Okülomotor yanıtların ve uyumun enstrümantasyon ve analiz araç kutuları aracılığıyla ölçülmesi

Bu çalışmada kullanılan yazılım paketleri, ilgilenilen herhangi bir deney üzerinde kapsamlı ve eksiksiz kontrol sağlar. Visualize 2020 stimülasyonu özelleştirir, AMAP ve VMAP sırasıyla akomodatif ve oküler motor davranışların ücretsiz analizini sağlar. Şeffaflık bu tekniğin temel avantajıdır.

Programlı olarak, uyaran davranışı, kalibrasyon rutini ve analitik süreçler, yazılım kapsamları içindeki herhangi bir deneysel protokol için kullanıcı tarafından tanımlanabilir. Göz hareketlerinin objektif ölçümü ve veri analitiği ile uyum, görme bilimcilerinin ve hekimlerin öncelikle binoküler disfonksiyonu olan hastalar ile binoküler nöroma kontrolleri arasındaki farkı söyleyebilmelerini sağlar. İkincisi, görme terapötiklerinin altında yatan nöro mekanizmayı anlayabilmek.

Göz anı kayıtları, oküler motor disfonksiyonlar için potansiyel bir biyobelirteç olarak kullanılabilir ve binoküler görme disfonksiyonlarının yüksek komorbiditesine sahip sarsıntı ve Parkinson hastalığı popülasyonunda potansiyel uygulamalara sahiptir. Kurulumun bağlantılarını ve donanımını izleyerek başlayın. VisualEyes 2020 sistemi, monitörleri uzamsal ve saat yönünde sırayla atar.

Uyaran monitörlerinin uygun uzamsal yapılandırmasını sağlayın. Birincil kontrol monitörü sıfır olarak endekslenir ve tüm ardışık monitörler birinden itibaren endekslenir. Kontrol bilgisayarına bağlı her uyaran ekranı için atanan monitör endekslerini görselleştirmek üzere Tanımla'yı seçin.

Ekran monitörü ayarlarında, Ekran çözünürlüğü'ne gidin ve önerilen çözünürlüğü kontrol edin. Göz izleme sisteminin optik orta çizgide olduğundan ve minimum 38 santimetre kamera mesafesine sahip olduğundan emin olun. Otomatik refrakter sistemin optik orta hatta ve gözlerden yaklaşık bir metre uzakta olduğunu kontrol edin.

Boyutlara başvurarak donanım ve ekipmanın yapılandırmasını doğrulayın. Masaüstünün ve ilgili göz izleme donanımının üreticinin talimatlarına göre yapılandırıldığından ve kalibre edildiğinden emin olun. Monoküler olarak katılımcıların sol gözünü kızılötesi iletim filtresiyle tıkayın ve filtrenin önüne dışbükey bir küre deneme lensi yerleştirin.

Daha sonra, dürbünle fiziksel olarak yakın uyaran monitörlerinden yüksek keskinlikte dört derecelik bir uyaran sunun. Daha sonra dürbünle fiziksel olarak yakın uyaran monitörlerinden yüksek keskinlikte 16 derecelik bir uyaran sunar. Bilgilendirilmiş onam alındıktan sonra, katılımcıyı haploskopta oturması için yönlendirin.

Baş hareketini en aza indirmek için katılımcının alnını ve çenesini sabit bir koltuk başlığına yerleştirin ve sandalye yüksekliğini katılımcının boynu tüm deney boyunca rahat olacak şekilde ayarlayın. Katılımcının gözlerinin kameraların görüş alanı içinde yakalanabilir olmasını sağlamak için göz hareketi kayıt kameralarını ayarlayın. Ardından, uzuv, göz bebeği ve kornea yansıması gibi anatomik özellikleri yakalamak için göz izleme sinyalini ve göz izleme geçidi kazanımlarını ayarlayın.

Katılımcıdan tekrarlanan vergence veya sakkadik hareketler yapmasını isteyerek göz hareketi verilerinin yakalanmasını doğrulayın. Verileri yapılandırmak için, otomatik kırılma verilerini içeren harici depolama aygıtını kullanın ve verileri AMAP yüklü bir aygıta aktarın. AMAP uygulamasını başlatın ve dosya ön işlemcisini veya toplu ön işlemciyi seçin.

Seçilen veriler önceden işlendiğinde sistem bunları sağladığı için AMAP'lerin ilerleme çubuğunu ve bildirimlerini kontrol edin. Klasör dizinleri, veri işleme, şeffaflık ve AMAP çıkışı altında bilgisayarın yerel sürücüsü üzerinden erişilebilirlik için AMAP'lerin ön işlemesinden oluşturulur. Önceden veri işlenmeden bir AMAP özelliği seçilirse, kullanıcının bir veri dizini seçmesi için görüntülenen bir dosya gezgini penceresi olup olmadığını denetleyin.

Ardından, AMAP veri analizini gerçekleştirmek için, kullanılabilir dosyaları varsayılan olarak oluşturulan bir AMAP alt çizgi çıktı klasörüne varsayılan olarak geçerli dosya dizinine yükleyen Veri Yükle düğmesi aracılığıyla çözümlenecek bir veri dosyası seçin. Seçilen veri dosyası adı geçerli dosya alanında görünür. Göz Seçici altında, kaydedilen akomodatif kırılma için dürbün ortalaması alınmış verileri sunan varsayılan seçimi kontrol edin.

Veri türünü, Tip Seçiciden Bakış olarak gösterilen akomodatif refraksiyon ve okülomotor vergence arasında değiştirin. Veri ölçümlerini ve birinci ve ikinci dereceden karakterizasyonları sunmak için mevcut diğer grafik özelleştirmelerini kontrol edin. AMAP için varsayılan ölçümleri kontrol edin.

Grafik seçenekleri görüntülendikten sonra, metrik modifikasyon döndürücüleri aracılığıyla yanıt başlangıç dizininde, yanıt bitiş dizininde ve tepe hızı dizininde değişiklikler yapın. Görüntülenen tüm kayıtlı hareketlerin analizini takiben, her bir veri dosyası için analiz edilen metrikleri hareket kimliği alanına veya sol kelime ve sağ kelime gezinme okları aracılığıyla kaydedin. Analiz edilmemiş hareketler, NaN olarak gösterilen bir sayı olmayan varsayılan bir sınıflandırmaya sahiptir ve bunlar kaydedilmez veya dışa aktarılmaz.

Herhangi bir operatör tarafından tam analiz yapılmasını sağlamak için her hareket için iyi veya kötü olarak manuel sınıflandırma yapın. Analiz edilen verileri kaydetmek için Kaydet düğmesini seçin. Ardından, analiz edilen verileri tek tek hareket metriklerini ve dışa aktarılan ortalama metrik sayfalarını içeren erişilebilir bir e-tabloya aktarmak için Dışa Aktar düğmesini seçin.

VisualEye 2020 tarafından uyandırılan uyarılmış göz hareketlerinin grup düzeyinde topluluk grafikleri, burada karşılık gelen birinci dereceden hız özellikleriyle gösterilmiştir. Her göz hareketi konum izi benzersiz renkli bir çizgi olarak çizilir ve grup düzeyinde hız tepkisi kırmızı renkle kaplanır. Katılımcı performanslarının görselleştirilmesi, beş derecelik yakınsak yanıtların ve veri işlemeden kaynaklanan karşılık gelen 1,5 diyoptri akomodatif yanıtların bir topluluğunu gösteren AMAP ile de gerçekleştirilebilir.

Bir katılımcının orta hatta odaklanması ve deney için gözleriyle ne yapmaları gerektiğini anlamaları çok önemlidir. Uygun geçitli net göz görüntüleri, çevrimdışı analiz edilebilen verileri kaydetmek için kritik öneme sahiptir. Bu teknikleri, bir sarsıntıdan sonra genel popülasyonda veya Parkinson hastalığı olan hastalar için yaygın olan binoküler disfonksiyonu olan hastalara yardımcı olmak için tanısal ve terapötik müdahaleler için taşınabilir cihazlara dönüştürmek için sanal gerçeklik gibi yeni teknolojileri araştırıyoruz.