इस प्रोटोकॉल आमतौर पर पार्किंसंस रोग में अनुभूति और मोटर नियंत्रण को मापने के लिए इस्तेमाल पारंपरिक नैदानिक कार्यों के कुछ हिस्सों के एक डिजिटलीकरण प्रदान करता है. नैदानिक कार्यों digitized कर रहे हैं, जबकि biophysical लय सह तंत्रिका तंत्र के विभिन्न कार्यात्मक स्तर से पंजीकृत हैं, स्वैच्छिक, सहज, स्वत: से autonomic को लेकर.
पार्किंसंस रोग (पीडी) के रूप में एक विषम विकार है, व्यक्तिगत चिकित्सा वास्तव में देखभाल का अनुकूलन करने के लिए आवश्यक है। उनके वर्तमान रूप में, कागज और पेंसिल लक्षण से मानक स्कोर- परंपरागत रूप से रोग की प्रगति को ट्रैक करने के लिए इस्तेमाल किया उपाय भी मोटे हैं (discrete) विचाराधीन नैदानिक घटना की दानेदारता पर कब्जा करने के लिए, जबरदस्त लक्षण के चेहरे में विविधता. इस कारण से, सेंसर, पहनने योग्य, और मोबाइल उपकरणों तेजी से पीडी अनुसंधान और नियमित देखभाल में शामिल कर रहे हैं. इन डिजिटल उपायों, जबकि अधिक सटीक, उपज डेटा है कि कम मानकीकृत और पारंपरिक उपायों की तुलना में व्याख्या कर रहे हैं, और इसके परिणामस्वरूप, डेटा के दो प्रकार के मोटे तौर पर siloed रहते हैं. इन मुद्दों के दोनों क्षेत्र के सबसे सटीक मूल्यांकन उपकरण के व्यापक नैदानिक आवेदन करने के लिए बाधाओं मौजूद हैं. यह प्रोटोकॉल दोनों समस्याओं को दूर करता है। अनुभूति और मोटर नियंत्रण को मापने के लिए पारंपरिक कार्यों का उपयोग करना, हम भागीदार का परीक्षण करते हैं, जबकि सह-पंजीकरण जैवभौतिक संकेतों विनीत wearables का उपयोग कर. फिर हम पारंपरिक पेपर और पेंसिल विधियों से स्कोर को डिजिटल डेटा के साथ एकीकृत करते हैं जिसे हम लगातार पंजीकृत करते हैं। हम एक नया मानकीकृत डेटा प्रकार की पेशकश और सांख्यिकीय मंच है कि विभिन्न स्थितियों है कि neuromotor नियंत्रण के विभिन्न कार्यात्मक स्तर की जांच के तहत व्यक्ति के stochastic हस्ताक्षर में परिवर्तन के गतिशील ट्रैकिंग सक्षम बनाता है, से लेकर स्वायत्त करने के लिए स्वैच्छिक. प्रोटोकॉल और मानकीकृत सांख्यिकीय ढांचे पीडी में शारीरिक और संज्ञानात्मक समारोह के गतिशील डिजिटल biomarkers कि नैदानिक तराजू मान्य करने के लिए अनुरूप प्रदान करते हैं, जबकि काफी उनकी परिशुद्धता में सुधार.
प्रेसिजन चिकित्सा (पीएम) (चित्र 1) व्यक्तिगत लक्षित उपचार विकसित करने के लिए एक शक्तिशाली मंच के रूप में उभरा है। कैंसर अनुसंधान के क्षेत्र में, यह मॉडल बहुत सफल रहा है और इसके सिद्धांत निकट भविष्यमें 1में चिकित्सा क्षेत्र में क्रांति लाने के लिए बाध्य हैं। प्रधानमंत्री ज्ञान की कई परतों को जोड़ती है, रोगियों की आत्म रिपोर्ट से जीनोमिक्स को लेकर. इन सभी परतों में जानकारी को एकीकृत करने का परिणाम एक व्यक्तिगत मूल्यांकन में होता है जो व्यक्ति के जीवन के सभी पहलुओं पर विचार करने के उद्देश्य से डेटा की व्याख्या और अधिक सटीक उपचार सिफारिशों को सक्षम बनाता है।
जब पीएम प्लेटफार्म को तंत्रिका तंत्र2,3के न्यूरोसाइकेट्रिक और न्यूरोलॉजिकल डिसऑर्डर के लिए अनुकूल बनाने की कोशिश की जाती है तो कई चुनौतियां होती हैं और हाल ही में इन चुनौतियों की आवाज उठाई गई है4. उन लोगों में से प्राप्त किया जाता है कि डेटा में असमानता, अर्थात् नैदानिक पेंसिल और कागज अवलोकन द्वारा निर्देशित तरीकों से असतत स्कोर, और सतत biophysical डेटा शारीरिक रूप से तंत्रिका तंत्र उत्पादन से प्राप्त (जैसे, biosensors का उपयोग कर). नैदानिक स्कोर से डेटा एक एक आकार फिट सभी स्थिर मॉडल है कि एक एकल (सैद्धांतिक) प्रायिकता वितरण समारोह (पीडीएफ) लागू मान जाते हैं. यह एक प्राथमिकता धारणा उचित अनुभवजन्य सत्यापन के बिना डेटा पर लगाया गया है, क्योंकि मानक डेटा प्राप्त नहीं किया गया है और पहली जगह में विशेषता. इस तरह के रूप में, वहाँ कोई उचित समानता-मीट्रिक आधारित मानव तंत्रिका तंत्र के neurotypical maturational राज्यों का वर्णन मानदंड है, स्वस्थ व्यक्ति उम्र और संभावना रिक्त स्थान के रूप में इन पैरामीटर बदलाव कुछ दर पर बदलाव डाली करने के लिए इस्तेमाल किया. मानक डेटा और उचित समानता मैट्रिक्स के बिना, विशिष्ट राज्यों से प्रस्थान को मापने के रूप में वे गतिशील रूप से व्यक्ति के जीवन में परिवर्तन संभव नहीं है. आगामी परिवर्तनों के संवेदी परिणामों की भविष्यवाणी करना भी संभव नहीं है।
चित्रा 1: प्रेसिजन चिकित्सा मंच: व्यवहार और जीनोमिक्स के बीच अंतर को भरने के लिए व्यक्तिगत चिकित्सा में लक्षित उपचार के विकास को सक्षम करने के लिए तंत्रिका तंत्र के तंत्रिका विज्ञान और तंत्रिका मनोरोग विकारों के लिए अनुवाद. व्यक्तिगत लक्षित उपचार के विकास के लिए सटीक चिकित्सा मंच का निदान और तंत्रिका तंत्र के तंत्रिका विज्ञान और neuropsychiatric विकारों के इलाज के लिए अनुवाद किया जा सकता है. हालांकि, ज्ञान नेटवर्क में, व्यवहार विश्लेषण की परत अधिक पारंपरिक नैदानिक मानदंडों के साथ biophysical डेटा से नए उभरते डिजिटल परिणामों को एकीकृत करने के लिए एक प्रतिमान बदलाव की जरूरत है. आगे एक चुनौती चिकित्सकों, रोगियों और देखभाल करने वालों द्वारा डिजिटल परिणाम उपायों के उपयोग को प्रोत्साहित करते हुए, इस तरह के एकीकरण के लिए सांख्यिकीय ध्वनि तरीकों और नए सहज ज्ञान युक्त दृश्य उपकरण प्रदान करना है। यह आंकड़ा Hawgood एट अल1 से विज्ञान की उन्नति के लिए अमेरिकन एसोसिएशन से अनुमति के साथ संशोधित किया गया है. कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.
वर्तमान “भव्य औसत” दृष्टिकोण शोर के रूप में बाहर smooths डेटा में व्यक्ति के stochastic उतार चढ़ाव, यानी, संकेत परिवर्तनशीलता है कि व्यक्ति के रूप में स्वाभाविक रूप से उम्र प्रकट होता है, के रूप में विकारों की प्रगति, और व्यक्ति के तंत्रिका तंत्र के रूप में प्राप्त करते हैं और उपचार के लिए प्रतिक्रिया. मानक डेटा की कमी (यानी, स्वस्थ आबादी के बड़े पार अनुभागीय और अनुदैर्घ्य भागों का आकलन) हमें स्वस्थ उम्र बढ़ने के neurotypical गतिशीलता को समझने से रोकता है. जैसे, यह जानना एक चुनौती बन जाता है कि कैसे अधिक आम तौर पर किसी दिए गए विकृति के परिणामों की आशा करना है, क्योंकि यह विकृति व्यक्ति में व्यवस्थित रूप से प्रकट होने लगती है। भविष्यवाणी दृष्टिकोण पुनर्योजी चिकित्सा और / या न्यूरोप्रोटेक्टिव उपचार है कि अपक्षयी प्रक्रिया को धीमा डिजाइन करने के लिए महत्वपूर्ण हैं. पार्किंसंस रोग रोगों का एक अच्छा उदाहरण है जिससे विकार के अभिव्यक्तियों से पहले कई अन्य औसत दर्जे के लक्षण ों से पहले कर रहे हैं। हम आज जानते हैं कि दृश्य मोटर विकारों कम घ्राण समारोह5,6,भाषण पैटर्न में परिवर्तन, तेजी से आंख आंदोलन (आरईएम) नींद7,और अन्य गैर मोटर के रूप में कम दिखाई संवेदी मुद्दों से पहले थे आंत्र तंत्रिका तंत्र के कामकाज से संबंधित लक्षण8. जब तक विकार प्रकट होता है, प्रणाली में पहले से ही उच्च डोपामाइनरजिक कमी होती है; अभी तक गैर मोटर लक्षण दिखाई मोटर हानि के कुछ पूर्वानुमान हो सकता है, जिसके द्वारा विकार वर्तमान में मुख्य रूप से मूल्यांकन किया है.
वर्तमान विश्लेषणात्मक मॉडल बदलने के लिए और तंत्रिका तंत्र के सभी स्तरों भर में ठीक से अनुभवजन्य डेटा की विशेषता के महत्व पर विचार करने की जरूरत है, जिससे biorhythmic गति प्रकट और गतिशील रूप से समय श्रृंखला के रूप में इस्तेमाल किया जा सकता है सेंसर की एक भीड़ के साथ सह पंजीकृत. अपने अधिक सामान्य अर्थों में गति डेटा आंदोलनों और विकारों वे प्रसारण तक ही सीमित नहीं होना चाहिए. तंत्रिका तंत्र के सभी biorhythms से डिजिटल डेटा (गैर-आंदोलन waveforms सहित) भविष्यवाणी क्षमता है कि हम मदद करने के लिए या तेजी से neurodegeneration धीमा करने की आवश्यकता हो सकती है प्रदान करते हैं. फिर भी, जैसा कि हम डेटा प्रकार के हमारे प्रदर्शनों की सूची में वृद्धि, हम सांख्यिकीय अनुमान और वर्तमान में उपयोग में व्याख्या के लिए पैरामीट्रिक रैखिक मॉडल के अंतर्निहित धारणा से बचना चाहिए ऐसे डेटा का विश्लेषण. अत्यधिक गैर रेखीय समस्याओं के प्रकार के लिए ऐसे रैखिक मॉडलों की पर्याप्तता का मूल्यांकन करना महत्वपूर्ण होगा जो हम तंत्रिका तंत्र रोगों में अध्ययन करते हैं, जो स्टोकेस्टिक बदलाव और गतिशील परिवर्तनों के अधीन हैं। वर्तमान धारणा-विश्लेषण पाइपलाइन छोरों में Caveats दोनों डेटा प्रकार में मौजूद हैं इस्तेमाल किया जा रहा है: असतत नैदानिक स्कोर से उन और निरंतर डिजिटल biophysical waveforms से उन. जबकि वे काट रहे हैं, यह नए चौखटे है कि तरीके है कि नैदानिक मानदंडों के साथ डिजिटल परिणामों को संरेखित करने के लिए रोगियों द्वारा उभरते डिजिटल प्रौद्योगिकियों के उपयोग की सुविधा में डेटा के दोनों प्रकार के उचित एकीकरण सक्षम डिजाइन करने के लिए महत्वपूर्ण हो जाएगा, देखभाल करने वालों और चिकित्सकों.
इन चुनौतियों में से कुछ पर काबू पाने के लिए, हमने हाल ही में चित्र1 में पीएम प्लेटफॉर्म को अनुकूलित किया है ताकि न्यूरोलॉजिकल और न्यूरोसाइकेट्रिक स्थितियों3के लिए सटीक फीनोटाइपिंग प्रदान की जा सके। कि अंत करने के लिए, हम इकट्ठा करने के लिए एक नया तरीका तैयार किया है, विश्लेषण और संज्ञानात्मक और मोटर घटना के बीच जटिल संबंधों का पता लगाने कि पारंपरिक नैदानिक स्कोरिंग परीक्षण के साथ मिलकर व्यवहार डेटा की व्याख्या. अधिक ठीक है, हमने पेंसिल और कागज के तरीकों का डिजिटलीकरण किया है। अकेले इस तरह के तरीकों से डेटा बहुत मोटे हैं महत्वपूर्ण जानकारी नग्न आंखों से बचने पर कब्जा करने के लिए. लेकिन biophysical सेंसर से डिजिटल डेटा के साथ संयोजन में उनके उपयोग नैदानिक मानदंडों के साथ नए उभरते डिजिटल प्रौद्योगिकियों कनेक्ट करने के लिए एक नया अवसर प्रदान करता है चिकित्सकों उन्हें निकट भविष्य में अपनाने के लिए प्रोत्साहित करने के लिए अनुकूल.
यहाँ, हम नैदानिक मूल्यांकन के संदर्भ में डिजिटल डेटा का उपयोग शुरू. अर्थात्, के रूप में व्यक्ति नैदानिक कार्य करता है, जैसे, मॉन्ट्रियल संज्ञानात्मक आकलन (MoCA) परीक्षण में एक घड़ी ड्राइंग, तंत्रिका तंत्र द्वारा biorhythms उत्पादन सह विभिन्न कार्यात्मक परतों में पंजीकृत हैं. इनमें इलेक्ट्रोएन्सेफेलोग्राफी (ईईजी), इलेक्ट्रोकार्डियोग्राफी (ईसीजी या ईकेजी), शरीर से आवाज पैटर्न और शुद्ध गति विज्ञान, और हाथ से पकड़ कलम से शुद्ध गतिज उत्पादन शामिल है जिसका उपयोग व्यक्ति डिजीटल टैबलेट पर घड़ी को आकर्षित करने के लिए करता है। हम भी चेहरे से वीडियो डेटा इकट्ठा के रूप में व्यक्ति खींचता है, भावना प्रदर्शन करने के लिए भावनात्मक राज्यों की भविष्यवाणी विश्लेषण. इन आंकड़ों तो individualized व्यवहार विश्लेषण के लिए एक नया सांख्यिकीय मंच के प्रकाशिकी के माध्यम से विश्लेषण कर रहे हैं (SPIBA) और ऐसे परीक्षणों अंतर्निहित नैदानिक मानदंडों के अनुसार व्याख्या की. अधिक विशेष रूप से, असतत स्कोर का उपयोग रोगियों के सहगण को औसत रैंक करने के लिए किया जाता है और इस तरह, उस नैदानिक मानदंडों के आधार पर समूह को स्तरित करें। हम तो इस प्रकार की पहचान की समूहों के सतत biophysical डेटा की जांच कर सकते हैं, डिजिटल रूप से संचालित stochastic मानदंड है कि मूल रूप से एक से अधिक पैरामीट्रिक आयाम भर में, रोगियों के एक सबसेट अलग के लिए खोज में. इसके अलावा, अपने आप में निरंतर biophysical डेटा की जांच करके, सहगण के भीतर प्रत्येक व्यक्ति के निहित उतार चढ़ाव के अनुसार और नैदानिक मानदंडों से अंधा, हम सहगण के भीतर आत्म उभरते समूहों के लिए खोज कर सकते हैं, और तुलना हद तक जो इस तरह के समूहों उन है कि नैदानिक मानदंडों द्वारा सूचित subtypes पता चला पर नक्शा.
इस दृष्टिकोण biophysical डिजिटल डेटा के धन के भीतर मानकों की पहचान करने के लिए एक नया तरीका प्रदान करता है, कि सबसे प्रभावी ढंग से subtypes भर में मतभेद पर कब्जा और पार्किंसंस के साथ रोगियों को stratify करने के लिए संभावित अच्छे उम्मीदवारों के रूप में उन मतभेदों renders अंधा में रोग (PWP) अर्थात्, आम जनता से एक यादृच्छिक आकर्षित भर में. इस विधि की प्रासंगिकता दो गुना है। हम वास्तव में उपचार निजीकृत कर सकते हैं, जबकि ठीक से biosensors और नैदानिक मानदंडों से अलग डेटा प्रकार को एकीकृत; यानी, समय श्रृंखला के रूप में निरंतर डिजिटल biophysical डेटा, और पारंपरिक परीक्षणों से असतत नैदानिक स्कोर.
हालांकि यह एक सामान्य दृष्टिकोण है, तंत्रिका तंत्र के सभी विकारों के लिए लागू है, हम PWP के संदर्भ में काम फ्रेम और इस तरह के प्रदर्शन के दौरान पंजीकृत निरंतर डिजिटल डेटा के बारे में सांख्यिकीय अनुमान बनाने के लिए नए तरीके प्रदान करते हैं असतत नैदानिक स्कोरिंग प्रणाली पर विचार नैदानिक परीक्षण. इस प्रकार, कार्य नैदानिक सेटिंग्स में उपयोग करने के लिए सक्षम डिजिटल परिणामों की नैदानिक व्याख्या सक्षम बनाता है। अंत में, हम रोगियों, देखभाल करने वालों और नैदानिक कर्मियों द्वारा घर और नैदानिक सेटिंग्स में उपयोग में आसानी के लिए नए ऐप्स में एम्बेड करने के लिए इस तरह के व्यक्तिगत परिणामों को कल्पना करने के लिए नए तरीके डिजाइन करने के लिए सिफारिशें प्रदान करते हैं।
यह काम एक नया प्रोटोकॉल है कि व्यक्ति को इस तरह के परीक्षण करता है के रूप में तंत्रिका तंत्र द्वारा biophysical संकेतों उत्पादन से डिजिटल डेटा के साथ पारंपरिक नैदानिक परीक्षणों के एकीकरण में सक्षम बनाता है परिचय. हम इस तरह पेंसिल और कागज अवलोकन विधियों और biophysical सेंसर से निरंतर डिजिटल डेटा से असतत स्कोर के रूप में डेटा के अलग प्रकार गठबंधन करने के लिए एक एकीकृत मंच के रूप में SPIBA और एमएमएस का उपयोग परिचय. तरीकों तुलना के लिए आदर्श स्वस्थ संदर्भ के रूप में एक अतिरिक्त युवा नियंत्रण के साथ, PWP और उम्र और सेक्स मिलान नियंत्रण के एक सहगण का उपयोग कर सचित्र हैं. हम बताते हैं कि पारंपरिक नैदानिक परीक्षण (उदाहरण के लिए, उन है कि MoCA और MDS-UPDRS का हिस्सा हो सकता है) सहगण रैंक और स्वचालित रूप से निकालने के लिए इस्तेमाल किया जा सकता है, समूह के स्कोर के अंतर्निहित परिवर्तनशीलता से, जानकारी है कि डिजिटल में डेटा stratifies गंभीरता के चिकित्सकीय परिभाषित स्तर के अनुसार दायरे. इस तरह के स्तर नैदानिक एमडीएस-यूपीडीआरएस और संज्ञानात्मक/स्मृति परीक्षण प्रदर्शन के स्तर के साथ अच्छी तरह से संरेखित होते हैं। कार्यान्वयन की एक और परत पर तो, हम सीएनएस, पीएनएस और एएनएस परतों से इस्तेमाल तंत्रिका तंत्र के biorhythms की जांच, इस प्रकार स्वायत्तता और नियंत्रण के विभिन्न स्तरों की विशेषता. हम ऐसे डेटा से व्युत्पन्न नमूना डेटा और stochastic हस्ताक्षर प्रदान करते हैं, नैदानिक मानदंडों के प्रकाशिकी के माध्यम से जांच की. इस तरह के दृष्टिकोण के तहत, हम स्वस्थ नियंत्रण से रोगियों को अलग कर सकते हैं; और डिजिटल biorhythms के माध्यम से, PWP के भीतर अंतर, गंभीरता के उनके चिकित्सकीय परिभाषित स्तर पर.
नैदानिक मानदंडों के साथ biophysical डिजिटल डेटा इस तरह aligning द्वारा, हम और अधिक गतिशील परिणामों में व्यक्तिगत बदलाव ट्रैक कर सकते हैं कि मानदंडों की एक व्याख्या करने योग्य सेट प्रदान करते हैं. हम सिक्का इन नए परिणाम गतिशील डिजिटल biomarkers उपाय, क्योंकि वे डिजिटल डेटा पर आधारित हैं, अभी तक वे अच्छी तरह से स्थापित और मान्य नैदानिक मानदंडों के अनुसार व्याख्या परिणाम प्रदान करते हैं. वे तंत्रिका तंत्र प्रक्रियाओं के समय श्रृंखला से प्राप्त कर रहे हैं, और वे इस तरह के गतिशील प्रकृति पर कब्जा. विशेष रूप से, हम दोनों मोटर और गैर मोटर मानदंडों का उपयोग करने में सक्षम हैं. इस तरह के रूप में, हम पीडी के गैर मोटर पहलुओं है कि अब मोटर लक्षण है कि पारंपरिक रूप से इस प्रकार अब तक विकार को परिभाषित किया है की गिरावट से पहले जाना जाता है की मात्रा निर्धारित करने के लिए शुरू कर सकते हैं. उदाहरण के लिए, चेहरे का विश्लेषण जैसे कि यहाँ प्रस्तुत उन रेम नींद के दौरान सहज चेहरे सूक्ष्म gestures की जांच करने के लिए इस्तेमाल किया जा सकता है उन जो मोटर गतिविधियों की गिरावट की भविष्यवाणी कर सकता है की एक प्रदर्शनों का संग्रह का निर्माण. इसी तरह, हम दैनिक गतिविधियों के दौरान दर्द के स्तर की जांच और रेम नींद के समय के दौरान गतिविधियों के साथ उनकी क्षमता संबंध का आकलन करने के लिए इन तरीकों का उपयोग कर सकते हैं। यह महत्वपूर्ण है, क्योंकि रेम नींद और दर्द के नियमन दोनों को बाद में पीडी5,6,7की गंभीरता के स्तर को परिभाषित करने के लिए मोटर मुद्दों से पहले जाना जाता है . विभिन्न पारंपरिक नैदानिक कार्यों के हमारे डिजिटलीकरण का उपयोग करना, संज्ञानात्मक और स्मृति क्षमताओं की जांच करने के लिए इस्तेमाल नैदानिक कार्यों में एम्बेडेड अन्य गैर-मोटर गतिविधियों को यहां विशेषता थी, और मोटर लक्षणों के लिए मैप की गई ऐसी गतिविधियों के अनुक्रमित। इन तरीकों पार्किंसंस रोग में बुनियादी अनुसंधान और नैदानिक प्रथाओं से कनेक्ट करने के लिए सक्षम हैं. वे भी तंत्रिका तंत्र के अन्य विकारों के लिए बढ़ाया जा सकता है.
चेहरे से मोटर उत्पादन के अलावा, रेम नींद के दौरान, हम आत्म-संवेदन या kinesthetic reafference के फ्रेम के भीतर प्राकृतिक सामाजिक स्थितियों के दौरान चेहरे के इशारों की जांच कर सकते हैं reafferent प्रतिक्रिया के स्तर को मापने के लिए रोगी के मस्तिष्क सबसे अधिक संभावना हो जाता है. यहाँ, चेहरे के क्षेत्रों में सूक्ष्म gestures में बहुत सूक्ष्म अंतर के बावजूद trigeminal afferent क्षेत्रों V1, V2, V3 के लिए इसी, यह प्रतिनिधि भागीदार में इंगित करने के लिए संभव था, चेहरे के किस क्षेत्र में अधिक से अधिक स्थानांतरित कर दिया उदासीन और स्वाभाविक रूप से मुस्कुरा राज्यों के बीच संक्रमण जब stochastic हस्ताक्षर. यह पता चलता है कि SPIBA और एमएमएस का उपयोग कर, हम पीडी के अन्य गैर मोटर (संवेदनशील) पहलुओं का मूल्यांकन करने में सक्षम हो जाएगा kinesthetic स्पर्श चैनलों से संवेदी इनपुट के साथ कठिनाइयों से संबंधित. ये पीडी में समस्याग्रस्त पाया गया है, यहां तक कि विकार24के प्रारंभिक चरणों के दौरान भी . क्योंकि संवेदी और मोटर हाथ में हाथ जाओ, यह जानकारी हमें और अधिक स्पष्ट मोटर मुद्दों इस विकार1,7की प्रगति में बाद में सरफेसिंग पूर्वानुमान मदद कर सकता है . हम मानते हैं कि चेहरे के त्रिस्तरीय क्षेत्रों के साथ इन किनेस्थेटिक चैनल भी हमें विभिन्न प्रकारके दर्द के विघटन में मदद कर सकते हैं , जिसमें नींद में परिवर्तन से संबंधित 5,6शामिल हैं .
वर्तमान तरीकों विभिन्न संज्ञानात्मक कौशल और स्वायत्तता के विभिन्न स्तरों की आवश्यकता होती है विभिन्न शर्तों के तहत, अग्रानुक्रम में केंद्रीय, परिधीय और स्वायत्त तंत्रिका तंत्र से प्राप्त जैवभौतिक संकेतों की जांच करने के लिए एक नया तरीका प्रदान करते हैं और न्यूरोमोटर नियंत्रण. SPIBA ढांचे का उपयोग करना, जहां stochastic विश्लेषण और जोड़ी वार नेटवर्क विश्लेषण मानकीकृत एमएमएस डेटा पर लागू कर रहे हैं, यह भी निष्पक्ष संज्ञानात्मक गतिविधियों की विशेषता संभव है. पंद्रह कार्य है कि इस प्रयोग में इस्तेमाल किया गया संज्ञानात्मक कौशल के विभिन्न प्रकार की आवश्यकता होती है (उदा., visuo-निर्माण कौशल, दृश्य स्मृति, अवधारणात्मक स्कैनिंग कौशल) और संज्ञानात्मक नियंत्रण के विभिन्न स्तरों (उदा., जानबूझकर गति की ओर इशारा करते हुए गति, निर्देश के रूप में साँस लेने की दर गति). कि कारण के लिए, इन कार्यों के दौरान प्रदर्शित biophysical संकेतों के CNS-PNS-ANS सूचना संचरण के stochasticity और कनेक्टिविटी पैटर्न, संज्ञानात्मक भार के विभिन्न स्तरों और मोटर उत्पादन पर उनके प्रभाव की विशेषता के लिए इस्तेमाल किया जा सकता है.
हालांकि हम अपने नए विश्लेषणात्मक तरीकों और प्रोटोकॉल के लाभों को रेखांकित करते हैं, हम यह भी बताते हैं कि तुल्यकालिक डेटा एकत्र करने के लिए हमारे रिकॉर्डिंग प्लेटफॉर्म को अपनाते समय विचार किया जाना चाहिए कि चेतावनी और व्यावहारिक सीमाओं। इसका कारण यह है कि इस सेट अप में, सिंक्रनाइज़ेशन उद्देश्यों के लिए एक ही कंप्यूटर पर एकाधिक रिकॉर्डिंग सॉफ़्टवेयर प्रकार स्ट्रीमिंग होते हैं, जिसके लिए कंप्यूटर की अभिकलन ीय शक्ति उच्च होने की आवश्यकता होती है, अन्यथा कोई डेटा हानि, कंप्यूटर ठंड और/या अतिरिक्त खर्च कर सकता है शोर. वर्तमान डिजाइन में, दो स्ट्रीमिंग सॉफ्टवेयर (EEG, और गति पर कब्जा) और LSL एक ही कंप्यूटर पर चलाए गए थे. इस प्रकार, हमें अधिभार और संभावित कंप्यूटर फ्रीज संसाधित करने का ध्यान रखना था। यह एक कारण है कि हम ईसीजी संकेतों को निकालने के लिए ईईजी चैनलों में से एक का इस्तेमाल किया था. उच्च स्मृति क्षमता और तेज प्रोसेसर के साथ कंप्यूटर एक अलग ईसीजी सॉफ्टवेयर को संभालने में सक्षम हो सकता है एक साथ ईईजी और शुद्ध गतिविज्ञान के सेंसर ग्रिड के साथ स्ट्रीमिंग. ये समस्याएँ व्यावहारिक प्रकृति में हैं और विश्लेषणात्मक विधियों (SPIBA) और मानक डेटा प्रकार (MMS) जो हम प्रदान करते हैं से स्वतंत्र हैं। फिर भी, हमारा मानना है कि कई धाराओं से डेटा सह-पंजीकरण के लिए प्रोटोकॉल डिज़ाइन करने से पहले गणना शक्ति का आकलन करने की आवश्यकता के अंतिम उपयोगकर्ता को सचेत करना महत्वपूर्ण है.
एक और चेतावनी हम बताते हैं कि, 15 प्रोटोकॉल में सचित्र कार्य क्या गतिशील डिजिटल biomarkers विकसित करने के लिए इस्तेमाल किया जा सकता है की एक सबसेट हैं. इस कागज के प्रयोजन के लिए, हम अंतरिक्ष की कमी के कारण कुछ कार्यों तक ही सीमित है, और लोगों को चुना है कि नियंत्रण और शारीरिक गति के विभिन्न स्तरों शामिल है, और वास्तव में हम अन्य कार्यों को इस कागज में शामिल नहीं जोड़ सकते हैं. हमारा लक्ष्य कार्यों का एक छोटा सबसेट प्राप्त करना है जिसके लिए कम समय और प्रयास की आवश्यकता होगी। वास्तव में, हमारी प्रयोगशाला से, कार्यों की ओर इशारा करते हुए (कार्य 10 डिग्री 12) कार्यों का एक सेट है कि हम एक प्रभावी और कुशल तरीका biorhythms के stochastic हस्ताक्षर स्वैच्छिक नियंत्रण और तंत्रिका संबंधी विकारों के विभिन्न स्तरों, पीडी सहित द्वारा विविध की विशेषता हो पाया है 24 , 30|
इस अध्ययन में दिखाए गए प्रतिनिधि परिणाम क्या biosensors waveforms और कैमरों की गति कैप्शन से व्युत्पन्न एमएमएस डेटासेट के साथ किया जा सकता है का एक छोटा सबसेट हैं, SPIBA तरीकों का उपयोग कर. उदाहरण के प्रयोजनों के लिए, हम आयाम में एमएमएस की जांच की और रैखिक गति आयाम व्यक्ति के COM से व्युत्पन्न में उतार चढ़ाव पर ध्यान केंद्रित किया. COM सभी 17 शरीर सेंसर ग्रिड है कि हम सह पंजीकृत से एक सारांश संकेत है. हालांकि, हम विश्लेषण अन्य घूर्णी मापदंडों के लिए विस्तार कर सकता है, और अन्य गतिज चर (जैसे, बलों और दबाव) है कि अस्थिर मापदंडों की समय श्रृंखला उत्पन्न करने के लिए (जैसे, जैसा कि हम चेहरा डेटा के साथ किया था.) इसके अलावा, अंतरिक्ष की कमी के कारण, हम केवल इसकी खोपड़ी आयाम जानकारी के आधार पर ईईजी डेटा के विश्लेषण को सचित्र करते हैं, लेकिन हम इन विश्लेषणों को स्रोत स्थान31से प्राप्त डेटा पर भी लागू कर सकते हैं। डेटा के सभी साधनों के लिए, हम भी चोटियों के बीच समय की stochasticity की जांच कर सकता है (पीक आयाम के बजाय), जो भी समय श्रृंखला उत्पन्न करते हैं. पैरामीटरों की अन्य समय श्रृंखला ऐसी तरंगों से ली जा सकती है और उनके एमएमएस का उपयोग32,33,34के निर्माण वाले नेटवर्क से सामंजस्य और कनेक्टिविटी का पता लगाने के लिए किया जा सकता है . इसके अलावा, इन विश्लेषण भी आवृत्ति डोमेन34करने के लिए बढ़ाया जा सकता है. आपसी जानकारी नेटवर्क विश्लेषण के अलावा, हम नेटवर्क के अन्य topological सुविधाओं पर ध्यान केंद्रित करने के लिए PWP और नियंत्रण अंतर और PWP stratify सकता है. इस पेपर के उद्देश्य के लिए, हम एक उपकरण के रूप में इन विश्लेषिकी की उपयोगिता पर ध्यान केंद्रित करते हैं, लेकिन इस प्रकार की विशेषता के माध्यम से, हम इन विश्लेषणात्मक उपकरण प्रदान करने वाले डिजिटल डेटा की नैदानिक रूप से सूचित व्याख्याएं प्रदान करने के लिए ज्ञान प्राप्त करेंगे।
वर्तमान तरीकों इस अध्ययन में वर्णित कई संभव तरीके है कि SPIBA और एमएमएस नैदानिक और डिजिटल डेटा एकीकरण के लिए लागू किया जा सकता है में से कुछ परिचय की सेवा. हम अंत में नैदानिक मानदंडों के डिजिटल डेटा को सूचित करने की उम्मीद में इस एकीकृत मंच, मानकीकृत डेटा प्रकार और प्रयोगात्मक प्रोटोकॉल प्रदान करते हैं, और इसी तरह पारंपरिक पेंसिल और कागज तरीकों के लिए डिजिटल डेटा से अधिक परिशुद्धता जोड़ें। इस तरह के सुधार 1) उपचार के जवाब में लक्षण परिवर्तन की अधिक सटीक ट्रैकिंग सक्षम हो जाएगा, 2) समय के साथ प्राकृतिक पीडी प्रगति की समझ में वृद्धि, और 3) पीडी लक्षण प्रस्तुति के स्तरीकरण की सुविधा (जो अद्वितीय नैदानिक हुक्म दे सकता है प्रत्येक उपसमूह के लिए अनुशंसाएँ). जैसे, हम पीडी में आगे अनुसंधान करने के लिए इन तरीकों को लागू करने की उम्मीद है, लेकिन यह भी नैदानिक आवेदन में उपयोगिता के रूप में अच्छी तरह से देखते हैं. मोबाइल फोन जैसे वाणिज्यिक ग्रेड उपकरणों का उपयोग करना, biophysical डेटा विश्लेषिकी है कि हम इस कागज में सचित्र प्रदर्शन करने के लिए प्राप्त किया जा सकता है. वर्तमान में, वहाँ इस तरह के Rochester विश्वविद्यालय (https://parkinsonmpower.org) और Kaggles से mPower एप्लिकेशन अध्ययन के रूप में एक बड़े पैमाने पर इस तरह के डिजिटल डेटा एकत्र करने में प्रयास कर रहे हैं. दरअसल, इन खुले उपयोग डेटा खजाने का उपयोग कर, हम मोबाइल फोन से प्राप्त accelerometer डेटा से पीडी और सामान्य उम्र बढ़ने व्यक्तियों स्तरित करने में सक्षम थे, और स्वचालित रूप से गतिविधियों है कि नैदानिक यहाँ प्रस्तुत परीक्षणों में एम्बेडेड हैं वर्गीकृत करने के लिए 35.
एक अगले कदम के रूप में, हम PWP जनसंख्या और उनके मिलान नियंत्रण प्रतिभागियों की एक व्यापक रेंज से अधिक डेटा इकट्ठा करने और उन्हें अलग अलग समय अंक पर रिकॉर्ड करने के लिए दोनों एक पार अनुभागीय और अनुदैर्घ्य विश्लेषण हमारे तरीकों का उपयोग कर प्रदर्शन करने में सक्षम होने का लक्ष्य. हम उम्मीद करते हैं कि इस तरह के एकत्र डिजिटल डेटा उनके भागों की राशि से बहुत अधिक की पेशकश करेगा, और वास्तव में तंत्रिका विज्ञान और मनोरोग में सटीक चिकित्सा के सिद्धांतों का एहसास होगा।
The authors have nothing to disclose.
इस अनुसंधान के भाग में Rutgers डिस्कवरी सूचना संस्थान द्वारा जेआर, Rutgers विश्वविद्यालय TechAdvance फंड EBT और जेवी, अनुसंधान और Autism के उपचार के लिए न्यू जर्सी गवर्नर की परिषद के लिए ईबीटी और माइकल जे फॉक्स फाउंडेशन आरडी के लिए वित्त पोषित है.
Enobio 32 | NE Neuroelectrics | NE006WF | wearable, wireless electrophysiology sensor system for the recording of EEG. |
Inking Pen | Wacom | KP1302 | tablet pen |
Intuos Pro | Wacom | PTH451 | pen tablet |
Lab Stream Layer System | n/a | n/a | open source software to synchronize different devices |
Microphone | Zaffiro | B07BDFP6XC | computer microphone |
MovAlyzeR | Neuroscript | Version 6.1.0.0. | pen movement caption software |
MTw Awinda wireless motion tracker | Xsens | MTw Awinda | motion capture system |
MVN Analyze | Xsens | Version 2019 | motion-tracking software |
NIC 2.0 | NE Neuroelectrics | NE001SW2 | Neuroelectrics Instrument Controller (NIC) EEG streaming software |
OpenPose | n/a | n/a | open source machine learning software to extract facial information |