תוכנת שולחן העבודה המרוחק המותקנת והפעל את תוכנת הקלטת הווידאו.
  הערה: אם אתה משתמש ביישום הקלטת הווידאו המותאם אישית של המחברים, ניתן למצוא הוראות להפעלת היישום ב- GitHub (https://github.com/Weill-Neurohub-OPTiMaL/VideoRecordingApp#installation-guide).
כיול מצלמת וידאו
1. הפיכת מיקוד אוטומטי ללא זמין: לחישוב פרמטרים מהותיים כגון עיוות עדשה ופרספקטיבה, בצע את ההוראות המבוססות על מערכת ההפעלה ומצלמות האינטרנט שנבחרו כדי לכבות את המיקוד האוטומטי.
  הערה: בלינוקס, ניתן לגשת למצלמות אינטרנט דרך הווידאו עבור Linux API, אשר כברירת מחדל מפעיל מיקוד אוטומטי בכל פעם שהמחשב המחובר למצלמות מופעל מחדש. הגדרת סקריפט כך שישבית אותו באופן אוטומטי נחוצה כדי לשמר את המיקוד שנרכש במהלך כיול המצלמה לעיבוד תנוחת תלת-ממד.
2. כיול פנימי: רכוש תבנית לוח משבצות בגודל 6 x 8 עם ריבועים של 100 מ"מ לתמיכה בכיול תלת-ממדי של תוכנת הערכת תנוחה²⁰. הקלט סרטון מכל מצלמת אינטרנט בודדת בזמן שחוקר זוית את לוח המשבצות בתוך הפריים של כל המצלמות. ודא שלוח המשבצות כולל מספר זוגי של שורות ומספר לא אחיד של עמודות (או להיפך). זה יסיר את העמימות לגבי רוטציה.
3. כיול חיצוני: הקלט וידאו מכל שלוש מצלמות האינטרנט בו-זמנית. ודא שהסרטונים מוקלטים באותה רזולוציה כמו כל הסרטונים שיש לעבד לצורך הערכות תנוחות תלת-ממדיות. כדי להבטיח סנכרון זמן מדויק בין כל הסרטונים, הבהב נורית LED IR בתחילת ההקלטה ובסופה. השתמש בתוכנה לעריכת וידאו כדי לסנכרן ידנית את הסרטונים על ידי סימון מסגרות בתחילת ה- LED וחיתוך הסרטונים לאורך שווה.
4. מטריצות כיול: העבר את הסרטונים שצולמו בשני השלבים הקודמים דרך OpenPose²¹ כדי ליצור מטריצות כיול פנימיות וחיצוניות.
  הערה: OpenPose משתמש בספריית OpenCV לכיול מצלמה, וניתן למצוא הוראות נוספות בתיעוד של OpenPose GitHub^20,22.

3. איסוף נתונים

הוראות המטופל להתחיל להקליט
1. בדיקת הסוללה והחשמל של המכשיר: התקן INS פועל תמיד כדי לספק גירוי מתמיד לנבדק. כדי להתחיל להקליט נתונים עצביים, בקש מהמטופל להפעיל את מחשב הלוח ולוודא שמודולי הטלמטריה הקלינית (CTM) עבור מכשירי INS שמאליים וימניים מופעלים וטעונים במלואם.
2. מיקום CTM: הניחו את ה- CTM משני צידי החזה. לקבלת קישוריות מרבית וכדי להפחית את אובדן המנות, מקם את ה- CTM קרוב לשתלי החזה במהלך ההקלטות. מקומות נוספים להצבת CTM הם כיסי חזה של ז'קט או שימוש בצעיף מיוחד.
3. הפעלת חיבור טאבלט: לאחר אתחול הטאבלט, בקש מהמטופל לפתוח את יישום DBS ובחר התחבר, המבקש חיבור Bluetooth ל- CTM ולאחר מכן למכשירי INS¹⁴.
4. הפעלת מצלמה: בקש מהמטופל לוודא שמצלמות הווידאו מחוברות למחשב באמצעות כבלי ה- USB שלו, ושהמצלמות הופעלו.
  הערה: אם משתמשים ביישום הקלטת הווידאו המותאם אישית של המחברים, הקלטות שוטפות מסומנות בבירור בממשק המשתמש הגרפי הפונה למטופל על ידי תמונה גדולה של אור אדום המואר באור בהיר. פעולה זו משתנה לנורה אדומה שאינה דולקת כאשר ההקלטות כבויות. מצלמות האינטרנט שנבחרו כוללות גם נורית חיווי לבנה קטנה.
5. הפעלת שעון חכם: בקש מהמטופל להפעיל שעונים חכמים וטלפונים חכמים על ידי לחיצה ממושכת על לחצן ההפעלה . לאחר מכן, בקש מהם לפתוח את אפליקציית השעון החכם כדי ליזום רישום נתונים ומעקב אחר תסמיני PD.
תרחישי יישור והקלטה מבוססי-נתונים מבוססי מחוות
1. כתוב את כל המשימות הרצויות שהמטופל צריך לבצע במהלך הקלטות נתונים לפני תחילת איסוף הנתונים.
2. מכיוון שסנכרון מבוסס שעון מרובה מכשירים ליישור חותמות זמן עלול להיות לא אמין, בקש מהמטופל לבצע מחווה שניתן להשתמש בה כדי לסנכרן את חותמות הזמן מנתונים מוקלטים בתחילת כל הקלטה חדשה, גם כאשר הוא מתכנן להקליט בתקופות של התנהגות חופשית.
  הערה: המחברים תכננו מחווה פשוטה שבה המטופל הקיש על שני מכשירי INS מושתלים תוך שמירה על ידיו בטווח ראייה של המצלמות. הקשה זו יוצרת דפוסים ייחודיים בהקלטות האינרציאליות מהשעונים החכמים וממד התאוצה אח"י וקל לצפות בה בסרטונים.
הוראות למטופל לסיום ההקלטה
1. העבר את קבוצת הגירוי בחזרה לקבוצה המועדפת על המטופל שהוקצתה לו קלינית.
2. בממשק המשתמש הגרפי הפונה למטופל של היישום DBS, הזן דוח תסמין.
3. סגור את יישום DBS, אשר ינתק את CTM ולסיים את הזרמת INS.
4. סגור את אפליקציית הקלטת השעונים החכמים והחזיר את מכשירי CTM, הסמארטפונים והשעונים החכמים בחזרה ליציאות הטעינה שלהם.
פריקת נתונים
1. העבר סרטונים גולמיים לאחסון בענן באמצעות פרוטוקול העברת הנתונים באמצעות תצורה מוצפנת. צור עבודת cron במחשב הקלטת הווידאו כדי להעביר באופן אוטומטי קטעי וידאו מוקלטים לאחסון ענן באמצעות פרוטוקול העברת נתונים¹⁸.
  הערה: בהתאם לרזולוציה של סרטונים ומספר השעות שהוקלטו בכל יום, מהירות האינטרנט חייבת להיות גבוהה מספיק כדי לאפשר את העברת כל הסרטונים לאחסון בענן תוך 24 שעות. אם העברת הנתונים איטית מדי, שטח הדיסק עלול להיגמר, מה שיגרום לכשל בהקלטות וידאו נוספות המתוזמנות ליום המחרת.
2. שמור נתוני INS בנקודת הקצה בענן המאובטחת של HIPAA שהוגדרה בשלב 1.3.2. הורד נתוני INS מנקודת הקצה בענן המאובטחת של HIPAA ובטל את הזיהוי של הנתונים. שמור את הנתונים הלא מזוהים באחסון ענן חיצוני.
  הערה: קוד הקוד הפתוח OpenMind preprocessing^{code 23} שימש לביטול זיהוי נתונים והמרתם מקבצי json לפורמט טבלה. הטאבלט של המטופל הוגדר עם נקודת קצה מאובטחת בענן HIPAA לאחסון זמני של נתוני אח"י גולמיים; עם זאת, סביר להניח שאותו אתר אחסון ענן המשמש לאחסון לטווח ארוך יכול לשמש גם לשלב זה, בתנאי שהוא תואם HIPAA, והנתונים מוצפנים לפני הפריקה.
3. אם תרצה, שמור עותק של נתוני השעון החכם באחסון ענן חיצוני כך שכל זרמי הנתונים יהיו נגישים במיקום אחד.

4. אפיון המערכת

תצוגה חזותית של נתונים גולמיים: בסביבת הקידוד הרצויה, הצג באופן חזותי את כל זרמי הנתונים הגולמיים כדי להבטיח שהנתונים הוקלטו והועברו כראוי ללא אובדן או פגם.
הערה: היישום שנבחר לניהול הקלטות שעון חכם כולל אפליקציית דפדפן המועילה להמחשת נתוני שעון חכם²⁴.
השהיות במסגרת וידאו ובחותמת זמן: בדוק את כל ההשהיות בין חותמות זמן שנוצרו ממצלמות אינטרנט שונות. נתח פיגורים על ידי הקלטת סרטונים עם נורת LED ניתנת לתכנות הממוקמת במסגרת של כל מצלמות האינטרנט.
הערה: ניתוח גילה כי פונקציית פילוח וידאו²⁵ שיובאה על ידי אפליקציית הקלטת הווידאו המותאמת אישית הייתה המקור להגדלת ההשהיות בחותמת הזמן. הקלטת סרטונים ללא פונקציית הפילוח הביאה לעיכובים בין מסגרות מצלמת האינטרנט וחותמת הזמן שלא גדלו עם הזמן (ראה קובץ משלים 1 ואיור משלים 1).

5. עיבוד ויישור נתונים לאחר הוק

הצגת נתונים
1. התקן תוכנה לחישוב הערכות מיקום משותפות מסרטונים מוקלטים.
  הערה: ספריית OpenPose נבחרה מכיוון שהיא כוללת מעקב ידיים ופנים הן בדו-ממד והן בתלת-ממד.
2. ספריית OpenPose אינה מטפלת אוטומטית במקרים שבהם אנשים מרובים נמצאים בתוך מסגרת, לכן השתמש בסקריפט לאחר עיבוד כדי להבטיח שהערכות התנוחה של כל אדם יהיו רציפות ממסגרת אחת לאחרת. OpenPose מספק קוד ליצירת הנפשות בקלות, בדו-ממד או בתלת-ממד, לבדיקות חזותיות של איכות הערכת התנוחה.
יישור זמן מבוסס מחוות
1. עבור כל התקן INS (ימין ושמאל), בצע את השלבים המתוארים להלן באמצעות ממשק המשתמש הגרפי (https://github.com/Weill-Neurohub-OPTiMaL/ManualTimeAlignerGUI) ליישור נתונים של המחברים.
  1. קרא נתונים: גש לנתוני INS והשעון החכם השמורים מאחסון בענן לקבלת הפעלת הנתונים הרצויה.
    הערה: ניתן להוסיף סדרת זמן נוספת במידת הצורך. איור 3 מראה את מיקום התנוחה של קצה האצבע האמצעית הימנית בירוק.
  2. הצגה חזותית של זרמי נתונים בממשק המשתמש הגרפי: השתמש בממשק המשתמש הגרפי הידני ליישור זמן כדי לכסות את האצה של INS, את השעון החכם ואת מיקום הנתונים.
  3. התקרבות של תוצרי יישור: התקרב לציר הזמן והזז את חלון הצפייה למקטע הקשה על החזה של ההקלטה. העבר את סדרת זמן היישור כך שהשיא מהחזה מקיש הן על ה-INS והן על אותות סדרת הזמן של השעון החכם יחפפו קרוב ככל האפשר.
    הערה: ממשק המשתמש הגרפי נועד להקל על יישור ידני של סדרות זמן שרירותיות לזמן אמת משותף. איור 3 מראה את סדרות הזמן האמיתיות בכחול, בעוד שסדרות הזמן המיושרות מוצגות בכתום ובירוק. מדריכים מרכזיים ליישור ממשק משתמש גרפי מפורטים בקובץ ה- ReadMe של GitHub (https://github.com/Weill-Neurohub-OPTiMaL/ManualTimeAlignerGUI#time-alignment).
  4. אישור יישור: העבר את חלון ממשק המשתמש הגרפי לכל אחת ממשימות הקשה על החזה בהקלטה וודא שהיישור נשאר עקבי לאורך כל סידרת הזמן. לחץ על לחצן מתג יישור וחזור על היישור בזרמי הנתונים הנותרים.
  5. דגלי אזהרה: כדי לציין אם הנתונים חסרים, הוזזו או אזהרות כלליות אחרות בנוגע לאיכות הנתונים, הגדר דגלי אזהרה בממשק המשתמש הגרפי באמצעות המקשים D, S ו- F בהתאמה.
יישור זמן של מתאם צולב מנורמל אפס (ZNCC)
1. זהה את האות שסביר ביותר שיהיה הקרוב ביותר לזמן אמת. בדרך כלל זה גם אחד עם תדירות המדגם הגבוהה ביותר או רענון זמן האינטרנט המהיר ביותר.
2. דגום מחדש את שני האותות כדי לקבל את אותה תדירות דגימה זמנית, ובנפרד z-score את שני האותות. זה מבטיח כי ציוני ZNCC המתקבלים יהיה מנורמל להיות בין -1 ל -1, נותן הערכה של רמת הדמיון בין שני האותות, שימושי לתפוס שגיאות.
3. חשב את המתאם הצולב של האות השני והאות הראשון בכל פיגור זמן.
4. אם מידע הפאזה של שני האותות אינו חשוב, קח את הערך המוחלט של עקומת המתאם הצולבת הנמדדת.
  הערה: אם ההתנהגות היא א-תקופתית באופן משמעותי, אין צורך במידע הפאזה, כמו במקרה זה.
5. נתח את עקומת ZNCC. אם יש שיא ברור אחד, עם ציון שיא ZNCC מעל 0.3 אז הזמן של שיא זה מתאים לפער הזמן בין שני האותות. אם יש מספר פסגות, אין שיא ברור, או שציון ZNCC נמוך על פני פיגורים בכל הזמנים, אז שני האותות צריכים להיות מיושרים ידנית.

איור 3: יישור נתונים מבוסס מחוות. החצי העליון של האיור מציג את ממשק המשתמש הגרפי של היישור הידני לאחר יישור שלושת זרמי הנתונים. הקו הכחול הוא נתוני התאוצה של השעון החכם, הקו הכתום הוא נתוני התאוצה מהמכון למחקרי ביטחון לאומי, והקו הירוק הוא מיקום התנוחה הדו-ממדית של קצה האצבע האמצעית הימנית ממצלמת אינטרנט יחידה. בפינה השמאלית העליונה ניתן לראות את ההיסט בין הזמן האמיתי מהשעון החכם לבין אח"י וכן דגלי אזהרה שונים לסימון כל בעיה שמתעוררת. בדוגמה זו, אח"י הקדימה ב-20.8 שניות את השעון החכם. הגרף השמאלי התחתון מוגדל כדי להציג את חמש הקשות החזה המבוצעות על ידי המטופל ליישור נתונים. חמש הפסגות ברורות מספיק בכל זרם נתונים כדי להבטיח יישור נכון. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

תכנון ופריסה של פלטפורמת אב טיפוס
תכננו פלטפורמת אב-טיפוס ופרשנו אותה בביתו של מטופל יחיד (איור 1). לאחר ההתקנה הראשונה של חומרה בבית, ניתן לתחזק את הפלטפורמה, ולאסוף נתונים במלואם באמצעות גישה מרחוק. למכשירי INS, לשעונים החכמים ולמצלמות יש יישומים הפונים למטופל ומאפשרים למטופלים להתחיל ולהפסיק הקלטות. חומרת אוסף הווידאו מאפשרת הקלטות וידאו אוטומטיות לאחר קביעת לוח זמנים מאושר. מטופלים יכולים לבטל בקלות הקלטה מתמשכת פשוט על-ידי לחיצה על כפתור בממשק המשתמש הגרפי של יישום הקלטת הווידאו (איור 2). כל הנתונים שנאספו הוצפנו והועברו לאתר אחסון ענן לחוקרים לעבד ולנתח.

איסוף נתונים
עבור הפריסות הראשונות ומחזורי איסוף הנתונים, ביקשנו מהמטופל לבצע משימות קליניות בהדרכה עצמית. המשימות נלקחו מסולם הדירוג המאוחד של מחלת פרקינסון (UPDRS)²⁶, כלומר רעד במנוחה, הקשה על האגודל לאצבע המורה, פתיחה וסגירה של היד, הנחת פרונציה של שורש כף היד, תנועה והליכה בישיבה לעמידה ומשימת הקלדה. כל המשימות חזרו על עצמן שלוש פעמים בכל יום הקלטה. עבור כל חזרה, נקבעה משרעת גירוי שונה כדי לחשוף סימפטומים פוטנציאליים הקשורים לגירוי של מחלת פרקינסון. איור 4 מציג דוגמה סכמטית לאיך עשוי להיראות שבוע של נתונים שנאספו באמצעות המערכת.

איור 4: זמינות נתונים. הדגמה סכמטית של איך עשוי להיראות שבוע של נתונים שנאספו באמצעות המערכת. העלילה העליונה מציגה את רמת הגירוי (כחול) במהלך מספר מחזורי יום/לילה. שינויי גירוי עבור מטופל זה תלויים בלוח הזמנים של השינה שלהם ואת הזמנים של צריכת תרופות (קווים אדומים אנכיים). בשעות שרירותיות במהלך היום, ניתן להפעיל מרחוק את מערכת איסוף הנתונים כדי לאסוף נתונים עבור מספר אופנים, המוצגים כתיבות צבעוניות. דוגמה אחת לכל זרמי הנתונים המקבילים, המיושרים בזמן, שנבחרו רק למטה לצד שמאל של הגוף, מוצגת בתרשים התחתון. במהלך הקלטה זו, המטופל התבקש לבצע סדרה של הערכות קליניות בתנאי גירוי נמוך, טיפולי ומשרעת גבוהה. כל הנתונים המוצגים כאן תואמים לנתונים אמיתיים שנאספו, אך נדחסו על פני ניסויים נפרדים כדי להקל על התצוגה החזותית ולהראות מגוון. קיצורים: LFP=פוטנציאל שדה מקומי, STN=גרעין תת-תלמי, תאוצה=מד תאוצה, ג'ירו=גירוסקופ, 2D=דו-ממדי. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

יישור ידני
ממשק המשתמש הגרפי ליישור ידני מספק פלטפורמה קלה לשימוש ליישור זרמי נתונים מרובים. כפי שניתן לראות באיור 3, ברזי חזה מספקים חפץ שניתן לזהות בבירור בכל אופני הנתונים (INS, שעונים חכמים, סרטונים) שניתן להשתמש בהם ביישור ידני. ממשק המשתמש הגרפי היה אמצעי שימושי ליישור הנתונים, אך ניתן היה להחליף אותו בכל כלי יישור אחר שהחוקרים ירצו להשתמש בו. במקרים מסוימים, לזרמי הנתונים יש סחף קל. פתרון עתידי אפשרי לבעיה זו יהיה לחלק את נתוני ההפעלה לניסויים שונים, שלכל אחד מהם רצף הקשה על החזה משלו. לאחר מכן ניתן ליישר כל ניסוי בנפרד כדי למזער את השפעת הסחף.

יישור זמן של מתאם צולב מנורמל אפס (ZNCC)
השיטה עבור ZNCC עובדת היטב במקרים מסוימים, אך יש לה כמה נקודות תורפה קריטיות. לדוגמה, עבור תנועות מסוימות, שני אותות מד התאוצה ניתנים לשינוי פאזה ביחס זה לזה. אם תנועה מיושרת פאזה ותנועה מוסטת פאזה נכללות שתיהן בתקופות המנותחות, אז ZNCC יכול להיות בעל שיא ברור מרובה או אפילו ללא שיא. הנורמליזציה של ZNCC מאפשרת לזהות באופן אוטומטי את ההיערכויות הללו ולהשליך אותן לפי הצורך. שיטה זו פועלת בצורה הטובה ביותר אם שני האותות נטולי רעש יחסית ומכוונים לתקופה עם אפקטים גדולים ומסונכרנים בשני העקבות. התוצאות הטובות ביותר הושגו כאשר המטופל התבקש לבצע סדרה של טפיחות חזקות עם שתי ידיו על החזה. אולם בפועל, אימות ידני של היישור האוטומטי היה הכרחי למספיק מקרים כך שהיתרון בשימוש בשיטה האוטומטית היה זניח.

איכות הנתונים
אובדן נתונים במהלך העברה אוטומטית היה זניח מכיוון שתהליך פרוטוקול העברת הנתונים מגבה עותקים גולמיים כדי להבטיח שכל הפסד ניתן לשחזור. אובדן נתונים כתוצאה מבעיות קישוריות התרחש באופן קבוע, מכיוון של- Bluetooth ולתדרי רדיו יש לעתים נשירה בלתי צפויה של חיבור והם מוגבלים בטווח. מרווחים קצרים של עד 2 שניות התרחשו כמספר פעמים בשעה, ומרווחים ארוכים יותר של עד 2 דקות התרחשו בערך אחת לכמה שעות. מעבר לאובדן נתונים, נצפו ממצאי גירוי משמעותיים בנתונים עצביים, שחומרתם הייתה תלויה בהקלטה ובקבוצות הגירוי שנבחרו. הממצאים הגדולים ביותר מתרחשים בסמוך לתדירות הגירוי, הרבה מעבר לטווחי העניין. לא נצפו ממצאים בנתונים משעונים חכמים. הסרטונים הוקלטו בקצב פריימים קבוע; עם זאת, זוהו מסגרות כפולות בסרטונים. זה הניב קצב פריימים בפועל להיות כמה פריימים פחות מקצב המסגרות התיאורטי כפי שצוין על ידי מפרט מצלמת האינטרנט. עם זאת, בלטו יותר מהפריימים הכפולים תקופות הקפאה שזוהו בסרטונים בפרקי זמן משתנים בהתאם ליום ההקלטה. תקופות הקפאה של כ -10 מסגרות או פחות נצפו באופן קבוע; עם זאת, קטעים ארוכים יותר באורך של כ-2 עד 30 שניות נצפו גם בפרקי זמן לא סדירים.

איסוף נתונים אורכיים
טבלה 1 מציגה את הנתונים שאב הטיפוס של הפלטפורמה אסף מעת לעת במהלך שנה וחצי. בתקופה זו נאספו מאות שעות של נתונים, עם סך של 293 שעות של נתוני אח"י בשני צידי הגוף, 224 שעות של נתוני שעונים חכמים עבור שני השעונים, ו-2,037 שעות של נתוני וידאו על פני שלוש מצלמות אינטרנט. זה מדגים כי הפלטפורמה תומכת באיסוף נתונים בבית על פני תקופות זמן ממושכות תוך מתן הזדמנות נדירה לצפות בשינויים אורכיים בנתונים עצביים ובדרישות גירוי מתאימות.

סוג נתונים	משך כולל (hh:mm:ss)	סה"כ ימים	גודל אחסון
עצביות	293:17:33	90	28.94 ג'יגה בייט
צפה	224:06:05	89	35.67 ג'יגה בייט
וידאו	2037:06:11	228	146,073.77 ג'יגה בייט

טבלה 1: סקירה אורכית של הנתונים שנאספו. הפלטפורמה שנפרסה אספה נתונים במהלך מספר ניסויים במהלך שנה וחצי. כ-90 יום תועדו עם זרמי נתונים עצביים, וידאו ושעון חכם שנאספו.

הערכות מיקום דו-ממדיות ותלת-ממדיות
מספר חבילות תוכנה להערכת תנוחות זמינות כעת. הערכת התנוחה נבדקה באמצעות OpenPose, חבילת תוכנה^{בקוד פתוח 21}. זה הותקן בהצלחה בעקבות התיעוד שסופק על ידי GitHub של הארגון, כמו גם מדריכים לא רשמיים רבים אחרים שנמצאו באינטרנט. זמן העיבוד של OpenPose משתנה באופן משמעותי בהתאם לאופן שבו ספריית OpenPose ויחסי התלות הנרחבים שלה מותקנים, גודל המעבד הגרפי שבו נעשה שימוש ואם הידיים ונקודות המפתח האופציונליות מעובדות. תנוחת דו-ממד הייתה קלה יחסית ליישום, אולם תנוחת תלת-ממד הייתה קשה יותר באופן משמעותי ותוצאות תלת-ממדיות ראשוניות הניבו איכות לא עקבית השווה לזו של תנוחת דו-ממד. ייתכן שהערכת התנוחה התלת-ממדית באיכות נמוכה הושפעה לרעה מכיול מצלמה לא אופטימלי, תקופות שבהן המיקוד האוטומטי של המצלמה הופעל בטעות, או הוטמע בתוכנת OpenPose עצמה. עם זאת, סרטונים מסונכרנים באיכות גבוהה מזוויות מרובות עשויים לספק קלט עשיר למגוון חבילות תוכנה זמינות להערכת תנוחות. מומלץ להשלים את מערך הבדיקה מחוץ לבית המטופל, עם השוואת ביצועים ידנית של חבילות תוכנה זמינות שונות להערכת תנוחות.

איור משלים 1: ניתוח השהיית מסגרת וידאו. פיגורים בחותמות זמן שנוצרו מאפליקציית הקלטת הווידאו זוהו במהלך אפיון המערכת. כדי לחקור את הגורם לפיגורים, מספר הפריים וחותמת הזמן שנוצרה מכל מצלמה נקבעו על ידי הקלטת נורת LED אדומה שהבהבה במרווחי זמן אקראיים, ואז חושבו השינויים בפיגורי חותמת הזמן בין המצלמות. (למעלה) עוצמות LED (ביחידות RGB) נמדדו בכל אחת משלוש המצלמות, ומדגימות את היסט הזמן שנצפה בין שלוש המצלמות (מסומן בחצים אדומים). (למטה) שלוש עלילות מראות את פיגור חותמת הזמן בין המצלמות במספר הפריימים עבור סדרה של הבהובי LED לאורך כל ההקלטה. כל הקלטה חולקה למספר מקטעים ופיגור הפריים היה קבוע בקירוב לאורך זמן. אנא לחץ כאן כדי להוריד קובץ זה.

קובץ משלים 1: שיטת ניתוח מסגרת וידאו וחותמת זמן. אנא לחץ כאן כדי להוריד קובץ זה.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

אנו חולקים את התכנון של אב טיפוס ביתי של פלטפורמת איסוף נתונים רב-מודאלית לתמיכה במחקר עתידי במחקר נוירומודולציה. העיצוב הוא קוד פתוח ומודולרי, כך שניתן להחליף כל פיסת חומרה, וניתן לעדכן או לשנות כל רכיב תוכנה מבלי שהפלטפורמה הכוללת תקרוס. בעוד שהשיטות לאיסוף וביטול זיהוי של נתונים עצביים הן ספציפיות ל-INS שנבחרו, שאר השיטות והגישה הכוללת לאיסוף נתונים התנהגותיים הן אגנוסטיות שאליהן נעשה שימוש במכשיר מושתל. פרסנו את הפלטפורמה בביתו של אדם עם פרקינסון ואספנו נתונים במהלך תקופות ניסוייות ונטורליסטיות. במהלך פריסות, איסוף נתונים ועיבוד נתונים פוסט-הוק, התגלו מספר היבטים שהיו חיוניים במיוחד כדי לאפשר חזרות מחקר מוצלחות.

חבר חשוב בצוות שלנו היה מתאם המחקר שנסע לביתו של המטופל כדי להתקין חומרה, להתקין את ה-VPN, לבצע כיול מצלמה לתנוחת תלת-ממד ולהדריך את המטופל כיצד להשתמש בממשק המשתמש הגרפי הפונה למטופל של כל מכשיר. חשוב לציין כי רכזת המחקר שימשה גם כנקודת הקשר העיקרית בין המטופל לצוות המחקר. המטופל העדיף להשתמש בפונקציית הצ'אט בדוא"ל שלו כדי לשלוח במהירות הודעות הלוך ושוב. נקודת מגע עקבית ונגישה סייעה במיוחד בשתי דרכים:

ליצור ערוץ תקשורת מוכר עבור המטופל לבקש שינויים בהקלטות המתוזמנות ולתקשר כל קושי בשימוש במערכת. זה עזר למתאם המחקר לזהות זמנים נוחים עבור המטופל לבצע ניסויי הקלטה. הקושי העיקרי בשימוש במערכת שדווח היה הצורך לעקוב אחר חיי הסוללה של מספר מכשירים.

כדי לאפשר פתרון בעיות במערכת כדי להפריע באופן מינימלי למטופל. רוב הבעיות נבעו מבעיות קישוריות לרשת שהתרחשו בממוצע אחת לכמה שבועות. בעוד שמכשירי אתחול מחדש פתרו בדרך כלל בעיות אלה, השעונים דרשו לעתים קרובות הפעלות מחדש מרובות, שהמטופל דיווח שהיה מכביד.

חיוני להבטיח גישה חזקה מרחוק לחומרה המוצבת בבית המטופל. כדי להשיג זאת, חיבור אינטרנט יציב הוא חיוני. כמו כן, יש צורך להגדיר מחשב מוצפן דיסק כדי לבטל באופן אוטומטי את הנעילה בכל פעם שמחשב מאתחל מחדש. באופן לא מפתיע, כבל Ethernet הניב באופן עקבי את חיבורי הרשת המהירים והאמינים ביותר. פחות צפוי היה הצורך להגדיר שבב TPM, הכרחי עקב בחירת לינוקס כמערכת ההפעלה. אם נעשה שימוש במערכת הפעלה של Windows, תוכנית Bitlocker שלהם תטפל בכך באופן אוטומטי. לבסוף, הגדרת המחשב הפרוס כך שיפעיל אוטומטית את ה-VPN ויטען מחדש את כונן הדיסק הקשיח בעת אתחול המערכת הבטיחה גישה מרחוק מתמשכת ללא צורך לבקר שוב ושוב בבית המטופל. שילוב VPN ופרוטוקול הצפנת נתונים בעיצוב הפלטפורמה היה חיוני לאבטחת נתונים ושלמותם. ה-VPN מאפשר לחבר רשת של מחשבים ללא צורך בהעברת פורטים מותאמת אישית כדי להיות מוגדרת בנתב הפרטי של המטופל. תוכנית Rclone פרוטוקול הצפנת נתונים בקוד פתוח סיפקה הצפנת נתונים מהמדף ואמצעים אוטומטיים בקלות להעברת נתונים ממכשירי מטופלים לאחסון ענן¹⁸. פרוטוקול הצפנת הנתונים מייצר עותקי גיבוי של נתונים גולמיים במהלך שלבי העברת הנתונים שלו כדי להבטיח שניתן יהיה לשחזר הפסדים. צעדים אלה הבטיחו כי הנתונים הפרטיים של המטופל נשמרים מאובטחים ולא פגומים.

כדי להיות מסוגל לבצע ניתוח נתונים משמעותי, חיוני שהנתונים שנאספו ממכשירים מרובים יהיו מיושרים בזמן. סביר להניח שהשעונים בכל מכשיר אינם מיושרים באופן מושלם לזמן אינטרנט משותף, גם אם היצרנים טוענים שכן. בנוסף, מכשירים מסוימים יכולים לחוות היסחפות בזמנים בלתי צפויים, ולשנות את הקיזוזים שלהם ביחס למכשירים האחרים. זה יוצר קושי לעבוד לקראת אלגוריתמים אדפטיביים אוטומטיים לחלוטין בזמן אמת, ומחקר עתידי יצטרך לשקול בזהירות פתרונות לבעיה זו. שיטות של יישור אוטומטי נבדקו באמצעות מתאם צולב מנורמל. זה עובד בצורה סבירה במקרים רבים; עם זאת, נדידת הזמן חייבת להיות מינימלית, והנתונים צריכים להכיל אותות הניתנים לזיהוי ברור. מכיוון שגם סחף גדול וגם תקופות שבהן הנתונים היו יותר מדי רעש או אובדן מנות נתקלו, לא ניתן להסתמך באופן מלא על שיטה אוטומטית לחלוטין זו. כדי למזער את הנטל של יישור נתונים ידני, יצרנו ממשק משתמש גרפי פשוט כדי לאפשר לחוקרים לבדוק באופן חזותי זרמי נתונים בקלות ובמהירות יחסית.

הכללת נתוני וידאו במערכת מאפשרת לרופאים למדוד את חומרת הסימפטומים באמצעות תצפית מרחוק, וחוקרים יכולים לקבל תוויות אירוע. בנוסף, ניתן לחשב אומדני תנוחות מסרטונים כמדד רציף של איכות התנועה כגון מדידת המהירות והחלקות של תנועות האצבעות לאורך זמן. עם זאת, איסוף סרטונים ברזולוציה גבוהה ממצלמות מרובות דורש שטח אחסון נרחב. לדוגמה, איסוף 8 שעות של סרטוני 4k בפורמט MJPEG משלוש מצלמות לוקח בערך 0.5 TB של שטח אחסון. הקלטה ואחסון של כמויות גדולות של נתונים הופכים במהירות ליקרים, ויוצרים צוואר בקבוק כלכלי לפריסת מערכת זו לחולים רבים. על מנת להפוך פלטפורמות כאלה בקנה מידה למטופלים רבים, מתכנני מערכות עתידיים צריכים להפחית את כמות הנתונים הנדרשת לאחסון לטווח ארוך. מערכות עתידיות צריכות לשקול לכלול עיבוד תנוחות בזמן אמת, כך שניתן יהיה למחוק סרטונים מיד לאחר עיבוד התנוחה. תנוחה בזמן אמת יכולה גם לספק משוב על מיומנויות מוטוריות עדינות באלגוריתמים בלולאה סגורה, שהוא מחוץ לטווח של עבודה זו. אם יש צורך בשימור נתוני וידאו מסוימים לצורך סקירת קלינאים או תיוג אירועים, ניתן לצמצם את הדגימה שלהם לרזולוציה נמוכה יותר לפני שהם נשמרים באחסון בענן.

לבסוף, כדי לטפל ביעילות בפגמים בתכנון ובשגיאות יישום המתעוררות תמיד בעת בניית מערכת משולבת, רכישת העתק של החומרה לפריסה לשימוש כמתקן בדיקה היא בעלת ערך רב. זה היה נכון לגבי בדיקת החומרה והתוכנה שנבחרה לאיסוף סרטונים ועיבוד נתוני פוזות. כל התהליך של רכישת סרטונים והערכות פוזות הן במרחב הדו-ממדי והן במרחב התלת-ממדי היה מאתגר משמעותית מהצפוי. מתקן בדיקה מאפשר פתרון בעיות ובדיקות מאמץ במספר שלבים חשובים לפני הפריסה, כולל:

כיול נכון של מצלמות בתוך אילוצי הפריסה של חדר נתון.
זיהוי רזולוציית הווידאו המתאימה וקצב הפריימים לתמיכה בהערכת תנוחה באיכות גבוהה. עבור חדרים קטנים או סביבות משרדיות, הקלטת וידאו HD ככל הנראה מספיקה, מכיוון שגודל האנשים בסרטון המוקלט גדול מספיק כך שניתן לחשב את התנוחה בקלות תוך דרישה לשטח אחסון קטן משמעותית מאשר וידאו 4k.
גילוי באגים בסרטונים מוקלטים, כגון הקפאת פריימים או הפסקות זמן בין קבצי וידאו שנכתבו ברצף.
חשיפת ברירות מחדל בלתי צפויות של תוכנה, כגון איפוס המיקוד האוטומטי של המצלמה בעת אתחול מחדש של המחשב, דבר שאינו מאפשר את היתרון של כיול המצלמה.
ניסוי וטעייה כדי למצוא גרסאות תואמות של ספריות התוכנה שיש להתקין מראש כדי לאפשר ל- OpenPose לפעול במעבד גרפי בגודל בינוני.

מגבלה מסוימת של עבודה זו היא פריסת הפלטפורמה במחקר פיילוט יחיד לביתו של אדם אחד, מה שמונע מאיתנו לגלות הכללות חוצות משתתפים מלהתגלות. עם זאת, לאורך כל תהליך התכנון והפיתוח, המערכת תוכננה להיות ניתנת להרחבה ולתמוך בפריסות מרובות לתמיכה בלימודים מרחוק, ומטרת מחקר פיילוט זה הייתה לבסס את ההיתכנות הטכנולוגית של פלטפורמת ניטור מתוחכמת בבית. שינוי תכנון פיילוט זה בהתבסס על כמה מהממצאים המכריעים שנדונו ופריסת הפלטפורמה לבתים נוספים יאפשרו חידוד נוסף של העיצוב כדי לתמוך במחקר עתידי ב- aDBS ביתי. בנוסף, איסוף נתונים בנקודות זמן נוספות שבהן הפרט אינו מבצע ניסויים שנקבעו מראש יציע תובנות לשיפור הניתוחים ויעילות הטיפול הכוללת. aDBS עשוי לספק שיטה עדיפה לטיפול במחלות נוירולוגיות, כולל PD, בהשוואה ל- DBS קונבנציונלי שיכולות להיות להן תופעות לוואי בלתי מקובלות. הבאת טיפול חשוב זה לאנשים רבים דורשת אוטומציה של כוונון פרמטרים וניתוח יעילות הטיפול מחוץ למרפאה לאורך זמן. הפלטפורמה מספקת גישה חדשנית לאיסוף מצלמת וידאו ביתית, שעון חכם, הקלטה עצבית ונתוני דיווח על מטופלים במהלך פעילויות ניסיוניות וטבעיות מהנוחות של ביתו של המטופל עצמו. המערכת תתרום עוד יותר ליצירת מערכי נתונים רב-מודאליים חדשניים לתמיכה בתגליות עתידיות בטיפול במחלות נוירולוגיות¹⁵.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

למחברים אין ניגודי עניינים לחשוף.

Acknowledgments

חומר זה מבוסס על עבודה הנתמכת על ידי תוכנית מלגות המחקר לתארים מתקדמים של הקרן הלאומית למדע (DGE-2140004), Weill Neurohub והמכון הלאומי לבריאות (UH3NS100544). כל הדעות, הממצאים, המסקנות או ההמלצות המובעות בחומר זה הן של המחבר(ים) ואינן משקפות בהכרח את הדעות של הקרן הלאומית למדע, Weill Neurohub או המכון הלאומי לבריאות. אנו מודים לטיאנג'יאו ז'אנג על התייעצויותיו המקצועיות בנושא עיצוב פלטפורמה ושילוב נתוני וידאו. אנו מודים במיוחד למטופלים על השתתפותם במחקר זה ועל המשוב והייעוץ בנושא אבטחת רשת ועיצוב פלטפורמות.

Materials

Name	Company	Catalog Number	Comments
Analysis RCS Data Processing	OpenMind		https://github.com/openmind-consortium/Analysis-rcs-data, open-source
Apple Watches	Apple, Inc		Use 2 watches for each patient, one on each wrist
BRIO ULTRA HD PRO BUSINESS WEBCAM	Logitech	960-001105	Used 3 in our platform design
DaVinci Resolve video editing software	DaVinci Resolve		used to support camera calibration
Dell XPS PC	Dell		2T hard disk drive, 500GB SSD
Dropbox	Dropbox
ffmpeg	N/A		open-source, install to run the Video Recording App
Gooseneck mounts for webcams	N/A
GPU	Nvidia		A minimum of 8GB GPU memory is recommended to run OpenPose, 12GB is ideal
Java 11	Oracle		Install to run the Video Recording App
Microsoft Surface tablet	Microsoft
NoMachine	NoMachine		Ideal when using a Linux OS, open-source
OpenPose	N/A		open-source
Rclone file transfer program	Rclone		Encrypts data and copies or moves data to offsite storage, open-source
StrivePD app	RuneLabs		We installed the app on the Apple Watches to start recordings and upload data to an online portal.
Summit RC+S neuromodulation system	Medtronic		For investigational use only
touchscreen-compatible monitor	N/A
Video for Linux 2 API	The Linux Kernel		Install if using a Linux OS for video recording
Wasabi	Wasabi		Longterm cloud data storage
WireGuard VPN Protocol	WireGuard		open-source

DOWNLOAD MATERIALS LIST

References

World Health Organization. Parkinson disease. , https://www.who.int/news-room/fact-sheets/detail/parkinson-disease (2022).
Herrington, T. M., Cheng, J. J., Eskandar, E. N. Mechanisms of deep brain stimulation. Journal of Neurophysiology. 115 (1), 19-38 (2016).
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).
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).
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).
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).
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).
Swann, N. C., et al. Adaptive deep brain stimulation for Parkinson's disease using motor cortex sensing. J. Neural Eng. 11, (2018).
Little, S., et al. Adaptive deep brain stimulation in advanced Parkinson disease. Annals of Neurology. 74 (3), 449-457 (2013).
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).
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).
Rights (OCR), O. for C. The HIPAA Privacy Rule. HHS.gov. , https://www.hhs.gov/hipaa/for-professionals/privacy/index.html (2008).
Rights (OCR), O. for C. The Security Rule. HHS.gov. , https://www.hhs.gov/hipaa/for-professionals/security/index.html (2009).
Perrone, R., Gilron, R. SCBS Patient Facing App (Summit Continuous Bilateral Streaming). , https://github.com/openmind-consortium/App-SCBS-PatientFacingApp (2021).
Strandquist, G., et al. In-Home Video and IMU Kinematics of Self Guided Tasks Correlate with Clinical Bradykinesia Scores. , (2023).
Donenfeld, J. A. WireGuard: Next Generation Kernel Network Tunnel. Proceedings 2017 Network and Distributed System Security Symposium. , (2017).
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).
Craig-Wood, N. Rclone. , https://github.com/rclone/rclone (2023).
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).
Hidalgo, G. inés, et al. CMU-Perceptual-Computing-Lab/openpose. , https://github.com/CMU-Perceptual-Computing-Lab/openpose (2023).
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).
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).
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).
Ranti, C. Rune Labs Stream API. , https://docs.runelabs.io/ (2023).
ffmpeg development community. FFmpeg Formats Documentation. , https://ffmpeg.org/ffmpeg-formats.html (2023).
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).

Neuroscience

מביאים את המרפאה הביתה: מערכת אקולוגית ביתית רב-מודאלית לאיסוף נתונים לתמיכה בגירוי מוחי עמוק אדפטיבי

Summary

Abstract

Introduction

Protocol

Representative Results

Discussion

Disclosures

Acknowledgments

Materials

References

Tags

Cite this Article

Summary

Abstract

Introduction

Protocol

Representative Results

Discussion

Disclosures

Acknowledgments

Materials

References

Tags

Cite this Article

Get cutting-edge science videos from JoVE sent straight to your inbox every month.