Summary

Parkinson hastalığında motor ve bilişsel fonksiyonun dinamik dijital Biomarkers

Published: July 24, 2019
doi:

Summary

Bu protokol, Parkinson hastalığında biliş ve motor kontrolünü ölçmek için yaygın olarak kullanılan geleneksel klinik görevlerin bölümlerini dijitalleştirme imkanı sunar. Biyofizik ritimleri sinir sistemlerinin farklı fonksiyonel düzeylerinden, gönüllü, spontan, otomatik otonjik olarak değişen ortak kayıtlı iken klinik görevler dijilleştirilir.

Abstract

Parkinson hastalığı (PD) heterojen bir bozukluk olduğu için, Kişiselleştirilmiş tıp bakım optimize etmek için gerçekten gereklidir. Mevcut formunda, kağıt ve kalem belirtisi standart puanları-geleneksel olarak hastalık ilerlemesini izlemek için kullanılan önlemler çok kaba (ayrık) dikkate altında klinik fenomen taneciklik yakalamak için, muazzam belirti karşısında Çeşitlilik. Bu nedenle sensörler, arabalar ve mobil aygıtlar PD araştırmaları ve rutin bakımlarına giderek daha fazla dahil edilmiştir. Bu dijital önlemler, daha hassas, daha az standartlaştırılmış ve geleneksel önlemler daha yorumlanabilir veri verim, ve sonuç olarak, iki veri türü büyük ölçüde siloed kalır. Bu konuların her ikisi de alanın en hassas değerlendirme araçlarının geniş klinik uygulamasına engel sunar. Bu protokol her iki sorunu da giderir. Biliş ve motor kontrolünü ölçmek için geleneksel görevleri kullanarak, katılımcıyı test ediyoruz, Biyofizik sinyallerin birlikte kullanımlarına karşı sorunsuz bir şekilde kayıt yaptırırken. Daha sonra geleneksel kağıt ve kalem yöntemlerinden puanları sürekli olarak kayıt ettiğimiz dijital verilerle entegre ediyoruz. Yeni bir standart veri türü sunuyoruz ve farklı koşullar altında kişinin Stokastik imzalarında değişiklik dinamik izleme sağlayan bir istatistiksel platform Unifying, farklı fonksiyonel seviyeleri nörostör kontrol prob, değişen otonotik için gönüllü. Protokol ve standartlaştırılmış istatistiksel çerçeve, PD ‘de doğrulanmış klinik ölçeklerine karşılık gelen fiziksel ve bilişsel fonksiyonların dinamik dijital biomarkerlerini sunar ve hassasiyetini önemli ölçüde iyileştirir.

Introduction

Hassas Tıp (PM) (Şekil 1), kişiselleştirilmiş hedeflenen tedaviler geliştirmek için güçlü bir platform olarak ortaya çıkmıştır. Kanser araştırma alanında, bu model çok başarılı olmuştur ve onun taneler yakın gelecekte tıbbi alan Devrim bağlı1. PM, hastaların kendi kendine raporlarından genomiğe kadar çeşitli bilgi katmanlarını birleştirir. Tüm bu katmanlar arasında bilgi entegrasyonu, verilerin yorumlanmasını ve kişinin hayatının tüm yönlerini dikkate almayı amaçlayan daha hassas tedavi önerilerini sağlayan kişiselleştirilmiş bir değerlendirmeyle sonuçlanır.

platformunu sinir sistemlerinin2,3‘ ün nöropsikiyatrik ve nörolojik bozukluklarına uyarlamaya çalışırken birkaç zorluk vardır ve bu zorluklar son zamanlarda4‘ ü seslendirdi. Bunlar arasında elde edilen verilerdeki eşitsizlik, yani gözlem tarafından yönlendirilen klinik kalem ve kağıt yöntemlerinden ayrık puanlar ve sinir sistemleri çıkışından fiziksel olarak elde edilen sürekli Biyofizik veriler (örn. biyosensörler kullanılarak) vardır. Klinik puanların verileri, tek (teorik) olasılık dağıtım fonksiyonunu (PDF) zorlar tek boyutlu bir tüm statik modeli varsaymak eğilimindedir. Bu bir priori varsayımı uygun ampirik doğrulama olmadan verilere dayatılan, normatif veri elde edilmedi ve ilk etapta karakterize çünkü. Böyle, hiçbir uygun benzerlik-metrik tabanlı ölçütler insan sinir sistemlerinin nörootsel olgunlaşma durumları açıklayan, sağlıklı kişi yaş ve olasılık alanları bazı hızda bu parametre varyasyonları kayması dökme için kullanılan gibi. Normatif veri ve uygun benzerlik ölçümleri olmadan, dinamik olarak kişinin hayatı boyunca değiştirmek gibi tipik devletlerden kalkış ölçmek mümkün değildir. Ayrıca yaklaşan değişikliklerin duyusal sonuçlarını tahmin etmek mümkün değildir.

Figure 1
Şekil 1: hassas tıp platformu: sinir sistemlerinin nörolojik ve nöropsikiyatrik bozukluklarına çevrilmiş kişiselleştirilmiş tıpta hedeflenen tedavi gelişimini sağlamak için davranışlar ve genomikler arasındaki boşluğu doldurma. Kişiselleştirilmiş hedeflenen tedavilerin geliştirilmesi için hassas tıp platformu, sinir sistemlerinin nörolojik ve nöropsikiyatrik bozukluklarını teşhis etmek ve tedavi etmek için çevrilebilir. Ancak, bilgi ağında, Davranış analizlerinin katmanında, yeni gelişen dijital sonuçları biyoofizik verilerden daha geleneksel klinik kriterlerle entegre etmek için bir paradigma değişimi gerekir. Bu tür entegrasyon için istatistiksel olarak ses yöntemleri ve yeni sezgisel görselleştirme araçları sağlamak için bir zorluk, klinisyenler, hastalar ve bakıcılar tarafından dijital sonuç önlemleri kullanımını teşvik ederken. Bu rakam, Amerikan bilim gelişimi Derneği ‘nin izni ile Hawgood ve al.1 ‘ den değiştirildi. Bu figürün daha büyük bir versiyonunu görmek Için lütfen tıklayınız.

Mevcut “büyük ortalamalar” yaklaşımı, kişinin veri içindeki Stokastik dalgalanmaları, yani insan doğal olarak yaş olarak tezahür eden sinyal değişkenliği, bozukluk ilerledikçe ve kişinin sinir sistemleri gibi gürültüyü düzeltir tedavi almak ve yanıt vermek. Normatif verilerin eksikliği (yani, sağlıklı nüfusun büyük çapraz Seksiyonel ve boyuna bölümlerini değerlendirmek) sağlıklı yaşlanmanın nörosinresal dinamiklerini anlamamıza engel olmaktadır. Bu nedenle, bu patolojinin sistematik olarak bireyin içinde tezahür etmeye başladığı gibi, belirli bir patoloji sonuçlarının daha genel olarak nasıl tahmin edildiğini bilmek bir zorluk haline gelir. Tahminsel yaklaşımlar, dejeneratif süreci yavaşlatan rejenerasyon tedaviler ve/veya nörokoruyucu tedaviler tasarlamak için önemlidir. Parkinson hastalığı patolojilerin iyi bir örnektir, bu nedenle hastalığın belirtileri diğer birçok ölçülebilir semptomdan önce görülür. Bugün görünür motor bozukluklarının, azalmış koku fonksiyonu5,6, konuşma deseninde değişiklikler, Hızlı göz hareketi (REM) uyku7ve diğer non-motor gibi daha az görünür duyusal sorunlar öncesinde olduğunu biliyoruz Enterik sinir sistemlerinin işleyişi ile ilgili belirtiler8. Bozukluk tezahür zaman, sistemde zaten yüksek dopaminerjik tükenmesi vardır; henüz non-motor belirtileri bazı görünür motor bozuklukları tahmin olabilir, hangi bozukluğu Şu anda öncelikli olarak değerlendirilir.

Mevcut analitik modelleri değiştirmek ve düzgün sinir sistemlerinin tüm seviyeleri arasında ampirik veri karakterize önemini göz önünde bulundurulması gereken bir ihtiyaç var, bu nedenle biorhythmic hareketleri tezahür ve dinamik zaman serisi şeklinde harnessed olabilir çok sayıda sensör ile ortak kayıtlı. Hareket verileri daha genel anlamda hareketleri ve yayın bozuklukları ile sınırlı olmamalıdır. Sinir sistemlerinin tüm Biorhythms dijital veri (olmayan hareket dalga formları dahil) biz önlemek veya hızlı nörodejenerasyon yavaşlatmak için ihtiyacımız olabilir tahmin potansiyeli sunuyoruz. Yine de, veri türlerinin repertuarını artırdığı için, şu anda bu tür verileri analiz etmek için kullanılmakta olan istatistiksel çıkarım ve yorumlama için parametrik doğrusal modellerin doğal olarak varsayımından kaçınmalısınız. Bu tür doğrusal modellerin yeterliliğinin, Stokastik vardiyalara ve dinamik değişikliklere bağlı sinir sistemi patolojilerinde araştırmamız gereken yüksek doğrusal olmayan sorunlar için değerlendirilmesinde kritik öneme sahip olacaktır. Geçerli varsayımda uyarılar-analiz boru hattı döngüler her iki veri türleri harnessed vardır: ayrık klinik skorlar ve bu sürekli dijital Biyofizik dalga formları var. Bağlantı kesilirken, her iki türdeki verilerin, dijital sonuçları klinik kriterlerle hizalamak ve hastalar tarafından ortaya çıkan dijital teknolojilerin kullanımını kolaylaştırmak için uygun şekilde entegrasyonunu sağlayan yeni çerçeveler tasarlamak önemli olacaktır. bakım verenler ve klinisyenler.

Bu zorlukların bazılarını aşmak için, son zamanlarda, nörolojik ve nöropsikiyatrik koşullar için hassas fenotiplemeyi sağlamak üzere Şekil 1 ‘ de PM platformuna adapte olduk3. Bu amaçla, bilişsel ve motor olayları arasındaki karmaşık ilişkileri tespit eden geleneksel klinik derecelendirme testleri ile birlikte davranış verilerini toplamak, analiz etmek ve yorumlamak için yeni bir yol tasarladık. Daha doğrusu, kalem ve kağıt yöntemlerini dijmetleştirdik. Bu yöntemlerden tek başına gelen veriler, çıplak gözle kaçan önemli bilgileri yakalamak için çok daha kaba. Ancak Biyofizik sensörlerden dijital verilerle birlikte kullanımı, klinisyenleri yakın gelecekte onları benimsemeye teşvik etmek için yeni gelişmekte olan dijital teknolojileri klinik kriterlerle bağlamak için yeni bir cadde sunar.

Burada, klinik değerlendirmeler çerçevesinde dijital verilerin kullanımını tanıtıyoruz. Yani, kişi klinik görevi gerçekleştiren gibi, örneğin, Montreal bilişsel değerlendirme (MoCA) testi bir saat çizim, sinir sistemleri tarafından Biorhythms çıkışı farklı işlevsel katmanlar arasında ortak kayıtlı. Bunlar arasında Elektroensefalografi (EEG), elektrokardiyografi (EKG veya EKG), vücuttan ses desenleri ve kinematik ve kişinin sayısallaştırılmış tablette saati çizmek için kullandığı el kaleminden kinematik çıkış bulunmaktadır. Ayrıca, kişi berabere olarak yüz video verileri toplamak, duygusal durumları öngörü analiz duyarlılık gerçekleştirmek için. Bu veriler daha sonra, bireyselleştirilmiş davranış analizi (SPıBA) için yeni bir istatistiksel platformun optik aracılığıyla analiz edilir ve bu tür testlerin temel alınan klinik kriterlerine göre yorumlanır. Daha spesifik olarak, ayrık puanlar, hastaların kohort-rütbesi için kullanılır ve bu şekilde, bu klinik kriterlere göre grup tabakalaşmak. Daha sonra, birden fazla parametrik boyuta kadar hastaların bir alt kümesini temelde ayıran dijital güdümlü Stokastik kriterler araştırmasında, böylece tanımlanan grupların sürekli Biyofizik verilerini inceleyebiliriz. Ayrıca, sürekli Biyofizik verileri kendi sağında inceleyerek, kohort içindeki her bir kişinin içsel dalgalanmalarına ve klinik kriterlerden kör olana göre, kohort içinde kendi kendine gelişen kümeleri arayabilir ve Bu tür kümeleri klinik kriterler tarafından bilgilendirilmiş alt türleri üzerinde harita hangi ölçüde ortaya.

Bu yaklaşım, Biyofizik dijital veri zenginliği içinde parametreleri tanımlamak için yeni bir yol sunuyor, en etkili alt türler arasında farklılıkları yakalamak ve Parkinson hastaları tabakalaşmak potansiyel olarak iyi adaylar olarak bu farklılıkları oluşturur hastalığı (PWP), yani, genel nüfus rastgele bir beraberlik boyunca. Bu yöntemin ilgisi iki kat daha fazladır. Biyolojik sensörler ve klinik kriterlerden farklı veri türlerini düzgün bir şekilde entegre ederken, tedavileri gerçekten kişiselleştirebiliriz; Yani, zaman serisi şeklinde sürekli dijital Biyofizik veri ve geleneksel testlerden ayrık klinik puanları.

Bu genel bir yaklaşım olmasına rağmen, sinir sistemlerinin tüm bozuklukları için uygulanabilir, biz PWP bağlamında çalışma çerçevesi ve bu tür performans sırasında sürekli dijital veri ortak kayıtlı hakkında istatistiksel çıkarımlar yapmak için yeni yollar sunuyoruz ayrı klinik Puanlama sistemi dikkate alınarak klinik testler. Bu nedenle, çalışma, klinik ayarlarda kullanılmak üzere dijital sonuçların klinik olarak yorumlanmasını sağlar. Son olarak, ev ve klinik ayarları hastalar, bakıcılar ve klinik personel tarafından kullanım kolaylığı için yeni uygulamalar gömmek için bu tür bireysel sonuçları görselleştirmek için yeni yollar tasarlamaya başlamak için öneriler sunuyoruz.

Protocol

Burada açıklanan tüm yöntemler Rutgers Üniversitesi Kurumsal Inceleme Kurulu tarafından onaylanmıştır. 1. katılımcılar ve edinme sistemi kurmak Katılımcılara bilgilendirilmiş onay alın.Not: katılımcılara ya Parkinson bozukluğu tanısı konulmalı ya da sağlıklı kontrol katılımcıları olarak hizmet vermek için herhangi bir nörolojik bozukluk tanısı konulmamalıdır. Sağlıklı katılımcılar cinsel ve yaş hasta katılımcıları ile uyumlu olmalıdır. Tüm katılımcılar 5 dakika boyunca sürekli yürümek için hareket kabiliyeti olmalıdır. Katılımcının vücut boyutunu ölçün (vücut yüksekliği, ayak uzunluğu, kol açıklığı, ayak bileği yüksekliği, kalça yüksekliği, kalça genişliği, diz yüksekliği, omuz genişliği, omuz yüksekliği; Şekil 2a) daha sonra hareket yakalama sisteminde kendi vücut avatar oluşturmak için.Not: Bu bilgiler, katılımcı gövdesinin konumsal verilerini doğru şekilde kaydetmek için hareket yakalama sisteminde kullanılır. 17 kablosuz hareket izleme sensörü ve hareket izleme yazılımı da dahil olmak üzere hareket yakalama sistemini ayarlayın. Sensörler aşağıdaki gövde parçalarına yerleştirin: baş, sternum, pelvis, sağ omuz, sağ üst kol, sağ alt kol, sağ el, sol omuz, sol üst kol, sol alt kol, sol el, sağ üst bacak, sağ alt bacak, sağ ayak, sol üst bacak, sol alt bacak, sol (Şekil 2B). Bu sensörleri, sağlam hareket sağlamak için kayış bantları ile sabitleyin. Tüm sensörler uygun yerlere yerleştirildikten sonra, avatarını oluşturmak için katılımcının konumunu kalibre edin.Not: kalibrasyon yöntemiyle ilgili ayrıntılar Roetenberg ve al.9′ da bulunabilir. EEG cihazını ve EEG kayıt yazılımını ayarlayın. Baş derisi üzerinde 31 sensör konumlandırın ve katılımcı kafasının arkasındaki kayıt cihazı. Aşağıdaki konumlarda kanal sensörleri yerleştirin: P7, P4, CZ, PZ, P3, P8, O1, O2, T8, F8, C4, F4, FP2, fz, C3, F3, Fp1, T7, F7, PO4, FC6, FC2, AF4, CP6, CP2, CP1, CP5, FC1, FC5, AF3, PO3 (Şekil 2C). Kalan kanal sensörünü (oz), bağlı sensörü katılımcının sol tarafı karnına konumlandırarak, kalp sinyalini ölçmek için bir konektöre takın (Şekil 2C). Katılımcı sol kulağının arkasına iki referans kanal sensörü takın ve sonra bir şırınga kullanarak EEG kapağının üzerindeki sensörlere elektrot jeli takın (Şekil 2C). Tamamlandığında, stabilize kadar birkaç dakika için kayıt yazılımı üzerinde elektrik faaliyetleri akışı başlatın.Not: Şekil 2D merkezi sinir sistemi (CNS) ve otonjik sinir SISTEMI (Ans) harnessed EEG sinyallerinden örnek izleri gösterir. Katılımcının sesini yakalamak için mikrofonu ayarlayın. Mikrofonu katılımcının önüne yerleştirin ve laboratuvar akışı katmanının (LSL) çalıştığı bilgisayara bağlayın (aşağıdaki LSL ‘ye bakın) (Şekil 2E). Şekil 2: Geleneksel klinik testleri dijilleştirmeye, birden fazla dalga formunu, kesintisiz kablosuz giyilebilir biyosensörlerden entegre ederken ayarlayın. (A) çizim görevleri için ayarlayın: gerçek hasta, toplanan kinematiklerden gerçek zamanlı olarak işlenmiş, göze batmayan giyilebilir sensörler ve avatar giyiyor. (B) hareket verilerinin gövde boyunca eşzamanlı olarak kayıtlı olduğu bir dizi küçük ve hafif hareket izleme sensörünün (60 Hz) sensör konumları. (C) EEG Map ve Referans konumu. (D) oz liderinden çıkarılan 31 yol ve kalp sinyalinden gelen EEG dalga formları. (E) sayım görevi sırasında Katılımcı sesinden örnek dalga formu. Bu figürün daha büyük bir versiyonunu görmek Için lütfen tıklayınız. EEG, hareket ve ses sinyallerinin akışlarını senkronize etmek için LSL sistemini ayarlayın, fare tıklama zaman damgaları ile birlikte (Şekil 3A). Lab Kaydedici uygulamasını açın. Open LSL Apps fare ve ev içi Xsens senkronizasyon uygulaması inşa ve kutuları fare düğmeleri ve Tracker Kinematics akışları bölümünden kayıt kontrol ederek Lab Recorder uygulamasına bağlantı.Not: fare uygulaması, deneme sırasında olayları zaman damgası için kullanılır. EEG, hareket ve ses akışlarını Lab Recorder uygulamasına bağlayın ve Audiocapturewin, LSL-EEG, Streams bölümündeki kayıttaki pozisyon kutusunu işaretleyin.Not: LSL sistemi, ağ ve gerçek zamanlı erişim ve merkezi koleksiyon, görüntüleme ve veri disk kaydı ile birlikte zaman eşitlemeyi işleyen araştırma denemeleri ölçüm zaman serisi birleştirilmiş bir koleksiyonunu etkinleştirir. Bu protokol bağlamında, LSL sistemi eşzamanlı olarak CNS, periferik sinir sistemi (PNS) ve ANS akışları, kişi doğal olarak geleneksel klinik görevleri gerçekleştirir. Kalem tableti ve hareket analizi yazılımı (Şekil 3B) dahil olmak üzere kalem hareketi için kayıt ayarlayın. Çizim tabletini ve tablet kalemi katılımcının önüne yerleştirin. Tableti, hareket çözümleme yazılımının kaydedileceği bilgisayara bağlayın. Tablete beyaz bir kağıt yerleştirin ve bir teyp ile sabitleyin.Not: katılımcının çizeceği alanı belirtmek için bir kutu göstermek üzere kağıtları önceden hazırlayın. Kaydetmeye başla. LSL kayıt basın, hareket yakalama yazılımı, ve EEG kayıt yazılımı. Her görevin başlangıcında ve sonunda, hareket yakalama yazılımında zaman damgası düğmesine basarak fare tıklamalarıyla zaman damgasını çekin.Not: Bu şekilde, zaman damgası hem LSL akış verileri ve hareket yakalama verileri kaydedilir. Bu, kayıt sırasında zaman damgası işlevlerinden birinin başarısız olması durumunda bir yedekleme zaman damgasının olduğundan emin olacaktır. Şekil 3: Ortak bir merkezi işlem biriminin Lab Stream Layer (LSL) sistemi aracılığıyla sinyal Dijitalleştirme ve senkronizasyon. (A) LSL sistemi eşzamanlı hareket (PNS), EEG (CNS), EKG (Ans), ses ve fare tıklamaları ile damgalama zaman eş kayıt sağlar. (B) standart bilişsel testlerden çizim görevleri sırasında kalem ucunun dijidleştirilmiş tablet ve kalem kayıt kinematikleri (pozisyon). Bu figürün daha büyük bir versiyonunu görmek Için lütfen tıklayınız. 2. deneysel prosedür Görev 1 — Benson Complex Figure Copy (acil)10 (1 dak). Katılımcıyı kağıt üzerinde Benson figürü kopyalamak ve tasarımı hatırlamak için katılımcının daha sonra hafızandan tekrar çizmesini isteyin.Not: Bu test, katılımcının Visuo-Constructional ve görsel bellek fonksiyonunu (Şekil 4A) değerlendirmek için tasarlanmıştır. Görevleri 2 ve 3-Trail yapma test bölümü A (3 dk). Katılımcının, artan düzende numaralandırılan daireler arasında bir çizgi çizmesini isteyin.Not: Bu bölümde, ilk (görev 2) örnek testi (8 sayıdan oluşan) tamamlamak için olan iki görev vardır ve sonraki (görev 3) gerçek testi (25 sayıdan oluşan) tamamlayacak. Bu test, ordu bireysel test pili11’ in bir bileşenidir ve işlem hızını ve yürütme fonksiyonunu değerlendirir ve görselleştiriciye ve algısal tarama becerilerine (Şekil 4b) bağlıdır. Görevler 4 ve 5 — Trail yapma test Part B (5 dak). Katılımcıya, sayılar ve harfler arasında geçiş yaparken, sayıları veya harfleri içeren daireler arasında bir çizgi çizmek için talimat verin. Örneğin, sıra: A-1; 1 ila B; B-2; 2 ‘ ye C ‘ye.Not: Bu bölümde, ilk (görev 4) örnek testi (4 sayı ve 4 harften oluşan) tamamlamak için olan iki görev vardır ve sonraki (görev 5) gerçek testi (13 Sayı ve 12 harften oluşan) tamamlayacak. Trail yapma testi Part B Trail yapma test Part A benzer, ancak katılımcı numaradan mektup kümeleri vardiya gibi daha bilişsel esneklik gerektirir. (Şekil 4b). Görevi yürütme 6 — saat çizimi (1 dak). Katılımcı 1 ile 12 arasındaki sayılar ile bir analog saat çizmek ve 10 geçmiş 11 saat ayarlamak için talimat.Not: Bu test MoCA12 ‘ nin bir parçasıdır ve katılımcının Visuo-Constructional becerilerinizi değerlendirir. (Şekil 4c). Görev 7 — Benson Complex Figure Copy (Gecikmeli)10 (1 dak). Katılımcıya Benson kompleksi rakamını boş bir kağıt parçasının hafızasından çizmesini isteyin.Not: Bu test, katılımcının Visuo-Constructional ve görsel bellek fonksiyonunu değerlendirir. (Şekil 4A). 8 ve 9 numaralı görevleri gerçekleştirin — sayı span testi (Ileri ve geri)13 (10 dak). Katılımcının denemelerini yüksek sesle okuduğu sayıları tekrarlamasını isteyin. Görev 8 (ileri) için, katılımcının sayıları aynı sırada yinelemelerini ve görev 9 (geri) için ters sırada tekrar etmesini isteyin. Her iki test için de 3 ila 9 basamak ileriye ve geriye doğru test için 2 ila 8 basamak arasında değişen sıra uzunluğu başına iki denemeler vardır. Aynı uzunlukta iki sayı dizeleri başarısız olana kadar test devam edin.Not: her Iki testler de kısa bir süre bilgi tutmak için Kapasite ölçer, ancak geriye doğru test (görev 9) da sayıları işlemek ve sırasını tersine çevirme yeteneğini ölçer. Bu nedenle, mevcut protokol bağlamında, bu görev ses Biorhythms çıktısı ile ilgili olarak bir bellek ve bir bilişsel bileşeni ölçer. Şekil 4: klinik olarak bilgilendirilmiş dijital biyomarkerlere ve puan kartlarına doğru: geleneksel Klinik testlerin Dijitalleştirme ve dijital Biyofizik verilerin entegrasyonunu sağlamak. Standartlaştırılmış bilişsel testlerden örnek izler. (A) Benson kompleks rakam katılımcının hemen (Merkezi) çoğaltmak için sağlanan veya hafızadan 10 dakikalık gecikme sonra (sağ). (B) artan düzende (üst) bir satır ile bağlanacak numaraları içeren bir görevi takip etme ve harfler ve sayılar (alt) arasında geçiş yapan Trail B görevi. (C) 10 geçmiş 11 saat ayarlamak için talimatlar ile bir saat çizim. Tüm örnek izlemeleri için gri çizgiler çizim görevi sırasında kalem asansörleri yörüngesini temsil eder ve mavi çizgiler gerçek kalem çizimleri temsil eder. Analiz için her iki yörüngeleri de inceleyeceğiz. Bu figürün daha büyük bir versiyonunu görmek Için lütfen tıklayınız. Görevleri 10, 11 ve 12 — Işaret (10 dak) olarak gerçekleştirin. Hedefe temas etmek ve dokunma için katılımcının önünde bir hedef konumlandırın. Görev 10 (kontrol) için, katılımcı hedef 40 kez kendi kendine tempolu bir şekilde baskın el ile nokta isteyin. Görev 11 (metronom) için, arka planda 35 BPM at metronom Beat ayarlarken, ancak metronom Beat hakkında bir şey talimat değil, kendi kendine tempolu bir şekilde hedef 40 kez noktaya katılımcı talimat. Görev 12 (tempolu işaret) için, katılımcı 35 BPM at metronom Beat set aşağıdaki hızda hedef 40 kez noktaya talimat.Not: işaret görevi, katılımcının hareketini kasıtlı olarak ayırmak için izin verir (ileriye doğru hareket, el hedefe ulaşıncaya kadar elin dinlendikten sonra) ve spontan (geriye doğru hareket, el kadar hedefe dokunurken zaman el dinlenme pozisyonuna geri ulaşır) segmentleri, böylece katılımcı gönüllü kontrol (kasıtlı hareket) uygulıyor ve katılımcı küçük kontrol (spontan hareket) uygulandığında Biyofizik sinyalleri analiz (Şekil 5A ). Metronom ritmi sunarak ve katılımcının metronom Beat ‘e işaret etmesini gerektirerek, katılımcı kendi kendine tempolu bir şekilde hareket ettiğinde Biyofizik sinyallerden yapılabilir ve katılımcı aktif olarak kontrol edildiğinde bir dış Beat hareket hızı. Görevler 13, 14 ve 15-yürüyüş (25 dk). Katılımcının üç farklı koşul altında 5 dakika boyunca doğal olarak yürümesini isteyin. Görev 13 (kontrol) için, katılımcı doğal oda etrafında yürümek isteyin. Görev 14 (metronom) için, 12 BPM için arka planda yenmek için metronom ayarlarken katılımcı doğal oda etrafında yürümek isteyin. Görev 15 (tempolu nefes) için, o/o 12 BPM olarak set metronom Beat için nefes oranı dururken katılımcı doğal oda etrafında yürümek için talimat.Not: metronom ritmi sunarak, katılımcı kendi kendine tempolu bir şekilde hareket etmek ve nefes almak için tüm vücudu kullanırken, karşılaştırmalı Biyofizik sinyallerden yapılabilir ve katılımcı aktif olarak nefes hızını kontrol ettiğinde (genellikle otomatik olarak gerçekleşir) tüm gövdeyi hareket ettirirken (Şekil 5B). Şekil 5: üç boyutlu (3D) yörüngeleri ve üst vücudun gönüllü hareketleri sırasında hız-amplitüd zaman serisi çıkış. Hareket bozukluğu toplumunun kinetik tremor görevin bir sürümünü kullanarak araştırma istemli kontrolü için hedef yönlendirilmiş işaret davranışı-birleştirilmiş Parkinson hastalığı Rating ölçeği (MDS-UPDRS). (A) üst gövdeyi gerçekleştiren oturma pozisyonunda katılımcı ve avatar, hedefe yönlendirilmiş işaret görevi (üst); İleri (hedefe) ve geri (dinlenme konumuna) hareket (sol alt) 3D konumsal yörüngeleri; ve doğrusal hız vektör akışından (sağ alt) türetilen hız genliği (m/s) ve en yüksek Aralık zamanlamaları (MS) dalgalanmalarının zaman serisini gösteren karşılık gelen doğrusal hızlı profiller. (B) yürüyüş görevinde katılımcı ve avatar (üst); farklı vücut parçaları (sol alt) ve karşılık gelen hız profilleri (sağ alt) 3D konumsal yörüngeler. Bu figürün daha büyük bir versiyonunu görmek Için lütfen tıklayınız. Görevleri 16 ve 17 — yüz videosu (10 dak) olarak gerçekleştirin. Katılımcının rahat bir şekilde oturmasını ve katılımcı önünde bir kamera ayarlamasını isteyin. Görev 16 (kontrol) için, katılımcı 5 dakika boyunca herhangi bir uyarıcı olmadan bir boşluk bakmak için talimat. Görev 17 (Smile) için, katılımcı 5 dakika boyunca komik bir video izlemek için talimat.Not: ayarlama yaklaşık 30 dakika sürer ve tüm protokol yaklaşık 60 dakika ve PWP için ek 10 dakika sürer.

Representative Results

İlgi parametreleri Kişinin sinir sistemleri tarafından oluşturulan Biyofizik dijital sinyallerin yörüngelerinden çıkarabiliriz birçok hareket parametreleri vardır. Burada elektroensefalogram EEG dalga formları (merkezi sinir sistemlerinin temsilcisi, CNS çıkışı), bedensel hareketler (periferik sinir sistemlerinin temsilcisi, PNS çıkışı) ve kalp sinyalleri (otonjik sinir sistemleri, ANS çıkışı). CNS ve ANS ile ilgili sinyaller için, EEG ve EKG dalga formlarının (μV) en yüksek genlik dalgalanmalarını unitless (standartlaştırılmış) mikro hareket sivri (MMS) (aşağıya bakın) olarak dönüştürdük. PNS ile ilgili sinyaller için, Kütle Merkezi (COM) ve hız profillerinin zaman serisi (m/s) yörüngeleri, ilgili unitless MMS türetmek için kullanıyoruz. Biz MMS toplamak kez, biz sensörler ve sinir sistemleri fonksiyon seviyeleri arasında ikili sinyal analitik bir dizi dayalı bir ağırlıklı-yönlendirilmiş grafik, içine entegre edebilirsiniz. Bu adım, Birleşik sinyallerde ağ bağlantısı analizlerini kullanmamızı sağlar. Daha sonra kendi kendine gelişen ağ topolojisindeki değişiklikleri tasvir eden,14,15 yorumlanabilir grafikler üretiyoruz. Özellikle, bu grafikleri üç işaret ve/veya yürüyüş görevlerinde karşılaştırdığında, Biyofizik sinyallerin pasif bir şekilde bir dış ritme nasıl tepki vereceğini (yani metronom, biyorhythm ‘yi kendiliğinden trene binmek ederken) ve bir aktif şekilde (yani, katılımcı kasıtlı olarak el işaret veya metronom Beat yürüyüş hareketleri hız girişiminde zaman). Biz de CNS, PNS ve fonksiyon ANS düzeylerini temsil eden ağ düğümleri boyunca bilgi iletimi desenleri çalışabiliriz. Biyofizik sinyallerin çok fonksiyonlu katmanlarından MMS üzerinde Stokastik analizler Vücut genelinde sensörlerin giyilebilir ızgaradan harnessed biophizical sinyalleri, genlik ve zamanlamaya göre farklılık zirve ve vadiler, zaman serisi yükselmeye. Bu Biyofizik sinyallerin MMS16 genlik ve doruklarının zamanlamasının dalgalanmaları, bu nedenle amplitütler bir unitless değeri gerçek [0,1] aralığında değişen normalleştirilmiş, böylece entegrasyon ve sinyal arasında karşılaştırma izin sinir sistemlerinin farklı fonksiyonel katmanları: CNS, PNS ve ANS. Bu farklı işlevsellik katmanları, çeşitli nöromotor kontrolü düzeylerini gerektirir ve bireyler arasında farklı amplitüd aralıklarına sahip olur. Ayrıca farklı inter-Peak-aralıklı zamanlamaları vardır. MMS normalleştirme orijinal doruklarının zamanlamasını korurken, aynı zamanda genlik varyasyonları yakalar. Böyle bir normalleştirme, her yerel tepe genliğini en yüksek genlik toplamı ve zirvede çevreleyen iki komşu yerel Minima içinde örneklenen sinyallerin ortalamasının bölünmesiyle elde edilir: Bu sürekli sivri [0,1] gerçek sayılar aralığı zamanlama ve genlik dalgalanmaları hakkında bilgi korumak, bize zaman serisi rasgele bir işlem olarak tedavi etmek için etkinleştirirken. Daha sonra ikili sivri analiz etmek için Hesaplamalı Nörobilim alanında yaygın olarak kullanılan Poisson rasgele süreçlerin genel dereceli Puanlama altında bir gama sürecini benimseyen. Bu analitik yöntemler, başka bir yerde ayrıntılı olarak açıklanmıştır3,14,17,18 ve bkz Şekil 6 analitik boru hattı açıklaması ve klinik yardım için görselleştirme önerilen Yorumu. Burada, MMS dalga formlarından ampirik olarak tahmin ettiğimiz gama PDF ‘lerin şekil ve ölçek parametreleriyle yayılmış gama parametre düzlemini kullanırız. Biz de dört boyutlu bir grafik üzerinde karşılık gelen gama anları noktaları arsa, bu nedenle ortalama, varyans ve çarpıklık span üç boyutları ve basıklık biz kişinin Stokastik belirtmek için kullandığınız Marker boyutunda temsil edilir Imza. Her görev için, Biyofizik zaman serisinden türetilen MMS tepe verileri, her gama parametresi için% 95 güven aralıkları ile maksimum olasılık Tahmini (MLE) kullanılarak bir Gamma PDF ‘ye toplanır ve monte edilir: dağılımın şeklini gösteren şekil ve dağılım (gürültü sinyal oranı) gösteren ölçek. Bu nedenle, yüksek güven ile tahmin, biz bu görevlerin talep işlevselliği farklı düzeylerde arasında kişinin sinir sistemlerinin Biorhythms dalgalanmaları yakalar en iyi sürekli PDF ailesi. Bu fonksiyonel katmanlar, yüksek düzeyli soyut bilişsel beceriler ve bellek yeteneklerinden, gönüllü nöromotor kontrolüne ve hedefe yönlendirilmiş görevlerden elde edilen spontan dolaylı hareketlere kadar yayılmış durumdadır. Ayrıca, otomatik hareketleri ve sistemin metronom ‘ın dakika başına atlamaları ile fiziksel olarak atlandırma kapasitesini de incelemeliyiz. Şekil 6: dinamik dijital biyomarkerlerin geliştirilmesi Için istatistiksel analitik boru hattı ve gelecekteki uygulama (App) geliştirme uygulamaları. (A) kütle MERKEZI (com) 3D pozisyonel yörünge iken kişi etrafında yürüyor. (B) kırmızı bir nokta ile vurgulanan genlik ZIRVELERI ile com hız dalgalanmaları. (C) [0,1] gerçek değer aralığında com-Speed doruklarındaki dalgalanmalardan (kırmızı noktalar) standart MMS. (D) MMS zirvelerinin frekans HISTOGRAMLARı (MMS ‘de kırmızı noktalar). (E) olasılık yoğunluğu FONKSIYONLARı (PDF) bellek daha az zaman içinde gelişen frekans histogram sığdırma, en rastgele, üstel dağılım (kırmızı) bazı geçiş eğriltilmiş dağıtım (mavi), Gauss (öngörü) düşük ile dağılım (GOAL, yeşil daire). Bu ideal dağıtım (yeşil) genç sporcular görünür ve tahmini, yüksek sinyal-gürültü oranı durumlarda hedef ayarlar. (F) en iyi PDF ‘ye sığdırmak için kullanılan maksimum olasılık tahmını (MLE) (95% güven ile) ampirik verilere. Elde edilen parametre değerleri gama parametresi düzleminde COM hız dalgalanmalarından gelişen Stokastik imzalar (Gama işlemi) Lokalize: “günlük şekli”, üstel ‘den simetrik olarak eğrilmeye kadar olan dağılımın şeklini temsil eder (ideal Gaussian); “günlük Ölçeği” gürültü-sinyal oranı (dağılım) kinestetik geri bildirim türünü ima beyin (büyük olasılıkla) alır22,23. Renkler zaman içinde dinamik olarak evrimleştikçe Stokastik durumları temsil eder. (G) olasılık mesafesi (Wasserstein metrik mesafe7) düşük gürültü-sinyal oranı (düşük dağılım) ve yüksek öngörülebilirlik (SIMETRIK dağıtım) ideal hedeften neurotypicals bulundu; uzak kötü geribildirim (rasgele gürültü) daha gelişmiş PD bulunan, deafferented hastalar24,25,26,27, şizofreni28 ve otistik bireyler3 , 18 , 22 , 29. (H) zaman içinde gelişen bu Stokastik durumları temsil etmek için Basitleştirilmiş görselleştirme şekil ve ölçek parametreleri arasındaki güç Hukuku ilişkisine dayanır. Gelecekteki uygulama geliştirme için bu tür görseller, değerlendirme ve tedavi planlamasında hassasiyetini iyileştirmek amacıyla gerçek zamanlı, anlaşılması kolay, PWP ‘ye klinik geribildirim ve sağlık ekibine izin verebilir. Bu figürün daha büyük bir versiyonunu görmek Için lütfen tıklayınız. Farklı veri modlarından sonuçlar Bu yazıda, Tablo 1’ de gösterilen demografik veriler Ile üç PWP ve üç sağlıklı katılımcı verisi incelenmiştir. Üç PWP biz kaydedildi 10 PWP seçildi, hafif PD (birleştirilmiş Parkinson hastalığı Rating ölçeği [UPDRS] puanı 16), ılımlı bir durumda (UPDRS puanı 25) ve ciddi bir vaka (UPDRS Puanı 44) ile bir vaka temsil etmek. İki sağlıklı katılımcı, kaydedilen 15 sağlıklı kişiden seçildi, çünkü yaş ve cinsiyette en yakından PWP eşleştiriyorlar; genç yaş grubundan bir sağlıklı katılımcı, karşılaştırma için ideal bir sağlıklı referans temsil etmek için seçildi. Katılımcı Bozukluğu Seks Yaş UPDRSa 1 PWP F 64 44 2 PWP M 65 25 3 PWP M 64 16 4 Hiçbiri M 26 Yok 5 Hiçbiri F 65 Yok 6 Hiçbiri M 67 Yok bir Maksimum puan 108. Tablo 1: katılımcıların demografi. Bilişsel ve bellek testinde (kalem hareketi), kalem hareketlerinin konumsal yörüngeleri kaydedildi ve doğrusal hız, hız genliği zaman serisini türetmek için çıkarıldı. Sonra her çizim görevi için hız genliği dalgalanmalarının MMS türetilmiştir. Hastalar, hareket bozukluğu Derneği − UPDRS (MDS-UPDRS) ortanca puanların en yüksek PD şiddetine göre, kohort ortanca değerinin üstündeki en yüksek puanlarla belirtilen şekilde gruplanmıştır. Her kümeden üç temsilci katılımcı, belirlenen puanların medyan sıralamasında üç temsilci denetimiyle ilgili sonuçları görüntülemek için kullanılır. Bir kontrol genç (26 yaşındaki erkek) Gençlik döneminde nöromotor kontrol ideal bir devlet temsil eder. Diğer iki sağlıklı yaşlanma kontrolleri vardır; 1 65 yaşında kadın ve 1 67 yaşında erkek. Şekil 7 com ve Şekil 8 ‘ in yörüngeleri, yörünge hız profillerinden türetilen MMS ‘den gelen gama süreçlerini tasvir ediyor. Şekil 7: Gerçek dijitleştirilmiş izleri ile seçme bilişsel çizim testleri performans sırasında 17 vücut konumları yörüngeleri özetleyen com örnek yörüngeleri. Benson karmaşık figürü (görevler 1 ve 7) ve Trail yapma testleri (görevler 2 − 5) sırasında örnek performans. (A) Bu protokolde kullanılan Benson kompleksi figürü. (B) yol testi sayılar ve harfler ile amaç, düzenli bir yolu (görev 4 — Trail B) boyunca bir çizgi çizerek bunları belirlenmiş bir sırada bağlamanız. (C) örnek kalem, 65 yaşındaki kadın kontrolü (mavi) ve PWP ile MDS-UPDRS Puanını 44 (kırmızı) Ile içeren Benson kompleksi FIGÜRÜ ve com 3D yörüngesinin izleri. Sol taraf, katılımcı hemen şekil (görev 1) kopyalanırken sonuçları gösterir ve katılımcı 10 dakika gecikme (görev 7) sonra rakam geri çağırdı, sağ tarafı olur. Her iki durumda da kalem asansörleri ile birlikte sürekli çizim duruşu, vb (D) performansı kontrol ve iz A (görev 3) ve Trail B (görev 5) görevler içinde PWP varyasyonları göstermek için yakalanır. COM yörüngeleri ve gerçek çizimleri değişiklikleri dikkat edin. Bu figürün daha büyük bir versiyonunu görmek Için lütfen tıklayınız. Şekil 8 , sağlıklı katılımcılar ve hasta katılımcılar için% 95 güven ile en iyi MLE takılı gama-PDF sonuçlarını gösterir. Her çizim görevinde, hastalar kontrollerden ayrı olarak katmanlaşmış. Ayrıca, onların grubu içinde tabakalı ve MDS-UPDRS Median Sıralamalı puanlara göre ayırt. Her bir hasta, üst panellerde ampirik olarak tahmin edilen PDF ‘nin anları olarak temsil edilir, alt paneller ise her katılımcı için PDF eğrilerini tasvir ederler. Paneller arasında, okuyucu her kişi tarafından görevler arasında yayılmış PDF ‘lerin ailesini takdir edebilir. Bu yaklaşımı tek boyutlu tüm (kabul edilen) parametrik modellerle karşılaştırın. Şekil 8D (kalem asansörleri dahil) kalem ucu tarafından yakalanan olarak saat rakam (görev 6) sürekli çizim gösterir. Şekil 8: mikro hareket sivri (MMS) Kohortlar tabakalaşmak ve bilişsel görevler için yorumlanabilir kişiselleştirilmiş dinamik dijital biyolojik inşa. Bilişsel testler sırasında COM ‘un 3D yörüngelerini elde edilen an-by-Moment dalgalanmaları (unitless MMS), her bir katılımcıyı Stokastik bir harita boyunca benzersiz bir şekilde yerelleştiriyor. COM, kişi bilişsel görevleri gerçekleştirir ve dijital tablet üzerinde berabere iken vücut ortak kayıt hareketleri arasında 17 pozisyon-yörüngeler özetler. (A) gama anları, Trail B testi (görev 5) sırasında harfler ve sayılar (ortalama x ekseni; standart sapma y ekseni; eğme z-ekseni ve basıklık işaretleyici boyutu) ile maksimum olasılık tahmininden 95% güven ile ampirik olarak tahmin edildi üst panel. Her Marker kişinin benzersiz konumunu olasılık alanında temsil eder. Her nokta, alt panelde gösterilen benzersiz bir ayrılabilir PDF ‘YI gösterir, böylece PWP ‘nin (efsane) UPDRS ortanca puanlarını katmanlaştırmaktadır. (B) karmaşık Benson figürü (görev 1) kopyalama görevi. (C) saat çizim görevi (görev 6). (D) sayısallaştırılmış kalem tarafından yakalanan gerçek saat çizimleri sürekli izleme gösteren (kalem kaldırma dahil). Kalem ve hareket içinde tam vücut tüm kinematik eşzamanlı EEG-EKG ile kayıtlı (gösterilmez) ampirik çok katmanlı (bilişsel, gönüllü, spontan, otomatik, otonjik) Stokastik imzalar türetmek için. Bu kişiselleştirilmiş yaklaşım (Gama süreci), teorik PDF ‘yi kabul eden ve büyük ortalamalar aracılığıyla ‘ tek boyutlu uyuyor-All-model ‘ ile kontrast oluşturur ve dalga formlarının genlik ve zamanlamasına karşı ‘ gürültü ‘ önemli dalgalanmalar olarak düzgünleştirir. Mikro hareket sivri (MMS) ve gama süreci yaklaşımı Kohortlar tabakalaşmak ve bilişsel görevler için yorumlanabilir kişiselleştirilmiş dijital biyolojik inşa. Bu figürün daha büyük bir versiyonunu görmek Için lütfen tıklayınız. Sonraki biz vücut hareketleri (gönüllü işaret vs otomatik yürüyüş) sonuçları sunuyoruz. Çizim hareketleri, bir hedefe işaret etme görevi olarak (yani 10 − 12 görevleri), hedefin aynı seviyede olmasını gerektirmez. İstemli kontrol düzeylerini değerlendirmek edebilmek için, bir sonraki uzamsal hedefe işaret görevi kullanın. Daha önce olduğu gibi, COM ‘dan yörüngeleri 17 sensör pozisyonlarının kinematik hareketleri (Şekil 9) özetleyen olarak kullanırız. Biz ilk hız amplitüd zaman serisi almak ve daha sonra genlik an-by-Moment dalgalanmalarından MMS türetilir. Şekil 10 ‘ da sol panel, işaret görevi sırasında taban çizgisi (görev 10) sırasında Stokastik analizlerin sonuçlarını gösterir. Şekil 10 ‘ da orta panel, bir metronom 35 BPM ‘de ayarlanırken, varlığı (görev 11) katılımcısını öğretmeden, işaretleme görevinden sonuçları gösterir. Şekil 10 ‘ da sağ panel, katılımcılar işaret hareketlerini metronom ritmine (görev 12) doğrultmak için talimat verildiğinde davayla ilgili sonuçları gösterir. Şekil 9: işaretleme görevleri SıRASıNDA com ‘un üç boyutlu yörüngeleri üç farklı bağlamda, normal bir taban çizgisi ölçümü (görev 10), metronom (görev 11) varlığının katılımcısı uyarı olmadan 35 BPM ‘de arka planda bir metronom Beats sırasında işaret ve varlığı işaret aynı metronom Beat ancak katılımcının metronom ritmi (görev 12) için hareketleri hızını talimat sonra. (A) denetim katılımcının performansı. (B) tüm kohort MDS-UPDRS puanlarının medyan sıralamasına göre en düşük önem derecesi ile grupta PWP performansı. (C) orta önem aralığı grubunda PWP. (D) PWP en yüksek önem grubunda. MDS-UPDRS puanlarında artış ile COM yörünge bozulması unutmayın. Bu figürün daha büyük bir versiyonunu görmek Için lütfen tıklayınız. Gama süreçlerinden gelen sonuçlar Şekil 10 ‘ da gösterilmiştir, her PWP alt türünü ayırt etmek mümkün ve içerikten içeriğe kadar Stokastik imzalarda değişimi takip etmek mümkündür. İşaret görevi, bu analizlerin bağlamsal durumlara duyarlılığını ortaya koydu. Aynı işaret görevi için, metronom koşullarındaki değişiklikler, koşullar arasında farklı Stokastik imzalar göstermektedir. Özellikle, biz COM Biorhythms içinde değişiklik gözlemleyebilirsiniz ne zaman onlar spontan (talimatlar olmadan) bu nedenle katılımcının kasıtlı olarak metronom için işaret hareketleri hız talimatı verildi koşula karşı metronom Beat ile eğitilmiş Yen. Bu görev, üst vücut hareketleri temel olarak, gönüllü kontrol seviyeleri farklı MSD-UPDRS skorlarına göre PWP arasında farklılık göstermiştir. Özellikle, skor düşük, gama parametresi düzleminde sinyal oranı (ölçek parametre değeri) düşük gürültü (şekil 10a), ve daha simetrik PDF şekil değeri. Median Sıralamalı UPDRS puanları ve dijital veriler arasındaki bu düzenli ilişki, metronom varlığı ile değiştirilmiş ve spontan (talimatsız) ve kasıtlı (talimat) işaret koşulları arasında daha fazla farklılaşmıştı. Şekil 10: üç özel işaretleme görevin dinamik dijital değerlendirmesi. Com hız zaman serisindeki dalgalanmalardan türetilen MMS gama süreci çıktısı, üç işaret görevi sırasında (görevler 10 − 12) PWP ve kontrol gruplarını içinde ve arasındaki farklılıklardanayırır. (A) gama parametresi DÜZLEMINDE PWP ve denetimler arasındaki farklar gösterilmektedir. (B) her bir işaret koşulu için, Gamma sürecinden ampirik olarak tahmin edilen gama anları, PWP ve kontroller arasında ayrım; ve her grup içinde, Stokastik imzalar farklı noktalara katılımcılar tabakalaşmak. Her görev bağlamı harita üzerinde noktanın konumunu değiştirir. (C) PDF ‘ler ailesi de her bir katılımcı, her grup ayırt ve hedef yönlendirilmiş işaret için görev bağlamları arasında istatistiksel farklılaşma ortaya çıkarır. Bu figürün daha büyük bir versiyonunu görmek Için lütfen tıklayınız. Daha sonra, gönüllü işaret davranışındaki farklı koşulların bu etkilerinin otomatik yürüyüş hareketine uzatacağını sorduk. Bu amaçla, yukarıda belirtildiği gibi aynı protokolü gerçekleştirdik, yani metronom kullanılarak, katılımcı odaya girdiğinde. Metronom ‘un ritmi bu durumda 12 BPM ‘ye ayarlandı. Şekil 11 , MDS-UPDRS skorları tarafından sıralanarak denetimler ve PWP medyaları için com yörüngeleri gösterir. Yürüyüş görevin Stokastik analizinin sonuçları Şekil 12’ de tasvir edilir. Şekil 11: üç özel yürüyüş görevin dinamik dijital değerlendirmesi. Hız genlik dalgalanmalarının gürültü-sinyal oranı tespit etmek için görev yürüyüş, vücut genelinde 17 yerden com 3D yörüngeleri türetilmiştir. (A) kontrol katılımcılarında com ‘un 3D yörüngeleri, kişi doğal yürüyüş sırasında ileri geri gelirken (görev 13); öğretim olmaksızın bir metronom varlığı içinde yürüyüş, metronom Beats (görev 14) için spontan çarpımlık ölçmek için; ve, talimat olarak (görev 15) metronom Beats, nefes oranını kasten pacing sırasında yürüyüş. (B) düşük sıralanmış UPDRS puanı ile PWP. (C) yüksek UPDRS puanı ile PWP 3D com yörüngesini düşürür. (D) en yüksek sırada bulunan UPDRS skoru ile PWP çok tedirgin com yörüngeleri gösterir. Bu figürün daha büyük bir versiyonunu görmek Için lütfen tıklayınız. Şekil 12: yürüyüş sırasında spontan ve talimat fiziksel dolaşırken kapasite. Yürüyüş görev MDS-UPDRS-bilgili dijital biyomarker. (A) orta rütbeli puanlarla birlikte doğal yürüyüş sırasında PWP ‘nin tabakalaşması. (B) metronom, Stokastik imzaları kendiliğinden değiştirir. (C) metronom ritmi için tempolu yürüyüş talimatında tekrar imzalar değişir. (D-F) Gama log-log parametre düzlem, PWP ‘de daha gürültülü ve daha rastgele dalgalanmalarla farklı PDF şekilleri ve ölçeği (gürültü-sinyal oranı) boyunca grupları yerelleştirir. (G-ı) Yukarıda D-F panellerinde temsil edilen ampirik olarak tahmin edilen PDF ‘Ler, her kişiye özgü bir şekilde bağlam ile vardiya yapan bir aileyi kapsamış olur. Bu figürün daha büyük bir versiyonunu görmek Için lütfen tıklayınız. Bilgisayar Webcam yüz kayıtları ederken tüm bilişsel ve bellek görevleri gerçekleştirilebilir, bu OpenPose, açıkça araştırmacılar35için kullanılabilir bir açık kaynak makine öğrenme yazılımı kullanmak mümkündür, ve yüz bilgileri ayıklamak, duygular veya duygusal içerik ile ilgili bilgileri anlamak için kullanılabilir. Sıklıkla PD ‘de dopamin tükenmesi sonunda düşük kas tonuna neden olabilir gibi yüz ifadeleri azalır. Burada gama süreci de belirli bir görev sırasında en aktif yüz alanları tespit etmek için kullanılabilir, ya da duyguları arasında alan-geçişler ascertaining tarafından duygusal içerik prob. Şekil 13 , 16 ve 17 görevleri sırasında bir katılımcı karşısında video kullanarak bu tür analizlerin bir örneğini gösterir. Yüz mikro-hareketler yakalamak için kullanılan 70 puan bilinen trigeminal sinirleri bölgeleri ile yazışmalara yerleştirilir v1 (29), v2 (14), v3 (27)8 (Şekil 13A) değerlendirmek için, örneğin, bu durumda, hangi alan en üst düzeye değiştirir zaman bir gülümsemeye nötr bir yüz geçiş. Bu tür analizler, genel olarak depresyon ve sosyal iletişim dahil olmak üzere PD ‘nin diğer motor olmayan yönlerini araştırmak için sistematik olarak kullanılabilir. Belirsiz kamera zoom, doğal insan hareketi ve gerçek yüz boyutu telafi etmek için, biz aşağıdaki şekilde yüz normalleştirmek: kamera sabit olduğunu varsayarak, biz x̄ ‘, ȳ ‘ = 0 ve birim varyans ile bir “birim yüz” her yüz harita. Videoda her çerçeve için, biz her noktayı normalleştirmek x ‘ = x-x̄, y ‘ = y-ȳ, ve her bir maske için birim farkı elde etmek için verilen çerçeve için genel maske varyansı ile her koordinatı ölçeklendirin. Biz daha sonra bir önceki maske sapmaları olarak yüzler zaman serisi her noktayı tedavi, biz yüz plastik kayıt sırasında deformasyon olmadığını varsayalım. Sonuç, konum koordinatlarının 70 kanal timeseries (Şekil 13B) ‘ dir. Bu zaman serisine yükseltmek sağlayan konumsal ve hız akışlarından çıkarılan hız genliği dalgalanmaları, MMS ‘e dönüştürülür ve Gamma sürecine girdiler, böylece PDF ‘Leri ve duygusal geçişler (Şekil 13C) ile vardiyalarını ortaya çıkarır. Örneğin, bir gülümseme için nötr bir ifadeden geçiş Şekil 13Balgılanamaz görünüyor, henüz Stokastik vardiya en hassas olarak bölge v2 ortaya, maksimum PDF değiştirme. Şekil 13: OpenPose kullanılarak yakalanan video verilerinden duyarlılık analizleri. (A) genel somatik afferent lifleri (GSA) taşıyan trigeminal sinirlere göre yüz alanları. Bu lifler oftalmik (v1), maksiller (v2) ve mandibular (v3) bölümleri ile yüz ifadeleri arasında geçişler incelemek için kullanılan (nötr vs gülümseme) yüzü derisini invat. (B) ticari olarak mevcut video kameralar ile yakalanan video birkaç dakika kullanarak, openpose ile yüz bilgileri ayıklamak ve v1, v2, v3 alanlarına göre yüz genelinde 70 puan render mümkündür (panel a gibi renk kodları). Bu zaman serilerinden gelen MMS daha sonra bir gama işlemine giriş ve ölçek ve şekil gama parametreleri ampirically her koşul için tahmin edilir. (C) ANALIZLER, PDF ‘de değişiklik en büyük olduğu için, bu özel kişi için, tarafsız gülümsemeye geçiş tarafından maksimum etkilenen bu durumda v2 alanı ortaya çıkarır. Bu figürün daha büyük bir versiyonunu görmek Için lütfen tıklayınız. Şekil 14: dijital Biyofizik sinyalleri, ağırlıklı olarak yönlendirilmiş grafikler ve bilgi kuramsal yöntemleri kullanılarak sinir sistemlerinin birden fazla katmanından entegre etme. Tüm EEG, hareket (Manyetometre) ve EKG sinyalleri arasında Pair Wise karşılıklı bilgilerin ağ bağlantısı. (A) üç yürüyüş görevleri sırasında temsilci sağlıklı katılımcı bağlantı ölçmek-görev 13 kontrol (sol), görev 14 spontan metronom yerleştirme (orta), ve görev 15 tempolu nefes talimatı (sağ). Her düğüm tek bir sensörün sinyalini temsil eder; çizginin rengi, daha parlak renk daha yüksek bağlantı gösterir mı, düzeyini temsil eder; düğüm rengi, sensörün sinyalinin ortalama mı değerini diğer tüm sensörlerle temsil eder. Renk ölçeği tüm görevler ve tüm katılımcılar arasında aynı olacak şekilde ayarlanır ve tüm görevler ve katılımcılar arasında maksimum mı değeri için en parlak renge sahip olmak ve tüm görevler ve katılımcı genelinde minimum mı değeri için en koyu renge sahip olmak için keyfi olarak ayarlanmıştır s. sağlıklı katılımcı bağlantı beyin ve vücut düğümleri arasında en güçlü bağlantı gösterir. (B) UPDRS 16 bağlantı ölçümü ile PWP, panel A ‘da olduğu gibi aynı şematik mizanpajla, sağlıklı katılımcının ağından daha az yoğunluk gösterir. (C) PWP Ile updrs 44 bağlantı ölçüsü, panel A gibi aynı Şematik düzeni ile, beyin ve vücut genelinde sparsest bağlantı deseni gösterir. Bu figürün daha büyük bir versiyonunu görmek Için lütfen tıklayınız. Daha sonra bu Biorhythms tarafından iletilen bilgilerin miktarını tespit ettik. Bu amaçla, her Algılayıcı sinyali çifti (örn. EEG sensörü, hareket sensörü, EKG sensörü) arasındaki karşılıklı bilgileri (mı) kullanarak Shannon19tarafından geliştirilen bilgi kuramsal yaklaşımı kullanıyoruz. Bu amaçla her dalga formunda MMS amplitüden elde ettik. İki sensör arasındaki mı, diğer sensörün sinyalinin bilgilerini sunarak bir sensörün sinyalinde azaltılmış belirsizlik seviyesini değerlendirir; Mı yüksek olduğunda, bu iki sinyallerin son derece bağlı olduğunu ve düşük olduğunda, bu iki sinyallerin çoğunlukla bağımsız olduğunu ima eder. Özellikle, mı hesaplanır: Burada sinyal x için değerlerin dağılımının normalleştirilmiş histogram değeri ve x ve Y sinyali için değerlerin ortak dağılımının normalleştirilmiş histogram değeri vardır. Örnekleme kutuları 0,05 içinde artırmak için, 0,5 ‘den maksimum genlik değerine kadar ayarlandı. Bu formülün türeği hakkında ayrıntılar, klinik analizler ile ilgili bilgi teorisi hakkında birçok literatürde bulunabilir20,21. Genel olarak, sağlıklı katılımcı üç yürüyüş görevi sırasında daha bağlı bir ağ sergiledi, ancak hasta katılımcıları Şekil 13’ te gösterildiği gibi daha sağlam bir bağlantı kurmuştu. Ağ üzerinden sadece bilgi iletimi değil, bu nedenle karşılıklı bilgi kendinden duyarlaştırılmış Biorhythms türetilmiştir, PWP çok daha düşüktür; daha da önemlisi, koşullar arasında mı iletim deseninde temel farklar vardır, bu hasta hastaya değişir. Burada, bu gelişen ağların topolojik özelliklerini özetlemek için ağ analizlerinden bağlantı ölçümlerini daha fazla kullanabilirler ve bu şekilde, fiziksel devirme kapasitesinin ek endeksleri sağlanırken, arasında iletişim seviyelerini yansıtan beyin, vücut ve kalp metronom ile ilgili fiziksel sürüklenme olduğunda vs oluşur.

Discussion

Bu çalışma, kişinin bu tür testleri gerçekleştirirken sinir sistemleri tarafından biyoofizik sinyallerden dijital verilerle geleneksel Klinik testlerin entegrasyonunu sağlayan yeni bir protokol tanıtır. SPıBA ve MMS kullanımını, kalem ve kağıt gözlemsel yöntemlerinden ayrık puanlar ve biyofizik sensörlerden sürekli dijital veriler gibi farklı türde verileri birleştirmek için birleştirici bir platform olarak tanıtıyoruz. Yöntemler, PWP bir kohort ve yaş ve cinsiyet uyumlu kontroller kullanılarak gösterilmiştir, karşılaştırma için ideal sağlıklı referans olarak ek bir genç kontrolü ile. Biz geleneksel klinik testler (örneğin, bu Moca ve MDS-UPDRS bir parçası olabilir) göstermek Median kohort rütbe ve otomatik olarak ayıklamak için kullanılabilir, grubun puanlarının içsel değişkenlik, bilgi, dijital veri katmanlaştırmış klinik olarak tanımlanan şiddeti seviyelere göre bölge. Bu tür seviyeleri klinik MDS-UPDRS ve bilişsel/bellek testi performansı seviyeleri ile iyi hizalayın. Daha sonra uygulama başka bir katmanda, biz CNS, PNS ve ANS katmanları harnessed sinir sistemlerinin Biorhythms incelemek, böylece özerklik ve kontrol farklı düzeylerde karakterize. Bu verilerden elde edilen örnek veri ve stokastik imzalar, klinik kriterlerin optik yoluyla incelendi. Bu yaklaşım altında, hastaları sağlıklı denetimlerden ayırt edebilirsiniz; ve dijital Biorhythms aracılığıyla, PWP içinde farklılaştırır, klinik olarak tanımlanmış şiddette seviyeleri.

Biyoofizik dijital verileri klinik kriterlerle bu şekilde hizalayarak, sonuçlardan bireyselleştirilmiş vardiyaları daha dinamik olarak izleyebilen bir yorumlanabilir ölçüt kümesi sağlıyoruz. Biz para bu yeni sonuç dinamik dijital biomarkers ölçer, çünkü dijital verilere dayanmaktadır, henüz iyi kurulmuş ve onaylanmış klinik kriterlere göre yorumlanabilir sonuçlar sağlar. Onlar sinir sistemi süreçleri zaman serisi türetilmiştir, ve bunlar dinamik doğası yakalamak. Özellikle, hem motor hem de motor olmayan kriterleri kullanabiliriz. Bu nedenle, biz şimdi konvansiyonel bozukluk şimdiye kadar tanımlanmış olan motor belirtileri bozulması öncesinde bilinen PD olmayan motor yönlerini ölçmek için başlayabilirsiniz. Örneğin, burada sunulan gibi yüz analizleri, REM uykusunda spontan yüz mikro hareketlerini incelemek için, motor faaliyetlerinin bozulmasını tahmin edebildikleri bir repertuarı oluşturmak için kullanılabilir. Aynı şekilde, bu yöntemleri günlük faaliyetler sırasında ağrı düzeylerini incelemek ve REM uyku süresi sırasında faaliyetleri ile potansiyel korelasyon değerlendirmek için kullanabiliriz. Bu önemlidir, çünkü her iki REM uyku ve ağrı disyönetmeliğinin daha sonra PD5,6,7şiddeti seviyesini tanımlayan motor sorunları öncesinde bilinmektedir. Çeşitli geleneksel klinik görevlerin dijitalleştirilmesi, bilişsel ve bellek yeteneklerini araştırmak için kullanılan klinik görevlere gömülü diğer motor dışı faaliyetler burada karakterize edildi ve bu tür etkinliklerin endeksler motor semptomlarına eşleştirilmiştir. Bu yöntemler, Parkinson hastalığında temel araştırma ve klinik uygulamaları bağlamak için imkan sağlar. Ayrıca sinir sistemlerinin diğer bozukluklarına da uzatılabilir.

Yüz motor çıkışı yanı sıra, REM uyku sırasında, biz hastanın beyin büyük olasılıkla alır reafferent geribildirim düzeylerini ölçmek için kendini algılayan veya kinestetik örtü çerçevesinde doğal sosyal durumlarda yüz jestleri inceleyebiliriz. Burada, trigeminal afferent bölgeler v1, v2, v3 karşılık gelen yüz alanları arasında mikro-jestler çok ince farklılıklar rağmen, bu temsilcisi katılımcı, hangi yüz bölgesi en üst düzeye değiştirdi belirlemek mümkün nötr ve doğal gülümseyen devletler arasında geçiş yaparken Stokastik imzalar. Bu SPıBA ve MMS kullanarak, biz kinestetik-dokunmatik kanallardan duyusal giriş ile zorluklar ile ilgili PD diğer motor olmayan (duyusal) yönlerini değerlendirmek mümkün olacaktır öneriyor. Bunların PD ‘de sorunlu olduğu tespit edilmiştir, hastalığın erken aşamalarında bile24. Çünkü duyusal ve motor el el gitmek, bu bilgileri bize daha bariz motor sorunları daha sonra bu bozukluk progresyonu yüzey tahmin yardımcı olabilir1,7. Biz yüz trigeminal alanlar boyunca bu kinestetik kanallar da bize ağrı dysregulation farklı türleri ayırmak yardımcı olabilir varsaymak, uyku değişiklikleri ile ilgili olanlar dahil5,6.

Mevcut Yöntemler, farklı bilişsel beceriler ve farklı düzeyde özerklik gerektiren farklı koşullarda, tandem içinde merkezi, periferik ve otonjik sinir sistemlerinden elde edilen Biyofizik sinyalleri incelemek için yeni bir yol sağlar ve nöromotor kontrolü. Standart MMS verilerinde Stokastik analizler ve Pair-Wise ağ analizlerinin uygulandığı SPıBA çerçevesini kullanarak, bilişsel faaliyetleri objektif olarak karakterize etmek de mümkündür. Bu denemede kullanılan on beş görevi farklı türde bilişsel beceriler (örneğin, Visuo-Constructional becerileri, görsel bellek, algısal tarama becerileri) ve farklı bilişsel kontrol seviyeleri (örneğin, kasıtlı olarak işaret hızı, talimat olarak solunum hızını hızlandırın). Bu nedenle, CNS-PNS-ans ‘ ı n rasgelelik ve bağlantı desenleri, bu görevler sırasında sergilenen Biyofizik sinyallerin bilgi iletimi, farklı düzeyde bilişsel yükleri ve motor çıkışı üzerindeki etkilerini karakterize etmek için kullanılabilir.

Biz de yeni analitik yöntemler ve protokollerimizin avantajlarını altını çizirken, zaman uyumlu veri toplama için kayıt platformumuzu benimseyerek dikkate alınmalıdır uyarıları ve pratik sınırlamaları işaret ediyoruz. Bunun nedeni, bu set up, birden fazla kayıt yazılım türleri Senkronizasyon amacıyla tek bir bilgisayarda akış vardır, yüksek olması için bilgisayarın Hesaplamalı güç gerektiren, ya da başka bir veri kaybı, bilgisayar donma ve/veya fazla olabilir Gürültü. Geçerli Tasarım, iki akış yazılımı (EEG ve hareket yakalama) ve LSL tek bir bilgisayarda çalıştırıldı. Bu nedenle, biz işlem aşırı ve olası bilgisayar dondurulması dikkatli olmak zorunda kaldı. Bu, EKG sinyallerini ayıklamak için EEG kanallarından birini kullandık nedenlerinden biriydi. Daha yüksek bellek kapasitesine ve daha hızlı işlemcilere sahip bilgisayarlar, EEG ve sensör ızgarası ile aynı anda akış yapan ayrı bir EKG yazılımını işleyebilir. Bu sorunlar, doğal olarak pratiktir ve sunduğumuz analitik yöntemlerden (SPıBA) ve standart veri türlerine (MMS) bağımsızdır. Yine de, birden çok akışlardan veri ortak kaydı için protokol tasarlamadan önce Hesaplamalı gücü değerlendirmek için gereken son kullanıcıyı uyarmak önemli olduğuna inanıyoruz.

Biz işaret başka bir uyarı ise, 15 görevler protokolünde gösterilen ne dinamik dijital biomarkers geliştirmek için kullanılabilecek bir alt kümesidir. Bu makalenin amacı için, biz alan kısıtlaması nedeniyle birkaç görev ile sınırlı, ve kontrol ve bedensel hareket farklı düzeylerde yer olanları seçti, ve gerçekten bu yazıda dahil olmayan diğer görevleri ekleyebilirsiniz. Amacımız daha az zaman ve çaba gerektirecek görevlerin daha küçük bir alt kümesini türetmek etmektir. Aslında, laboratuvarımızda, işaret eden görevler (10 − 12), PD dahil olmak üzere, gönüllü kontrol ve nörolojik bozuklukların farklı düzeyleriyle değişen Biorhythms Stokastik imzaları karakterize etmek için etkili ve etkili bir yol olarak bulduğumuz bir görev kümesidir. 24 , 30‘ a kadar.

Bu çalışmada gösterilen temsili sonuçlar, SPıBA yöntemlerini kullanarak biyosensörler dalga formları ve kameraların hareket başlıklarından türetilen MMS veri kümeleri ile yapılabilecek küçük bir alt kümesidir. Açıklayıcı amaçlar için, MMS ‘i amplitüd olarak inceledik ve kişinin COM ‘dan türetilen doğrusal hız genliği dalgalanmalarına odaklandık. COM, biz ortak kayıtlı tüm 17 vücut sensörleri ızgara bir Özet sinyalidir. Ancak, analizleri diğer dönme parametrelerine ve zaman serisi dalgalanan parametreler (örn. yüz verileriyle yaptığımız gibi) oluşturan diğer kinetik değişkenlere (örneğin, kuvvetler ve basınç) uzatabiliriz. Ayrıca, uzay kısıtlaması nedeniyle, biz sadece onun kafa derisi amplitüt bilgilerine dayalı EEG verilerinin analizini tasvir, ama biz de kaynak alandan türetilen verilere bu analitik uygulayabilirsiniz31. Veri tüm modları için, biz de zaman serisi oluşturmak zirveleri (yerine tepe amplitüd) arasında zaman rasgelelik inceleyebiliriz. Parametreler diğer zaman serisi bu tür dalga türetilebilir ve onların MMS32,33,34inşa edildi ağdan uyumlu ve bağlantı tespit etmek için kullanılabilir. Ayrıca bu analizler34frekans etki alanına da uzatılabilir. Karşılıklı bilgi ağ analizine ek olarak, PWP ve kontrolleri ayırt etmek ve PWP tabakalaşmak için ağın diğer topolojik özellikleri üzerinde duruldu olabilir. Bu makalenin amacı için, bu analizlerin bir araç olarak kullanışlılığına odaklanıyoruz, ancak bu tür bir karakterizasyon sayesinde, bu analitik araçların sağlandığı dijital verilerin klinik olarak bilgilendirilmiş yorumlarını sağlamak için bilgi kazanacağız.

Bu çalışmada açıklanan mevcut yöntemler, SPıBA ve MMS ‘in klinik ve dijital veri entegrasyonuna uygulanabilecek birçok olası yolu tanıtmak için hizmet vermektedir. Bu Unifying platform, standartlaştırılmış veri tipi ve Deneysel protokol ile klinik kriterlerin dijital verilerini sonunda bilgilendirmek ve aynı şekilde dijital verilerden geleneksel kalem-kağıt yöntemlerine kadar daha fazla hassasiyet sunuyoruz. Bu tür iyileştirme 1) tedaviye yanıt olarak belirti değişikinin daha doğru takibini sağlamak, 2) zaman içinde doğal PD progresyonu anlayışını artırmak, ve 3) PD semptom sunumunun tabaklaştırılmasını kolaylaştırmak (hangi benzersiz klinik dikte olabilir Her alt grup için öneriler). Bu nedenle, bu yöntemleri PD ‘de daha fazla araştırmaya başvurmayı umuyoruz, aynı zamanda klinik uygulamada da kullanışlılığı görmek. Cep telefonları, Biyofizik veriler gibi ticari kalitede cihazların kullanılması, bu yazıda tasvir ettiğimiz analitiği gerçekleştirmek için elde edilebilir. Şu anda, Rochester Üniversitesi (https://parkinsonmpower.org) ve Kaggle mPower uygulama çalışması gibi daha büyük bir ölçekte bu tür dijital veri toplama çabaları vardır. Nitekim, bu açık erişim veri depoları kullanarak, biz cep telefonlarından elde edilen ivmeölçer veri PD ve normal yaşlanma bireyler tabakalaşmak başardık, ve otomatik olarak burada sunulan klinik testler gömülü faaliyetleri sınıflandırmak için 35.

Bir sonraki adım olarak, daha geniş bir dizi PWP nüfusunun ve bunların eşleşen kontrol katılımcılarından daha fazla veri toplamaya ve yöntemlerimizi kullanarak her iki kesit ve uzunlamasına analiz yapabilmek için farklı zaman noktalarında kayıt yapmayı hedefliyoruz. Bu tür toplanan dijital verilerin, parçaların toplamından çok daha fazlasını sunacağını ve Nöroloji ve psikiyatride hassas tıbbın ilkelerini gerçekten fark ettiğimizi öngörüyoruz.

Disclosures

The authors have nothing to disclose.

Acknowledgements

Bu araştırma kısmen Rutgers Discovery Informatik Enstitüsü tarafından JR, Rutgers Üniversitesi TechAdvance fonları EBT ve JV, New Jersey Vali Konseyi araştırma ve tedaviler otizm için EBT ve Michael J Fox Vakfı tarafından RD için finanse edilir.

Materials

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

References

  1. Hawgood, S., Hook-Barnard, I. G., O’Brien, T. C., Yamamoto, K. R. Precision medicine: Beyond the inflection point. Science Translational Medicine. 7 (300), 300ps317 (2015).
  2. Torres, E. B., Whyatt, C. . Autism: The Movement Sensing Perspective. , (2018).
  3. Torres, E. B., et al. Toward Precision Psychiatry: Statistical Platform for the Personalized Characterization of Natural Behaviors. Frontiers in Neurology. 7, 8 (2016).
  4. Espay, A. J., et al. Technology in Parkinson’s disease: Challenges and opportunities. Movement Disorders. 31 (9), 1272-1282 (2016).
  5. Ponsen, M. M., Stoffers, D., Wolters, E. C., Booij, J., Berendse, H. W. Olfactory testing combined with dopamine transporter imaging as a method to detect prodromal Parkinson’s disease. Journal of Neurology, Neurosurgery & Psychiatry. 81 (4), 396-399 (2010).
  6. Ponsen, M. M., et al. Idiopathic hyposmia as a preclinical sign of Parkinson’s disease. Annals of Neurology: Official Journal of the American Neurological Association and the Child Neurology Society. 56 (2), 173-181 (2004).
  7. Oudre, L., Jakubowicz, J., Bianchi, P., Simon, C. Classification of periodic activities using the Wasserstein distance. IEEE Transactions on Biomedical Engineering. 59 (6), 1610-1619 (2012).
  8. Derkinderen, P., et al. Parkinson disease: the enteric nervous system spills its guts. Neurology. 77 (19), 1761-1767 (2011).
  9. Roetenberg, D., Luinge, H., Slycke, P. Xsens MVN: Full 6DOF human motion tracking using miniature inertial sensors. Xsens Motion Technologies BV, Tech. Rep. 1, (2009).
  10. Possin, K. L., Laluz, V. R., Alcantar, O. Z., Miller, B. L., Kramer, J. H. Distinct neuroanatomical substrates and cognitive mechanisms of figure copy performance in Alzheimer’s disease and behavioral variant frontotemporal dementia. Neuropsychologia. 49 (1), 43-48 (2011).
  11. Army, U. Army individual test battery. Manual of Directions and Scoring. , (1944).
  12. Nasreddine, Z. S., et al. The Montreal Cognitive Assessment, MoCA: a brief screening tool for mild cognitive impairment. Journal of the American Geriatrics Society. 53 (4), 695-699 (2005).
  13. Beekly, D. L., et al. The National Alzheimer’s Coordinating Center (NACC) database: the uniform data set. Alzheimer Disease & Associated Disorders. 21 (3), 249-258 (2007).
  14. Torres, E. B. . Objective Biometric Methods for the Diagnosis and Treatment of Nervous System Disorders. , (2018).
  15. Ryu, J., Torres, E. B. . Fourth International Symposium on Movement and Computing, MOCO’17. , 1-8 (2017).
  16. Torres, E. B., Donnellan, A. M. . Autism: The movement perspective. , (2015).
  17. Torres, E. B., Vero, J., Rai, R. Statistical Platform for Individualized Behavioral Analyses Using Biophysical Micro-Movement Spikes. Sensors (Basel). 18 (4), (2018).
  18. Torres, E. B., Denisova, K. Motor noise is rich signal in autism research and pharmacological treatments. Scientific Reports. 6, (2016).
  19. Shannon, C. A mathematical theory of communication. Bell System Technical Journal. 27, 379-423 (1948).
  20. Silverstein, S. M., Wibral, M., Phillips, W. A. Implications of information theory for computational modeling of schizophrenia. Computational Psychiatry. 1, 82-101 (2017).
  21. Jeong, J., Gore, J. C., Peterson, B. S. Mutual information analysis of the EEG in patients with Alzheimer’s disease. Clinical Neurophysiology. 112 (5), 827-835 (2001).
  22. Torres, E. B., et al. Autism: the micro-movement perspective. Frontiers in Integrative Neuroscience. 7, 32 (2013).
  23. Von Holst, E., Mittelstaedt, H., Dodwell, P. C. . Perceptual Processing: Stimulus equivalence and pattern recognition. , 41-72 (1950).
  24. Torres, E. B., Cole, J., Poizner, H. Motor output variability, deafferentation, and putative deficits in kinesthetic reafference in Parkinson’s disease. Frontiers in Human Neuroscience. 8, 823 (2014).
  25. Yanovich, P., Isenhower, R. W., Sage, J., Torres, E. B. Spatial-orientation priming impedes rather than facilitates the spontaneous control of hand-retraction speeds in patients with Parkinson’s disease. PLoS One. 8 (7), e66757 (2013).
  26. Torres, E. B. The rates of change of the stochastic trajectories of acceleration variability are a good predictor of normal aging and of the stage of Parkinson’s disease. Frontiers in Integrative Neuroscience. 7, 50 (2013).
  27. Torres, E. B., Heilman, K. M., Poizner, H. Impaired endogenously evoked automated reaching in Parkinson’s disease. Journal of Neuroscience. 31 (49), 17848-17863 (2011).
  28. Nguyen, J., Majmudar, U., Papathomas, T. V., Silverstein, S. M., Torres, E. B. Schizophrenia: The micro-movements perspective. Neuropsychologia. 85, 310-326 (2016).
  29. Torres, E. B. Atypical signatures of motor variability found in an individual with ASD. Neurocase. 19 (2), 150-165 (2013).
  30. Torres, E. B. Signatures of movement variability anticipate hand speed according to levels of intent. Behavioral Brain Functions. 9, 10 (2013).
  31. Lai, M., Demuru, M., Hillebrand, A., Fraschini, M. A comparison between scalp-and source-reconstructed EEG networks. Scientific Reports. 8 (1), 12269 (2018).
  32. Sporns, O. . Networks of the Brain. , (2010).
  33. Rubinov, M., Sporns, O. Complex network measures of brain connectivity: uses and interpretations. Neuroimage. 52 (3), 1059-1069 (2010).
  34. Kalampratsidou, V., Torres, E. B. Peripheral Network Connectivity Analyses for the Real-Time Tracking of Coupled Bodies in Motion. Sensors (Basel). 18 (9), 3117 (2018).
  35. Torres, E. The rates of change of the stochastic trajectories of acceleration variability are a good predictor of normal aging and of the stage of Parkinson’s disease. Frontiers in Integrative Neuroscience. 7 (50), (2013).

Play Video

Cite This Article
Ryu, J., Vero, J., Dobkin, R. D., Torres, E. B. Dynamic Digital Biomarkers of Motor and Cognitive Function in Parkinson’s Disease. J. Vis. Exp. (149), e59827, doi:10.3791/59827 (2019).

View Video