المؤشرات الحيوية الرقمية الديناميكية للوظائف الحركية والمعرفية في مرض باركنسون

Behavior
 

Summary

يقدم هذا البروتوكول رقمنة أجزاء من المهام السريرية التقليدية التي تستخدم عادة لقياس الإدراك والتحكم الحركي في مرض باركنسون. يتم رقمنة المهام السريرية في حين يتم تسجيل الإيقاعات البيوفيزيائية بشكل مشترك من مستويات وظيفية مختلفة من الجهاز العصبي، تتراوح بين الطوعية، عفوية، التلقائي إلى اللاإرادي.

Cite this Article

Copy Citation | Download Citations | Reprints and Permissions

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).

Please note that all translations are automatically generated.

Click here for the english version. For other languages click here.

Abstract

وبما أن مرض باركنسون (PD) هو اضطراب غير متجانس، فإن الطب الشخصي مطلوب حقاً لتحسين الرعاية. في شكلها الحالي، وعشرات القياسية من الورق وقلم رصاص أعراض- التدابير المستخدمة تقليديا لتتبع تطور المرض هي خشنة جدا (منفصلة) لالتقاط حبيبات الظواهر السريرية قيد النظر، في مواجهة أعراض هائلة التنوع. ولهذا السبب، يتم بشكل متزايد دمج أجهزة الاستشعار والأجهزة القابلة للارتداء والأجهزة المحمولة في أبحاث PD والرعاية الروتينية. وهذه التدابير الرقمية، وإن كانت أكثر دقة، فإنها تسفر عن بيانات أقل توحيدا وقابلية للتفسير من التدابير التقليدية، وبالتالي، فإن هذين النوعين من البيانات لا يزالان مغلقين إلى حد كبير. وتشكل كلتا المسألتين حواجز أمام التطبيق السريري الواسع لأدوات التقييم الأكثر دقة في الميدان. يعالج هذا البروتوكول كلتا المشكلتين. باستخدام المهام التقليدية لقياس الإدراك والتحكم في المحرك، ونحن اختبار المشارك، في حين شارك في تسجيل الإشارات البيوفيزيائية باستخدام الأجهزة القابلة للارتداء بشكل غير مزعجة. ثم نقوم بدمج النقاط من الأساليب التقليدية للورق والقلم الرصاص مع البيانات الرقمية التي نسجلها باستمرار. نحن نقدم نوع بيانات موحد جديد ومنصة إحصائية موحدة تمكن من تتبع ديناميكي للتغيير في التوقيعات العشوائية للشخص في ظل ظروف مختلفة التي تحقق مستويات وظيفية مختلفة من التحكم في الحركية العصبية، بدءا من الطوعية إلى الحكم الذاتي. يوفر البروتوكول والإطار الإحصائي الموحد علامات حيوية رقمية ديناميكية للوظائف الفيزيائية والمعرفية في PD تتوافق مع المقاييس السريرية التي تم التحقق منها، مع تحسين دقتها بشكل كبير.

Introduction

وقد برز الطب الدقيق (PM) (الشكل1) كمنصة قوية لتطوير العلاجات المستهدفة الشخصية. في مجال أبحاث السرطان، كان هذا النموذج ناجحا جدا والمبادئ لا بد أن تحدث ثورة في المجال الطبي في المستقبل القريب1. PM يجمع بين طبقات متعددة من المعرفة، بدءا من التقارير الذاتية للمرضى إلى علم الجينوم. دمج المعلومات عبر جميع هذه الطبقات يؤدي إلى تقييم شخصي يتيح تفسير البيانات وتوصيات معالجة أكثر دقة تهدف إلى النظر في جميع جوانب حياة الشخص.

هناك العديد من التحديات عند محاولة تكييف منصة PM مع الاضطرابات العصبية والنفسية والعصبية للأجهزة العصبية2،3، وقد تم التعبير عن هذه التحديات مؤخرا4. ومن بين هذه النقاط التفاوت في البيانات التي يتم الحصول عليها، وهي الدرجات المنفصلة من الأساليب السريرية لأقلام الرصاص والورق التي تسترشد بالمراقبة، والبيانات البيوفيزيائية المستمرة المكتسبة ماديا من ناتج الجهاز العصبي (مثلاستخدام أجهزة الاستشعار البيولوجية). تميل البيانات من الدرجات السريرية إلى افتراض نموذج ثابت واحد يناسب جميع الموديل الذي يفرض وظيفة توزيع احتمال واحدة (نظرية) (PDF). ويُفرض هذا الافتراض المسبق على البيانات دون التحقق من صحة تجريبية سليمة، لأن البيانات المعيارية لم يتم الحصول عليها وتوصيفها في المقام الأول. وعلى هذا النحو، لا توجد معايير مناسبة قائمة على التشابه والقياس تصف حالات النضج العصبي النموذجي للنظم العصبية البشرية، حيث أن عمر الشخص السليم ومساحات الاحتمالات المستخدمة لإلقاء هذه الاختلافات في المعلمات تتغير بمعدل ما. وبدون البيانات المعيارية ومقاييس التشابه المناسبة، لا يمكن قياس حالات الخروج عن الحالات النموذجية لأنها تتغير ديناميكياً عبر حياة الشخص. كما أنه من غير الممكن التنبؤ بالعواقب الحسية للتغيرات القادمة.

Figure 1
الشكل 1: منصة الطب الدقيق: سد الفجوة بين السلوكيات وعلم الجينوم لتمكين تطوير العلاج المستهدف في الطب الشخصي الذي يترجم إلى اضطرابات عصبية وعصبية وعصبية وعصبية في الجهاز العصبي. يمكن ترجمة منصة الطب الدقيق لتطوير العلاجات الشخصية المستهدفة لتشخيص وعلاج الاضطرابات العصبية والنفسية العصبية في الجهاز العصبي. ومع ذلك، في شبكة المعرفة، تحتاج طبقة التحليلات السلوكية إلى نقلة نوعية لدمج النتائج الرقمية الناشئة الجديدة من البيانات البيوفيزيائية مع معايير سريرية أكثر تقليدية. ويتمثل أحد التحديات التي تنتظرنا في توفير أساليب سليمة إحصائيا وأدوات تصور بديهية جديدة لهذا التكامل، مع تشجيع الأطباء والمرضى ومقدمي الرعاية على استخدام مقاييس النتائج الرقمية. وقد تم تعديل هذا الرقم من Hawgood وآخرون1 بإذن من الرابطة الأمريكية للنهوض بالعلوم. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

النهج الحالي"المتوسط الكبير" ينعم كما الضوضاء التقلبات العشوائية للفرد في البيانات، أي تقلب الإشارة التي تظهر مع تقدم الشخص بشكل طبيعي، كما تقدم الاضطراب، والجهاز العصبي للشخص تلقي العلاجات والاستجابة لها. إن الافتقار إلى البيانات المعيارية (أي تقييم الأجزاء الكبيرة من السكان الأصحاء عبر القطاعات والطولية) يمنعنا من فهم الديناميات العصبية النمطية للشيخوخة الصحية. على هذا النحو ، يصبح تحديا لمعرفة كيفية توقع بشكل أعم عواقب أمراض معينة ، حيث أن علم الأمراض يبدأ في إظهار منهجي في الفرد. النُهج التنبؤية حاسمة لتصميم العلاجات التجديدية و/أو العلاجات الواقية من الأعصاب التي تبطئ العملية التنكسية. مرض باركنسون هو مثال جيد على الأمراض حيث تسبق مظاهر الاضطراب العديد من الأعراض الأخرى القابلة للقياس. ونحن نعلم اليوم أن الاضطرابات الحركية المرئية سبقتها قضايا حسية أقل وضوحا مثل انخفاض وظيفة الشم5،6، والتغيرات في أنماط الكلام ، وحركة العين السريعة (REM) النوم7، وغيرها من غير الحركية الأعراض المتعلقة بعمل الجهاز العصبي المعوي8. بحلول الوقت الذي يظهر اضطراب, هناك بالفعل استنفاد الدوبامين عالية في النظام; بعد الأعراض غير الحركية يمكن أن يكون توقع بعض العاهات الحركية المرئية، والتي يتم تقييم الاضطراب حاليا في المقام الأول.

هناك حاجة إلى تغيير النماذج التحليلية الحالية والنظر في أهمية توصيف البيانات التجريبية بشكل صحيح عبر جميع مستويات الجهاز العصبي، حيث تظهر حركات عدم انتظام ضربات القلب ويمكن تسخيرها ديناميكيا في شكل سلسلة زمنية مسجلة مع العديد من أجهزة الاستشعار. يجب ألا تقتصر بيانات الحركة بمعناها العام على الحركات والاضطرابات التي تبثها. توفر البيانات الرقمية من جميع الإيقاعات الحيوية للأنظمة العصبية (بما في ذلك الأشكال الموجية غير الحركة) إمكانية التنبؤ التي قد نحتاجها للمساعدة في منع أو إبطاء التنكس العصبي السريع. ومع ذلك، وبينما نزيد من رصيدنا من أنواع البيانات، ينبغي لنا أن نتجنب الافتراض المتأصل للنماذج الخطية البارامترية للاستنتاج الإحصائي والتفسير المستخدم حاليا لتحليل هذه البيانات. سيكون من الأهمية بمكان تقييم مدى كفاية هذه النماذج الخطية لأنواع المشاكل غير الخطية للغاية التي ندرسها في أمراض الجهاز العصبي الخاضعة للتحولات العشوائية والتغيرات الديناميكية. وتوجد تحذيرات في حلقات خطوط الأنابيب الحالية لتحليل الافتراضات في كلا النوعين من البيانات التي يجري تسخيرها: تلك المستمدة من الدرجات السريرية المنفصلة وتلك المستمدة من الأشكال الموجية البيوفيزيائية الرقمية المستمرة. وفي حين أنها لا تزال منفصلة، سيكون من المهم تصميم أطر جديدة تمكن من التكامل السليم لكلا النوعين من البيانات بطرق تتماشى مع النتائج الرقمية مع المعايير السريرية لتسهيل استخدام التكنولوجيات الرقمية الناشئة من قبل المرضى، مقدمي الرعاية والأطباء.

للتغلب على بعض هذه التحديات، قمنا مؤخرا بتكييف منصة PM في الشكل 1 لتوفير الفينولات الدقيقة للحالات العصبية والعصبية النفسية3. ولهذا الغرض، قمنا بتصميم طريقة جديدة لجمع وتحليل وتفسير البيانات السلوكية جنبا إلى جنب مع اختبارات التقييم السريرية التقليدية التي تتأكد من العلاقات المعقدة بين الظواهر المعرفية والحركية. وبشكل أكثر دقة، قمنا برقمنة أساليب القلم والورق. البيانات من هذه الأساليب وحدها هي خشنة جدا لالتقاط المعلومات الهامة الهروب من العين المجردة. ولكن استخدامها بالاقتران مع البيانات الرقمية من أجهزة الاستشعار البيوفيزيائية يوفر وسيلة جديدة لربط التكنولوجيات الرقمية الناشئة الجديدة مع المعايير السريرية التي يمكن أن تشجع الأطباء على اعتمادها في المستقبل القريب.

هنا، نقدم استخدام البيانات الرقمية في سياق التقييمات السريرية. وعلى وجه التحديد، وبما أن الشخص يؤدي المهمة السريرية، على سبيل المثال، رسم ساعة في اختبار التقييم المعرفي في مونتريال (MoCA)، فإن إنتاج الإيقاعات الأحيائية من قبل الجهاز العصبي يتم تسجيله بشكل مشترك عبر طبقات وظيفية مختلفة. وتشمل هذه الصدمات الكهربائية (EEG)، والتصوير الكهربائي (تخطيط القلب أو تخطيط القلب)، وأنماط الصوت والحركية من الجسم، والإخراج الحركي من القلم باليد الذي يستخدمه الشخص لرسم الساعة على قرص رقمي. كما نجمع بيانات الفيديو من الوجه أثناء توجه الشخص، لإجراء تحليلات عاطفية تنبؤية بالحالة العاطفية. ثم يتم تحليل هذه البيانات من خلال البصريات من منصة إحصائية جديدة للتحليل السلوكي الفردي (SPIBA) وتفسر وفقا للمعايير السريرية التي تقوم عليها هذه الاختبارات. وبشكل أكثر تحديدا، يتم استخدام الدرجات المنفصلة لمتوسط رتبة مجموعة من المرضى وبهذه الطريقة، تقسيم المجموعة على أساس تلك المعايير السريرية. ويمكننا بعد ذلك فحص البيانات البيوفيزيائية المستمرة للمجموعات التي تم تحديدها على هذا النحو، بحثاً عن معايير مؤشر الاستوكاستك الرقمية التي تفصل بشكل أساسي مجموعة فرعية واحدة من المرضى عن أخرى، عبر أكثر من بُعد بارامتري. وعلاوة على ذلك، من خلال فحص البيانات البيوفيزيائية المستمرة في حد ذاتها، وفقا للتقلبات المتأصلة في كل شخص داخل الفوج وأعمى من المعايير السريرية، يمكننا البحث عن مجموعات الناشئة ذاتيا داخل المجموعة، ومقارنة مدى خريطة هذه المجموعات لتلك التي كشفت الأنواع الفرعية التي تسترشد المعايير السريرية.

هذا النهج يوفر طريقة جديدة لتحديد المعلمات ضمن ثروة من البيانات الرقمية البيوفيزيائية، التي التقاط الأكثر فعالية الاختلافات عبر الأنواع الفرعية ويجعل هذه الاختلافات كمرشحين جيدة محتملة لفئات المرضى الذين يعانون من باركنسون المرض (PWP) في المكفوفين، أي عبر سحب عشوائي من عامة السكان. وتكتسي أهمية هذا الأسلوب ذات شقين. يمكننا تخصيص العلاجات حقاً، مع دمج أنواع البيانات المتباينة بشكل صحيح من أجهزة الاستشعار الحيوية والمعايير السريرية؛ أي البيانات البيوفيزيائية الرقمية المستمرة في شكل سلاسل زمنية، ودرجات سريرية منفصلة من الاختبارات التقليدية.

على الرغم من أن هذا هو نهج عام، ينطبق على جميع اضطرابات الجهاز العصبي، ونحن تأطير العمل في سياق PWP وتقديم طرق جديدة لجعل الاستنتاجات الإحصائية حول البيانات الرقمية المستمرة المسجلة بشكل مشترك خلال أداء مثل هذه الاختبارات السريرية النظر في نظام التهديف السريرية منفصلة. وعلى هذا النحو، يتيح العمل التفسير السريري للنتائج الرقمية القابلة للاستخدام في البيئات السريرية. وأخيرا، نقدم توصيات للبدء في تصميم طرق جديدة لتصور مثل هذه النتائج الفردية لتضمينها في تطبيقات جديدة لسهولة الاستخدام في المنزل والإعدادات السريرية من قبل المرضى ومقدمي الرعاية والموظفين السريريين على حد سواء.

Protocol

وقد تمت الموافقة على جميع الأساليب الموصوفة هنا من قبل مجلس الاستعراض المؤسسي لجامعة روتجرز.

1- إعداد المشاركين ونظام الاقتناء

  1. الحصول على موافقة مستنيرة من المشاركين.
    ملاحظة: يجب إما تشخيص المشاركين مع اضطراب باركنسون، أو لا ينبغي تشخيص أي اضطراب عصبي لتكون بمثابة المشاركين في السيطرة الصحية. يجب أن يكون المشاركون الأصحاء من الجنس والعمر المتطابقة مع المشاركين المريض. يجب أن يكون لدى جميع المشاركين القدرة على المشي باستمرار لمدة 5 دقائق.
  2. قياس البعد الجسم المشارك (ارتفاع الجسم، طول القدم، تمتد الذراع، ارتفاع الكاحل، ارتفاع الورك، عرض الورك، ارتفاع الركبة، عرض الكتف، ارتفاع الكتف؛ الشكل 2 ألف) لإنشاء الصورة الرمزية له / لها في وقت لاحق الجسم في نظام التقاط الحركة.
    ملاحظة: يتم استخدام هذه المعلومات في نظام التقاط الحركة لتسجيل البيانات الموضعية لجسم المشارك بدقة.
  3. قم بإعداد نظام التقاط الحركة، بما في ذلك مستشعرات تتبع الحركة اللاسلكية الـ 17 وبرامج تتبع الحركة.
    1. ضع أجهزة الاستشعار على أجزاء الجسم التالية: الرأس، القص، الحوض، الكتف الأيمن، الذراع العلوي الأيمن، الذراع السفلي الأيمن، اليد اليمنى، الكتف الأيسر، الذراع العلوي الأيسر، الذراع السفلي الأيسر، اليد اليسرى، الساق العلوية اليمنى، الساق السفلية اليمنى، القدم اليمنى، الساق العليا اليسرى، الساق السفلية اليسرى، الساق السفلية اليسرى، اليسار، الساق السفلية اليسرى، اليسار القدم(الشكل 2B). تأمين هذه أجهزة الاستشعار مع العصابات حزام للسماح لحركة غير مزعجة.
    2. بمجرد وضع جميع أجهزة الاستشعار في الأماكن المناسبة، معايرة موقف المشارك لخلق له / لها الصورة الرمزية.
      ملاحظة: يمكن الاطلاع على تفاصيل طريقة المعايرة في Roetenberg وآخرون9.
  4. إعداد جهاز تخطيط كهربية الدماغ وبرنامج تسجيل EEG.
    1. ضع 31 جهاز استشعار عبر فروة الرأس وجهاز التسجيل على الجزء الخلفي من رأس المشارك. ضع أجهزة استشعار القنوات على المواقع التالية: 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 (الشكل 2C).
    2. قم بإرفاق مستشعر القناة المتبقي (Oz) بموصل لقياس إشارة القلب، عن طريق تحديد موضع جهاز الاستشعار المتصل على المعدة اليسرى للمشارك (الشكل2C).
    3. إرفاق اثنين من أجهزة الاستشعار قناة مرجعية وراء الأذن اليسرى للمشارك، ومن ثم إدراج هلام القطب الكهربائي في أجهزة الاستشعار على غطاء تخطيط كهربية الدماغ باستخدام حقنة (الشكل2C).
    4. بمجرد الانتهاء، بدء تدفق الأنشطة الكهربائية على برنامج التسجيل لبضع دقائق حتى يستقر.
      ملاحظة: يظهر الشكل 2D آثار العينة من إشارات تخطيط الدماغ تسخيرها من الجهاز العصبي المركزي (CNS) والجهاز العصبي اللاإرادي (ANS).
  5. قم بإعداد الميكروفون لالتقاط صوت المشارك. ضع الميكروفون أمام المشارك وتوصيله بالكمبيوتر حيث سيتم تشغيل طبقة دفق المختبر (LSL) (انظر LSL أدناه) (الشكل2E).

Figure 2
الشكل 2: قم بإعداد لرقمنة الاختبارات السريرية التقليدية، مع دمج أشكال الموجات المتعددة من أجهزة الاستشعار الحيوية اللاسلكية غير المزعجة القابلة للارتداء. (أ) إعداد لمهام الرسم: المريض الفعلي يرتدي أجهزة الاستشعار يمكن ارتداؤها غير مزعجة والصورة الرمزية المقدمة في الوقت الحقيقي من الحركية التي يتم جمعها. (B) مواقع الاستشعار من مجموعة من أجهزة الاستشعار الصغيرة وخفيفة الوزن تتبع الحركة (60 هرتز)، والتي يتم تسجيل بيانات الحركة بشكل مشترك في جميع أنحاء الجسم. (C) تخطيط كهربية الدماغ خريطة وموقع مرجعي. (D) عينة أشكال الموجة EEG من 31 يؤدي وإشارة القلب المستخرجة من الرصاص أوز. (E) نموذج الموجي من صوت المشارك أثناء مهمة العد. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

  1. إعداد نظام LSL لمزامنة تدفقات EEG، والحركة، والإشارات الصوتية، جنبا إلى جنب مع الماوس فوق الطوابع الزمنية (الشكل3A).
    1. افتح تطبيق مسجل المختبر.
    2. فتح تطبيقات LSL للماوس وداخل المنزل بنيت Xsens مزامنة التطبيق وربطها إلى التطبيق مسجل مختبر عن طريق التحقق من مربعات أزرار الماوس وKinematics المقتفي في سجل من تيارات المقطع.
      ملاحظة: سيتم استخدام تطبيق الماوس لأحداث الطابع الزمني أثناء التجربة.
    3. ربط EEG، الحركة، وتيارات الصوت إلى التطبيق مسجل مختبر عن طريق التحقق من مربعات AudioCaptureWin، LSL-EEG، موقف في سجل من تيارات المقطع.
      ملاحظة: يتيح نظام LSL مجموعة موحدة من سلسلة وقت القياس في التجارب البحثية التي تعالج مزامنة الوقت، جنبا إلى جنب مع الشبكات والوصول في الوقت الحقيقي، وجمع مركزي وعرض وتسجيل القرص للبيانات. في سياق هذا البروتوكول، يتدفق نظام LSL بشكل متزامن من الجهاز العصبي المركزي والجهاز العصبي المحيطي (PNS) وANS، حيث يقوم الشخص بطبيعة الحال بالمهام السريرية التقليدية.
  2. إعداد تسجيل لحركة القلم، بما في ذلك قرص القلم وبرنامج تحليل الحركة (الشكل3B).
    1. ضع قرص الرسم والقلم اللوحي أمام المشارك.
    2. قم بتوصيل الجهاز اللوحي بالكمبيوتر الذي سيتم تسجيل برنامج تحليل الحركة منه.
    3. ضع ورقة بيضاء على الجهاز اللوحي وامن مع شريط.
      ملاحظة: قم بإعداد الأوراق مسبقًا لإظهار مربع للإشارة إلى المساحة التي سيسحب فيها المشارك.
  3. بدء التسجيل.
    1. اضغط على سجل في LSL، برنامج التقاط الحركة، وبرنامج تسجيل EEG.
    2. في بداية ونهاية كل مهمة، الطابع الزمني مع نقرات الماوس عن طريق الضغط على زر ختم الوقت على برنامج التقاط الحركة.
      ملاحظة: بهذه الطريقة، سيتم تسجيل الطوابع الزمنية في كل من بيانات دفق LSL وفي بيانات التقاط الحركة. سيضمن ذلك وجود طابع زمني احتياطي، في حالة فشل إحدى دالات ختم الوقت أثناء التسجيل.

Figure 3
الشكل 3: رقمنة الإشارة ومزامنتها من خلال نظام طبقة دفق Lab (LSL) التابع لوحدة المعالجة المركزية المشتركة. (A) نظام LSL يسمح بشكل متزامن التسجيل المشترك للحركة (PNS)، EEG (CNS)، تخطيط القلب (ANS)، ختم الصوت والوقت من خلال نقرات الماوس. (ب) قرص رقمي والقلم تسجيل الحركية (موقف) من طرف القلم، أثناء رسم المهام من الاختبارات المعرفية الموحدة. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

2- الإجراء التجريبي

  1. قم بإجراء المهمة 1 — نسخة شخصية مجمع بنسون (فوري)10 (دقيقة واحدة).
    1. إرشاد المشارك إلى نسخ رقم بنسون على الورق، وتذكر التصميم لأنه سيطلب من المشارك رسمه مرة أخرى من الذاكرة في وقت لاحق.
      ملاحظة: تم تصميم هذا الاختبار لتقييم وظيفة الذاكرة البصرية والذاكرة البصرية (الشكل4A).
  2. تنفيذ المهمتين 2 و 3 — تريل صنع اختبار الجزء A (3 دقائق).
    1. إرشاد المشارك إلى رسم خط بين الدوائر التي يتم ترقيمها بترتيب تصاعدي.
      ملاحظة: هناك مهمتان في هذا المقطع حيث الأول (المهمة 2) لإكمال اختبار نموذج (يتكون من 8 أرقام) والتالي (المهمة 3) لإكمال الاختبار الفعلي (يتكون من 25 أرقام). وكان هذا الاختبار عنصرا من الجيش الفردية اختبار البطارية11،ويقيّم سرعة المعالجة والوظيفة التنفيذية ويعتمد على مهارات visuomotor والمسح الإدراكي (الشكل4B).
  3. قم بإجراء المهمتين 4 و5 — إجراء اختبار Trail الجزء B (5 دقائق).
    1. إرشاد المشارك إلى رسم خط بين الدوائر التي تحتوي على أرقام أو أحرف، بترتيب تصاعدي، مع التناوب بين الأرقام والأحرف. على سبيل المثال، سيكون التسلسل: من A إلى 1; 1 إلى باء؛ من باء إلى 2؛ 2 إلى C.
      ملاحظة: هناك مهمتان في هذا القسم حيث الأول (المهمة 4) لإكمال اختبار عينة (تتكون من 4 أرقام و 4 أحرف) التالي (المهمة 5) لإكمال الاختبار الفعلي (يتكون من 13 أرقام و 12 حرف). تريل صنع اختبار الجزء B يشبه تريل صنع اختبار الجزء A، ولكن يتطلب المزيد من المرونة المعرفية كما ينتقل المشارك من عدد إلى مجموعات الحروف. (الشكل4باء).
  4. إجراء المهمة 6 — رسم الساعة (دقيقة واحدة).
    1. إرشاد المشارك لرسم ساعة تناظرية مع الأرقام من 1 إلى 12 وتعيين الوقت إلى 10 الماضية 11.
      ملاحظة: هذا الاختبار هو جزء من وزارة الشؤون المالية12 ويقيّم مهارات المشارك في البناء. (الشكل4ج).
  5. إجراء المهمة 7 — مجمع بنسون نسخة الشكل (تأخر)10 (1 دقيقة).
    1. إرشاد المشارك إلى رسم شخصية بنسون المعقدة من الذاكرة على قطعة فارغة من الورق.
      ملاحظة: يقيّم هذا الاختبار وظيفة الذاكرة البصرية والذاكرة البصرية والفية للمشارك. (الشكل4ألف).
  6. تنفيذ المهمتين 8 و 9 — اختبار عدد النطاق (إلى الأمام والخلف)13 (10 دقائق).
    1. إرشاد المشارك إلى تكرار الأرقام التي يقرأها المُجرِّب بصوت عالٍ.
    2. بالنسبة للمهمة 8 (للأمام)، أوعز إلى المشارك بتكرار الأرقام بنفس الترتيب، وللمهمة 9 (إلى الخلف)، لتكرارها بترتيب عكسي. لكلا الاختبارين، هناك تجربتان لكل طول تسلسل تتراوح من 3 إلى 9 أرقام للأمام، و 2 إلى 8 أرقام للاختبار الخلفي. متابعة الاختبار حتى يتم فشل سلسلتين رقمين بنفس الطول.
      ملاحظة: كلا الاختبارين قياس القدرة على الاحتفاظ بالمعلومات لفترة وجيزة ولكن الاختبار الخلفي (المهمة 9) يقيس أيضاً القدرة على معالجة الأرقام وعكس التسلسل. وعلى هذا النحو، وفي سياق هذا البروتوكول، تقيس هذه المهمة الذاكرة والمكون المعرفي فيما يتعلق بنواتج الإيقاعات الأحيائية الصوتية.

Figure 4
الشكل 4: نحو علامات حيوية رقمية مستنيرة سريرياً وبطاقات تسجيل: رقمنة الاختبارات السريرية التقليدية للتمكين من دمج المعايير السريرية والبيانات البيوفيزيائية الرقمية. آثار عينة من الاختبارات المعرفية الموحدة. (أ) الرقم المعقدة بنسون المقدمة للمشارك لإعادة إنتاج على الفور (وسط)، أو بعد تأخير 10 دقائق من الذاكرة (يمين). (B) تريل مهمة تتضمن أرقاماً يتم توصيلها بخط في ترتيب تصاعدي (أعلى)، ومهمة تريل ب التي تنطوي على بالتناوب بين الحروف والأرقام (أسفل). (C) رسم على مدار الساعة مع تعليمات لتعيين الوقت إلى 10 الماضي 11. بالنسبة لكافة آثار العينة، تمثل الخطوط الرمادية مسار مصاعد القلم أثناء مهمة الرسم، وتمثل الخطوط الزرقاء رسومات القلم الفعلية. للتحليل، ونحن ندرس كلا النوعين من المسارات. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

  1. قم بإجراء المهام 10 و11 و12 — الإشارة (10 دقائق).
    1. ضع هدفًا أمام المشارك للإشارة واللمس.
    2. بالنسبة للمهمة 10 (التحكم)، أوعز إلى المشارك بالإشارة إلى الهدف 40 مرة بطريقة ذاتية الخطى مع اليد المهيمنة.
    3. للمهمة 11 (المسرع)، أوعز إلى المشارك أن يشير إلى الهدف 40 مرة بطريقة ذاتية الخطى، في حين وضع فوز المسرع في 35 bpm في الخلفية، ولكن لا ترشد أي شيء عن فوز المسرع.
    4. للمهمة 12 (وتيرة مشيرا)، أوعز إلى المشارك أن يشير إلى الهدف 40 مرة في وتيرة بعد فوز المسرع تعيين في 35 bpm.
      ملاحظة: تسمح مهمة التأشير بفصل حركة المشارك عن طريق الحركة المتعمدة (الحركة الأمامية، من الوقت الذي تستريح فيه اليد حتى تصل اليد إلى الهدف) وعفوية (الحركة الخلفية، من الوقت الذي تلمس فيه اليد الهدف حتى اليد تصل إلى وضعها يستريح) قطاعات، وبالتالي تحليل الإشارات البيوفيزيائية عندما يكون المشارك يمارس السيطرة الطوعية (الحركة المتعمدة)، وعندما يكون المشارك يمارس القليل من السيطرة (الحركة العفوية) (الشكل5A ). من خلال إدخال يدق المسرع ومطالبة المشارك لوتيرة مشيرا في فوز المسرع، ويمكن إجراء مقارنة للإشارات البيوفيزيائية عندما يكون المشارك يتحرك بطريقة ذاتية الخطى، وعندما يكون المشارك يسيطر بنشاط على وتيرة الحركة إلى فوز خارجي.
  2. قم بأداء المهام 13 و14 و15 — المشي (25 دقيقة).
    1. إرشاد المشارك إلى المشي بشكل طبيعي لمدة 5 دقائق تحت ثلاثة شروط مختلفة.
    2. للمهمة 13 (التحكم)، أوعز للمشارك بالسير بشكل طبيعي حول الغرفة.
    3. للمهمة 14 (المسرع)، أوعز إلى المشارك بالسير بشكل طبيعي في جميع أنحاء الغرفة أثناء وضع المسرع للفوز في الخلفية ل12 bpm.
    4. للمهمة 15 (التنفس الخطى)، أوعز إلى المشارك بالسير بشكل طبيعي في جميع أنحاء الغرفة في حين أنه / انها وتيرة معدل التنفس إلى فوز المسرع تعيين في 12 bpm.
      ملاحظة: من خلال إدخال فوز المسرع، يمكن إجراء مقارنة بين الإشارات البيوفيزيائية في حين أن المشارك يستخدم الجسم بأكمله للتحرك والتنفس بطريقة ذاتية الخطى، وعندما يكون المشارك يسيطر بنشاط على وتيرة التنفس (والتي عادة ما تكون يحدث تلقائيا) أثناء تحريك الجسم بأكمله (الشكل5B).

Figure 5
الشكل 5: ثلاثي الأبعاد (3D) مسارات وسرعة السعة الناتجة سلسلة زمنية خلال الاقتراحات الطوعية من الجزء العلوي من الجسم. سلوك توجيه الهدف مشيرا إلى التحقيق في السيطرة volitional باستخدام نسخة من مهمة الهزة الحركية من جمعية اضطراب الحركة – مقياس تصنيف مرض باركنسون الموحد (MDS-UPDRS). (أ) مشارك والصورة الرمزية في موقف الجلوس أداء الجزء العلوي من الجسم، والهدف الموجهة مهمة مشيرا (أعلى)؛ مسارات موضعية ثلاثية الدمنة للحركة الأمامية (إلى الهدف) وإلى الخلف (إلى وضع الراحة) (أسفل اليسار)؛ وملامح السرعة الخطية المقابلة التي تبين السلسلة الزمنية للتقلبات في سعة السرعة (م/ثانية) وتوقيتالفاصل الزمني بين الذروة (ms)، المستمدة من تدفق متجه السرعة الخطي (أسفل اليمين). (B) مشارك والصورة الرمزية في مهمة المشي (أعلى)؛ مسارات موضعية ثلاثية الدمنة لأجزاء مختلفة من الجسم (أسفل اليسار) وملامح السرعة المقابلة (أسفل اليمين). الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

  1. قم بإجراء المهمتين 16 و17 — فيديو الوجه (10 دقائق).
    1. إرشاد المشارك إلى الجلوس بشكل مريح، وإعداد كاميرا أمام المشارك.
    2. للمهمة 16 (التحكم)، أوعز للمشارك أن يحدق في مساحة دون أي محفزات لمدة 5 دقائق.
    3. للمهمة 17 (ابتسامة)، أوعز للمشارك لمشاهدة فيديو مضحك لمدة 5 دقائق.
      ملاحظة: الإعداد يستغرق حوالي 30 دقيقة و البروتوكول بأكمله يستغرق حوالي 60 دقيقة و 10 دقائق إضافية لـ PWP.

Representative Results

بارامترات الفائدة

هناك العديد من معلمات الحركة التي يمكننا استخراجها من مسارات الإشارات الرقمية البيوفيزيائية التي تولدها الجهاز العصبي للشخص. هنا نركز على الموجي تخطيط الدماغ الكهربائي EEG (ممثل الجهاز العصبي المركزي، خرج الجهاز العصبي المركزي)، والحركات الجسدية (ممثل الجهاز العصبي المحيطي، والناتج PNS)، وإشارات القلب (ممثل اللاإرادي الجهاز العصبي، وإخراج ANS).

بالنسبة للإشارات ذات الصلة بالجهاز العصبي الوطني وANS، نستخدم التقلبات في السعة القصوى لـ EEG وأشكال الموجات ECG (μV) المحولة إلى المسامير الدقيقة الحركة (MMS) غير الموحدة (انظر أدناه). بالنسبة للإشارات المتعلقة بـ PNS، نستخدم مسارات مركز الكتلة (COM) والسلاسل الزمنية لملفات تعريف السرعة الخاصة بها (m/s)، لاستخلاص رسائل الوسائط المتعددة غير الوحدة المقابلة. بمجرد أن نجمع رسائل الوسائط المتعددة، يمكننا دمجها في رسم بياني مرجح غير موجه، استنادًا إلى مجموعة من تحليلات الإشارات المزدوجة عبر أجهزة الاستشعار ومستويات وظيفة الجهاز العصبي. تمكننا هذه الخطوة من استخدام تحليلات اتصال الشبكة على الإشارات المدمجة. ثم نقوم بإنتاج الرسوم البيانية القابلة للتفسير14،15 تصور التغيرات في طبولوجيا الشبكة الناشئة ذاتيا. على وجه الخصوص، عندما نقارن هذه الرسوم البيانية عبر المهام الثلاث مشيرا و / أو المشي، يمكننا أن نلاحظ كيف تستجيب الإشارات البيوفيزيائية لإيقاع خارجي بطريقة سلبية (أي، عندما يدق المسرع تلقائيا entrain الإيقاع الحيوي) وفي بطريقة نشطة (أي عندما يحاول المشارك عمدا لوتيرة اليد مشيرا أو حركات المشي إلى فوز المسرع). يمكننا أيضا دراسة أنماط نقل المعلومات عبر العقد شبكة تمثل CNS، PNS ومستويات ANS من الوظيفة.

التحليلات العشوائية على MMS من طبقات متعددة الوظائف من الإشارات البيوفيزيائية

الإشارات البيوفيزيائية تسخيرها من شبكة يمكن ارتداؤها من أجهزة الاستشعار في جميع أنحاء الجسم، تؤدي إلى سلسلة زمنية من القمم والوديان، والتي تختلف في السعة والتوقيت. ال [مّس] من هذا إشارات [بيوفسكل]16 التقلبات في سعة وتوقيت من القمم, [وهربي] السعة يكون تطبيعت إلى قيمة [أونيتلسّ] يتراوح في الحقيقيّة [0,1] فاصلة, لذلك يسمح دمج ومقارنة عبر إشارات من طبقات وظيفية مختلفة من الجهاز العصبي: الجهاز العصبي المركزي، PNS وANS. هذه الطبقات المتباينة من الوظائف تتطلب مستويات مختلفة من التحكم في الحركية العصبية وتمتلك نطاقات السعة المختلفة عبر الأفراد. كما أن لها توقيتات مختلفة بين فترات الذروة. في حين أن تطبيع MMS يحافظ على توقيت القمم الأصلية، فإنه يلتقط أيضا الاختلافات في السعة. يتم الحصول على مثل هذا التطبيع عن طريق تقسيم كل السعة الذروة المحلية على مجموع السعة الذروة ومتوسط الإشارات التي تم أخذ عينات داخل اثنين من minima المحلية المجاورة المحيطة الذروة:

Equation 1

هذه الارتفاعات المستمرة في الفاصل الزمني للأرقام الحقيقية [0,1] تحافظ على المعلومات المتعلقة بتقلبات التوقيت والسعة، بينما تمكننا من التعامل مع السلاسل الزمنية كعملية عشوائية. ثم نعتمد عملية غاما تحت القاعدة العامة للعمليات العشوائية بواسون، وتستخدم عادة في مجال علم الأعصاب الحسابي لتحليل المسامير الثنائية.

وقد تم شرح هذه الأساليب التحليلية في أماكن أخرى بالتفصيل14،17،18 وانظر الشكل 6 لشرح خط الأنابيب التحليلية والتصور المقترح للمساعدة السريرية تفسير. هنا، نستخدم مستوى معلمة Gamma الذي يمتد بواسطة معلمات الشكل والمقياس لملفات PDF غاما التي نقدرها تجريبيًا من أشكال الموجات MMS. كما نرسم نقاط لحظات غاما المقابلة على رسم بياني رباعي الأبعاد، حيث يمتد المتوسط والتباين والانحراف على ثلاثة من الأبعاد ويتم تمثيل الكورتوسيس في حجم العلامة التي نستخدمها للدلالة على مؤشر الاستوكاستك للشخص التوقيعات.

بالنسبة لكل مهمة، يتم جمع بيانات ذروة MMS المستمدة من السلسلة الزمنية البيوفيزيائية وتركيبها على PDF جاما باستخدام تقدير الاحتمال الأقصى (MLE) مع فترات ثقة 95٪ لكل معلمة غاما: الشكل الذي يشير إلى شكل التوزيع، و مقياس يشير إلى التشتت (نسبة الضوضاء إلى الإشارة). على هذا النحو، ونحن نقدر بثقة عالية، وأفضل عائلة مستمرة من ملفات PDF التي تلتقط تقلبات النظم الحيوية للأنظمة العصبية للشخص عبر مستويات مختلفة من الوظائف التي تتطلب هذه المهام. تمتد هذه الطبقات الوظيفية من المهارات المعرفية المجردة عالية المستوى وقدرات الذاكرة، إلى التحكم العصبي الطوعي والحركات اللاحقة التلقائية المستمدة من المهام الموجهة نحو الهدف. كما ندرس الاقتراحات التلقائية وقدرة النظام على التعليب المادي مع يدق المسرع في الدقيقة الواحدة.

Figure 6
الشكل 6: خط أنابيب التحليل الإحصائي لتطوير المؤشرات الحيوية الرقمية الدينامية والتطبيقات اللازمة لتطوير التطبيقات في المستقبل. (أ) مركز الكتلة (COM) مسار موضعي ثلاثي الدمع بينما يسير الشخص حولها. (B) تقلبات السرعة من COM مع قمم في السعة أبرز مع نقطة حمراء. (C) MMS موحدة من التقلبات في قمم سرعة COM (النقاط الحمراء) في الفاصل الزمني [0,1] القيمة الحقيقية. (D) الرسوم البيانية التردد من قمم MMS (النقاط الحمراء في MMS). (E) وظائف كثافة الاحتمال (PDF) تركيب التكرار التردد تتطور في الوقت المناسب من الذاكرة أقل، الأكثر عشوائية، والتوزيع الأسي (الأحمر) إلى بعض التوزيع المنحرف الانتقالية (الأزرق)، إلى غاوسي (التنبؤية) مع انخفاض تشتت (الهدف، الدائرة الخضراء). يظهر هذا التوزيع المثالي (الأخضر) في الرياضيين الشباب ويحدد الهدف لحالات نسبة الإشارة إلى الضوضاء التنبؤية العالية. (F) تقدير الاحتمال الأقصى (MLE) المستخدم لملاءمة أفضل PDF (مع ثقة 95٪) للبيانات التجريبية. قيم المعلمات الناتجة المترجمة على مستوى معلمة Gamma التواقيع العشوائية المتطورة (عملية غاما) من تقلبات سرعة COM: "شكل السجل" يمثل شكل التوزيع الذي يتراوح من الأسي إلى الانحراف إلى التماثلي (مثالي غاوسيان)؛ "مقياس السجل" هو نسبة الضوضاء إلى الإشارة (التشتت) مما يعني نوع من ردود الفعل الحركية الدماغ (على الأرجح) يحصل22،23. تمثل الألوان حالات الاستوكاستك كما تتطور ديناميكيًا مع مرور الوقت. (ز) مسافة الاحتمال (المسافة المترية Wasserstein7)من الهدف المثالي المتمثل في انخفاض نسبة الضوضاء إلى الإشارة (تشتت منخفض) والقدرة العالية على التنبؤ (التوزيع المتماثل) الموجودة في الخصائص العصبية النمطية؛ بعيدا عن ردود الفعل السيئة (الضوضاء العشوائية) وجدت في PD أكثر تقدما، deafferented المرضى24،25،26،27،الفصام28 والأفراد التوحد3 , 18 سنة , 22 , 29.(H) التصور المبسط لتمثيل هذه الدول العشوائية تتطور في الوقت المناسب يستند إلى علاقة قانون السلطة بين الشكل ومقياس المعلمات. مثل هذه الصور لتطوير التطبيقات في المستقبل يمكن أن توفر في الوقت الحقيقي، وسهلة الفهم، وردود الفعل السريرية إلى PWP وفريق الرعاية الصحية من أجل تحسين الدقة في التقييم وتخطيط العلاج. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

النتائج من أوضاع مختلفة للبيانات

ولأغراض هذه الورقة، فحصنا ثلاثة من بيانات برنامج العمل وثلاثة مشاركين أصحاء مع الخصائص الديمغرافية المبينة في الجدول1. تم اختيار PWP الثلاثة من 10 PWP سجلنا، لتمثيل حالة مع PD خفيفة (موحدة باركنسون مرض تصنيف درجة 16)، حالة معتدلة (UPDRS النتيجة 25)، وحالة شديدة (UPDRS درجة 44). وقد تم اختيار اثنين من المشاركين الأصحاء من بين 15 شخصاً أصحاء سجلناهم، حيث أنهما يتطابقان بشكل وثيق مع برنامج العمل في السن ونوع الجنس؛ وقد تم اختيار مشارك واحد صحي من الفئة العمرية الأصغر سنا لتمثيل مرجع صحي مثالي للمقارنة.

مشارك اضطراب الجنس العمر UPDRS(أ)
1 Pwp و 64 44
2 Pwp م 65 25
3 Pwp م 64 16 سنة
4 اي م 26 غير مأـر/أ
5 اي و 65 غير مأـر/أ
6 اي م 67 غير مأـر/أ
(أ) الحد الأقصى للنقاط 108.

الجدول 1: الخصائص الديمغرافية للمشاركين.

في الاختبار المعرفي واختبار الذاكرة (حركة القلم)، تم تسجيل المسارات الموضعية لحركات القلم، وتم استخراج السرعة الخطية لاستخلاص السلسلة الزمنية من سعة السرعة. ثم تم اشتقاق MMS من التقلبات في سرعة السعة لكل مهمة رسم. تم تجميع المرضى وفقا ً لمتوسط درجات تصنيف جمعية اضطراب الحركة -UPDRS (MDS-UPDRS)، مع أعلى شدة PD تشير إلى أعلى درجة مرتبة أعلى من القيمة الوسيطة للمجموعة. ثلاثة مشاركين ممثلين من كل مجموعة أن الترتيب المتوسط للدرجات المحددة تستخدم لعرض النتائج فيما يتعلق بثلاثة ضوابط تمثيلية. عنصر تحكم واحد هو الشباب (26 عاما من الذكور) تمثل حالة مثالية من السيطرة العصبية الحركية أثناء الشباب. والاثنان الآخران هما ضوابط الشيخوخة الصحية. أنثى تبلغ من العمر 65 عاماً وامرأة تبلغ من العمر 67 عاماً. ويبين الشكل 7 مسارات COM والشكل 8 عمليات غاما المقابلة من MMS المستمدة من ملامح سرعة المسار الخاصة بها.

Figure 7
الشكل 7: مسارات عينة من COM تلخيص مسارات 17 مواقع الجسم أثناء أداء اختبارات الرسم المعرفي ة مختارة مع آثار رقمية الفعلية. عينة الأداء أثناء الشكل المعقدة بنسون (المهمتين 1 و 7) وتريل إجراء الاختبارات (المهام 2-5). (أ) الرقم المعقدة بنسون المستخدمة في هذا البروتوكول. (ب) اختبار تريل مع الأرقام والحروف حيث الهدف هو ربطها في ترتيب المنصوص عليها عن طريق رسم خط على طول مسار منظم (المهمة 4 - تريل B). (C) آثار القلم عينة من الرقم المعقدة بنسون ومسار COM 3D من 65 عاما السيطرة الإناث (الأزرق) وPWP مع MDS-UPDRS درجة 44 (الأحمر). يظهر الجانب الأيسر النتائج عندما يقوم المشارك بنسخ الشكل (المهمة 1) على الفور، والجانب الأيمن هو عندما يقوم المشارك باستدعاء الرقم بعد 10 دقائق من التأخير (المهمة 7). في كلتا الحالتين يتم التقاط الرسم المستمر جنبا إلى جنب معمصاعد القلم لإظهار الاختلافات من التردد، وما إلى ذلك (D) أداء عنصر التحكم مقابل PWP في تريل A (المهمة 3) وتريل B (المهمة 5) المهام. لاحظ التغييرات في مسارات COM والرسومات الفعلية. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

ويبين الشكل 8 النتائج من أفضل MLE تركيب غاما-PDF مع 95٪ الثقة للمشاركين الأصحاء والمشاركين المرضى. في كل مهمة رسم، والمرضى الطبقية وبصرف النظر عن الضوابط. وعلاوة على ذلك، فإنها تصنف داخل مجموعتها وتميز وفقا لMDS-UPDRS متوسط الدرجات المرتبة. يتم تمثيل كل مريض كلحظات PDF المقدرة تجريبيا على اللوحات العليا، في حين أن لوحات أسفل تصور منحنيات PDF لكل مشارك. عبر لوحات، يمكن للقارئ نقدر عائلة ملفات PDF التي تمتد من قبل كل شخص عبر المهام. تباين هذا النهج مع النماذج البارامترية ذات الحجم الواحد (المفترضة). يظهر الشكل 8D الرسم المستمر لرقم الساعة (المهمة 6) كما تم التقاطه بواسطة طرف القلم (بما في ذلك مصاعد القلم).

Figure 8
الشكل 8: المسامير الصغيرة الحركة (MMS) تقسيم الأترابيات وبناء علامات حيوية رقمية ديناميكية قابلة للتفسير للمهام المعرفية. التقلبات لحظة بلحظة (MMS بلا وحدة) المستمدة من مسارات 3D من COM أثناء الاختبار المعرفي توطين فريد كل مشارك على طول خريطة الاستوكاستك. يلخص COM 17 مسارات الموقف عبر الجسم المشاركة في تسجيل الاقتراحات في حين أن الشخص يؤدي المهام المعرفية ويعتمد على قرص رقمي. (أ) تم تقدير لحظات غاما تجريبياً أثناء اختبار تريل ب (المهمة 5) التي تربط الحروف والأرقام (متوسط المحور س؛ الانحراف المعياري y-axis؛ الانحراف z-محور وحجم علامة كورتوسيس) من تقدير الاحتمال الأقصى مع الثقة بنسبة 95٪ على اللوحة العليا. تمثل كل علامة الموقع الفريد للشخص في مساحة الاحتمال. تشير كل نقطة إلى PDF فريد قابل للفصل يظهر في اللوحة السفلية، وبالتالي تقسيم متوسط درجات UPDRS المرتبة من PWP (وسيلة الإيضاح). (ب) مهمة نسخ الرقم بنسون معقدة (المهمة 1). (C) مهمة الرسم على مدار الساعة (المهمة 6). (D) رسومات الساعة الفعلية التي تم التقاطها بواسطة القلم الرقمي الذي يظهر التتبع المستمر (بما في ذلك رفع القلم). يتم تسجيل جميع الحركية من القلم وكامل الجسم في الحركة بشكل متزامن مع EEG-EKG (لم يظهر) لتستمد تجريبيا متعددة الطبقات (المعرفية، الطوعية، العفوية، التلقائي، اللاإرادية) التوقيعات العشوائية. هذا النهج الشخصي (عملية غاما) يتناقض مع "واحد يناسب الجميع نموذج" الذي يفترض PDF النظرية، ومن خلال المتوسطات الكبرى، ينعم كما "الضوضاء" التقلبات الهامة في السعة وتوقيت الموجي. المسامير الحركة الدقيقة (MMS) وجاما عملية نهج تقسيم المجموعات وبناء علامات حيوية رقمية شخصية قابلة للتفسير للمهام المعرفية. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

بعد ذلك نقدم النتائج من الحركات الجسدية (الإشارة الطوعية مقابل المشي التلقائي). حركات الرسم لا تتطلب نفس مستوى توجيه الهدف كمهمة الإشارة إلى هدف (أي المهام 10-12). وللتمكن من تقييم مستويات التحكم في الإرادة، نستخدم بعد ذلك مهمة الإشارة إلى هدف مكاني. كما كان من قبل، ونحن نستخدم مسارات من COM تلخيص الحركات الحركية من 17 مواقف الاستشعار (الشكل 9). نأخذ أولا ً سلسلة زمنية سعة السرعة ثم نستمد MMS من التقلبات لحظة بلحظة في السعة. تعرض اللوحة اليسرى في الشكل 10 نتائج التحليلات العشوائية أثناء مهمة التأشير عند خط الأساس (المهمة 10). تظهر اللوحة الوسطى في الشكل 10 النتائج من مهمة التأشير عند تعيين المسرع في الساعة 35 بعد الظهر، دون توجيه المشارك إلى وجوده (المهمة 11). تظهر اللوحة اليمنى في الشكل 10 نتائج الحالة عندما يتم توجيه المشاركين إلى تسريع حركات الإشارة الخاصة بهم إلى إيقاع المسرع (المهمة 12).

Figure 9
الشكل 9: مسارات ثلاثية الأبعاد لـ COM أثناء مهام التأشير في ثلاثة سياقات مختلفة، مشيرا بانتظام إلى اتخاذ قياس خط الأساس (المهمة 10)، مشيرا في حين يدق المسرع في الخلفية في 35 bpm دون تنبيه المشارك من وجود المسرع (المهمة 11)، ومشيرا في وجود فاز المسرع نفسه ولكن بعد توجيه المشارك لوتيرة الاقتراحات إلى إيقاع المسرع (المهمة 12). (أ) أداء المشارك في عنصر التحكم. (ب) أداء برنامج العمل في المجموعة مع أدنى تصنيف شدة وفقا لترتيب متوسط من درجات MDS-UPDRS من المجموعة بأكملها. (C) PWP في مجموعة نطاق الخطورة المتوسطة. (D) PWP في أعلى مجموعة شدة. لاحظ تدهور مسار COM مع الزيادة في درجات MDS-UPDRS. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

وترد نتائج عملية غاما في الشكل 10 حيث يمكن التمييز بين كل نوع فرعي من نوع PWP وتتبع التغير في التوقيعات العشوائية من سياق إلى آخر.

وكشفت مهمة الإشارة عن حساسية هذه التحليلات للحالات السياقية. لنفس مهمة الإشارة، أثارت التغييرات في حالة المسرع توقيعات استوكاستية مختلفة بين الظروف. بشكل خاص، يمكننا أن نلاحظ التغيير في إيقاعات الحيوية COM عندما تلقائيا (دون تعليمات) entrained مع ضرب المسرع ضد الشرط الذي صدرت تعليمات للمشارك لوتيرة عمدا حركات الإشارة إلى المسرع فاز. وأظهرت هذه المهمة أنه عند خط الأساس لحركات الجزء العلوي من الجسم، تختلف مستويات الرقابة الطوعية عبر برنامج العمل العالمي وفقاً لدرجات مختلفة من الـ MSD-UPDRS. على وجه التحديد، كلما انخفضت النتيجة، كلما انخفضت نسبة الضوضاء إلى الإشارة (قيمة معلمة المقياس) على مستوى معلمة غاما (الشكل10A)،وكلما كانت قيمة شكل PDF أكثر تناظرًا. غيّرت هذا علاقة نظاميّة بين [ميدّل-رنكينغ] [أوبدرس] درجات وبيانات رقميّة كان مع الوجود من ال [مترونوم] وتمييز أبعد بين ال عفويّة ([أوّلّد]) والمتعمدّة (يأمر) يدلّ شروط.

Figure 10
الشكل 10: التقييم الرقمي الديناميكي لثلاث مهام محددة للإشارة. يختلف إخراج عملية غاما من MMS المستمدة من التقلبات في سلسلة وقت سرعة COM داخل وبين PWP ومجموعات عناصر التحكم أثناء مهام التأشير الثلاث (المهام 10-12). (أ) يظهر مستوى معلمة Gamma الاختلافات بين PWP وعناصر التحكم. (ب) لكل حالة من شروط الإشارة، فإن لحظات غاما المقدرة تجريبياً من عملية غاما، تميز بين PWP والضوابط؛ وداخل كل مجموعة، فإن التواقيع العشوائية تقسيم المشاركين إلى نقاط مختلفة. يغير كل سياق مهمة موقع النقطة على الخريطة. (ج) تميز أسرة ملفات PDF أيضاً كل مشارك، كل مجموعة، وتكشف عن التمايز الإحصائي عبر سياقات المهام للإشارة الموجهة نحو الأهداف. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

ثم سألنا عما إذا كانت هذه التأثيرات من الظروف المختلفة على سلوك الإشارة الطوعية سوف تمتد إلى حركات المشي التلقائي. ولهذه الغاية، قمنا بتنفيذ نفس البروتوكول المذكور أعلاه، أي باستخدام المسرع، بينما كان المشارك يسير في الغرفة. تم تعيين فوز المسرع في هذه الحالة إلى 12 bpm. ويبين الشكل 11 مسارات COM لعناصر التحكم ومتوسط PWP مرتبة حسب درجات MDS-UPDRS. يتم تصوير نتائج التحليل العشوائي لمهمة المشي في الشكل 12.

Figure 11
الشكل 11: التقييم الرقمي الديناميكي لثلاث مهام محددة للسير. مهمة المشي للتأكد من نسبة الضوضاء إلى الإشارة من التقلبات في سعة السرعة، المستمدة من مسارات 3D من COM من 17 موقعا في جميع أنحاء الجسم. (أ) مسارات ثلاثية الجوانب للCOM في عنصر التحكم المشارك، في حين أن الشخص يسير ذهابا وإيابا أثناء المشي الطبيعي (المهمة 13)؛ المشي في وجود المسرع دون تعليمات، لقياس entrainment عفوية ليدق المسرع (المهمة 14)؛ والمشي في حين سرعة عمدا معدل التنفس إلى يدق المسرع، وفقا لتعليمات (المهمة 15). (B) PWP مع درجة UPDRS أقل مرتبة. (C) PWP مع أعلى درجة UPDRS يحط من مسار COM 3D. (D) PWP مع أعلى مرتبة UPDRS درجة يظهر مسارات COM المضطربة جداً. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

Figure 12
الشكل 12: القدرة على التدريب البدني العفوي وتعليمات أثناء المشي. MDS-UPDRS علم بالعلامات الحيوية الرقمية لمهمة المشي. (أ) تقسيم PWP إلى طبقات أثناء المشي الطبيعي بما يتماشى مع درجات متوسطة المرتبة. (ب) المسرع يتحول تلقائيا التوقيعات العشوائية. (C) تعليمات يسير بخطى يسير إلى فوز المسرع مرة أخرى يغير التوقيعات. (D-F) يقوم مستوى معلمة سجل غاما بترجمة المجموعات على طول أشكال ومقياس PDFs مختلفة (نسبة الضوضاء إلى الإشارة) مع تقلبات أكثر ضوضاء وعشوائية في PWP. (خع-1) تغطي ملفات PDF المقدرة تجريبياً الممثلة في الأفرقة من دال إلى واو أعلاه عائلة تنتقل مع السياق بطريقة فريدة لكل شخص. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

منذ جميع المهام المعرفية والذاكرة يمكن القيام بها في حين أن كاميرا الكمبيوتر يسجل الوجه، فمن الممكن استخدام OpenPose، وهو مفتوح المصدر آلة التعلم البرمجيات التي تتوفر علنا للباحثين35، واستخراج معلومات الوجه، التي يمكن استخدامها لاستنتاج المعلومات المتعلقة بالمشاعر أو المحتوى العاطفي. في كثير من الأحيان في PD انخفاض تعبيرات الوجه كما استنفاد الدوبامين قد يؤدي في نهاية المطاف إلى انخفاض العضلات. هنا يمكن أيضا أن تستخدم عملية غاما للتأكد من مناطق الوجه التي هي الأكثر نشاطا خلال مهمة معينة، أو للتحقيق في المحتوى العاطفي عن طريق التأكد من التحولات المنطقة عبر العواطف. ويبين الشكل 13 مثالا على هذه التحليلات باستخدام الفيديو من وجه أحد المشاركين خلال المهام 16 و 17. يتم وضع النقاط الـ 70 المستخدمة لالتقاط الحركات الدقيقة للوجه في مراسلات مع مناطق الأعصاب الثلاثية التوائم المعروفة V1 (29) وV2 (14) وV3 (27)8 (الشكل 13A)لتقييم، على سبيل المثال، في هذه الحالة، أي منطقة تتغير إلى أقصى حد عندما الانتقال من وجه محايد إلى ابتسامة. هذا النوع من التحليل يمكن أن تستخدم بشكل منهجي للتحقيق في الجوانب الأخرى غير الحركية من PD، بما في ذلك الاكتئاب والاتصال الاجتماعي بشكل عام.

للتعويض عن التكبير الكاميرا غير مؤكد، والحركة البشرية الطبيعية، وحجم الوجه الفعلي، ونحن تطبيع الوجه بالطريقة التالية: على افتراض أن الكاميرا ثابتة، ونحن تعيين كل وجه إلى "وجه وحدة" مع x€ ، و = 0 وتباين وحدة. لكل إطار في الفيديو، نقوم بتطبيع كل نقطة x' = x- x€ ، y = y - ومقياس كل تنسيق حسب التباين من القناع الكلي للإطار المحدد ، لتحقيق تباين الوحدة لكل قناع. ثم نتعامل مع كل نقطة في السلسلة الزمنية من الوجوه على أنها انحرافات عن القناع السابق، كما نفترض أن الوجه لا تشوه من الناحية البلاستيكية أثناء التسجيل. والنتيجة هي سلسلة زمنية من 70 قناة من إحداثيات الموضع (الشكل13B). يتم تحويل التقلبات في سرعة السعة المستخرجة من التدفقات الموضعية والسرعة التي تعطي رفع لهذه السلسلة الزمنية إلى MMS والمدخلات إلى عملية غاما، وبالتالي الكشف عن ملفات PDF وتحولاتها مع التحولات العاطفية (الشكل 13C). على سبيل المثال، الانتقال من تعبير محايد إلى ابتسامة يبدو غير محسوس في الشكل 13B، ومع ذلك فإن التحولات العشوائية تكشف عن منطقة V2 باعتبارها الأكثر حساسية، وتغيير أقصى قدر من PDF.

Figure 13
الشكل 13: تحليلات المشاعر من بيانات الفيديو التي تم التقاطها باستخدام OpenPose. (أ) مناطق الوجه وفقا للعصب ثلاثي التوائم، الذي يحمل ألياف afferent الجسدية العامة (GSA). هذه الألياف innervate جلد الوجه عن طريق العيون (V1)، الفك العلوي (V2) والفك السفلي (V3) الانقسامات المستخدمة هنا لدراسة التحولات عبر تعبيرات الوجه (محايدة مقابل ابتسامة). (B) باستخدام بضع دقائق من الفيديو التي تم التقاطها مع كاميرات الفيديو المتاحة تجاريا، فمن الممكن لاستخراج معلومات الوجه مع OpenPose وتقديم 70 نقطة عبر الوجه وفقا لV1، V2، V3 المناطق (رموز الألوان كما هو الحال في لوحة A). MMS من هذه السلاسل الزمنية ثم إدخال إلى عملية غاما ومقياس وشكل معلمات غاما المقدرة تجريبيا لكل شرط. (C) تكشف التحليلات عن منطقة V2 تتأثر في هذه الحالة إلى أقصى حد بالانتقال من محايد إلى ابتسامة، لهذا الشخص بالذات، كما أن التغيير في PDF هو الأكبر. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

Figure 14
الشكل 14: دمج الإشارات البيوفيزيائية الرقمية من طبقات متعددة من الجهاز العصبي باستخدام الرسوم البيانية المرجحة غير الموجهة والأساليب النظرية للمعلومات. اتصال الشبكة من المعلومات المتبادلة بين الزوج الحكمة بين جميع تخطيط كهربية الدماغ، الحركة (مقياس المغناطيسية)، وإشارات تخطيط القلب. (أ) قياس اتصال المشارك السليم الممثل خلال مهام المشي الثلاث - المهمة 13 السيطرة (اليسار)، والمهمة 14 وضع المسرع التلقائي (الأوسط)، والمهمة 15 تعليمات التنفس يسير بخطى سريعة (يمين). كل عقدة تمثل إشارة جهاز استشعار واحد; يمثل لون الخط مستوى MI، حيث يشير اللون الأكثر إشراقاً إلى اتصال أعلى؛ يمثل لون العقدة متوسط MI من إشارة هذا الاستشعار مع جميع أجهزة الاستشعار الأخرى. تم تعيين مقياس اللون ليكون هو نفسه عبر جميع المهام وجميع المشاركين ويتم تعيينه بشكل تعسفي ليكون ألمع لون لقيمة MI القصوى عبر كافة المهام والمشاركين، وأن يكون لون كستكالة للحد الأدنى من قيمة MI عبر كافة المهام والمشاركين s. اتصال المشارك السليم يظهر أقوى اتصال عبر الدماغ والعقد الجسم. (B) PWP مع UPDRS 16 قياس الاتصال، مع نفس التخطيط التخطيطي كما هو الحال في اللوحة A، يظهر كثافة أقل في اتصالها من شبكة المشارك صحية. (C) PWP مع UPDRS 44 قياس الاتصال، مع نفس التخطيط التخطيطي كما هو الحال في لوحة A، يظهر نمط الاتصال متفرق عبر الدماغ والجسم. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

ونحن بعد ذلك التأكد من كمية المعلومات التي تنتقل عن طريق هذه النظم الحيوية. ولهذا الغرض، نستخدم النهج النظري للمعلومات الذي طورته شانون19،باستخدام المعلومات المتبادلة (MI) بين كل زوج من إشارات أجهزة الاستشعار (أي مستشعر تخطيط كهربية الدماغ، ومستشعر الحركة، ومستشعر تخطيط القلب). ولهذه الغاية، حصلنا على سعة MMS من كل نوع الموجي.

وتقيّم MI بين جهازي استشعار مستوى عدم اليقين الذي انخفض في إشارة أحد أجهزة الاستشعار عن طريق إدخال معلومات إشارة جهاز الاستشعار الآخر؛ عندما MI عالية، وهذا يعني أن الإشارتين متصلة للغاية، وعندما تكون منخفضة، وهذا يعني أن الإشارتين هي في الغالب مستقلة. وعلى وجه التحديد، يتم حساب MI على النحو:

Equation 2

حيث Equation 3 هي القيمة التصورة التطبيعية لتوزيع القيم للإشارة X، وهي Equation 4 القيمة الترسملي المعتّقة للتوزيع المشترك للقيم للإشارة X وY. تم تعيين صناديق أخذ العينات إلى زيادة في 0.05، تتراوح بين 0.5 إلى الحد الأقصى لقيمة السعة. ويمكن الاطلاع على تفاصيل اشتقاق هذه الصيغة في العديد من المؤلفات عن نظرية المعلومات مع تطبيق على التحليلات السريرية20،21.

وبشكل عام، أظهر المشارك السليم شبكة أكثر اتصالاً خلال مهام المشي الثلاث، في حين كان للمشاركين المرضى اتصال متفرق، كما هو مبين في الشكل 13. ولا يقتصر نقل المعلومات عبر الشبكة، حيث تستمد المعلومات المتبادلة من نظم أحيال اتّصال ذاتي، على أن يكون أقل بكثير في برنامج عمل الاحترار العالمي؛ والأهم من ذلك، هناك اختلافات أساسية في أنماط انتقال MI بين الحالات، التي تختلف من مريض إلى آخر. هنا يمكننا الاستفادة من مقاييس الاتصال من تحليلات الشبكة لتلخيص السمات الطبوغرافية لهذه الشبكات المتطورة، وعلى هذا النحو، وتوفير مؤشرات إضافية لقدرة الإنقبال المادي، مما يعكس كذلك مستويات الاتصال بين الدماغ والجسم والقلب عندما يحدث التقطار المادي المتعلقة المسرع مقابل عندما لا.

Discussion

يقدم هذا العمل بروتوكولًا جديدًا يمكّن من دمج الاختبارات السريرية التقليدية مع البيانات الرقمية من إخراج الإشارات البيوفيزيائية من قبل الجهاز العصبي أثناء إجراء الشخص مثل هذه الاختبارات. نحن نقدم استخدام SPIBA وMMS كمنصة موحدة للجمع بين أنواع متباينة من البيانات مثل عشرات منفصلة من أساليب المراقبة قلم رصاص والورق والبيانات الرقمية المستمرة من أجهزة الاستشعار البيوفيزيائية. ويتضح من هذه الأساليب باستخدام مجموعة من الضوابط المتعلقة بالعمر والجنس، مع وجود رقابة إضافية على الشباب بوصفها المرجع الصحي المثالي للمقارنة. نبين أن الاختبارات السريرية التقليدية (مثل تلك التي قد تكون جزءًا من وزارة الصحة وMDS-UPDRS) يمكن استخدامها لمتوسط ترتيب المجموعة واستخراجها تلقائيًا، من التباين المتأصل في درجات المجموعة، المعلومات التي تستخرج البيانات في الرقم الرقمي المجال وفقا لمستويات محددة سريريا من الشدة. هذه المستويات تتماشى بشكل جيد مع مستويات MDS-UPDRS السريرية وأداء اختبار المعرفية / الذاكرة. وفي طبقة أخرى من التنفيذ، نفحص بعد ذلك النظم الأحيائية للنظم العصبية التي يتم تسخيرها من الجهاز العصبي المركزي، والجهاز الوطني للضمان والجهاز الوطني للضمان اتّصال، وبالتالي تميز مستويات مختلفة من الاستقلال الذاتي والسيطرة. نحن نقدم عينة من البيانات والتوقيعات العشوائية المستمدة من هذه البيانات، وفحصها من خلال البصريات من المعايير السريرية. وفي إطار هذا النهج، يمكننا أن نميز المرضى عن الضوابط الصحية؛ ومن خلال الإيقاعات الحيوية الرقمية، تميز داخل PWP، على مستويات هادّاً محددة سريرياً.

من خلال مواءمة البيانات الرقمية البيوفيزيائية مع المعايير السريرية بهذه الطريقة، نقدم مجموعة قابلة للتفسير من المعايير التي يمكن أن تتبع بشكل أكثر ديناميكية التحولات الفردية في النتائج. نحن نقوم بعمل هذه النتائج الجديدة يقيس المؤشرات الحيوية الرقمية الديناميكية، لأنها تستند إلى البيانات الرقمية، ومع ذلك فإنها توفر نتائج قابلة للتفسير وفقا لمعايير سريرية راسخة ومصدقة. وهي مشتقة من السلسلة الزمنية لعمليات الجهاز العصبي، وأنها التقاط الطبيعة الديناميكية لمثل هذه. على وجه الخصوص، ونحن قادرون على استخدام كل من معايير السيارات وغير الحركية. على هذا النحو، يمكننا أن نبدأ في تحديد الجوانب غير الحركية للPD التي من المعروف الآن أن تسبق تدهور الأعراض الحركية التي حددت تقليديا الاضطراب حتى الآن. على سبيل المثال، يمكن استخدام تحليلات الوجه مثل تلك المعروضة هنا لفحص الإيماءات الصغيرة العفوية للوجه أثناء نوم REM لبناء ذخيرة من تلك التي يمكن أن تتنبأ بتدهور الأنشطة الحركية. وبالمثل، يمكننا استخدام هذه الطرق لفحص مستويات الألم أثناء الأنشطة اليومية وتقييم إمكاناتها يرتبط مع الأنشطة خلال وقت النوم REM. هذا أمر مهم، لأن كل من النوم REM والألم dysregulation ومن المعروف أن تسبق القضايا الحركية في وقت لاحق تحديد مستوى شدة PD5،6،7. باستخدام رقمنة لدينا من مختلف المهام السريرية التقليدية، والأنشطة غير الحركية الأخرى جزءا لا يتجزأ من المهام السريرية المستخدمة للتحقيق في القدرات المعرفية والذاكرة تميزت هنا، ومؤشرات من هذه الأنشطة تعيينها إلى أعراض الحركية. هذه الأساليب قابلة للربط بين البحوث الأساسية والممارسات السريرية في مرض باركنسون. ويمكن أيضا أن تمتد إلى اضطرابات أخرى في الجهاز العصبي.

إلى جانب إخراج المحرك من الوجه، أثناء النوم REM، يمكننا فحص إيماءات الوجه خلال الحالات الاجتماعية الطبيعية داخل إطار الاستشعار الذاتي أو reafference الحركية لقياس مستويات ردود الفعل reafferent الدماغ للمريض على الأرجح يحصل. هنا، على الرغم من الاختلافات خفية جدا في الإيماءات الصغيرة عبر مناطق الوجه المقابلة للمناطق afferent ثلاثي ة V1، V2، V3، كان من الممكن تحديد في المشارك ممثل، أي منطقة من الوجه تحولت إلى أقصى حد التوقيعات العشوائية عند الانتقال بين الدول المحايدة ويبتسم بشكل طبيعي. وهذا يشير إلى أنه باستخدام SPIBA وMMS، سنكون قادرين على تقييم الجوانب الأخرى غير الحركية (الحسية) من PD المتعلقة بالصعوبات مع المدخلات الحسية من قنوات اللمس الحركي. وقد وجد أن هذه إشكالية في PD، حتى خلال المراحل المبكرة من اضطراب24. لأن الحسية والحركية تسير جنبا إلى جنب، وهذه المعلومات يمكن أن تساعدنا على التنبؤ بالقضايا الحركية أكثر وضوحا الظهور في وقت لاحق في تطور هذا الاضطراب1،7. نحن نفترض أن هذه القنوات الحركية على طول مناطق ثلاثية التوائم من الوجه قد تساعدنا أيضا على فصل أنواع مختلفة من خلل تنظيم الألم، بما في ذلك تلك المتعلقة بتعديلات النوم5،6.

توفر الأساليب الحالية طريقة جديدة لفحص الإشارات البيوفيزيائية التي يتم الحصول عليها من الجهاز العصبي المركزي والمحيطي واللاإرادي جنبا إلى جنب، في ظل ظروف مختلفة تتطلب مهارات معرفية مختلفة ومستويات مختلفة من الاستقلال الذاتي و السيطرة العصبية الحركية. وباستخدام إطار عمل "سبابا"، حيث تُطبَّق التحليلات العشوائية وتحليلات الشبكات الثنائية على بيانات رسائل الوسائط المتعددة الموحدة، من الممكن أيضاً توصيف الأنشطة المعرفية بصورة موضوعية. تتطلب المهام الخمسعشر التي استخدمت في هذه التجربة أنواعًا مختلفة من المهارات المعرفية (على سبيل المثال، المهارات الفيسوية - الإنشائية، والذاكرة البصرية، ومهارات المسح الإدراكي) ومستويات مختلفة من التحكم المعرفي (على سبيل المثال، سرعة الإشارة عمداً) السرعة ، ووتيرة معدل التنفس وفقا للتعليمات). ولهذا السبب، يمكن استخدام أنماط الاستسالاستاش والربط لانتقال معلومات الجهاز العصبي الوطني - PNS-ANS للإشارات البيوفيزيائية المعروضة خلال هذه المهام، لتوصيف مستويات مختلفة من الأحمال المعرفية وأثرها على خرج المحرك.

وبينما نشدد على مزايا أساليبنا وبروتوكولاتنا التحليلية الجديدة، نشير أيضا إلى المحاذير والقيود العملية التي ينبغي مراعاها عند اعتماد منصتنا للتسجيل من أجل جمع البيانات بشكل متزامن. ويرجع ذلك إلى أنه في هذا الإعداد، هناك أنواع متعددة من برامج التسجيل التي تتدفق على كمبيوتر واحد لأغراض المزامنة، مما يتطلب أن تكون الطاقة الحسابية للكمبيوتر عالية، وإلا يمكن للمرء أن يتكبد فقدان البيانات، وتجميد الكمبيوتر و/أو الزائدة الضوضاء. في التصميم الحالي، تم تشغيل برنامجين دفق (EEG، والتقاط الحركة) وLSL على جهاز كمبيوتر واحد. على هذا النحو، كان علينا أن نضع في اعتبارنا معالجة الزائد وتجميد الكمبيوتر ممكن. كان هذا أحد الأسباب التي جعلتنا نستخدم إحدى قنوات تخطيط كهربية الدماغ لاستخراج إشارات تخطيط القلب. قد تكون أجهزة الكمبيوتر ذات سعة الذاكرة الأعلى والمعالجات الأسرع قادرة على التعامل مع برنامج تخطيط كهربية القلب منفصل يتدفق في وقت واحد مع تخطيط كهربية الدماغ وشبكة أجهزة الاستشعار من الحركية. هذه القضايا عملية في طبيعتها ومستقلة عن الأساليب التحليلية (SPIBA) وأنواع البيانات القياسية (MMS) التي نقدمها. ومع ذلك، نعتقد أنه من المهم تنبيه المستخدم النهائي إلى الحاجة إلى تقييم الطاقة الحسابية قبل تصميم بروتوكول التسجيل المشترك للبيانات من تيارات متعددة.

وثمة تحذير آخر نشير إليه وهو أن المهام الخمس عشرة المبينة في البروتوكول هي مجموعة فرعية لما يمكن استخدامه لتطوير علامات حيوية رقمية دينامية. ولأغراض هذه الورقة، اقتصرنا على عدد قليل من المهام بسبب ضيق المساحة، واخترنا المهام التي تنطوي على مستويات مختلفة من السيطرة والحركة الجسدية، وفي الواقع يمكننا أن نضيف مهام أخرى غير مدرجة في هذه الورقة. وهدفنا هو استخلاص مجموعة فرعية أصغر من المهام التي تتطلب وقتا وجهدا أقل. في الواقع، من مختبرنا، مهام التأشير (المهام 10-12) هي مجموعة من المهام التي وجدنا أنها وسيلة فعالة وفعالة لتوصيف التواقيع العشوائية للنظم الحيوية المتنوعة حسب مستويات مختلفة من التحكم الطوعي والاضطرابات العصبية، بما في ذلك PD 24 , 30.

النتائج التمثيلية المبينة في هذه الدراسة هي مجموعة فرعية صغيرة من ما يمكن القيام به مع مجموعات البيانات MMS المستمدة من أشكال الموجة أجهزة الاستشعار الحيوي والتسمية التوضيحية للكاميرات الحركة، وذلك باستخدام أساليب SPIBA. لأغراض توضيحية، قمنا بفحص MMS في السعة وركزنا على التقلبات في السعة الخطية للسرعة المستمدة من COM للشخص. COM هو إشارة موجزة من جميع 17 شبكة أجهزة استشعار الجسم التي شاركنا في تسجيلها. ومع ذلك، يمكننا توسيع نطاق التحليلات لتشمل معلمات دورانية أخرى، وإلى متغيرات حركية أخرى (مثل القوى والضغط) التي تولد سلسلة زمنية من المعلمات المتقلبة (على سبيل المثال، كما فعلنا مع بيانات الوجه.) أيضا، بسبب ضيق المساحة، ونحن فقط توضيح تحليل البيانات EEG استنادا إلى معلومات اتساع فروة الرأس، ولكن يمكننا أيضا تطبيق هذه التحليلات على البيانات المستمدة من الفضاء المصدر31. لجميع وسائط البيانات، يمكننا أيضا دراسة استواستي من الأوقات بين القمم (بدلا من السعة الذروة)، والتي تولد أيضا سلسلة زمنية. ويمكن اشتقاق سلسلة زمنية أخرى من المعلمات من أشكال الموجات هذه، ويمكن استخدام رسائل الوسائط المتعددة الخاصة بها للتأكد من التماسك والاتصال من الشبكة التي تم بناؤها32و33و34. وعلاوة على ذلك، يمكن أيضا توسيع نطاق هذه التحليلات لتشمل مجال التردد34. بالإضافة إلى تحليل شبكة المعلومات المتبادلة، كان بإمكاننا التركيز على السمات الطبوغرافية الأخرى للشبكة للتمييز بين PWP والضوابط وتقسيم PWP. ولأغراض هذه الورقة، نركز على فائدة هذه التحليلات كأداة، ولكن من خلال هذا النوع من التوصيف، سوف نحصل على المعرفة لتوفير تفسيرات مستنيرة سريرياً للبيانات الرقمية التي توفرها هذه الأدوات التحليلية.

الأساليب الحالية الموصوفة في هذه الدراسة تعمل على إدخال بعض الطرق الممكنة العديدة التي يمكن تطبيقها SPIBA وMMS على تكامل البيانات السريرية والرقمية. نحن نقدم هذه المنصة الموحدة، ونوع البيانات الموحدة والبروتوكول التجريبي على أمل أن تبلغ أخيرا البيانات الرقمية من المعايير السريرية، وبالمثل إضافة المزيد من الدقة من البيانات الرقمية إلى الأساليب التقليدية قلم رصاص والورق. هذا التحسن سوف 1) تمكين تتبع أكثر دقة من تغيير الأعراض استجابة للعلاج، 2) تعزيز فهم تطور PD الطبيعية مع مرور الوقت، و 3) تسهيل الطبقية من عرض أعراض PD (التي قد تملي السريرية فريدة من نوعها توصيات لكل مجموعة فرعية). على هذا النحو، ونحن نأمل في تطبيق هذه الأساليب لمزيد من البحوث في PD، ولكن أيضا نرى فائدة في التطبيق السريري كذلك. باستخدام أجهزة من الدرجة التجارية مثل الهواتف المحمولة، يمكن الحصول على البيانات البيوفيزيائية لإجراء التحليلات التي أوضحناها في هذه الورقة. حاليا، هناك جهود في جمع مثل هذه البيانات الرقمية على نطاق أوسع مثل دراسة التطبيق mPower من جامعة روتشستر (https://parkinsonmpower.org) وكاغل. في الواقع، باستخدام هذه المستودعات البيانات مفتوحة الوصول، كنا قادرين على تقسيم PD والأفراد الشيخوخة العادية من بيانات التسارع التي تم الحصول عليها من الهواتف النقالة، وتصنيف تلقائيا الأنشطة التي هي جزءا لا يتجزأ من الاختبارات السريرية المعروضة هنا 35.

وكخطوة تالية، نهدف إلى جمع المزيد من البيانات من مجموعة أوسع من سكان برنامج العمل من أجل الحماية والمشاركين في الرقابة المتطابقة وتسجيلها في نقاط زمنية مختلفة حتى نتمكن من إجراء تحليل شامل للأقسام وطولي باستخدام أساليبنا. ونحن نتوقع مثل هذه البيانات الرقمية التي تم جمعها من شأنهأن تقدم أكثر بكثير من مجموع أجزائها، وتحقيق حقا مبادئ الطب الدقيق في علم الأعصاب والطب النفسي.

Disclosures

وليس لدى أصحاب البلاغ ما يكشفون عنه.

Acknowledgments

يتم تمويل هذا البحث جزئيا من قبل معهد Rutgers ديسكفري المعلوماتية إلى JR، وجامعة روتجرز TechAdvance الأموال إلى EBT وJV، ومجلس حاكم ولاية نيو جيرسي لبحوث وعلاج التوحد إلى EBT ومؤسسة مايكل J فوكس إلى RD.

Materials

Name Company Catalog Number Comments
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

DOWNLOAD MATERIALS LIST

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. CRC Press/Taylor & Francis Group. Boca Raton, FA. (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. Academic Press, Elsevier. Cambridge, MA. (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. Frontiers Media SA. Lausanne, Switzerland. (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, 623-656 379-423 (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. Perceptual Processing: Stimulus equivalence and pattern recognition. Dodwell, P. C. Appleton-Century-Crofts. New York. 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. MIT Press. Cambridge, MA. (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).

Comments

0 Comments


    Post a Question / Comment / Request

    You must be signed in to post a comment. Please or create an account.

    Usage Statistics