Summary
Protokol, nörolojik hareket bozukluğu olan kişiler için uyarlanabilir derin beyin stimülasyonunu (aDBS) optimize eden araştırmaları destekleyen evde çok modlu veri toplama platformunun bir prototipini göstermektedir. Ayrıca, platformun bir yıldan fazla bir süredir Parkinson hastalığı olan bir bireyin evine konuşlandırılmasından elde edilen önemli bulguları da sunuyoruz.
Abstract
Adaptif derin beyin stimülasyonu (aDBS), Parkinson hastalığı (PH) gibi nörolojik bozuklukların tedavisini iyileştirmek için umut vaat ediyor. aDBS, semptomları daha kesin bir şekilde hedeflemek için stimülasyon parametrelerini gerçek zamanlı olarak ayarlamak için semptomla ilgili biyobelirteçleri kullanır. Bu dinamik ayarlamaları etkinleştirmek için, her bir hasta için bir aDBS algoritmasının parametreleri belirlenmelidir. Bu, klinik araştırmacılar tarafından zaman alıcı manuel ayarlamalar gerektirir ve bu da tek bir hasta için en uygun konfigürasyonu bulmayı veya birçok hastaya ölçeklendirmeyi zorlaştırır. Ayrıca, hasta evdeyken klinikte yapılandırılan aDBS algoritmalarının uzun vadeli etkinliği açık bir soru olmaya devam etmektedir. Bu tedaviyi büyük ölçekte uygulamak için, tedavi sonuçlarını uzaktan izlerken aDBS algoritma parametrelerini otomatik olarak yapılandıracak bir metodolojiye ihtiyaç vardır. Bu yazıda, alanın her iki sorunu da ele almasına yardımcı olmak için evde veri toplama platformu için bir tasarım paylaşıyoruz. Platform, açık kaynaklı ve evde sinirsel, ataletsel ve çok kameralı video verilerinin toplanmasına izin veren entegre bir donanım ve yazılım ekosisteminden oluşur. Hasta tarafından tanımlanabilir verilerin gizliliğini sağlamak için platform, verileri sanal bir özel ağ üzerinden şifreler ve aktarır. Yöntemler, veri akışlarının zamana göre hizalanmasını ve video kayıtlarından poz tahminlerinin çıkarılmasını içerir. Bu sistemin kullanımını göstermek için, bu platformu PH'li bir bireyin evine yerleştirdik ve 1,5 yıl boyunca kendi kendine yönlendirilen klinik görevler ve serbest davranış dönemleri sırasında veri topladık. Veriler, farklı terapötik koşullar altında motor semptom şiddetini değerlendirmek için alt terapötik, terapötik ve supra-terapötik stimülasyon amplitüdlerinde kaydedildi. Bu zamana göre ayarlanmış veriler, platformun terapötik değerlendirme için evde senkronize edilmiş çok modlu veri toplama yeteneğine sahip olduğunu göstermektedir. Bu sistem mimarisi, otomatik aDBS araştırmalarını desteklemek, yeni veri kümeleri toplamak ve nörolojik bozukluklardan muzdarip olanlar için klinik dışında DBS tedavisinin uzun vadeli etkilerini incelemek için kullanılabilir.
Introduction
Derin beyin stimülasyonu (DBS), Parkinson hastalığı (PD) gibi nörolojik bozuklukları, elektrik akımını doğrudan beyindeki belirli bölgelere ileterek tedavi eder. Dünya çapında tahmini 8,5 milyon PD vakası vardır ve DBS'nin semptomları yönetmek için ilaç yetersiz kaldığında kritik bir tedavi olduğu kanıtlanmıştır 1,2. Bununla birlikte, DBS etkinliği, bazen geleneksel olarak sabit genlik, frekans ve nabız genişliğinde verilen stimülasyondan kaynaklanan yan etkilerle sınırlandırılabilir3. Bu açık döngü uygulaması, semptom durumundaki dalgalanmalara yanıt vermez ve bu da hastanın değişen ihtiyaçlarına uygun şekilde eşleşmeyen stimülasyon ayarlarıyla sonuçlanır. DBS, şu anda klinisyenler tarafından her bir hasta için manuel olarak gerçekleştirilen stimülasyon parametrelerinin ayarlanmasının zaman alıcı süreci tarafından daha da engellenmektedir.
Uyarlanabilir DBS (aDBS), semptomla ilişkili biyobelirteçler tespit edildiğinde stimülasyon parametrelerini gerçek zamanlı olarak ayarlayarak DBS'nin etkili bir sonraki yinelemesi olduğu gösterilen kapalı döngü bir yaklaşımdır 3,4,5. Çalışmalar, subtalamik çekirdekteki (STN) beta salınımlarının (10-30 Hz), PD 6,7'nin karakteristiği olan hareketin yavaşlaması olan bradikinezi sırasında tutarlı bir şekilde meydana geldiğini göstermiştir. Benzer şekilde, korteksteki yüksek gama salınımlarının (50-120 Hz), PD8'de de yaygın olarak görülen aşırı ve istemsiz bir hareket olan diskinezi dönemlerinde meydana geldiği bilinmektedir. Son zamanlarda yapılan çalışmalar, aDBS'yi klinik dışında uzun süreler boyunca başarılı bir şekilde uygulamıştır5, ancak bir hasta evdeyken klinikte yapılandırılan aDBS algoritmalarının uzun vadeli etkinliği belirlenmemiştir.
Bu dinamik algoritmaların günlük yaşamda karşılaşılan semptomları baskılamada zamanla değişen etkinliğini yakalamak için uzak sistemlere ihtiyaç vardır. aDBS'nin dinamik stimülasyon yaklaşımı, azaltılmış yan etkilerle potansiyel olarak daha kesin bir tedaviyi mümkün kılarken,3,9, aDBS, klinisyenlerin her hasta için stimülasyon parametrelerini manuel olarak tanımlaması için hala yüksek bir yükten muzdariptir. Konvansiyonel DBS sırasında programlanacak çok sayıda parametreye ek olarak, aDBS algoritmaları da dikkatli bir şekilde ayarlanması gereken birçok yeni parametre sunar. Stimülasyon ve algoritma parametrelerinin bu kombinasyonu, yönetilemeyen sayıda olası kombinasyonla geniş bir parametre alanı sağlar ve aDBS'nin birçok hastaya ölçeklenmesini yasaklar10. Araştırma ortamlarında bile, aDBS sistemlerini yapılandırmak ve değerlendirmek için gereken ek süre, algoritmaları yalnızca klinikte yeterince optimize etmeyi zorlaştırır ve parametrelerin uzaktan güncellenmesi gerekir. aDBS'yi ölçeklenebilen bir tedavi haline getirmek için stimülasyon ve algoritma parametresi ayarlaması otomatikleştirilmelidir. Ek olarak, aDBS'yi klinik dışında uygulanabilir uzun süreli bir tedavi olarak kurmak için tedaviden elde edilen sonuçlar tekrarlanan çalışmalarda analiz edilmelidir. Tedavi etkinliğinin uzaktan değerlendirilmesi için veri toplayabilen ve aDBS algoritma parametrelerine yönelik güncellemeleri uzaktan dağıtabilen bir platforma ihtiyaç vardır.
Bu protokolün amacı, klinik dışında aDBS etkinliğini artırmak ve bu tedavinin daha fazla sayıda kişiye ölçeklenmesini sağlamak için çok modlu bir evde veri toplama platformu için yeniden kullanılabilir bir tasarım sağlamaktır. Bildiğimiz kadarıyla, kontrollü görevler ve doğal davranış sırasında aDBS sistemlerini değerlendirmek için ev içi video kameralar, giyilebilir sensörler, kronik nöral sinyal kaydı ve hasta odaklı geri bildirim kullanarak terapötik sonuçları uzaktan değerlendiren ilk veri toplama platformu tasarımıdır.
Platform, daha önce geliştirilmiş sistemler üzerine inşa edilmiş donanım ve yazılım bileşenlerinden oluşan bir ekosistemdir5. Bir kişiden evinin rahatlığında çok modlu veri toplamaya izin vermek için minimum donanımın ilk kurulumundan sonra tamamen uzaktan erişim yoluyla bakımı yapılabilir. Önemli bir bileşen, nöral aktiviteyi algılayan ve STN'ye stimülasyon sağlayan ve göğüs implantlarından gelen ivmeyi kaydeden implante edilebilir nörostimülasyon sistemidir (INS)11 . İlk yerleştirmede kullanılan implant için, STN'ye implante edilen bilateral derivasyonlardan ve motor korteks üzerine implante edilen elektrokortikografi elektrotlarından nöral aktivite kaydedilir. Bir video kayıt sistemi, klinisyenlerin semptom şiddetini ve tedavi etkinliğini izlemesine yardımcı olur ve hasta gizliliğini korumak için devam eden kayıtların kolayca iptal edilmesini sağlayan bir grafik kullanıcı arayüzü (GUI) içerir. Videolar, iki boyutlu (2D) veya üç boyutlu (3D) konumun kinematik yörüngelerini çıkarmak için işlenir ve açısal hız ve ivme bilgilerini yakalamak için akıllı saatler her iki bileğe takılır. Daha da önemlisi, tüm veriler uzun vadeli bulut depolamaya aktarılmadan önce şifrelenir ve hastayı tanımlayabilen videolara sahip bilgisayara yalnızca bir sanal özel ağ (VPN) üzerinden erişilebilir. Sistem, tüm veri akışlarının post-hoc zaman hizalaması için iki yaklaşım içerir ve veriler, hastanın hareket kalitesini uzaktan izlemek ve aDBS algoritmalarını iyileştirmek için semptomla ilgili biyobelirteçleri tanımlamak için kullanılır. Bu çalışmanın video kısmı, veri toplama sürecini ve toplanan videolardan çıkarılan kinematik yörüngelerin animasyonlarını göstermektedir.
Protokolün geliştirilmesine bir dizi tasarım hususu rehberlik etti:
Veri güvenliği ve hasta mahremiyetinin sağlanması: Tanımlanabilir hasta verilerinin toplanması, sağlık sigortası taşınabilirlik ve sorumluluk yasası (HIPAA) olması için iletim ve depolamada azami özen gerektirir12,13 uyumlu ve hastanın kendi evindeki mahremiyetine saygı göstermek. Bu projede bu, sistem bilgisayarları arasındaki tüm hassas trafiğin gizliliğini sağlamak için özel bir VPN kurularak başarıldı.
Stimülasyon parametresi güvenlik sınırları: İstenmeyen etkileri olabilecek aDBS algoritmalarını denerken hastanın güvende kalmasını sağlamak çok önemlidir. Hastanın INS'si, bir klinisyen tarafından, aşırı stimülasyon veya yetersiz stimülasyondan kaynaklanan güvenli olmayan etkilere izin vermeyen stimülasyon parametreleri için güvenli sınırlara sahip olacak şekilde yapılandırılmalıdır. INS sistemi ile11 Bu çalışmada kullanılan bu özellik, bir klinisyen programcı tarafından etkinleştirilmiştir.
Hasta vetosunun sağlanması: Güvenli parametre sınırları içinde bile, semptomların ve stimülasyon yanıtlarının günlük değişkenliği, hasta için test edilen bir algoritmadan hoşlanmadıkları ve normal klinik açık döngü DBS'ye dönmek istedikleri hoş olmayan durumlara neden olabilir. Seçilen INS sistemi, hastanın stimülasyon grubunu ve mA cinsinden stimülasyon genliğini manuel olarak değiştirmesine izin veren bir hasta telemetri modülü (PTM) içerir. Ayrıca, veri toplamadan önce INS'nin uzaktan yapılandırılması için kullanılan INS bağlantılı bir araştırma uygulaması da vardır14, bu da hastanın aDBS denemelerini iptal etmesini ve tedavisini kontrol etmesini sağlar.
Karmaşık ve doğal davranışları yakalamak: Klinisyenlerin tedavi etkinliğini uzaktan izlemelerini ve araştırma analizlerinde kullanılmak üzere poz tahminlerinden kinematik yörüngeleri çıkarmasını sağlamak için video verileri platforma dahil edildi15. Giyilebilir sensörler daha az müdahaleci olsa da, yalnızca giyilebilir sistemleri kullanarak tüm vücudun tam dinamik hareket aralığını yakalamak zordur. Videolar, hastanın tüm hareket açıklığının ve zaman içindeki semptomlarının aynı anda kaydedilmesini sağlar.
Hastalar için sistem kullanılabilirliği: Evde çok modlu verilerin toplanması, bir hastanın evinde birden fazla cihazın kurulmasını ve kullanılmasını gerektirir ve bu da hastaların gezinmesi için külfetli hale gelebilir. Hasta kontrolünü sağlarken sistemin kullanımını kolaylaştırmak için, bir kayıt başlatılmadan önce yalnızca hastaya implante edilen veya fiziksel olarak takılan cihazlar (bu durumda INS sistemi ve akıllı saatler dahil) manuel olarak AÇILMALıdır. Hastadan ayrı cihazlar için (bu durumda video kameralardan kaydedilen verileri içerir), kayıtlar herhangi bir hasta etkileşimi gerektirmeden otomatik olarak başlar ve biter. GUI tasarımı sırasında düğme sayısını en aza indirmeye ve etkileşimlerin basit olması için derin menü ağaçlarından kaçınmaya özen gösterildi. Tüm cihazlar kurulduktan sonra, bir araştırma koordinatörü hastaya, herhangi bir cihazdaki kayıtların nasıl sonlandırılacağı ve ilaç geçmişinin ve semptom raporlarının nasıl girileceği gibi, her cihazın bir parçası olan hastaya yönelik GUI'ler aracılığıyla tüm cihazlarla nasıl etkileşime gireceğini gösterdi.
Veri toplama şeffaflığı: Kameraların ne zaman AÇIK olduğunu açıkça belirtmek zorunludur, böylece insanlar ne zaman kaydedildiklerini bilirler ve bir anlık mahremiyete ihtiyaç duyarlarsa kaydı askıya alabilirler. Bunu başarmak için, hastaya dönük bir GUI ile video kayıtlarını kontrol etmek için bir kamera sistemi uygulaması kullanılır. GUI, uygulama başlatıldığında otomatik olarak açılır ve bir sonraki programlanmış kaydın saatini ve tarihini listeler. Bir kayıt devam ederken, kaydın ne zaman biteceğinin planlandığını belirten bir mesaj görüntülenir. GUI'nin ortasında, kırmızı ışığın büyük bir görüntüsü görüntülenir. Görüntü, bir kayıt devam ederken ışığın parlak bir şekilde yandığını gösterir ve kayıtlar KAPALI olduğunda ışıksız bir görüntüye dönüşür.
Protokol, evde veri toplama platformu tasarlama, oluşturma ve dağıtma, toplanan verilerin eksiksizlik ve sağlamlık açısından kalite kontrolü ve gelecekteki araştırmalarda kullanılmak üzere işlem sonrası veriler için yöntemleri detaylandırır.
Şekil 1: Veri akışı. Her modalite için veriler, işlenmeden önce hastanın ikametgahından bağımsız olarak toplanır ve tek bir uzak depolama uç noktasında toplanır. Her modalite için veriler otomatik olarak uzak depolama uç noktasına gönderilir. Ekip üyelerinden birinin yardımıyla, daha sonra alınabilir, geçerliliği kontrol edilebilir, modaliteler arasında zaman uyumlu hale getirilebilir ve ayrıca modaliteye özgü daha fazla ön işleme tabi tutulabilir. Derlenen veri kümesi daha sonra sürekli analiz için tüm ekip üyeleri tarafından güvenli bir şekilde erişilebilen bir uzak depolama uç noktasına yüklenir. Özellikle ham video gibi hassas veriler için veri erişimi olan tüm makineler, tüm verilerin güvenli bir şekilde aktarılmasını ve depolanan verilerin her zaman şifrelenmesini sağlayan bir VPN içine alınır. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Hastalar, San Francisco'daki California Üniversitesi'ndeki aDBS'ye daha büyük bir IRB ve IDE onaylı çalışma ile kaydedilir, protokol # G1800975. Bu çalışmaya katılan hasta ayrıca bu çalışma için özel olarak bilgilendirilmiş onam vermiştir.
1. Evdeki sistem bileşenleri
- Merkezi sunucu ve VPN
- Bir VPN'e hizmet vermeye adanmış Linux tabanlı bir işletim sistemi (OS) çalıştıran bir kişisel bilgisayar (PC) edinin. Makineyi güvenli bir odaya yerleştirin. Veri güvenliğini sağlamak için makineyi şifreleyen disk.
- VPN sunucusunu en az bir bağlantı noktasında genel olarak erişilebilir olacak şekilde yapılandırın.
NOT: Bu durumda, bu, sunucuya harici olarak bakan bir statik IP adresi ve üniversitenin DNS barındırma seçenekleriyle özel bir URL vermek için BT departmanıyla işbirliği yapılarak başarılmıştır. - Sunucu kurulumu için, VPN'e hizmet vermek üzere seçilen bilgisayarda aşağıdaki adımları bir kez tamamlayın.
- Güvenlik duvarı yapılandırması: Karmaşık olmayan güvenlik duvarını kurmak ve yapılandırmak için PC terminalinde aşağıdaki komutları çalıştırın:
sudo apt ufw'yi yükle
sudo ufw ssh'ye izin ver
sudo ufw/UDP'ye izin verir
sudo ufw etkinleştir - Sunucu VPN kurulumu: Açık kaynaklı WireGuard VPN protokolünü16 PC'ye kurun ve kurulum dizinine gidin. PC terminalinde, dizin erişim kurallarını güncellemek için umask 007 komutunu çalıştırın.
- Anahtar oluşturma: PC terminalinde şunu çalıştırın:
WG Genkey | tee özel anahtar | WG Pubkey > PublicKey
Bu, VPN sunucusu için bir genel/özel anahtar çifti oluşturur. Bu ortak anahtar, VPN'e bağlanan herhangi bir istemci bilgisayarla paylaşılacaktır. - VPN yapılandırması: PC terminalinde, dosya adının arabirimin adıyla eşleşmesi gereken bir yapılandırma dosyası oluşturmak için touch
.conf dosyasını çalıştırın. Aşağıdaki sunucu kurallarını bu dosyaya yapıştırın:
[Arayüz]
PrivateKey =
Adres = ##.#.#.#/ ##
PostUp = iptables -A İLERİ -i interface_name -j KABUL ET; iptables -t nat -A POSTROUTING -o network_interface_name -j MASKELİ BALO
PostDown = iptables -D İLERİ -i interface_name -j KABUL ET; iptables -t nat -D POSTROUTING -o network_interface_name -j MASKELİ BALO
Dinleme Limanı = #####
[Eş]
PublicKey =
İzin Verilen IP'ler = ##.#.#.#/ ## - VPN'i etkinleştirme: Terminale wg-quick up
girerek VPN'i başlatın. VPN protokolünün bilgisayar yeniden başlatıldığında otomatik olarak başlamasını sağlamak için terminalde aşağıdakileri çalıştırın:
systemctl WG-quick@'yi etkinleştir
- Güvenlik duvarı yapılandırması: Karmaşık olmayan güvenlik duvarını kurmak ve yapılandırmak için PC terminalinde aşağıdaki komutları çalıştırın:
- İstemci yüklemesi için, VPN'e erişmesi gereken her yeni makine için aşağıdaki adımları tamamlayın.
- İstemci VPN kurulumu: VPN protokolünü WireGuard16 indirme sayfasındaki işletim sistemine özel talimatlara göre kurun.
- VPN'e istemci ekleme: Yükleme sırasında oluşturulan yapılandırma dosyasından ortak anahtarı alın. Bu anahtarı sunucunun yapılandırma dosyasının eş bölümüne yapıştırın.
- VPN'i etkinleştirme: WireGuard16 indirme sayfasındaki işletim sistemine özel talimatlara göre VPN'i başlatın.
- Bulut depolama
- Kaydedilen tüm veri akışlarının uzun süreli olarak tek bir yerde saklanmasını sağlamak için bir bulut depolama sitesi seçin. Burada, seçilen veri aktarım protokolüyle uyumlu bir Amazon web hizmeti tabanlı bulut depolama sitesi kullanıldı.
- İmplante edilebilir nöromodülasyon sistemi
- IRB ve IDE yönergelerini izleyerek, hastaların stimülasyon ayarlarını manuel olarak değiştirmelerine olanak tanıyan implante edilebilir bir nöromodülasyon sistemi (INS)11 seçin.
- INS kayıtlarına, ilaç ve semptomların bildirilmesine veya diğer hasta yorumlarına izin vermek için bir tablet PC edinin ve açık kaynaklı UCSF DBS uygulamasını yükleyin14. Verilerin kimliksizleştirilmesi ve uzun süreli bulut depolamaya boşaltılmadan önce geçici depolama için geçici bir HIPPA uyumlu bulut depolama uç noktasına yüklenecek tablete akışla aktarılan INS verilerini yapılandırın.
- Video toplama sistemi
- Bulut depolama alanına aktarmadan önce istenen miktarda video dosyasını toplayabilen ve depolayabilen bir bilgisayar edinin. PC anakartının güvenilir bir platform modülü (TPM) yongası içerdiğinden emin olun.
NOT: Bu durumda, 500 GB SSD, 2 TB HDD ve 6 GB GPU'ya sahip bir PC seçilmiştir. 2 TB'lık bir disk, uzun bir kayıt oturumundan sonra veya birkaç gün boyunca internet bağlantısının kesilmesi durumunda videoların arabelleğe alınabilmesini sağlarken, tek bilgisayar donanımı evde minimum düzeyde müdahaleci tutar. - İstediğiniz işletim sistemini kurun ve hasta gizliliğini sağlamak ve veri sızıntısını önlemek için otomatik disk şifrelemeyi etkinleştirmek için istemleri izleyin. Bu durumda, kullanım kolaylığı ve güvenilirliği nedeniyle Ubuntu dağıtımına sahip Linux tabanlı bir işletim sistemi seçildi.
- İşletim sistemi yüklendikten sonra tüm sabit diskleri ayrı olarak şifreleyin. Sistem yeniden başlatıldığında otomatik disk yeniden bağlamayı etkinleştirdiğinizden emin olun.
- Sistem yeniden başlatıldıktan sonra disk şifreli PC'ye erişimi sürdürmek için bilgisayarın yerleşik TPM yongasını yapılandırın17.
NOT: Linux işletim sistemi kullanıyorsanız, bu adımı etkinleştirmek için TPM2 yongasının yüklü olduğu bir anakart seçtiğinizden emin olun. Bir Windows işletim sistemi kullanılıyorsa, otomatik disk şifreleme ve kilit açma Bitlocker programı tarafından gerçekleştirilebilir. - 1.1.4'teki kurulum adımlarını izleyerek bilgisayarı bir VPN istemcisi olarak yapılandırın. Araştırmacı bilgisayarların PC'ye her zaman uzaktan erişebilmesini sağlamak için bölüm 1.1.3.5'te olduğu gibi PC yeniden başlatıldığında VPN protokolünün otomatik olarak başlamasını sağlayın (önerilir).
- Bilgisayarda yüklü yazılımların güncellemelerini kolayca otomatikleştirmek için bir GitHub makine kullanıcı hesabı oluşturun. Bu hesap, uzak git uç noktasından çekmeyi otomatikleştirmek için bir web kancası görevi görür ve uzak makineden gönderilen güncelleştirmeleri tanımlamaya yardımcı olur.
- Video kayıtlarını planlamak ve kontrol etmek için yazılımı seçin ve bunu PC'ye yükleyin. Hasta mahremiyetini ve konforunu en üst düzeye çıkarmak için, seçilen yazılım, kayıtların ne zaman devam ettiğini açıkça belirtmek ve kayıtların herhangi bir zamanda kolayca sonlandırılmasını sağlamak için bir grafik kullanıcı arayüzü (GUI) içermelidir.
NOT: İstenirse, yazarların hastaya dönük bir GUI'ye sahip özel video kayıt uygulaması, uygulamayı indirerek ve GitHub'daki (https://github.com/Weill-Neurohub-OPTiMaL/VideoRecordingApp) talimatları izleyerek kurulabilir. - Videoların ne zaman kaydedildiğini belirtmek ve kişilerin kayıtları kolayca sonlandırmasını sağlamak için bir monitör seçin. Kayıtların klavye veya fare kullanmaya gerek kalmadan sonlandırılabilmesi için dokunmatik ekran özelliğine sahip bir monitör seçin.
- PC'ye bir uzak masaüstü uygulaması yükleyin. Bu, GUI'nin hem hasta tarafında hem de uzak araştırmacı tarafında görünür kalması için bir GUI ile bir uygulamanın çalıştırılmasını sağlar.
NOT: Açık kaynaklı NoMachine uzak masaüstü uygulaması, bir Linux işletim sistemi için en iyi sonucu verdi. - Belirli bir alandaki pozları hesaplamak için yeterince yüksek çözünürlüğe sahip USB uyumlu web kameraları seçin.
NOT: Bu durumda, 30 fps'de 4k çözünürlük veya 60 fps'de HD çözünürlük dahil olmak üzere birden fazla çözünürlük ve kare hızı kombinasyonu sunan 4k uyumlu web kameraları seçilmiştir. - Web kameralarını hastanın evine monte etmek için sağlam donanım seçin. Kameraların sallanmasını önlemek için mobilyalara sabitlemek için klipsli deveboynu bağlantıları kullanın.
- Şifreleme özelliğine sahip bir veri aktarım protokolü seçin ve bunu PC'ye yükleyin. Bulut depolama sitesine erişmek için bir yapılandırma oluşturun, ardından veri aktarımından önce ilk yapılandırmayı sarmak için bir şifreleme yapılandırması oluşturun.
NOT: Bu durumda, şifreleme özelliğine sahip açık kaynaklı bir veri aktarımı ve dosya senkronizasyon protokolü yüklenmiştir18. Veri aktarım protokolü belgeleri, bulut depolama alanına veri aktarımının nasıl yapılandırılacağını açıklar. Protokol ilk olarak VPN sunucusuna yüklendi ve verileri site dışı bulut depolama sitesine aktaran bir şifreleme yapılandırması oluşturuldu.
- Bulut depolama alanına aktarmadan önce istenen miktarda video dosyasını toplayabilen ve depolayabilen bir bilgisayar edinin. PC anakartının güvenilir bir platform modülü (TPM) yongası içerdiğinden emin olun.
- Giyilebilir sensör veri bileşenleri
- Hareket, ivmeölçer ve kalp atış hızı gibi sinyalleri izlemek için hastanın her bileğine takılacak akıllı saatleri seçin.
NOT: Apple watch series 3, diskinezi ve titreme skorları gibi PD semptom skorları üreten yerleşik bir hareket bozukluğu semptom monitörü ile seçilmiştir. - Her akıllı saate, kayıtları başlatıp bitirebilen ve verileri bulut depolamaya aktarabilen bir yazılım seçin ve yükleyin. Araştırmacıların ve klinisyenlerin analiz etmesi için tüm veri akışlarını ilişkili çevrimiçi portalına yükleyen bir uygulama seçin19.
- Hareket, ivmeölçer ve kalp atış hızı gibi sinyalleri izlemek için hastanın her bileğine takılacak akıllı saatleri seçin.
Şekil 2: Video kayıt bileşenleri. Tek bir kule PC, USB bağlantılı web kameraları ve hastaya dönük GUI'yi görüntülemek için küçük bir monitör dahil olmak üzere video verilerinin toplanmasını destekleyen donanım bileşenleri minimum düzeydedir. Monitör, GUI'de görünen düğmelere basarak devam eden veya programlanmış kayıtların kolayca sonlandırılmasını sağlamak için dokunmatik ekran özelliğine sahiptir. GUI'nin merkezi, video kameralar aktif olarak kayıt yaparken parlak kırmızı renge dönüşen bir kayıt ışığının görüntüsünü gösterir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
2. Ev içi yapılandırma
- Donanım kurulumu
- Evdeki kesintileri en aza indiren web kameralarını monte etmek için uygun bir alan belirleyin. Hasta ile görüşmeler yoluyla alanı belirleyin; Burada ev ofis alanı, kayıt hacmini mahremiyete karşı dengelemek için en uygun yer olarak seçildi.
- Monte edin webkameras, seçilen montaj donanımı üzerinde tanımlanan alana. Deveboynu bağlantılarının yakındaki ağır mobilyalara takılması, biri yakına adım attığında kameraların titremesini önler.
- PC'yi, USB kablolarının PC'ye bağlanabileceği şekilde takılı web kameralarına yeterince yakın yerleştirin.
- Tablet PC'yi, INS bileşenlerini, akıllı saatleri ve akıllı telefonları, tüm cihazların takılı kalabileceği ve her an kullanıma hazır olabileceği şekilde bir elektrik prizinin yakınına yerleştirin.
- PC terminalinde route -n komutunu çalıştırarak VPN'nin AÇIK olduğunu onaylayın. Değilse, VPN'i etkinleştirmek için bölüm 1.1.3.5'teki talimatları izleyin.
- Video kayıt uygulamasını başlatın
- Video kayıt programı: Herhangi bir veri toplamadan önce, hastayla uygun bir kayıt programını tartışın. Bu programı video kayıt yazılımında yapılandırın.
NOT: Yazarların özel video kayıt uygulamasını kullanıyorsanız, bir program ayarlama talimatları GitHub'da (https://github.com/Weill-Neurohub-OPTiMaL/VideoRecordingApp#installation-guide) bulunabilir. - Kayıt yazılımını güncelleyin: Seçilen video kayıt yazılımının en son sürümünün, 1.4.6'da yüklü GitHub makine kullanıcı hesabı kullanılarak PC'ye yüklendiğinden emin olun.
- Video kayıtlarını başlatın: Yüklü uzak masaüstü yazılımı aracılığıyla PC'de oturum açın ve video kayıt yazılımını başlatın.
NOT: Yazarların özel video kayıt uygulamasını kullanıyorsanız, uygulamayı başlatma talimatları GitHub'da (https://github.com/Weill-Neurohub-OPTiMaL/VideoRecordingApp#installation-guide) bulunabilir.
- Video kayıt programı: Herhangi bir veri toplamadan önce, hastayla uygun bir kayıt programını tartışın. Bu programı video kayıt yazılımında yapılandırın.
- Video kamera kalibrasyonu
- Otomatik odaklamayı devre dışı bırak: Lens ve perspektif bozulması gibi içsel parametreleri hesaplamak için, otomatik odaklamayı kapatmak için seçilen işletim sistemine ve web kameralarına göre talimatları izleyin.
NOT: Linux'ta web kameralarına, kameralara bağlı bilgisayar her yeniden başlatıldığında varsayılan olarak otomatik netlemeyi açan Linux için video API'si aracılığıyla erişilir. Bunu otomatik olarak devre dışı bırakmak için bir komut dosyası yapılandırmak, 3D pozu işlemek için kamera kalibrasyonu sırasında elde edilen odağı korumak için gereklidir. - İçsel kalibrasyon: Poz tahmin yazılımının20 3D kalibrasyonunu desteklemek için 100 mm kareli 6 x 8 dama tahtası deseni elde edin. Bir araştırmacı dama tahtasını tüm kameraların çerçevesine yerleştirirken her bir web kamerasından bir video kaydedin. Dama tahtasının çift sayıda satıra ve eşit olmayan sayıda sütuna (veya tam tersi) sahip olduğundan emin olun. Bu, rotasyonla ilgili belirsizliği ortadan kaldıracaktır.
- Harici kalibrasyon: Üç web kamerasından aynı anda bir video kaydedin. Videoların, 3D poz tahminleri için işlenecek videolarla aynı çözünürlükte kaydedildiğinden emin olun. Tüm videolarda tam zaman senkronizasyonunu sağlamak için, kaydın başında ve sonunda bir IR LED ışığı yanıp söner. LED'in başlangıcında kareleri işaretleyerek ve videoları eşit uzunlukta kırparak videoları manuel olarak senkronize etmek için video düzenleme yazılımını kullanın.
- Kalibrasyon matrisleri: İçsel ve dışsal kalibrasyon matrisleri oluşturmak için önceki iki adımda kaydedilen videoları OpenPose21'den geçirin.
NOT: OpenPose, kamera kalibrasyonu için OpenCV kitaplığını kullanır ve daha fazla talimat OpenPose GitHub20,22'deki belgelerde bulunabilir.
- Otomatik odaklamayı devre dışı bırak: Lens ve perspektif bozulması gibi içsel parametreleri hesaplamak için, otomatik odaklamayı kapatmak için seçilen işletim sistemine ve web kameralarına göre talimatları izleyin.
3. Veri toplama
- Kayda başlamak için hasta talimatları
- Cihazın pilini ve gücünü kontrol edin: INS cihazı, özne için sürekli stimülasyon sağlamak için her zaman AÇIK'tır. Nöral verileri kaydetmeye başlamak için hastadan tablet PC'yi açmasını isteyin ve hem sol hem de sağ INS cihazları için klinisyen telemetri modüllerinin (CTM'ler) AÇIK ve tam şarjlı olduğundan emin olun.
- CTM yerleşimi: CTM'leri göğsün her iki tarafına yerleştirin. Maksimum bağlantı ve paket kaybını azaltmak için, kayıtlar sırasında CTM'leri göğüs implantlarına yakın konumlandırın. CTM'leri yerleştirmek için ek yerler, bir ceketin göğüs cepleri veya özel bir eşarp kullanmaktır.
- Tablet bağlantısını etkinleştirin: Tablet açıldıktan sonra, hastadan DBS uygulamasını açmasını isteyin ve CTM'lere ve ardından INS cihazlarına14 Bluetooth bağlantısı isteyen Bağlan'ı seçin.
- Kamera aktivasyonu: Hastadan video kameraların USB kablolarıyla PC'ye bağlı olduğunu ve kameraların AÇIK olduğunu onaylamasını isteyin.
NOT: Yazarların özel video kayıt uygulamasını kullanıyorsanız, devam eden kayıtlar, hastaya bakan GUI'de parlak bir şekilde yanan kırmızı ışığın büyük bir görüntüsüyle açıkça gösterilir. Bu, kayıtlar KAPALI olduğunda yanmayan kırmızı ışığa dönüşür. Seçilen web kameralarında ayrıca küçük bir beyaz gösterge ışığı bulunur. - Akıllı saat aktivasyonu: Güç düğmesini basılı tutarak hastadan akıllı saatleri ve akıllı telefonları açmasını isteyin. Ardından, veri kaydını ve PD semptom takibini başlatmak için akıllı saat uygulamasını açmalarını isteyin.
- Hareket tabanlı veri hizalama ve kayıt senaryoları
- Veri toplamaya başlamadan önce veri kayıtları sırasında hastanın gerçekleştirmesi gereken görevleri yazın.
- Zaman damgalarını hizalamak için çok cihazlı saat tabanlı senkronizasyon güvenilmez olabileceğinden, hastadan her yeni kaydın başlangıcında, serbest davranış dönemlerinde kaydetmeyi planlarken bile, kaydedilen verilerden zaman damgalarını senkronize etmek için kullanılabilecek bir hareket gerçekleştirmesini isteyin.
NOT: Yazarlar, hastanın ellerini kameraların görüş alanında tutarken implante edilmiş her iki INS cihazına dokunduğu basit bir hareket tasarladılar. Bu dokunma, akıllı saatlerden ve INS ivmeölçerden gelen atalet kayıtlarında belirgin desenler oluşturur ve videolarda gözlemlenmesi kolaydır.
- Kaydı sonlandırmak için hasta talimatları
- Stimülasyon grubunu hastanın tercih ettiği klinik olarak atanmış gruba geri döndürün.
- DBS uygulamasının hastaya yönelik GUI'sine bir belirti raporu girin.
- CTM'lerin bağlantısını kesecek ve INS akışını sonlandıracak olan DBS uygulamasını kapatın.
- Akıllı saat kayıt uygulamasını kapatın ve CTM'leri, akıllı telefonları ve akıllı saat cihazlarını şarj bağlantı noktalarına geri koyun.
- Veri boşaltma
- Ham videoları, şifreli bir yapılandırma kullanarak veri aktarım protokolü aracılığıyla bulut depolamaya aktarın. Kaydedilen videoları veri aktarım protokolü18 aracılığıyla otomatik olarak bulut depolamaya aktarmak için video kayıt bilgisayarında bir cron işi oluşturun.
NOT: Videoların çözünürlüğüne ve her gün kaydedilen saat sayısına bağlı olarak, tüm videoların 24 saat içinde bulut depolama alanına aktarılmasını sağlamak için internet hızının yeterince yüksek olması gerekir. Veri aktarımı çok yavaşsa, disk alanı tükenebilir ve bu da ertesi gün için planlanan ek video kayıtlarının başarısız olmasına neden olabilir. - INS verilerini adım 1.3.2'de yapılandırılan HIPAA güvenli bulut uç noktasına kaydedin. HIPAA güvenli bulut uç noktasından INS verilerini indirin ve verilerin kimliğini gizleyin. Kimliksizleştirilmiş verileri harici bulut depolama alanına kaydedin.
NOT: Açık kaynaklı OpenMind ön işleme kodu23 , verilerin kimliğini gizlemek ve json dosyalarından tablo biçimine dönüştürmek için kullanıldı. Hastanın tableti, ham INS verilerinin geçici olarak depolanması için HIPAA güvenli bir bulut uç noktası ile yapılandırıldı; bununla birlikte, HIPAA uyumlu olması ve verilerin boşaltmadan önce şifrelenmesi koşuluyla, uzun süreli depolama için kullanılan aynı bulut depolama sitesi de bu adım için kullanılabilir. - İstenirse, tüm veri akışlarına tek bir yerden erişilebilmesi için akıllı saat verilerinin bir kopyasını harici bir bulut depolama alanına kaydedin.
- Ham videoları, şifreli bir yapılandırma kullanarak veri aktarım protokolü aracılığıyla bulut depolamaya aktarın. Kaydedilen videoları veri aktarım protokolü18 aracılığıyla otomatik olarak bulut depolamaya aktarmak için video kayıt bilgisayarında bir cron işi oluşturun.
4. Sistem karakterizasyonu
- Ham veri görselleştirme: İstenen kodlama ortamında, verilerin kayıp veya bozulma olmadan uygun şekilde kaydedildiğinden ve aktarıldığından emin olmak için tüm ham veri akışlarını görselleştirin.
NOT: Akıllı saat kayıtlarını yönetmek için seçilen uygulama, akıllı saat verilerini görselleştirmeye yardımcı olan bir tarayıcı uygulamasınasahiptir 24. - Video karesi ve zaman damgası gecikmeleri: Farklı web kameralarından oluşturulan zaman damgaları arasındaki gecikmeleri inceleyin. Tüm web kameralarının çerçevesine yerleştirilmiş programlanabilir bir LED ışıkla videolar kaydederek gecikmeleri analiz edin.
NOT: Analiz, özel video kayıt uygulaması tarafından içe aktarılan bir video bölümleme işlevinin25 artan zaman damgası gecikmelerinin kaynağı olduğunu ortaya koydu. Videoları bölümlere ayırma işlevi olmadan kaydetmek, web kamerası çerçevesi ve zaman damgası arasında zaman içinde artmayan gecikmelere neden oldu (Bkz. Ek Dosya 1 ve Ek Şekil 1).
5. Post-hoc veri ön işleme ve hizalama
- Poz verileri
- Kaydedilen videolardan ortak konum tahminlerini hesaplamak için yazılım yükleyin.
NOT: OpenPose kitaplığı, hem 2B hem de 3B olarak el ve yüz izlemeyi içerdiğinden seçilmiştir. - OpenPose kitaplığı, birden fazla kişinin çerçeve içinde olduğu durumları otomatik olarak işlemez, bu nedenle her kişinin poz tahminlerinin bir kareden diğerine sürekli olmasını sağlamak için bir son işleme komut dosyası kullanın. OpenPose, poz tahmin kalitesinde görsel kontroller için 2D veya 3D animasyonları kolayca oluşturmak için kod sağlar.
- Kaydedilen videolardan ortak konum tahminlerini hesaplamak için yazılım yükleyin.
- Hareket tabanlı zaman hizalaması
- Her INS cihazı için (sol ve sağ), yazarların veri hizalama GUI'sini (https://github.com/Weill-Neurohub-OPTiMaL/ManualTimeAlignerGUI) kullanarak aşağıda açıklanan adımları izleyin.
- Verileri oku: İstenen veri oturumu için bulut depolama alanından kaydedilen INS ve akıllı saat ivmeölçer verilerine erişin.
NOT: İstenirse ek bir zaman serisi eklenebilir. Şekil 3 , sağ orta parmak ucunun poz pozisyonunu yeşil renkle göstermektedir. - GUI'de veri akışlarını görselleştirin: INS ivmeölçeri, akıllı saat ivmeölçeri ve poz verilerini üst üste bindirmek için manuel zaman hizalama GUI'sini kullanın.
- Hizalama yapılarını yakınlaştırma: Zaman eksenine yakınlaştırın ve görüntüleme penceresini kaydın sandığa dokunma bölümüne taşıyın. Hizalama zaman serisini, hem INS hem de akıllı saat zaman serisi sinyallerinde göğüs musluklarından gelen tepe noktası mümkün olduğunca yakından örtüşecek şekilde kaydırın.
NOT: GUI, rastgele zaman serilerinin ortak bir gerçek zamana manuel olarak hizalanmasını kolaylaştırmak için tasarlanmıştır. Şekil 3'te gerçek zaman serileri mavi renkte, hizalama zaman serileri ise turuncu ve yeşil renkte gösterilmiştir. GUI hizalaması için temel kılavuzlar GitHub Benioku (https://github.com/Weill-Neurohub-OPTiMaL/ManualTimeAlignerGUI#time-alignment) üzerinde belirtilmiştir. - Hizalama onayı: GUI penceresini kayıttaki göğüs vurma görevlerinin her birine taşıyın ve hizalamanın zaman serisi boyunca tutarlı kaldığını onaylayın. Hizalamayı Değiştir düğmesine basın ve kalan veri akışlarında hizalamaları tekrarlayın.
- Uyarı bayrakları: Verilerin eksik mi, kaydırılmış mı yoksa veri kalitesiyle ilgili diğer genel uyarılar mı olduğunu belirtmek için sırasıyla D, S ve F tuşlarını kullanarak GUI'de uyarı bayrakları ayarlayın.
- Verileri oku: İstenen veri oturumu için bulut depolama alanından kaydedilen INS ve akıllı saat ivmeölçer verilerine erişin.
- Her INS cihazı için (sol ve sağ), yazarların veri hizalama GUI'sini (https://github.com/Weill-Neurohub-OPTiMaL/ManualTimeAlignerGUI) kullanarak aşağıda açıklanan adımları izleyin.
- Sıfır normalleştirilmiş çapraz korelasyon (ZNCC) zaman hizalaması
- Gerçek zamana en yakın olma olasılığı en yüksek olan sinyali belirleyin. Genellikle bu, en yüksek örnekleme frekansına veya en hızlı internet süresi yenilemesine sahip olandır.
- Aynı zamansal örnekleme frekansına sahip olmak için iki sinyali yeniden örnekleyin ve her iki sinyali de ayrı ayrı z-skorlayın. Bu, elde edilen ZNCC puanlarının -1 ile 1 arasında olacak şekilde normalleştirilmesini sağlar ve hataları yakalamak için yararlı olan iki sinyal arasındaki benzerlik düzeyinin bir tahminini verir.
- Her gecikmede ikinci sinyalin ve ilk sinyalin çapraz korelasyonunu hesaplayın.
- İki sinyalin faz bilgisi önemli değilse, ölçülen çapraz korelasyon eğrisinin mutlak değerini alın.
NOT: Davranış önemli ölçüde a-periyodik ise, bu durumda olduğu gibi faz bilgisi gerekli değildir. - ZNCC eğrisini analiz edin. Tepe ZNCC puanı 0,3'ün üzerinde olan tek bir net tepe varsa, bu zirvenin zamanı iki sinyal arasındaki zaman gecikmesine karşılık gelir. Birden fazla tepe noktası varsa, net bir tepe noktası yoksa veya tüm zaman gecikmelerinde ZNCC puanı düşükse, iki sinyalin manuel olarak hizalanması gerekir.
Şekil 3: Hareket tabanlı veri hizalaması. Şeklin üst yarısı, üç veri akışını hizaladıktan sonra manuel hizalama GUI'sini gösterir. Mavi çizgi, akıllı saat ivmeölçer verileridir, turuncu çizgi, INS'den gelen ivmeölçer verileridir ve yeşil çizgi, tek bir web kamerasından sağ orta parmak ucunun 2D poz konumudur. Sağ üst, akıllı saatten gelen gerçek zaman ile INS arasındaki farkın yanı sıra ortaya çıkan sorunları işaretlemek için çeşitli uyarı bayraklarını gösterir. Bu örnekte INS, akıllı saatin 20,8 saniye önündeydi. Sol alttaki grafik, veri hizalaması için hasta tarafından gerçekleştirilen beş göğüs musluğunu gösterecek şekilde yakınlaştırılır. Beş tepe noktası, doğru hizalamayı sağlamak için her veri akışında yeterince nettir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Prototip platform tasarımı ve dağıtımı
Bir prototip platform tasarladık ve tek bir hastanın evine yerleştirdik (Şekil 1). Evde ilk donanım kurulumundan sonra, platformun bakımı yapılabilir ve veriler tamamen uzaktan erişim yoluyla toplanabilir. INS cihazları, akıllı saatler ve kameralar, hastaların kayıtları başlatmasına ve durdurmasına olanak tanıyan hastaya dönük uygulamalara sahiptir. Video toplama donanımı, onaylanmış bir zamanlama yapılandırıldıktan sonra otomatik video kayıtlarına olanak tanır. Hastalar, video kayıt uygulaması GUI'deki bir düğmeye basarak devam eden bir kaydı kolayca iptal edebilir (Şekil 2). Toplanan tüm veriler şifrelendi ve araştırmacıların işlemesi ve analiz etmesi için bir bulut depolama sitesine aktarıldı.
Veri toplama
İlk dağıtımlar ve veri toplama döngüleri için hastadan kendi kendine yönlendirilen klinik görevleri yerine getirmesini istedik. Görevler, birleşik Parkinson hastalığı derecelendirme ölçeğinden (UPDRS)26, yani istirahat titremesi, başparmaktan işaret parmağına dokunma, el açma ve kapama, bilek pronasyonu-supinasyon, oturarak ayakta durma hareketi ve yürüme ve bir yazma görevi olarak alınmıştır. Tüm görevler her kayıt günü için üç kez tekrarlandı. Her tekrar için, PH'nin potansiyel stimülasyonla ilişkili semptomlarını ortaya çıkarmak için farklı bir stimülasyon genliği ayarlandı. Şekil 4 , sistemle toplanan bir haftalık verinin nasıl görünebileceğine dair şematize edilmiş bir örneği göstermektedir.
Şekil 4: Veri kullanılabilirliği. Sistemle toplanan bir haftalık verilerin nasıl görünebileceğinin şematize edilmiş bir gösterimi. Üstteki grafik, birkaç gündüz/gece döngüsü boyunca stimülasyon seviyesini (mavi) gösterir. Bu hasta için stimülasyon değişiklikleri, uyku programlarına ve ilaç alım zamanlarına (dikey kırmızı çizgiler) bağlıdır. Gün boyunca rastgele zamanlarda, veri toplama sistemi, renkli kutular olarak gösterilen birden fazla modalite için veri toplamak üzere uzaktan etkinleştirilebilir. Gövdenin sol tarafına doğru seçilen tüm paralel, zamana göre hizalanmış veri akışlarının bir örneği, alt çizimde gösterilmiştir. Bu kayıt sırasında hastadan düşük, terapötik ve yüksek amplitüdlü stimülasyon koşulları sırasında bir dizi klinik değerlendirme yapması istendi. Burada gösterilen tüm veriler, toplanan gerçek verilere karşılık gelir, ancak görselleştirmeyi kolaylaştırmak ve çeşitliliği göstermek için ayrı deneylerde sıkıştırılmıştır. Kısaltmalar: LFP = yerel alan potansiyeli, STN = Subtalamik çekirdek, Accel = ivmeölçer, Jiroskop = jiroskop, 2D = iki boyutlu. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Manuel hizalama
Manuel hizalama GUI'si, birden çok veri akışını hizalamak için kullanımı kolay bir platform sağlar. Şekil 3'te gösterildiği gibi, göğüs muslukları, manuel hizalamada kullanılabilecek tüm veri modalitelerinde (INS, akıllı saatler, videolar) açıkça tanımlanabilir bir artefakt sağlar. GUI, verileri hizalamak için yararlı bir araçtı, ancak bu, araştırmacıların kullanmak istediği diğer herhangi bir hizalama aracıyla değiştirilebilir. Bazı durumlarda, veri akışlarında hafif bir sapma olur. Bu soruna gelecekteki olası bir çözüm, oturum verilerini, her biri kendi göğüs vuruşu dizisine sahip farklı denemelere bölmek olabilir. Her deneme daha sonra sürüklenmenin etkisini en aza indirmek için ayrı ayrı hizalanabilir.
Sıfır normalleştirilmiş çapraz korelasyon (ZNCC) zaman hizalaması
ZNCC yöntemi bazı durumlarda iyi çalışır, ancak birkaç kritik güvenlik açığı vardır. Örneğin, bazı hareketler için, iki ivmeölçer sinyali birbirine göre faz kaydırılabilir. Analiz edilen dönemlere bir faz hizalı ve faz kaydırmalı hareketin her ikisi de dahil edilirse, ZNCC'nin birden fazla veya hatta net bir tepe noktası olmayabilir. ZNCC'nin normalleştirilmesi, bu hizalamaların otomatik olarak tanımlanmasına ve gerektiğinde atılmasına olanak tanır. Bu yöntem, her iki sinyal de nispeten gürültüsüzse ve her iki izde de büyük, senkronize efektlere sahip bir döneme pencerelenmişse en iyi sonucu verir. En iyi sonuçlar, hastadan iki eliyle göğsüne bir dizi güçlü dokunuş yapması istendiğinde elde edildi. Ancak pratikte, otomatik hizalamanın manuel olarak doğrulanması, otomatik yöntemi kullanmanın avantajının ihmal edilebilir olduğu yeterli sayıda durum için gerekliydi.
Veri kalitesi
Veri aktarım protokolü süreci, herhangi bir kaybın kurtarılabilir olmasını sağlamak için ham kopyaları yedeklediğinden, otomatik aktarım sırasında veri kaybı ihmal edilebilir düzeydeydi. Bluetooth ve radyo frekansı bazen beklenmedik bağlantı kesintilerine neden olduğundan ve menzil sınırlı olduğundan, bağlantı sorunlarından kaynaklanan veri kaybı düzenli olarak meydana geldi. 2 saniyeye kadar olan kısa boşluklar saatte yaklaşık birkaç kez meydana geldi ve 2 dakikaya kadar olan daha uzun boşluklar yaklaşık birkaç saatte bir meydana geldi. Veri kaybının ötesinde, nöral verilerde, ciddiyeti kayda ve seçilen stimülasyon gruplarına bağlı olan önemli stimülasyon artefaktları gözlendi. En büyük artefaktlar, stimülasyon frekansının yakınında, ilgilenilen aralıkların çok dışında meydana gelir. Akıllı saatlerden elde edilen verilerde herhangi bir artefakt gözlenmedi. Videolar sabit bir kare hızında kaydedildi; Ancak videolarda yinelenen kareler tespit edildi. Bu, gerçek kare hızının web kamerası özelliklerinde belirtildiği gibi teorik kare hızından birkaç kare daha düşük olmasını sağladı. Bununla birlikte, yinelenen karelerden daha dikkat çekici olan, kayıt gününe bağlı olarak değişen aralıklarla videolarda tanımlanan donma süreleriydi. Yaklaşık 10 kare veya daha az donma periyotları düzenli olarak gözlenmiştir; Bununla birlikte, düzensiz dönemlerde yaklaşık 2 ila 30 saniye uzunluğunda daha uzun bölümler de gözlenmiştir.
Boylamsal veri toplama
Tablo 1, platform prototipinin 1,5 yıl boyunca periyodik olarak topladığı verileri göstermektedir. Bu süre zarfında, vücudun her iki tarafında toplam 293 saat INS verisi, her iki saat için 224 saat akıllı saat verisi ve üç web kamerasında 2.037 saat video verisi ile yüzlerce saatlik veri toplandı. Bu, platformun uzun süreler boyunca evde veri toplamayı desteklediğini ve sinirsel verilerdeki uzunlamasına değişiklikleri ve buna karşılık gelen stimülasyon gereksinimlerini gözlemlemek için nadir bir fırsat sunduğunu göstermektedir.
| Veri tipi | Toplam Süre (ss:dd:ss) | Toplam Gün Sayısı | Depolama Boyutu |
| Sinir | 293:17:33 | 90 | 28,94 GB GB |
| Bakmak | 224:06:05 | 89 | 35,67 GB GB |
| Video | 2037:06:11 | 228 | 146.073,77 GB |
Tablo 1: Toplanan verilere boylamsal genel bakış. Konuşlandırılan platform, 1,5 yıl boyunca çeşitli deneyler sırasında veri topladı. Toplanan nöral, video ve akıllı saat veri akışları ile yaklaşık 90 gün kaydedildi.
2D ve 3D poz tahminleri
Artık birkaç poz tahmini yazılım paketi mevcuttur. Poz tahmini, açık kaynaklı bir yazılım paketi olan OpenPose kullanılarak test edilmiştir21. Bu, kuruluşun GitHub'ı tarafından sağlanan belgelerin yanı sıra web'de bulunan diğer birçok resmi olmayan öğreticinin ardından başarıyla yüklendi. OpenPose için işlem süresi, OpenPose kitaplığının ve kapsamlı bağımlılıklarının nasıl kurulduğuna, kullanılan GPU'nun boyutuna ve isteğe bağlı ellerin ve yüz anahtar noktalarının işlenip işlenmediğine bağlı olarak önemli ölçüde değişir. 2D pozun uygulanması nispeten kolaydı, ancak 3D poz özellikle daha zordu ve ön 3D sonuçlar 2D pozunkine eşit tutarsız kalite verdi. Düşük kaliteli 3D poz tahmini, yetersiz kamera kalibrasyonundan, kamera otomatik netlemesinin yanlışlıkla açıldığı dönemlerden veya OpenPose yazılımının kendisinden olumsuz etkilenmiş olabilir. Bununla birlikte, birden çok açıdan senkronize edilmiş yüksek kaliteli videolar, çeşitli mevcut poz tahmini yazılım paketleri için zengin girdiler sağlayabilir. Mevcut farklı poz tahmin yazılım paketlerinin manuel olarak kıyaslanmasıyla bir test kurulumunun hastanın evinin dışında tamamlanması önerilir.
Ek Şekil 1: Video karesi gecikme analizi. Sistem karakterizasyonu sırasında video kayıt uygulamasından oluşturulan zaman damgalarındaki gecikmeler tespit edildi. Gecikmelerin nedenini araştırmak için, rastgele aralıklarla yanıp sönen kırmızı bir LED ışığı kaydedilerek her kameradan oluşturulan çerçeve numarası ve zaman damgası belirlendi, ardından kameralar arasında zaman damgası gecikmelerindeki farklılıklar hesaplandı. (Yukarıya git) Üç kameranın her birinde ölçülen LED yoğunlukları (RGB birimleri cinsinden), üç kamera arasında gözlemlenen zaman farklarını gösterir (kırmızı oklarla gösterilir). (Altta) Üç grafik, tüm kayıt boyunca yanıp sönen bir dizi LED için kare sayısındaki kamera arasındaki zaman damgası gecikmelerini gösterir. Her kayıt birden çok bölüme ayrıldı ve kare gecikmesi zaman içinde yaklaşık olarak sabitti. Bu Dosyayı indirmek için lütfen buraya tıklayın.
Ek Dosya 1: Video karesi ve zaman damgası analiz yöntemi. Bu Dosyayı indirmek için lütfen buraya tıklayın.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Nöromodülasyon araştırmalarında gelecekteki araştırmaları desteklemek için çok modlu bir veri toplama platformunun evde prototipinin tasarımını paylaşıyoruz. Tasarım açık kaynaklı ve modülerdir, böylece herhangi bir donanım parçası değiştirilebilir ve herhangi bir yazılım bileşeni, genel platform çökmeden güncellenebilir veya değiştirilebilir. Nöral verilerin toplanması ve kimliksizleştirilmesi yöntemleri seçilen INS'ye özgü olsa da, geri kalan yöntemler ve davranışsal veri toplamaya yönelik genel yaklaşım, implante edilebilir cihazın kullanıldığı agnostiktir. Platformu PD'li bir bireyin evine yerleştirdik ve hem deneysel hem de doğal dönemlerde veri topladık. Dağıtımlar, veri toplamalar ve post-hoc veri işleme sırasında, başarılı araştırma yinelemelerini mümkün kılmak için özellikle önemli olan çeşitli yönler keşfedildi.
Ekibimizin değerli bir üyesi, donanım kurmak, VPN'i kurmak, 3D poz için kamera kalibrasyonu yapmak ve hastaya her cihazın hastaya dönük GUI'sini nasıl kullanacağını göstermek için hastanın evine giden araştırma koordinatörüydü. Daha da önemlisi, araştırma koordinatörü ayrıca hasta ve araştırma ekibi arasındaki ana temas noktası olarak hizmet etti. Hasta, hızlı bir şekilde ileri geri mesaj göndermek için e-posta sohbet işlevini kullanmayı tercih etti. Tutarlı ve erişilebilir bir iletişim noktasına sahip olmak özellikle iki yönden yardımcı oldu:
Hastanın programlanmış kayıtlarda değişiklik talep etmesi ve sistem kullanımındaki zorlukları iletmesi için tanıdık bir iletişim kanalı oluşturmak. Bu, araştırma koordinatörünün hastanın kayıt deneyleri yapması için uygun zamanları belirlemesine yardımcı oldu. Sistem kullanımındaki ana zorluk, birkaç cihaz için pil ömrünü takip etme ihtiyacıydı.
Sistem sorun gidermenin hasta için en az rahatsız edici olmasını sağlamak için. Sorun gidermelerin çoğu, ortalama olarak birkaç haftada bir meydana gelen ağ bağlantısı sorunlarından kaynaklanıyordu. Cihazları yeniden başlatmak tipik olarak bu sorunları çözerken, saatler sıklıkla birden fazla yeniden başlatma gerektiriyordu ve bu da hastanın külfetli olduğunu bildirdi.
Hastanın evine yerleştirilen donanıma sağlam bir uzaktan erişim sağlamak esastır. Bunu başarmak için sabit bir internet bağlantısına sahip olmak çok önemlidir. Ayrıca, bir makine yeniden başlatıldığında otomatik olarak kilidi açmak için disk şifreli bir makine yapılandırmak da gereklidir. Şaşırtıcı olmayan bir şekilde, bir ethernet kablosu sürekli olarak en hızlı ve en güvenilir ağ bağlantılarını sağladı. Daha az beklenen, işletim sistemi olarak Linux'un seçilmesi nedeniyle gerekli olan bir TPM yongası yapılandırma ihtiyacıydı. Bir Windows işletim sistemi kullanılıyorsa, Bitlocker programları bunu otomatik olarak halledecektir. Son olarak, dağıtılan bilgisayarı VPN'i otomatik olarak etkinleştirecek ve sistem yeniden başlatıldığında sabit disk sürücüsünü yeniden takacak şekilde yapılandırmak, hastanın evini tekrar tekrar ziyaret etmeye gerek kalmadan sürekli uzaktan erişim sağladı. Platform tasarımına bir VPN ve bir veri şifreleme protokolünün dahil edilmesi, veri güvenliği ve bütünlüğü için çok önemliydi. VPN, bir hastanın özel yönlendiricisinde yapılandırılacak özel bağlantı noktası yönlendirmeye gerek kalmadan bir bilgisayar ağının bağlanmasına izin verir. Açık kaynaklı veri şifreleme protokolü Rclone programı, kullanıma hazır bir veri şifreleme ve hasta cihazlarından bulut depolamaya veri aktarmanın kolayca otomatikleştirilebilir bir yolu ile sağlanmıştır18. Veri şifreleme protokolü, kayıpların kurtarılabilir olmasını sağlamak için veri aktarım adımları sırasında ham verilerin yedek kopyalarını oluşturur. Bu adımlar, hastanın özel verilerinin güvende ve bozulmamış olmasını sağladı.
Anlamlı veri analizi yapabilmek için, birden fazla cihazdan toplanan verilerin zamana uygun olması esastır. Her cihazdaki saatler, üreticiler öyle olduğunu öne sürse bile, muhtemelen ortak bir internet saatine mükemmel bir şekilde hizalanmamıştır. Ek olarak, bazı cihazlar öngörülemeyen zamanlarda sapma yaşayabilir ve ofsetlerini diğer cihazlara göre değiştirebilir. Bu, tam otomatik, gerçek zamanlı uyarlanabilir algoritmalara yönelik çalışmalarda zorluk yaratır ve gelecekteki araştırmaların bu soruna yönelik çözümleri dikkatlice düşünmesi gerekecektir. Normalleştirilmiş çapraz korelasyon kullanılarak otomatik hizalama yöntemleri araştırıldı. Bu, birçok durumda oldukça iyi çalışır; Bununla birlikte, zaman kaymaları minimum düzeyde olmalı ve veriler açıkça tanımlanabilir sinyaller içermelidir. Hem büyük sapmalar hem de verilerin çok fazla gürültü veya paket kaybına sahip olduğu dönemlerle karşılaşıldığından, bu tam otomatik yönteme tam olarak güvenilemez. Verileri manuel olarak hizalama yükünü en aza indirmek için, araştırmacıların veri akışlarını nispeten kolay ve hızlı bir şekilde görsel olarak kontrol etmelerini sağlamak için basit bir GUI oluşturduk.
Video verilerinin sisteme dahil edilmesi, klinisyenlerin uzaktan gözlem yoluyla semptom şiddetini ölçmesini sağlar ve araştırmacılar olay etiketleri alabilir. Buna ek olarak, poz tahminleri, parmak hareketlerinin zaman içindeki hızını ve pürüzsüzlüğünü ölçmek gibi sürekli bir hareket kalitesi metriği olarak videolardan hesaplanabilir. Ancak, birden fazla kameradan yüksek çözünürlüklü videolar toplamak, geniş depolama alanı gerektirir. Örneğin, üç kameradan MJPEG formatında 8 saatlik 4k video toplamak yaklaşık 0,5 TB depolama alanı gerektirir. Büyük miktarda verinin kaydedilmesi ve depolanması hızla pahalı hale gelir ve bu sistemin birçok hastaya dağıtılması için ekonomik bir darboğaz yaratır. Bu tür platformların birçok hastaya ölçeklenmesini sağlamak için, gelecekteki sistem tasarımcılarının uzun vadeli depolama için gereken veri miktarını azaltması gerekir. Gelecekteki sistemler, poz işlendikten sonra videoların hemen silinebilmesi için gerçek zamanlı poz işlemeyi dahil etmeyi düşünmelidir. Gerçek zamanlı poz, bu çalışmanın kapsamı dışında kalan kapalı döngü algoritmalardaki ince motor beceriler hakkında da geri bildirim sağlayabilir. Klinisyen incelemesi veya olay etiketlemesi için bazı video verilerinin korunması gerekiyorsa, bunlar bulut depolama alanına kaydedilmeden önce daha düşük bir çözünürlüğe düşürülebilir.
Son olarak, entegre bir sistem kurarken her zaman ortaya çıkan tasarım kusurlarını ve uygulama hatalarını verimli bir şekilde ele almak için, test donanımı olarak kullanılmak üzere konuşlandırılacak donanımın bir kopyasını elde etmek son derece değerlidir. Bu, video toplamak ve poz verilerini işlemek için seçilen donanım ve yazılımı test etmek için geçerliydi. Hem 2D hem de 3D alanda video edinme ve tahminlerde bulunma sürecinin tamamı, beklenenden çok daha zordu. Bir test donanımı, dağıtımdan önce aşağıdakiler de dahil olmak üzere bir dizi önemli adımda sorun gidermeye ve stres testine olanak tanır:
Kameraları belirli bir odanın yerleşim kısıtlamaları dahilinde uygun şekilde kalibre etmek.
Yüksek kaliteli poz tahminini desteklemek için uygun video çözünürlüğünü ve kare hızını belirleme. Küçük odalar veya ofis benzeri ortamlar için, kaydedilen videodaki kişilerin boyutu yeterince büyük olduğundan, 4k videodan önemli ölçüde daha az depolama alanı gerektirirken poz kolayca hesaplanabildiğinden, HD video kaydı muhtemelen yeterlidir.
Kaydedilmiş videolarda, karelerin donması veya sıralı olarak yazılmış video dosyaları arasındaki zaman gecikmeleri gibi hataları keşfetme.
Makine yeniden başlatıldığında kamera otomatik netlemesinin yeniden ayarlanması gibi beklenmeyen yazılım varsayılanlarının ortaya çıkması, kamera kalibrasyonunun avantajını engeller.
OpenPose'un orta büyüklükte bir GPU'da çalışmasını sağlamak için önceden yüklenmesi gereken yazılım kitaplıklarının uyumlu sürümlerini bulmak için deneme yanılma.
Bu çalışmanın belirli bir sınırlaması, platformu tek bir pilot çalışmada bir bireyin evine konuşlandırmak ve katılımcılar arası genellemelerin keşfedilmesini keşfetmemizi engellemektir. Bununla birlikte, tasarım ve geliştirme süreci boyunca, sistem ölçeklenebilir olacak ve uzaktan çalışmaları desteklemek için birden fazla dağıtımı destekleyecek şekilde tasarlandı ve bu pilot çalışmanın amacı, gelişmiş bir evde izleme platformunun teknolojik fizibilitesini oluşturmaktı. Tartışılan bazı önemli bulgulara dayanarak bu pilot tasarımın değiştirilmesi ve platformun daha fazla eve dağıtılması, evde aDBS'de gelecekteki araştırmaları desteklemek için tasarımın daha da iyileştirilmesine olanak tanıyacaktır. Ek olarak, bir bireyin önceden belirlenmiş deneyleri yapmadığı ek zaman noktalarında veri toplamak, analizleri ve genel terapi etkinliğini iyileştirmek için içgörüler sunacaktır. aDBS, kabul edilemez yan etkilere sahip olabilen geleneksel DBS'ye kıyasla PD dahil nörolojik hastalıkların tedavisi için tercih edilen bir yöntem sağlayabilir. Bu önemli tedaviyi birçok kişiye ulaştırmak, parametre ayarlamayı otomatikleştirmeyi ve zaman içinde klinik dışında tedavi etkinliğini analiz etmeyi gerektirir. Platform, hastanın kendi evinin rahatlığında deneysel ve doğal aktiviteler sırasında ev içi video kamera, akıllı saat, nöral kayıt ve hasta raporu verilerini toplamak için yeni bir yaklaşım sağlar. Sistem, nörolojik hastalıkların tedavisinde gelecekteki keşifleri desteklemek için yeni çok modlu veri setlerinin oluşturulmasına da katkıda bulunacaktır15.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Yazarların ifşa edecek herhangi bir çıkar çatışması yoktur.
Acknowledgments
Bu materyal, Ulusal Bilim Vakfı Lisansüstü Araştırma Burs Programı (DGE-2140004), Weill Neurohub ve Ulusal Sağlık Enstitüsü (UH3NS100544) tarafından desteklenen çalışmalara dayanmaktadır. Bu materyalde ifade edilen herhangi bir görüş, bulgu ve sonuç veya tavsiye yazar(lar)a aittir ve Ulusal Bilim Vakfı, Weill Neurohub veya Ulusal Sağlık Enstitüsü'nün görüşlerini yansıtmayabilir. Tianjiao Zhang'a platform tasarımı ve video verilerinin dahil edilmesi konusundaki uzman istişareleri için teşekkür ederiz. Hastaya bu çalışmaya katılımları ve ağ güvenliği ve platform tasarımı ile ilgili geri bildirim ve tavsiyeleri için özellikle teşekkür ederiz.
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 |
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.
- 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).
