पार्किंसंस रोग में मोटर और संज्ञानात्मक समारोह के गतिशील डिजिटल Biomarkers

Behavior
 

Summary

इस प्रोटोकॉल आमतौर पर पार्किंसंस रोग में अनुभूति और मोटर नियंत्रण को मापने के लिए इस्तेमाल पारंपरिक नैदानिक कार्यों के कुछ हिस्सों के एक डिजिटलीकरण प्रदान करता है. नैदानिक कार्यों digitized कर रहे हैं, जबकि biophysical लय सह तंत्रिका तंत्र के विभिन्न कार्यात्मक स्तर से पंजीकृत हैं, स्वैच्छिक, सहज, स्वत: से autonomic को लेकर.

Cite this Article

Copy Citation | Download Citations

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

पार्किंसंस रोग (पीडी) के रूप में एक विषम विकार है, व्यक्तिगत चिकित्सा वास्तव में देखभाल का अनुकूलन करने के लिए आवश्यक है। उनके वर्तमान रूप में, कागज और पेंसिल लक्षण से मानक स्कोर- परंपरागत रूप से रोग की प्रगति को ट्रैक करने के लिए इस्तेमाल किया उपाय भी मोटे हैं (discrete) विचाराधीन नैदानिक घटना की दानेदारता पर कब्जा करने के लिए, जबरदस्त लक्षण के चेहरे में विविधता. इस कारण से, सेंसर, पहनने योग्य, और मोबाइल उपकरणों तेजी से पीडी अनुसंधान और नियमित देखभाल में शामिल कर रहे हैं. इन डिजिटल उपायों, जबकि अधिक सटीक, उपज डेटा है कि कम मानकीकृत और पारंपरिक उपायों की तुलना में व्याख्या कर रहे हैं, और इसके परिणामस्वरूप, डेटा के दो प्रकार के मोटे तौर पर siloed रहते हैं. इन मुद्दों के दोनों क्षेत्र के सबसे सटीक मूल्यांकन उपकरण के व्यापक नैदानिक आवेदन करने के लिए बाधाओं मौजूद हैं. यह प्रोटोकॉल दोनों समस्याओं को दूर करता है। अनुभूति और मोटर नियंत्रण को मापने के लिए पारंपरिक कार्यों का उपयोग करना, हम भागीदार का परीक्षण करते हैं, जबकि सह-पंजीकरण जैवभौतिक संकेतों विनीत wearables का उपयोग कर. फिर हम पारंपरिक पेपर और पेंसिल विधियों से स्कोर को डिजिटल डेटा के साथ एकीकृत करते हैं जिसे हम लगातार पंजीकृत करते हैं। हम एक नया मानकीकृत डेटा प्रकार की पेशकश और सांख्यिकीय मंच है कि विभिन्न स्थितियों है कि neuromotor नियंत्रण के विभिन्न कार्यात्मक स्तर की जांच के तहत व्यक्ति के stochastic हस्ताक्षर में परिवर्तन के गतिशील ट्रैकिंग सक्षम बनाता है, से लेकर स्वायत्त करने के लिए स्वैच्छिक. प्रोटोकॉल और मानकीकृत सांख्यिकीय ढांचे पीडी में शारीरिक और संज्ञानात्मक समारोह के गतिशील डिजिटल biomarkers कि नैदानिक तराजू मान्य करने के लिए अनुरूप प्रदान करते हैं, जबकि काफी उनकी परिशुद्धता में सुधार.

Introduction

प्रेसिजन चिकित्सा (पीएम) (चित्र 1) व्यक्तिगत लक्षित उपचार विकसित करने के लिए एक शक्तिशाली मंच के रूप में उभरा है। कैंसर अनुसंधान के क्षेत्र में, यह मॉडल बहुत सफल रहा है और इसके सिद्धांत निकट भविष्यमें 1में चिकित्सा क्षेत्र में क्रांति लाने के लिए बाध्य हैं। प्रधानमंत्री ज्ञान की कई परतों को जोड़ती है, रोगियों की आत्म रिपोर्ट से जीनोमिक्स को लेकर. इन सभी परतों में जानकारी को एकीकृत करने का परिणाम एक व्यक्तिगत मूल्यांकन में होता है जो व्यक्ति के जीवन के सभी पहलुओं पर विचार करने के उद्देश्य से डेटा की व्याख्या और अधिक सटीक उपचार सिफारिशों को सक्षम बनाता है।

जब पीएम प्लेटफार्म को तंत्रिका तंत्र2,3के न्यूरोसाइकेट्रिक और न्यूरोलॉजिकल डिसऑर्डर के लिए अनुकूल बनाने की कोशिश की जाती है तो कई चुनौतियां होती हैं और हाल ही में इन चुनौतियों की आवाज उठाई गई है4. उन लोगों में से प्राप्त किया जाता है कि डेटा में असमानता, अर्थात् नैदानिक पेंसिल और कागज अवलोकन द्वारा निर्देशित तरीकों से असतत स्कोर, और सतत biophysical डेटा शारीरिक रूप से तंत्रिका तंत्र उत्पादन से प्राप्त (जैसे, biosensors का उपयोग कर). नैदानिक स्कोर से डेटा एक एक आकार फिट सभी स्थिर मॉडल है कि एक एकल (सैद्धांतिक) प्रायिकता वितरण समारोह (पीडीएफ) लागू मान जाते हैं. यह एक प्राथमिकता धारणा उचित अनुभवजन्य सत्यापन के बिना डेटा पर लगाया गया है, क्योंकि मानक डेटा प्राप्त नहीं किया गया है और पहली जगह में विशेषता. इस तरह के रूप में, वहाँ कोई उचित समानता-मीट्रिक आधारित मानव तंत्रिका तंत्र के neurotypical maturational राज्यों का वर्णन मानदंड है, स्वस्थ व्यक्ति उम्र और संभावना रिक्त स्थान के रूप में इन पैरामीटर बदलाव कुछ दर पर बदलाव डाली करने के लिए इस्तेमाल किया. मानक डेटा और उचित समानता मैट्रिक्स के बिना, विशिष्ट राज्यों से प्रस्थान को मापने के रूप में वे गतिशील रूप से व्यक्ति के जीवन में परिवर्तन संभव नहीं है. आगामी परिवर्तनों के संवेदी परिणामों की भविष्यवाणी करना भी संभव नहीं है।

Figure 1
चित्रा 1: प्रेसिजन चिकित्सा मंच: व्यवहार और जीनोमिक्स के बीच अंतर को भरने के लिए व्यक्तिगत चिकित्सा में लक्षित उपचार के विकास को सक्षम करने के लिए तंत्रिका तंत्र के तंत्रिका विज्ञान और तंत्रिका मनोरोग विकारों के लिए अनुवाद. व्यक्तिगत लक्षित उपचार के विकास के लिए सटीक चिकित्सा मंच का निदान और तंत्रिका तंत्र के तंत्रिका विज्ञान और neuropsychiatric विकारों के इलाज के लिए अनुवाद किया जा सकता है. हालांकि, ज्ञान नेटवर्क में, व्यवहार विश्लेषण की परत अधिक पारंपरिक नैदानिक मानदंडों के साथ biophysical डेटा से नए उभरते डिजिटल परिणामों को एकीकृत करने के लिए एक प्रतिमान बदलाव की जरूरत है. आगे एक चुनौती चिकित्सकों, रोगियों और देखभाल करने वालों द्वारा डिजिटल परिणाम उपायों के उपयोग को प्रोत्साहित करते हुए, इस तरह के एकीकरण के लिए सांख्यिकीय ध्वनि तरीकों और नए सहज ज्ञान युक्त दृश्य उपकरण प्रदान करना है। यह आंकड़ा Hawgood एट अल1 से विज्ञान की उन्नति के लिए अमेरिकन एसोसिएशन से अनुमति के साथ संशोधित किया गया है. कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

वर्तमान "भव्य औसत" दृष्टिकोण शोर के रूप में बाहर smooths डेटा में व्यक्ति के stochastic उतार चढ़ाव, यानी, संकेत परिवर्तनशीलता है कि व्यक्ति के रूप में स्वाभाविक रूप से उम्र प्रकट होता है, के रूप में विकारों की प्रगति, और व्यक्ति के तंत्रिका तंत्र के रूप में प्राप्त करते हैं और उपचार के लिए प्रतिक्रिया. मानक डेटा की कमी (यानी, स्वस्थ आबादी के बड़े पार अनुभागीय और अनुदैर्घ्य भागों का आकलन) हमें स्वस्थ उम्र बढ़ने के neurotypical गतिशीलता को समझने से रोकता है. जैसे, यह जानना एक चुनौती बन जाता है कि कैसे अधिक आम तौर पर किसी दिए गए विकृति के परिणामों की आशा करना है, क्योंकि यह विकृति व्यक्ति में व्यवस्थित रूप से प्रकट होने लगती है। भविष्यवाणी दृष्टिकोण पुनर्योजी चिकित्सा और / या न्यूरोप्रोटेक्टिव उपचार है कि अपक्षयी प्रक्रिया को धीमा डिजाइन करने के लिए महत्वपूर्ण हैं. पार्किंसंस रोग रोगों का एक अच्छा उदाहरण है जिससे विकार के अभिव्यक्तियों से पहले कई अन्य औसत दर्जे के लक्षण ों से पहले कर रहे हैं। हम आज जानते हैं कि दृश्य मोटर विकारों कम घ्राण समारोह5,6,भाषण पैटर्न में परिवर्तन, तेजी से आंख आंदोलन (आरईएम) नींद7,और अन्य गैर मोटर के रूप में कम दिखाई संवेदी मुद्दों से पहले थे आंत्र तंत्रिका तंत्र के कामकाज से संबंधित लक्षण8. जब तक विकार प्रकट होता है, प्रणाली में पहले से ही उच्च डोपामाइनरजिक कमी होती है; अभी तक गैर मोटर लक्षण दिखाई मोटर हानि के कुछ पूर्वानुमान हो सकता है, जिसके द्वारा विकार वर्तमान में मुख्य रूप से मूल्यांकन किया है.

वर्तमान विश्लेषणात्मक मॉडल बदलने के लिए और तंत्रिका तंत्र के सभी स्तरों भर में ठीक से अनुभवजन्य डेटा की विशेषता के महत्व पर विचार करने की जरूरत है, जिससे biorhythmic गति प्रकट और गतिशील रूप से समय श्रृंखला के रूप में इस्तेमाल किया जा सकता है सेंसर की एक भीड़ के साथ सह पंजीकृत. अपने अधिक सामान्य अर्थों में गति डेटा आंदोलनों और विकारों वे प्रसारण तक ही सीमित नहीं होना चाहिए. तंत्रिका तंत्र के सभी biorhythms से डिजिटल डेटा (गैर-आंदोलन waveforms सहित) भविष्यवाणी क्षमता है कि हम मदद करने के लिए या तेजी से neurodegeneration धीमा करने की आवश्यकता हो सकती है प्रदान करते हैं. फिर भी, जैसा कि हम डेटा प्रकार के हमारे प्रदर्शनों की सूची में वृद्धि, हम सांख्यिकीय अनुमान और वर्तमान में उपयोग में व्याख्या के लिए पैरामीट्रिक रैखिक मॉडल के अंतर्निहित धारणा से बचना चाहिए ऐसे डेटा का विश्लेषण. अत्यधिक गैर रेखीय समस्याओं के प्रकार के लिए ऐसे रैखिक मॉडलों की पर्याप्तता का मूल्यांकन करना महत्वपूर्ण होगा जो हम तंत्रिका तंत्र रोगों में अध्ययन करते हैं, जो स्टोकेस्टिक बदलाव और गतिशील परिवर्तनों के अधीन हैं। वर्तमान धारणा-विश्लेषण पाइपलाइन छोरों में Caveats दोनों डेटा प्रकार में मौजूद हैं इस्तेमाल किया जा रहा है: असतत नैदानिक स्कोर से उन और निरंतर डिजिटल biophysical waveforms से उन. जबकि वे काट रहे हैं, यह नए चौखटे है कि तरीके है कि नैदानिक मानदंडों के साथ डिजिटल परिणामों को संरेखित करने के लिए रोगियों द्वारा उभरते डिजिटल प्रौद्योगिकियों के उपयोग की सुविधा में डेटा के दोनों प्रकार के उचित एकीकरण सक्षम डिजाइन करने के लिए महत्वपूर्ण हो जाएगा, देखभाल करने वालों और चिकित्सकों.

इन चुनौतियों में से कुछ पर काबू पाने के लिए, हमने हाल ही में चित्र1 में पीएम प्लेटफॉर्म को अनुकूलित किया है ताकि न्यूरोलॉजिकल और न्यूरोसाइकेट्रिक स्थितियों3के लिए सटीक फीनोटाइपिंग प्रदान की जा सके। कि अंत करने के लिए, हम इकट्ठा करने के लिए एक नया तरीका तैयार किया है, विश्लेषण और संज्ञानात्मक और मोटर घटना के बीच जटिल संबंधों का पता लगाने कि पारंपरिक नैदानिक स्कोरिंग परीक्षण के साथ मिलकर व्यवहार डेटा की व्याख्या. अधिक ठीक है, हमने पेंसिल और कागज के तरीकों का डिजिटलीकरण किया है। अकेले इस तरह के तरीकों से डेटा बहुत मोटे हैं महत्वपूर्ण जानकारी नग्न आंखों से बचने पर कब्जा करने के लिए. लेकिन biophysical सेंसर से डिजिटल डेटा के साथ संयोजन में उनके उपयोग नैदानिक मानदंडों के साथ नए उभरते डिजिटल प्रौद्योगिकियों कनेक्ट करने के लिए एक नया अवसर प्रदान करता है चिकित्सकों उन्हें निकट भविष्य में अपनाने के लिए प्रोत्साहित करने के लिए अनुकूल.

यहाँ, हम नैदानिक मूल्यांकन के संदर्भ में डिजिटल डेटा का उपयोग शुरू. अर्थात्, के रूप में व्यक्ति नैदानिक कार्य करता है, जैसे, मॉन्ट्रियल संज्ञानात्मक आकलन (MoCA) परीक्षण में एक घड़ी ड्राइंग, तंत्रिका तंत्र द्वारा biorhythms उत्पादन सह विभिन्न कार्यात्मक परतों में पंजीकृत हैं. इनमें इलेक्ट्रोएन्सेफेलोग्राफी (ईईजी), इलेक्ट्रोकार्डियोग्राफी (ईसीजी या ईकेजी), शरीर से आवाज पैटर्न और शुद्ध गति विज्ञान, और हाथ से पकड़ कलम से शुद्ध गतिज उत्पादन शामिल है जिसका उपयोग व्यक्ति डिजीटल टैबलेट पर घड़ी को आकर्षित करने के लिए करता है। हम भी चेहरे से वीडियो डेटा इकट्ठा के रूप में व्यक्ति खींचता है, भावना प्रदर्शन करने के लिए भावनात्मक राज्यों की भविष्यवाणी विश्लेषण. इन आंकड़ों तो individualized व्यवहार विश्लेषण के लिए एक नया सांख्यिकीय मंच के प्रकाशिकी के माध्यम से विश्लेषण कर रहे हैं (SPIBA) और ऐसे परीक्षणों अंतर्निहित नैदानिक मानदंडों के अनुसार व्याख्या की. अधिक विशेष रूप से, असतत स्कोर का उपयोग रोगियों के सहगण को औसत रैंक करने के लिए किया जाता है और इस तरह, उस नैदानिक मानदंडों के आधार पर समूह को स्तरित करें। हम तो इस प्रकार की पहचान की समूहों के सतत biophysical डेटा की जांच कर सकते हैं, डिजिटल रूप से संचालित stochastic मानदंड है कि मूल रूप से एक से अधिक पैरामीट्रिक आयाम भर में, रोगियों के एक सबसेट अलग के लिए खोज में. इसके अलावा, अपने आप में निरंतर biophysical डेटा की जांच करके, सहगण के भीतर प्रत्येक व्यक्ति के निहित उतार चढ़ाव के अनुसार और नैदानिक मानदंडों से अंधा, हम सहगण के भीतर आत्म उभरते समूहों के लिए खोज कर सकते हैं, और तुलना हद तक जो इस तरह के समूहों उन है कि नैदानिक मानदंडों द्वारा सूचित subtypes पता चला पर नक्शा.

इस दृष्टिकोण biophysical डिजिटल डेटा के धन के भीतर मानकों की पहचान करने के लिए एक नया तरीका प्रदान करता है, कि सबसे प्रभावी ढंग से subtypes भर में मतभेद पर कब्जा और पार्किंसंस के साथ रोगियों को stratify करने के लिए संभावित अच्छे उम्मीदवारों के रूप में उन मतभेदों renders अंधा में रोग (PWP) अर्थात्, आम जनता से एक यादृच्छिक आकर्षित भर में. इस विधि की प्रासंगिकता दो गुना है। हम वास्तव में उपचार निजीकृत कर सकते हैं, जबकि ठीक से biosensors और नैदानिक मानदंडों से अलग डेटा प्रकार को एकीकृत; यानी, समय श्रृंखला के रूप में निरंतर डिजिटल biophysical डेटा, और पारंपरिक परीक्षणों से असतत नैदानिक स्कोर.

हालांकि यह एक सामान्य दृष्टिकोण है, तंत्रिका तंत्र के सभी विकारों के लिए लागू है, हम PWP के संदर्भ में काम फ्रेम और इस तरह के प्रदर्शन के दौरान पंजीकृत निरंतर डिजिटल डेटा के बारे में सांख्यिकीय अनुमान बनाने के लिए नए तरीके प्रदान करते हैं असतत नैदानिक स्कोरिंग प्रणाली पर विचार नैदानिक परीक्षण. इस प्रकार, कार्य नैदानिक सेटिंग्स में उपयोग करने के लिए सक्षम डिजिटल परिणामों की नैदानिक व्याख्या सक्षम बनाता है। अंत में, हम रोगियों, देखभाल करने वालों और नैदानिक कर्मियों द्वारा घर और नैदानिक सेटिंग्स में उपयोग में आसानी के लिए नए ऐप्स में एम्बेड करने के लिए इस तरह के व्यक्तिगत परिणामों को कल्पना करने के लिए नए तरीके डिजाइन करने के लिए सिफारिशें प्रदान करते हैं।

Protocol

यहाँ वर्णित सभी तरीकों Rutgers विश्वविद्यालय संस्थागत समीक्षा बोर्ड द्वारा अनुमोदित किया गया है.

1. प्रतिभागियों और अधिग्रहण प्रणाली की स्थापना

  1. प्रतिभागियों से सूचित सहमति प्राप्त करें।
    नोट: प्रतिभागियों या तो पार्किंसंस विकार के साथ का निदान किया जाना चाहिए, या स्वस्थ नियंत्रण प्रतिभागियों के रूप में सेवा करने के लिए किसी भी न्यूरोलॉजिकल विकार के साथ का निदान नहीं किया जाना चाहिए. स्वस्थ प्रतिभागियों लिंग और उम्र रोगी प्रतिभागियों के लिए मिलान किया जाना चाहिए. सभी प्रतिभागियों को लगातार 5 मिनट के लिए चलने के लिए गतिशीलता होनी चाहिए।
  2. प्रतिभागी के शरीर आयाम (शरीर की ऊंचाई, पैर लंबाई, हाथ अवधि, टखने की ऊंचाई, कूल्हे की ऊंचाई, कूल्हे की चौड़ाई, घुटने की ऊंचाई, कंधे की चौड़ाई, कंधे की ऊंचाई) को मापने; चित्र 2A) बाद में गति पर कब्जा प्रणाली में अपने शरीर अवतार बनाने के लिए.
    नोट: यह जानकारी गति पर कब्जा प्रणाली में प्रयोग किया जाता है सही भागीदार के शरीर की स्थितिगत डेटा रिकॉर्ड करने के लिए.
  3. 17 वायरलेस गति ट्रैकिंग सेंसर और गति ट्रैकिंग सॉफ्टवेयर सहित गति पर कब्जा प्रणाली, सेट करें.
    1. निम्नलिखित शरीर के अंगों पर सेंसर रखें: सिर, स्टर्नम, श्रोणि, दाएँ कंधे, दाएँ ऊपरी हाथ, दाएँ निचले हाथ, बाएं हाथ, बाएं ऊपरी हाथ, बाएं हाथ, बाएं हाथ, दाएं ऊपरी पैर, दाएं निचले पैर, बाएं ऊपरी पैर, बाएं निचले पैर, बाएं पाद (चित्र 2ख) विनीत आंदोलन के लिए अनुमति देने के लिए पट्टा बैंड के साथ इन सेंसरों को सुरक्षित.
    2. एक बार जब सभी सेंसर उचित स्थानों पर रखे जाते हैं, तो अपने अवतार को बनाने के लिए प्रतिभागी की स्थिति की जांच करें।
      नोट: अंशांकन विधि पर विवरण Roetenberg एट अल में पाया जा सकताहै.
  4. ईईजी डिवाइस और ईईजी रिकॉर्डिंग सॉफ्टवेयर सेट करें।
    1. स्थिति 31 खोपड़ी भर में सेंसर और भागीदार के सिर के पीछे रिकॉर्डिंग डिवाइस. निम्नलिखित स्थानों पर प्लेस चैनल सेंसर: P7, P4, Cz, Pz, P3, P8, O1, O2, T8, F8, C4, F4, Fp2, Fz, C3, F3, Fp1, T7, F7, PO4, FC6, FC2, CP1, CP5, FC3, FC3) (
    2. शेष चैनल सेंसर (Oz) दिल संकेत को मापने के लिए एक कनेक्टर के लिए संलग्न, कि भागीदार के बाईं ओर पेट पर जुड़ा सेंसर स्थिति द्वारा (चित्र 2C).
    3. भागीदार के बाएं कान के पीछे दो संदर्भ चैनल सेंसर संलग्न करें, और फिर एक सिरिंज का उपयोग करई गई ईईजी कैप पर सेंसर में इलेक्ट्रोड जेल डालें (चित्र 2C)।
    4. एक बार पूरा, यह स्थिर जब तक कुछ मिनट के लिए रिकॉर्डिंग सॉफ्टवेयर पर बिजली की गतिविधियों स्ट्रीमिंग शुरू करते हैं.
      नोट: चित्रा 2 डी ईईजी संकेतों से नमूना निशान से पता चलता है केंद्रीय तंत्रिका तंत्र (सीएनएस) और autonomic तंत्रिका तंत्र (एएनएस) से इस्तेमाल किया.
  5. प्रतिभागी की आवाज़ कैप्चर करने के लिए माइक्रोफ़ोन सेट करें. प्रतिभागी के सामने माइक्रोफ़ोन रखें और उसे उस कंप्यूटर से कनेक्ट करें जहाँ प्रयोगशाला स्ट्रीम परत (LSL) चल रही होगी (नीचे LSL देखें) (चित्र 2E) .

Figure 2
चित्र 2: विनीत वायरलेस पहनने योग्य biosensors से कई waveforms को एकीकृत करते हुए, पारंपरिक नैदानिक परीक्षणdigitize करने के लिए सेट करें. (ए) ड्राइंग कार्यों के लिए सेट करें: वास्तविक रोगी विनीत पहनने योग्य सेंसर और अवतार पहने हुए शुद्ध गति विज्ञान से वास्तविक समय में प्रदान किया जा रहा एकत्र किया जा रहा है। (बी) छोटे और हल्के गति ट्रैकिंग सेंसर (60 हर्ट्ज) का एक सेट के सेंसर स्थानों, जिसमें से गति डेटा सह शरीर भर में तुल्यकालिक पंजीकृत हैं. (ग) ईईजी मानचित्र और संदर्भ स्थान। (डी) नमूना ईईजी ओज लीड से निकाले गए 31 लीड और हार्ट सिग्नल से तरंगरूपों। () एक गिनती कार्य के दौरान भागीदार की आवाज से नमूना तरंग. कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

  1. माउस क्लिक टाइमस्टैम्प्स के साथ ईईजी, गति, और ऑडियो संकेतों की धाराओं को सिंक्रनाइज़ करने के लिए LSL सिस्टम सेट करें (चित्र 3A).
    1. लैब रिकॉर्डर अनुप्रयोग खोलें।
    2. माउस के लिए LSL Apps खोलें और घर में बनाया Xsens तुल्यकालन अनुप्रयोग और धाराओं अनुभाग से रिकॉर्ड में बक्से माउस बटन और ट्रैकर Kinematics की जाँच करके लैब रिकॉर्डर अनुप्रयोग के लिए उन्हें लिंक.
      नोट: माउस अनुप्रयोग प्रयोग के दौरान टाइमस्टैम्प घटनाओं के लिए इस्तेमाल किया जाएगा.
    3. लिंक ईईजी, गति, और ऑडियो धाराओं बक्से AudioCaptureWin, LSL-EEG, धाराओं अनुभाग से रिकॉर्ड में स्थिति की जाँच करके लैब रिकॉर्डर अनुप्रयोग के लिए।
      नोट: LSL सिस्टम डेटा की देखने और डिस्क रिकॉर्डिंग, नेटवर्किंग और केंद्रीकृत संग्रह के साथ समय-सिंक्रनाइज़ेशन, संभालता है कि अनुसंधान प्रयोगों में माप समय श्रृंखला का एक एकीकृत संग्रह सक्षम करता है। इस प्रोटोकॉल के संदर्भ में, सीएलएसएल प्रणाली सिंक्रोनस सीएनएस, परिधीय तंत्रिका तंत्र (पीएनएस) और एएनएस से धाराओं, के रूप में व्यक्ति स्वाभाविक रूप से पारंपरिक नैदानिक कार्य करता है.
  2. पेन टैबलेट और आंदोलन विश्लेषण सॉफ्टवेयर सहित कलम आंदोलन के लिए रिकॉर्डिंग सेट करें (चित्र 3B)।
    1. प्रतिभागी के सामने ड्राइंग टैबलेट और टैबलेट पेन रखें।
    2. टैबलेट को कंप्यूटर से कनेक्ट करें जिससे गति विश्लेषण सॉफ़्टवेयर रिकॉर्डिंग होगी.
    3. टेबलेट पर एक श्वेत पत्र रखें और एक टेप के साथ सुरक्षित करें।
      नोट: पहले से तैयार कागजात एक बॉक्स दिखाने के लिए अंतरिक्ष जहां भागीदार में ड्राइंग होगा इंगित करने के लिए.
  3. रिकॉर्डिंग प्रारंभ करें।
    1. LSL, गति पर कब्जा सॉफ्टवेयर, और ईईजी रिकॉर्डिंग सॉफ्टवेयर में प्रेस रिकॉर्ड.
    2. प्रत्येक कार्य के प्रारंभ और अंत में, गति कैप्चर सॉफ़्टवेयर पर टाइमस्टैम्पिंग बटन पर दबाकर माउस क्लिक के साथ टाइमस्टैम्प क्लिक करता है.
      नोट: इस तरह, timestamps दोनों LSL स्ट्रीम डेटा में और गति पर कब्जा डेटा में दर्ज किया जाएगा. यह सुनिश्चित करेगा कि एक बैक-अप टाइमस्टैम्प है, मामले में एक timestamping कार्यों में से एक रिकॉर्डिंग के दौरान विफल रहता है।

Figure 3
चित्र 3: एक आम केंद्रीय प्रसंस्करण इकाई की लैब स्ट्रीम लेयर (एलएसएल) प्रणाली के माध्यम से सिग्नल डिजिटीकरण और तुल्यकालन। (ए) एलएसएल प्रणाली तुल्यकालिक गति (पीएनएस), ईईजी (सीएनएस), ईसीजी (एएनएस), आवाज और माउस क्लिक के माध्यम से समय मुद्रांकन के सह-पंजीकरण की अनुमति देते हैं। (बी) मानकीकृत संज्ञानात्मक परीक्षणों से ड्राइंग कार्यों के दौरान, पेन टिप के डिजीटल टैबलेट और पेन रिकॉर्डिंग शुद्धगतिक (स्थिति)। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

2. प्रायोगिक प्रक्रिया

  1. आचरण कार्य 1 - बेन्सन परिसर चित्रा कॉपी (आदर्श)10 (1 मिनट).
    1. प्रतिभागी को कागज पर बेन्सन फिगर की प्रतिलिपि बनाने के लिए निर्देश दें, और डिज़ाइन को याद रखें क्योंकि प्रतिभागी को बाद में इसे स्मृति से फिर से आकर्षित करने के लिए कहा जाएगा।
      नोट: यह परीक्षण प्रतिभागी के visuo-निर्माणात्मक और दृश्य स्मृति समारोह का आकलन करने के लिए डिज़ाइन किया गया है (चित्र 4A)।
  2. आचरण कार्य 2 और 3 - ट्रेल बनाने टेस्ट भाग एक (3 मिनट).
    1. प्रतिभागी को आरोही क्रम में क्रमांकित वृत्तों के बीच एक रेखा आरेखित करने के लिए निर्देश दें.
      नोट: इस खंड में दो कार्य हैं, जहाँ पहला (कार्य 2) एक नमूना परीक्षण (8 संख्याओं का संबंध) पूरा करने के लिए है, और अगले (कार्य 3) वास्तविक परीक्षण को पूरा करने के लिए है (25 संख्याओं का संबंध). यह परीक्षण सेना के व्यक्तिगत परीक्षण बैटरी11का एक घटक था, और प्रसंस्करण गति और कार्यकारी समारोह का आकलन करता है और visuomotor और प्रत्यक्ष स्कैनिंग कौशल पर निर्भर करता है (चित्र 4B)।
  3. आचरण कार्य 4 और 5 - ट्रेल बनाने टेस्ट भाग बी (5 मिनट).
    1. प्रतिभागी को उन वृत्तों के बीच एक रेखा खींचने के लिए निर्देश दें जिनमें संख्याओं या अक्षरों के बीच, आरोही क्रम में, संख्याओं और अक्षरों के बीच प्रत्यावर्तन करते समय होते हैं. उदाहरण के लिए, अनुक्रम होगा: A से 1; 1 से बी; बी से 2; 2 से सी.
      नोट: इस खंड में दो कार्य हैं, जहां पहला (कार्य 4) एक नमूना परीक्षण (4 संख्याओं और 4 अक्षरों का संबंध) को पूरा करने के लिए है, और अगले (कार्य 5) वास्तविक परीक्षण को पूरा करने के लिए है (13 संख्याओं और 12 अक्षरों का साथ). ट्रेल मेकिंग टेस्ट भाग बी ट्रेल मेकिंग टेस्ट भाग ए के समान है, लेकिन प्रतिभागी संख्या से अक्षर सेट करने के लिए बदलाव के रूप में अधिक संज्ञानात्मक लचीलापन की आवश्यकता है। (चित्र 4ख)
  4. आचरण कार्य 6 ] घड़ी ड्राइंग (1 मिनट).
    1. प्रतिभागी को संख्या 1 से 12 के साथ एक एनालॉग घड़ी आरेखित करने और 10 पिछले 11 पर समय सेट करने के लिए निर्देश दें।
      नोट: यह परीक्षण MoCA12 का हिस्सा है और प्रतिभागी के visuo-निर्माण कौशल का आकलन. (चित्र 4C)
  5. आचरण कार्य 7 - बेन्सन परिसर चित्रा कॉपी (देरी)10 (1 मिनट).
    1. प्रतिभागी को कागज के एक खाली टुकड़े पर स्मृति से बेनसन जटिल आंकड़ा आकर्षित करने के लिए निर्देश दें।
      नोट: यह परीक्षण प्रतिभागी के visuo-निर्माणात्मक और दृश्य स्मृति समारोह का आकलन करता है। (चित्र 4क)
  6. आचरण कार्य 8 और 9 - संख्या स्पैन टेस्ट (आगे और पीछे)13 (10 मिनट).
    1. प्रतिभागी को उन संख्याओं को दोहराने के लिए निर्देश दें जो प्रयोगकर्ता जोर से पढ़ता है।
    2. कार्य 8 (आगे) के लिए, प्रतिभागी को उसी क्रम में संख्याओं को दोहराने के लिए, और कार्य 9 (पीछे) के लिए, उन्हें रिवर्स क्रम में दोहराने के लिए निर्देश दें. दोनों परीक्षणों के लिए, आगे के लिए 3 से 9 अंकों तक अनुक्रम लंबाई के अनुसार दो परीक्षण होते हैं, और पिछड़े परीक्षण के लिए 2 से 8 अंक होते हैं। एक ही लंबाई में दो नंबर स्ट्रिंग्स विफल रहे हैं जब तक परीक्षण जारी रखें।
      नोट: दोनों परीक्षण संक्षिप्त जानकारी रखने के लिए क्षमता को मापने, लेकिन पीछे परीक्षण (कार्य 9) भी संख्या में हेरफेर और अनुक्रम रिवर्स करने की क्षमता के उपाय। इस प्रकार, वर्तमान प्रोटोकॉल के संदर्भ में, यह कार्य ध्वनि जैव-तालों के उत्पादन के संबंध में स्मृति और संज्ञानात्मक घटक को मापता है।

Figure 4
चित्र ााला 4: नैदानिक रूप से सूचित डिजिटल बायोमार्कर और स्कोरिंग कार्ड की ओर: नैदानिक नैदानिक परीक्षणों के डिजिटीकरण नैदानिक मानदंडों और डिजिटल बायोफिजिकल डेटा के एकीकरण को सक्षम करने के लिए। मानकीकृत संज्ञानात्मक परीक्षण से नमूना निशान. (ए) बेन्सन जटिल आंकड़ा तुरंत पुन: पेश करने के लिए भागीदार के लिए प्रदान की (केंद्र), या स्मृति से 10 मिनट की देरी के बाद (दाएं) . (बी) ट्रेल एक कार्य जिसमें संख्याओं को आरोही क्रम (ऊपर) में एक रेखा द्वारा जोड़ा जाना है, और ट्रेल बी कार्य जिसमें अक्षरों और संख्याओं (नीचे) के बीच बारी-बारी से कार्य किया जाता है। (सी) 10 पिछले 11 करने के लिए समय निर्धारित करने के निर्देश के साथ एक घड़ी ड्राइंग. सभी नमूना अंश के लिए, ग्रे रेखाएँ आरेखण कार्य के दौरान पेन लिफ्टों के प्रक्षेप पथ का प्रतिनिधित्व करती हैं, और नीली रेखाएँ वास्तविक पेन आरेखणका का प्रतिनिधित्व करती हैं. विश्लेषण के लिए, हम दोनों प्रकार के त्रासदियों की जांच करते हैं। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

  1. कार्य 10, 11, और 12 - इंगित (10 मि)।
    1. बिंदु और स्पर्श करने के लिए भागीदार के सामने एक लक्ष्य स्थिति.
    2. कार्य 10 (नियंत्रण) के लिए, प्रतिभागी को प्रमुख हाथ के साथ एक आत्म-पुस्तक तरीके से 40 बार लक्ष्य पर इंगित करने के लिए निर्देश दें।
    3. कार्य 11 (मेट्रोनोम) के लिए, प्रतिभागी को एक आत्म-पुस्तक तरीके से 40 बार लक्ष्य पर इंगित करने के लिए निर्देश दें, जबकि पृष्ठभूमि में 35 बीपीएम पर मेट्रोनोम बीट की स्थापना करते हुए, लेकिन मेट्रोनोम बीट के बारे में कुछ भी निर्देश न दें।
    4. कार्य 12 (पुस्तक बिंदुंक) के लिए, प्रतिभागी को 35 बीपीएम पर सेट मेट्रोनोम बीट के बाद 40 बार लक्ष्य पर इंगित करने के लिए निर्देश दें।
      नोट: प्वाइंटिंग कार्य जानबूझकर द्वारा भागीदार की गति को अलग करने के लिए अनुमति देता है (आगे आंदोलन, समय से हाथ जब तक हाथ लक्ष्य तक पहुँचता है आराम कर रहा है) और सहज (पीछे आंदोलन, समय से हाथ लक्ष्य को छू रहा है जब तक हाथ अपने आराम की स्थिति में वापस पहुँचता है) क्षेत्रों, जिससे जैव भौतिक संकेतों का विश्लेषण जब भागीदार स्वैच्छिक नियंत्रण (deliberate गति) exerting है, और जब भागीदार थोड़ा नियंत्रण (स्वत: गति) exerting है (चित्र5A ). metronome धड़कता शुरू करने और मेट्रोनोम हरा पर इशारा करते हुए गति करने के लिए भागीदार की आवश्यकता होती है, तुलना biophysical संकेतों का बनाया जा सकता है जब भागीदार एक आत्म पुस्तक तरीके से बढ़ रहा है, और जब भागीदार सक्रिय रूप से नियंत्रित कर रहा है एक बाहरी हरा करने के लिए आंदोलन गति।
  2. आचरण कार्य 13, 14, और 15 चलना (25 मिनट).
    1. प्रतिभागी को तीन अलग-अलग परिस्थितियों में 5 मिनट तक स्वाभाविक रूप से चलने के लिए निर्देश दें।
    2. कार्य 13 (नियंत्रण) के लिए, प्रतिभागी को कमरे के चारों ओर स्वाभाविक रूप से चलने का निर्देश दें।
    3. कार्य 14 (मेट्रोनोम) के लिए, प्रतिभागी को 12 बीपीएम के लिए पृष्ठभूमि में हरा करने के लिए मेट्रोनोम की स्थापना करते समय कमरे के चारों ओर स्वाभाविक रूप से चलने के लिए निर्देश दें।
    4. कार्य 15 (पुस्तक श्वास) के लिए, प्रतिभागी को कमरे के चारों ओर स्वाभाविक रूप से चलने के लिए निर्देश दें, जबकि वह 12 बीपीएम पर सेट मेट्रोनोम बीट के लिए श्वास दर को गति देता है।
      नोट: metronome हरा शुरू करने से, तुलना biophysical संकेतों का बनाया जा सकता है, जबकि भागीदार पूरे शरीर का उपयोग कर रहा है ले जाने के लिए और एक आत्म पुस्तक तरीके से साँस लेने, और जब भागीदार सक्रिय रूप से साँस लेने की गति को नियंत्रित कर रहा है (जो आम तौर पर पूरे शरीर को हिलाते समय स्वत: ही घटित होता है (चित्र 5ख)।

Figure 5
चित्र 5: त्रि-आयामी (3 डी) tradictories और ऊपरी शरीर की स्वैच्छिक गतियों के दौरान उनकी गति-amplitude समय श्रृंखला उत्पादन. आंदोलन विकार सोसायटी की गतिज कंपन कार्य के एक संस्करण का उपयोग कर स्वैच्छिक नियंत्रण की जांच करने के लिए लक्ष्य निर्देशित इशारा व्यवहार - एकीकृत पार्किंसंस रोग रेटिंग स्केल (MDS-UPDRS). (ए) ऊपरी शरीर, लक्ष्य निर्देशित इशारा कार्य (शीर्ष) प्रदर्शन की स्थिति में प्रतिभागी और अवतार; आगे (लक्ष्य करने के लिए) और पिछड़े (आराम की स्थिति के लिए) आंदोलन (नीचे छोड़ दिया) के 3 डी-स्थितित्मक त्रासदियों; और गति आयाम (m/s) और अंतर-पीक अंतराल समय (एमएस) में उतार-चढ़ाव की समय श्रृंखला दिखा इसी रैखिक गति प्रोफाइल, रैखिक वेग वेक्टर प्रवाह (नीचे सही) से व्युत्पन्न। (बी) प्रतिभागी और चलने के कार्य में अवतार (ऊपर); शरीर के विभिन्न भागों (नीचे बाएँ) और इसी गति प्रोफाइल (नीचे दाएँ) के 3 डी-स्थितित्मक त्रासदियों। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

  1. आचरण कार्य 16 और 17 - चेहरा वीडियो (10 मिनट).
    1. प्रतिभागी को आराम से बैठने के लिए निर्देश दें, और प्रतिभागी के सामने एक कैमरा स्थापित करें।
    2. कार्य 16 (नियंत्रण) के लिए, प्रतिभागी को 5 मिनट के लिए बिना किसी उत्तेजना के एक स्थान को घूरने का निर्देश दें।
    3. कार्य 17 (मुस्कान) के लिए, प्रतिभागी को 5 मिनट के लिए एक मजेदार वीडियो देखने के लिए निर्देश दें।
      नोट: सेट अप लगभग 30 मिनट लेता है, और पूरे प्रोटोकॉल लगभग 60 मिनट, और एक अतिरिक्त 10 मिनट PWP के लिए लेता है।

Representative Results

ब्याज के पैरामीटर

वहाँ कई गति पैरामीटर है कि हम व्यक्ति के तंत्रिका तंत्र द्वारा उत्पन्न biophysical डिजिटल संकेतों के tracectories से निकाल सकते हैं. यहाँ हम इलेक्ट्रोएन्सेफेलोग्राम ईईजी waveforms पर ध्यान केंद्रित (केंद्रीय तंत्रिका तंत्र के प्रतिनिधि, सीएनएस उत्पादन), शारीरिक आंदोलनों (परिधीय तंत्रिका तंत्र के प्रतिनिधि, पीएनएस उत्पादन), और दिल संकेतों (स्वायत्तता के प्रतिनिधि तंत्रिका तंत्र, एएनएस उत्पादन).

सीएनएस- और एएनएस- संबंधित संकेतों के लिए, हम ईईजी और ईसीजी तरंगों के शिखर आयाम में उतार-चढ़ाव का उपयोग करते हैं (जेडवी) इकाईहीन (मानकीकृत) सूक्ष्म-गति स्पाइक्स (एमएमएस) में परिवर्तित (नीचे देखें)। पीएनएस से संबंधित संकेतों के लिए, हम इसी एकांकिका रहित एमएमएस प्राप्त करने के लिए द्रव्यमान (कॉम) और उनकी गति प्रोफाइल की समय श्रृंखला (m/s) के केंद्र के ट्रैजेक्टरी का उपयोग करते हैं। एक बार जब हम एमएमएस इकट्ठा, हम उन्हें सेंसर और तंत्रिका तंत्र समारोह के स्तर भर में pairwise संकेत विश्लेषिकी का एक सेट के आधार पर, एक भारित-अनिर्देशित ग्राफ में एकीकृत कर सकते हैं. यह चरण हमें संयुक्त संकेतों पर नेटवर्क कनेक्टिविटी विश्लेषण ों का उपयोग करने में सक्षम बनाता है। फिर हम व्याख्याय रेखांकन14,15 का उत्पादन करते हैं जिसमें स्व-उभरते नेटवर्क टोपोलॉजी में परिवर्तन ों का चित्रण किया गया है। विशेष रूप से, जब हम तीन इशारा करते हुए और / या चलने के कार्यों में इन रेखांकन की तुलना, हम निरीक्षण कर सकते हैं कि कैसे biophysical संकेतों एक निष्क्रिय तरीके से एक बाहरी लय का जवाब (यानी, जब metronome धड़कता है सहज biorhythm entrain) और एक में सक्रिय तरीके से (यानी, जब प्रतिभागी जानबूझकर हाथ की ओर इशारा करते हुए या मेट्रोनोम बीट के लिए चलने की गति को गति देने का प्रयास करता है)। हम भी सीएनएस का प्रतिनिधित्व नेटवर्क नोड्स भर में सूचना संचरण के पैटर्न का अध्ययन कर सकते हैं, पीएनएस और समारोह के एएनएस स्तर.

जैव भौतिक संकेतों की बहु कार्यात्मक परतों से एमएमएस पर Stochastic विश्लेषण

शरीर भर में सेंसर के पहनने योग्य ग्रिड से इस्तेमाल जैवभौतिक संकेतों, चोटियों और घाटियों, जो आयाम और समय में भिन्न के समय श्रृंखला को जन्म देते हैं. इन जैवभौतिक संकेतों के एमएमएस16 आयाम और चोटियों के समय में उतार चढ़ाव हैं, जिससे आयाम वास्तविक [0,1] अंतराल में लेकर एक इकाईहीन मूल्य के लिए सामान्यीकृत कर रहे हैं, इस प्रकार से संकेतों के पार एकीकरण और तुलना की अनुमति तंत्रिका तंत्र के विभिन्न कार्यात्मक परतों: सीएनएस, पीएनएस और एएनएस. कार्यक्षमता के इन अलग परतों neuromotor नियंत्रण के विभिन्न स्तरों की आवश्यकता होती है और व्यक्तियों भर में विभिन्न आयाम पर्वतमाला के अधिकारी. वे भी अलग अंतर-पीक अंतराल समय है। जबकि एमएमएस सामान्यीकरण मूल चोटियों के समय संरक्षित करता है, यह भी आयाम में बदलाव कब्जा. इस तरह के एक सामान्यीकरण शिखर आयाम के योग और चोटी के आसपास दो पड़ोसी स्थानीय minima के भीतर नमूना संकेतों के औसत से प्रत्येक स्थानीय चोटी आयाम विभाजित करके प्राप्त की है:

Equation 1

[0,1] वास्तविक संख्या अंतराल में इन सतत spikes समय और आयाम उतार चढ़ाव पर जानकारी की रक्षा, जबकि हमें एक यादृच्छिक प्रक्रिया के रूप में समय श्रृंखला का इलाज करने के लिए सक्षम. हम तो Poisson यादृच्छिक प्रक्रियाओं के सामान्य रूब्रिक के तहत एक गामा प्रक्रिया को अपनाने, आमतौर पर द्विआधारी spikes का विश्लेषण करने के लिए गणना तंत्रिका विज्ञान के क्षेत्र में इस्तेमाल किया.

इन विश्लेषणात्मक विधियों को विस्तारसे 3 ,14,17,18 में कहीं और समझाया गया है और विश्लेषणात्मक पाइपलाइन की व्याख्या के लिए चित्र 6 को देखें और नैदानिक सहायता करने के लिए प्रस्तावित दृश्यीकरण देखें व्याख्या. यहाँ, हम गामा PDFs के आकार और पैमाने मानकों है कि हम अनुभवजन्य एमएमएस waveforms से अनुमान द्वारा फैले गामा पैरामीटर विमान का उपयोग करें. हम चार आयामी ग्राफ पर इसी गामा क्षणों के बिंदुओं को भी प्लॉट करते हैं, जिससे माध्य, प्रसरण और विषमता आयामों के तीन तक फैले होते हैं और कुर्तासिस मार्कर के आकार में प्रदर्शित होता है जिसका उपयोग हम व्यक्ति के स्टोस्टिक को निरूपित करने के लिए करते हैं हस्ताक्षर.

प्रत्येक कार्य के लिए, बायोफिजिकल टाइम श्रृंखला से प्राप्त एमएमएस पीक डेटा को एकत्रित किया जाता है और अधिकतम संभावना आकलन (MLE) का उपयोग करके एक गामा पीडीएफ में फिट किया जाता है जिसमें प्रत्येक गामा-पैरामीटर के लिए 95% विश्वास अंतराल होते हैं: वितरण के आकार को दर्शाने वाला आकार, और फैलाव (शोर से संकेत अनुपात) को निरूपित करने वाला स्केल। जैसे, हम उच्च विश्वास के साथ अनुमान, PDFs का सबसे अच्छा निरंतर परिवार है कि कार्यक्षमता के विभिन्न स्तरों है कि इन कार्यों की मांग भर में व्यक्ति के तंत्रिका तंत्र के biorhythms उतार चढ़ाव कब्जा. इन कार्यात्मक परतों उच्च स्तरीय सार संज्ञानात्मक कौशल और स्मृति क्षमताओं से अवधि, स्वैच्छिक neuromotor नियंत्रण और सहज परिणामी लक्ष्य निर्देशित कार्यों से व्युत्पन्न गतियों के लिए. हम भी प्रति मिनट metronome की धड़कन के साथ शारीरिक entrainment के लिए स्वत: गति और प्रणाली की क्षमता की जांच.

Figure 6
चित्र 6: गतिशील डिजिटल biomarkers और भविष्य आवेदन (एपीपी) के विकास के लिए अनुप्रयोगों के विकास के लिए सांख्यिकीय विश्लेषणात्मक पाइपलाइन। (ए) द्रव्यमान केंद्र (कॉम) 3 डी स्थितिपरक प्रक्षेप पथ जबकि व्यक्ति चारों ओर चलता है। (बी) एक लाल डॉट के साथ प्रकाश डाला आयाम में चोटियों के साथ COM की गति में उतार चढ़ाव. (ग) [0,1] वास्तविक-मूल्य अंतराल में COM-गति चोटियों (लाल डॉट्स) में उतार-चढ़ाव से मानकीकृत एमएमएस। (डी) एमएमएस चोटियों की आवृत्ति हिस्टोग्राम (एमएमएस में लाल डॉट्स)। () संभाव्यता घनत्व कार्य (पीडीएफ) कम के साथ कुछ संक्रमणकालीन विषम वितरण (नीले) के लिए स्मृति कम, सबसे यादृच्छिक, घातीय वितरण (लाल) से समय में विकसित आवृत्ति हिस्टोग्राम फिटिंग फैलाव (लक्ष्य, हरे घेरे)। यह आदर्श वितरण (हरा) युवा एथलीटों में प्रकट होता है और भविष्य कहनेवाला, उच्च संकेत करने के लिए शोर अनुपात मामलों के लिए लक्ष्य निर्धारित करता है. (च) अधिकतम संभावना अनुमान (MLE) अनुभवजन्य डेटा के लिए सबसे अच्छा पीडीएफ ( 95% विश्वास के साथ) फिट करने के लिए इस्तेमाल किया। परिणामी पैरामीटर मान Gamma पैरामीटर विमान पर स्थानीयकरण COM गति उतार-चढ़ाव से विकसित stochastic हस्ताक्षर (Gamma प्रक्रिया): "लॉग आकार" घातीय से सममित करने के लिए विषम से लेकर वितरण के आकार का प्रतिनिधित्व करता है (आदर्श गाऊसी; "लॉग स्केल" शोर-से-संकेत अनुपात (विक्षेपण) है जिसका अर्थ है कि मस्तिष्क (सबसे अधिक संभावना) मस्तिष्क के प्रकार का अर्थ 22,23हो जाता है। वे गतिशील रूप से समय के साथ विकसित के रूप में रंग stochastic राज्यों का प्रतिनिधित्व करते हैं। (जी) संभाव्यता दूरी (वासेरस्टीन मीट्रिक दूरी7) कम शोर-से-संकेत अनुपात (कम फैलाव) और उच्च पूर्वानुमानक्षमता (सममित वितरण) के आदर्श लक्ष्य से न्यूरोटाइपमेंट्स में पाया जाता है; गरीब प्रतिक्रिया से दूर (यादृच्छिक शोर) अधिक उन्नत पीडी में पाया, बहरा रोगियों24,25,26,27, एक प्रकार का पागलपन28 और autistic व्यक्तियों3 , 18 , 22 , 29. () समय में विकसित होने वाले इन स्टोकेस्टिक राज्यों का प्रतिनिधित्व करने के लिए सरलीकृत दृश्य आकार और पैमाने के मापदंडों के बीच शक्ति कानून संबंधों पर आधारित है . भविष्य एप्लिकेशन के विकास के लिए इस तरह के दृश्यों वास्तविक समय, समझने में आसान, PWP के लिए नैदानिक प्रतिक्रिया और मूल्यांकन और उपचार की योजना बना में परिशुद्धता में सुधार करने के लिए स्वास्थ्य टीम प्रदान कर सकते हैं। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

डेटा के विभिन्न मोड से परिणाम

इस पत्र के प्रयोजन के लिए, हमने सारणी 1में दर्शाए गए जनसांख्यिकी के साथ तीन पीडब्ल्यूपी और तीन स्वस्थ प्रतिभागियों के आंकड़ों की जांच की। तीन PWP हम दर्ज की 10 PWP से चुना गया, हल्के पीडी (एकीकृत पार्किंसंस रोग रेटिंग पैमाने [UPDRS] स्कोर 16), एक मध्यम मामले (UPDRS स्कोर 25) के साथ एक मामले का प्रतिनिधित्व करने के लिए, और एक गंभीर मामला (UPDRS स्कोर 44). दो स्वस्थ प्रतिभागियों से चुना गया 15 स्वस्थ व्यक्तियों हम दर्ज की गई, के रूप में वे सबसे बारीकी से उम्र और लिंग में PWP मिलान; एक स्वस्थ भागीदार युवा आयु वर्ग से चुना गया था तुलना के लिए एक आदर्श स्वस्थ संदर्भ का प्रतिनिधित्व करते हैं.

भागीदार विकार लिंग उम्र UPDRSएक
1 पीडब्ल्यूपी एफ 64 44
पीडब्ल्यूपी एम 65 25
3 पीडब्ल्यूपी एम 64 16
4 कोई नहीं एम 26 एन/ए
5 कोई नहीं एफ 65 एन/ए
6 कोई नहीं एम 67 एन/ए
एक अधिकतम स्कोर 108.

तालिका 1: प्रतिभागियों की जनसांख्यिकी.

संज्ञानात्मक और स्मृति परीक्षण (पेन आंदोलन) में, कलम गति की स्थितिगत त्रासदियों दर्ज किए गए थे, और रैखिक वेग गति आयाम की समय श्रृंखला प्राप्त करने के लिए निकाला गया था. फिर गति आयाम में उतार चढ़ाव से एमएमएस प्रत्येक ड्राइंग कार्य के लिए प्राप्त किए गए थे। रोगियों को आंदोलन विकार सोसायटी के अनुसार समूहीकृत किया गया था-यूपीडीआरएस (एमडीएस-यूपीडीआरएस) औसत रैंक स्कोर, उच्चतम पीडी गंभीरता के साथ सहगण के औसत मूल्य से ऊपर उच्चतम रैंक स्कोर द्वारा संकेत दिया। निर्धारित स्कोर की औसत रैंकिंग निर्धारित प्रत्येक क्लस्टर से तीन प्रतिनिधि प्रतिभागियों तीन प्रतिनिधि नियंत्रण के संबंध में परिणाम प्रदर्शित करने के लिए उपयोग किया जाता है। एक नियंत्रण युवा (26 वर्षीय पुरुष) युवाओं के दौरान neuromotor नियंत्रण के एक आदर्श राज्य का प्रतिनिधित्व है. अन्य दो स्वस्थ उम्र बढ़ने नियंत्रण कर रहे हैं; एक 65 वर्षीय महिला और एक 67 वर्षीय पुरुष. चित्र 7 COM और चित्रा 8 के tracectories दर्शाया गया है अपने प्रक्षेपपथ गति प्रोफाइल से व्युत्पन्न एमएमएस से इसी गामा प्रक्रियाओं को दर्शाया गया है.

Figure 7
चित्र 7: COM के नमूना tracectories वास्तविक डिजीटल निशान के साथ चयन संज्ञानात्मक ड्राइंग परीक्षण के प्रदर्शन के दौरान 17 शरीर स्थानों के tracectories सारांश. बेन्सन जटिल आंकड़ा (कार्य 1 और 7) और ट्रेल बनाने के परीक्षण के दौरान नमूना प्रदर्शन (कार्य 2 $5)। (ए) बेन्सन जटिल आंकड़ा इस प्रोटोकॉल में इस्तेमाल किया. () संख्या और अक्षरों के साथ ट्रेल परीक्षण जिसके द्वारा एक व्यवस्थित पथ (कार्य 4 ] ट्रेल बी) के साथ एक लाइन ड्राइंग द्वारा उन्हें एक निर्धारित आदेश में कनेक्ट करने के लिए है। (ग) 65 वर्षीय महिला नियंत्रण (नीले) और 44 (लाल) के एमडीएस-यूपीडीआरएस स्कोर के साथ बेनसन जटिल आंकड़ा और कॉम 3 डी पथ के नमूना कलम निशान। बाईं ओर परिणाम दिखाता है जब प्रतिभागी तुरंत आंकड़ा (कार्य 1) की नकल की, और दाईं ओर है जब प्रतिभागी देरी के 10 मिनट के बाद आंकड़ा याद किया (कार्य 7). दोनों ही मामलों में पेन लिफ्टों के साथ निरंतर ड्राइंगको झिझक, आदि (डी ) ट्रेल ए (कार्य 3) और ट्रेल बी (कार्य 5) कार्यों में नियंत्रण बनाम PWP के प्रदर्शन से भिन्नता दिखाने के लिए कैप्चर किया जाता है। COM ट्रैजेक्टरीज और वास्तविक चित्र में परिवर्तन पर ध्यान दें। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

चित्रा 8 स्वस्थ प्रतिभागियों और रोगी प्रतिभागियों के लिए 95% विश्वास के साथ सबसे अच्छा MLE फिट गामा-पीडीएफ से परिणाम से पता चलता है. प्रत्येक ड्राइंग कार्य में, रोगियों को नियंत्रण के अलावा स्तरित। इसके अलावा, वे अपने समूह के भीतर स्तरीकृत और MDS-UPDRS औसत रैंक स्कोर के अनुसार विभेदित. प्रत्येक रोगी को शीर्ष पैनलों पर अनुभवजन्य रूप से अनुमानित पीडीएफ के क्षणों के रूप में दर्शाया जाता है, जबकि नीचे पैनल प्रत्येक प्रतिभागी के लिए पीडीएफ घटता को दर्शाती है। पैनलों के पार, पाठक कार्यों में प्रत्येक व्यक्ति द्वारा फैले PDFs के परिवार की सराहना कर सकते हैं. एक आकार फिट सभी (आमोद) पैरामीट्रिक मॉडल के साथ इस दृष्टिकोण के विपरीत. चित्र 8D घड़ी के फिगर (कार्य 6) के निरंतर आरेखण को पेन (पेन लिफ्टों सहित) की नोक द्वारा कैप्चर किए गए दिखाता है.

Figure 8
चित्र 8: सूक्ष्म-गति स्पाइक्स (एमएमएस) सहगणों को स्तरित करें और संज्ञानात्मक कार्यों के लिए व्याख्या योग्य वैयक्तिकृत गतिशील डिजिटल बायोमार्कर का निर्माण करें। क्षण-से-मोमेंट उतार चढ़ाव (एककहीन एमएमएस) संज्ञानात्मक परीक्षण के दौरान COM के 3 डी tracectories से व्युत्पन्न विशिष्ट एक stochastic नक्शे के साथ प्रत्येक भागीदार स्थानीयकरण. COM व्यक्ति संज्ञानात्मक कार्य करता है और एक डिजिटल टैबलेट पर खींचता है, जबकि शरीर सह-पंजीकरण गतियों भर में 17 स्थिति-त्रासदियों को सारांशित करता है। (ए) गामा क्षणों का अनुमान ट्रेल बी परीक्षण (कार्य 5) अक्षरों और संख्याओं को जोड़ने के दौरान अनुभवजन्य रूप से लगाया गया था (माध्यम x-अक्ष; मानक विचलन y-अक्ष; विषमता z-अक्ष और कुर्ताश मार्कर आकार) से अधिकतम-likelihood अनुमान के साथ 95% पर विश्वास शीर्ष पैनल. प्रत्येक मार्कर प्रायिकता स्थान में व्यक्ति के अद्वितीय स्थान का प्रतिनिधित्व करता है. प्रत्येक बिंदु नीचे पैनल पर दिखाया गया एक अद्वितीय पृथक ्रूपता पीडीएफ को दर्शाता है, इस प्रकार UPDRS औसत PWP (लेगेंड) के स्कोर को स्तरित करता है। (ख) जटिल बेनसन फिगर (कार्य 1) की नकल करने का कार्य। () घड़ी आरेखण कार्य (कार्य 6)। (घ) डिजीटल पेन द्वारा कैप्चर की गई वास्तविक घड़ी आरेखण ों में सतत ट्रेस (पेन लिफ्टिंग सहित) को दर्शाता है। कलम से सभी शुद्धगतिकी और गति में पूर्ण शरीर तुल्यकालिक ईईजी-ईकेजी के साथ पंजीकृत हैं (नहीं दिखाया गया) अनुभवजन्य बहुस्तरीय प्राप्त करने के लिए (संज्ञेय, स्वैच्छिक, सहज, स्वत:, स्वायत्त) स्टोकेस्टिक हस्ताक्षर. यह व्यक्तिगत दृष्टिकोण (Gamma प्रक्रिया) 'एक आकार फिट सभी मॉडल' है कि एक सैद्धांतिक पीडीएफ मानता है के साथ विरोधाभास, और भव्य औसत के माध्यम से, आयाम और waveforms के समय में 'शोर' महत्वपूर्ण उतार चढ़ाव के रूप में बाहर smooths. सूक्ष्म आंदोलन spikes (एमएमएस) और गामा प्रक्रिया दृष्टिकोण सहगणों स्तरित और संज्ञानात्मक कार्यों के लिए व्याख्या व्यक्तिगत डिजिटल biomarkers का निर्माण. कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

अगले हम शारीरिक आंदोलनों से परिणाम वर्तमान (स्वैच्छिक इशारा बनाम स्वत: चलने). आरेखण गतिकोशों में लक्ष्य-प्रत्यक्षता के समान स्तर की आवश्यकता नहीं होती है, जैसे किसी लक्ष्य की ओर इंगित करने का कार्य (अर्थात् कार्य 10$12)। स्वैच्छिक नियंत्रण के स्तर का आकलन करने में सक्षम होने के लिए, हम अगले एक स्थानिक लक्ष्य की ओर इशारा करते हुए के कार्य का उपयोग करें। पहले की तरह, हम COM से 17 सेंसर पदों की शुद्ध गति का सारांश से traectories का उपयोग करें (चित्र 9) . हम पहले गति आयाम समय श्रृंखला ले और फिर आयाम में पल-दर-मोमेंट उतार चढ़ाव से एमएमएस व्युत्पन्न. चित्र 10 में बाएँ फलक आधार रेखा पर इंगित कार्य के दौरान stochastic विश्लेषण से परिणाम दिखाता है (कार्य 10). चित्र 10 में मध्य पैनल अपनी उपस्थिति के भागीदार को निर्देश दिए बिना, जब एक metronome 35 bpm पर सेट किया जाता है, प्वाइंटिंग कार्य से परिणाम दिखाता है (कार्य 11). चित्रा 10 में सही पैनल मामले से परिणाम दिखाता है जब प्रतिभागियों को metronome की लय (कार्य 12) के लिए अपने इशारा आंदोलनों गति करने के लिए निर्देश दिए जाते हैं।

Figure 9
चित्र 9: पॉइंटिंग कार्यों के दौरान COM के त्रि-आयामी त्रासदियों तीन अलग अलग संदर्भों में, नियमित रूप से एक आधारभूत माप लेने के लिए इशारा करते हुए (कार्य 10), ओर इशारा करते हुए एक metronome 35 bpm पर पृष्ठभूमि में धड़कता है metronome की उपस्थिति के भागीदार चेतावनी के बिना (कार्य 11), और की उपस्थिति में इशारा करते हुए एक ही metronome हरा लेकिन प्रतिभागी को निर्देश देने के बाद metronome की लय (कार्य 12) के लिए गति गति. (क) नियंत्रण भागीदार का प्रदर्शन। (बी) पूरे सहगण के एमडीएस-यूपीडीआरएस स्कोर की औसत रैंकिंग के अनुसार सबसे कम गंभीरता रेटिंग वाले समूह में पीडब्ल्यूपी का निष्पादन। (C) मध्य गंभीरता-सीमा समूह में PWP. (D) उच्चतम गंभीरता समूह में PWP. MDS-UPDRS स्कोर में वृद्धि के साथ COM प्रक्षेप पथ की गिरावट नोट करें। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

गामा प्रक्रिया के परिणाम चित्र 10 में दिखाए जाते हैं जिससे प्रत्येक PWP उप-प्रकार में अंतर करना और संदर्भ से संदर्भ में स्टोस्टिक हस्ताक्षरों में परिवर्तन को ट्रैक करना संभव है.

इंगित कार्य प्रासंगिक स्थितियों के लिए इन विश्लेषणों की संवेदनशीलता से पता चला. एक ही प्वाइंटिंग कार्य के लिए, मेट्रोनोम स्थिति में परिवर्तन ने शर्तों के बीच अलग-अलग स्टोस्टिक हस्ताक्षर प्राप्त किए। विशेष रूप से, हम COM biorhythms में परिवर्तन का निरीक्षण कर सकते हैं जब वे स्वतः (निर्देशों के बिना) शर्त के खिलाफ metronome हरा के साथ entrained जिससे भागीदार जानबूझकर metronome के लिए इशारा गति को गति देने के निर्देश दिए गए थे हराना. इस कार्य का प्रदर्शन किया है कि ऊपरी शरीर की गति की आधार रेखा पर, स्वैच्छिक नियंत्रण के स्तर PWP भर में विभिन्न MSD-UPDRS स्कोर के अनुसार अलग अलग. विशेष रूप से, कम स्कोर, गामा पैरामीटर विमान पर संकेत अनुपात (स्केल पैरामीटर मान) के लिए शोर कम है (चित्र 10A),और अधिक सममित पीडीएफ आकार मान है. औसत रैंक UPDRS स्कोर और डिजिटल डेटा के बीच इस व्यवस्थित संबंध metronome की उपस्थिति के साथ बदल गया था और आगे सहज (अनिर्देश) और जानबूझकर (अनुदेशित) इशारा शर्तों के बीच विभेदित.

Figure 10
चित्र 10: तीन विशिष्ट सूचक कार्यों का डायनेमिक डिजिटल मूल्यांकन. COM गति समय श्रृंखला में उतार-चढ़ाव से व्युत्पन्न एमएमएस से गामा प्रक्रिया आउटपुट तीन पॉइंटिंग कार्यों के दौरान PWP और नियंत्रण समूहोंके बीच अंतर करता है (कार्य 10]12)। (ए) गामा पैरामीटर विमान PWP और नियंत्रण के बीच मतभेद से पता चलता है. (B) प्रत्येक पॉइंटिंग स्थिति के लिए, गामा क्षणों का अनुभवजन्य रूप से गामा प्रक्रिया से अनुमान लगाया गया है, PWP और नियंत्रणों के बीच अंतर; और प्रत्येक समूह के भीतर, stochastic हस्ताक्षर विभिन्न बिंदुओं में प्रतिभागियों को स्तरित. प्रत्येक कार्य प्रसंग मानचित्र पर बिंदु का स्थान परिवर्तित करता है. (ग) पीडीएफ के परिवार में प्रत्येक भागीदार, प्रत्येक समूह को भी अलग किया जाता है और लक्ष्य-निर्देशित प्वाइंटिंग के लिए कार्य संदर्भों में सांख्यिकीय भेदभाव का पता चलता है। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

हम तो पूछा कि स्वैच्छिक इशारा व्यवहार पर विभिन्न स्थितियों के इन प्रभावों स्वत: चलने की गति का विस्तार होगा. कि अंत करने के लिए, हम ऊपर के रूप में एक ही प्रोटोकॉल प्रदर्शन किया, यानी, metronome का उपयोग कर, जबकि भागीदार कमरे में चला गया. इस मामले में मेट्रोनोम की बीट को 12 बीपीएम के लिए सेट किया गया था। चित्र 11 नियंत्रण और PWP औसत MDS-UPDRS स्कोर द्वारा रैंक के लिए COM tractories से पता चलता है. चलने के कार्य के स्टोस्टिक विश्लेषण के परिणामों को चित्र 12में दर्शाया गया है .

Figure 11
चित्र 11: तीन विशिष्ट चलने वाले कार्यों का गतिशील डिजिटल मूल्यांकन. गति आयाम में उतार-चढ़ाव के शोर-टू-सिग्नल अनुपात का पता लगाने के लिए चलना कार्य, शरीर भर में 17 स्थानों से COM के 3 डी त्रासदियों से व्युत्पन्न। (एक) नियंत्रण भागीदार में COM के 3 डी त्रासदियों, जबकि व्यक्ति प्राकृतिक चलने के दौरान आगे पीछे गति (कार्य 13); शिक्षा के बिना एक metronome की उपस्थिति में घूमना, metronome धड़कता है (कार्य 14) के लिए सहज entrainment को मापने के लिए; और चलते हुए जानबूझकर metronome की धड़कन के लिए साँस लेने की दर पेसिंग, के रूप में निर्देश दिया (कार्य 15). (बी) कम रैंक UPDRS स्कोर के साथ PWP. (सी) उच्च UPDRS स्कोर के साथ PWP 3 डी COM प्रक्षेप पथ नीचा. (डी) उच्चतम रैंक वाले यूपीडीआरएस स्कोर के साथ पीडब्ल्यूपी बहुत परेशान कॉम त्रासदियों को दर्शाता है। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 12
चित्र 12: चलने के दौरान सहज और निर्देश शारीरिक entrainment के लिए क्षमता. MDS-UPDRS चलने के कार्य के डिजिटल biomarker सूचित किया. (क) औसत क्रम के स्कोर के अनुरूप प्राकृतिक चलने के दौरान पीडब्ल्यूपी का स्तरीकरण। (बी) मेट्रोनोम स्वतः बदलाव स्टोकेस्टिक हस्ताक्षर। (सी) मेट्रोनोम की हरा फिर से हस्ताक्षर बदल जाता है के लिए चलने पुस्तक निर्देश दिया। (डी-एफ) गामा लॉग-लॉग पैरामीटर विमान विभिन्न PDFs आकार और पैमाने (शोर-से-संकेत अनुपात) noisier और PWP में अधिक यादृच्छिक उतार चढ़ाव के साथ साथ समूहों localizes. (जी-I) पैनल डी-एफ में प्रतिनिधित्व किए गए अनुमानित PDF एक परिवार का विस्तार करते हैं जो प्रत्येक व्यक्ति के लिए अद्वितीय तरीके से संदर्भ के साथ बदलता है। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

के बाद से सभी संज्ञानात्मक और स्मृति कार्य किया जा सकता है, जबकि कंप्यूटर के वेब कैमरा चेहरे रिकॉर्ड, यह OpenPose का उपयोग करने के लिए संभव है, एक खुला स्रोत मशीन सीखने सॉफ्टवेयर है कि खुले तौर पर शोधकर्ताओं के लिए उपलब्ध है35, और चेहरे की जानकारी निकालने, जो भावना या भावनात्मक सामग्री से संबंधित जानकारी का अनुमान लगाने के लिए इस्तेमाल किया जा सकता है। अक्सर पीडी में डोपामाइन कमी के रूप में चेहरे का भाव कम अंततः कम मांसपेशियों टोन में परिणाम हो सकता है. यहाँ गामा प्रक्रिया भी चेहरे के क्षेत्रों है कि किसी दिए गए कार्य के दौरान सबसे अधिक सक्रिय हैं का पता लगाने के लिए इस्तेमाल किया जा सकता है, या भावनाओं में क्षेत्र-परिवर्तन का पता लगाने के द्वारा भावनात्मक सामग्री की जांच करने के लिए. चित्र 13 कार्य 16 और 17 के दौरान एक सहभागी के चेहरे से वीडियो का उपयोग कर ऐसे विश्लेषणों का एक उदाहरण दिखाता है। चेहरे की सूक्ष्म गति पर कब्जा करने के लिए उपयोग किए जाने वाले 70 बिंदुओं को ज्ञात ट्राइजेमिनल नसों क्षेत्रों V1 (29), V2 (14), V3 (27)8 (चित्र 13A) के साथ पत्राचार में रखा जाता है, उदाहरण के लिए, इस मामले में, इस मामले में, कौन सा क्षेत्र अधिक से अधिक बदलता है जब एक तटस्थ चेहरे से एक मुस्कान के लिए संक्रमण. इस प्रकार के विश्लेषण का उपयोग पीडी के अन्य गैर-मोटर पहलुओं की जांच करने के लिए व्यवस्थित रूप से किया जा सकता है, जिसमें सामान्य रूप से अवसाद और सामाजिक संचार शामिल हैं।

अनिश्चित कैमरा ज़ूम, प्राकृतिक मानव गति, और वास्तविक चेहरे के आकार के लिए क्षतिपूर्ति करने के लिए, हम निम्नलिखित तरीके से चेहरे को सामान्य: यह मानते हुए कि कैमरा स्थिर है, हम प्रत्येक चेहरे को एक "इकाई चेहरा" x', ] 0 और इकाई प्रसरण के साथ मैप करते हैं। वीडियो में प्रत्येक फ्रेम के लिए, हम प्रत्येक बिंदु x' [ x-x], y' [ y- $ ] को सामान्यीकृत करते हैं, और प्रत्येक मुखाइज़ के लिए इकाई प्रसरण प्राप्त करने के लिए दिए गए फ़्रेम के लिए समग्र मास्क के प्रसरण द्वारा प्रत्येक निर्देशांक को स्केल करते हैं। हम तो पिछले मुखौटा से विचलन के रूप में चेहरे की समय श्रृंखला में प्रत्येक बिंदु का इलाज, के रूप में हम मानते हैं कि चेहरा plastically रिकॉर्डिंग के दौरान विकृति नहीं करता है. परिणाम स्थिति निर्देशांकों की 70-चैनल कालश्रेणी है (चित्र 13ख)। इन समय श्रृंखला को बढ़ाने दे स्थितिऔर वेग प्रवाह से निकाले गए गति आयाम में उतार-चढ़ाव एमएमएस और गामा प्रक्रिया के लिए इनपुट में परिवर्तित कर रहे हैं, इस प्रकार पीडीएफ और भावनात्मक संक्रमण के साथ उनकी पाली खुलासा (चित्र 13C)। उदाहरण के लिए, एक तटस्थ अभिव्यक्ति से एक मुस्कान में संक्रमण चित्र 13Bमें अगोचर लगता है, फिर भी स्टोस्टिक बदलाव क्षेत्र V2 को सबसे संवेदनशील, अधिकतम पीडीएफ बदलने के रूप में प्रकट करते हैं।

Figure 13
चित्र 13: भावना OpenPose का उपयोग कर कब्जा कर लिया वीडियो डेटा से विश्लेषण करती है। (ए) चेहरे के क्षेत्र ों की तंत्रिका के अनुसार, जो सामान्य दैहिक afferent फाइबर (GSA) किया जाता है. ये फाइबर नेत्र (V1), जंभिका (V2) और mandibular (V3) डिवीजनों के माध्यम से चेहरे की त्वचा innervate चेहरे का भाव भर में संक्रमण का अध्ययन करने के लिए यहाँ इस्तेमाल किया (तटस्थ बनाम मुस्कान). (बी) व्यावसायिक रूप से उपलब्ध वीडियो कैमरों के साथ कब्जा कर लिया वीडियो के कुछ ही मिनटों का उपयोग करना, यह OpenPose के साथ चेहरे की जानकारी निकालने और V1, V2, V3 क्षेत्रों (पैनल ए के रूप में रंग कोड) के अनुसार चेहरे भर में 70 अंक प्रदान करने के लिए संभव है। इन समय श्रृंखला से एमएमएस तो एक गामा प्रक्रिया और पैमाने और आकार गामा पैरामीटर अनुभवजन्य प्रत्येक शर्त के लिए अनुमान के लिए इनपुट कर रहे हैं. (ग) विश्लेषणों से पता चलता है कि इस मामले में इस क्षेत्र ट2 इस मामले में अधिक से अधिक प्रभावित है, इस विशेष व्यक्ति के लिए तटस्थ से मुस्कान में संक्रमण से, क्योंकि पीडीएफ में परिवर्तन सबसे बड़ा है। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 14
चित्र 14: भारित संयुक्त राष्ट्र निर्देशित रेखांकन और जानकारी सैद्धांतिक तरीकों का उपयोग कर तंत्रिका तंत्र की कई परतों से डिजिटल जैवभौतिक संकेतों को एकीकृत करना. सभी ईईजी, गति (magnetometer), और ईकेजी संकेतों के बीच जोड़ी वार आपसी जानकारी के नेटवर्क कनेक्टिविटी. (ए) प्रतिनिधि स्वस्थ भागीदार के संपर्क उपाय तीन चलने कार्य के दौरान - कार्य 13 नियंत्रण (बाएं), कार्य 14 सहज metronome स्थान (मध्य), और कार्य 15 निर्देश दिया पुस्तक श्वास (दाएं) के दौरान. प्रत्येक नोड एक एकल सेंसर के संकेत का प्रतिनिधित्व करता है; लाइन का रंग एमआई के स्तर का प्रतिनिधित्व करता है, जहां उज्जवल रंग उच्च कनेक्टिविटी इंगित करता है; नोड रंग अन्य सभी सेंसरों के साथ है कि सेंसर के संकेत के औसत एमआई का प्रतिनिधित्व करता है. रंग स्केल सभी कार्यों और सभी प्रतिभागियों में समान होने के लिए सेट किया गया है और मनमाने ढंग से सभी कार्यों और प्रतिभागियों में अधिकतम MI मान के लिए प्रतिभाशाली रंग है करने के लिए सेट है, और सभी कार्यों और भागीदार भर में न्यूनतम MI मान के लिए अंधेरे रंग है एस स्वस्थ भागीदार की कनेक्टिविटी मस्तिष्क और शरीर नोड्स भर में सबसे मजबूत कनेक्शन से पता चलता है। (B) UPDRS 16 कनेक्टिविटी माप के साथ PWP, पैनल ए में के रूप में एक ही योजनाबद्ध लेआउट के साथ, स्वस्थ भागीदार के नेटवर्क की तुलना में अपनी कनेक्टिविटी में कम घनत्व से पता चलता है. (सी) UPDRS 44 कनेक्टिविटी उपाय के साथ PWP, पैनल ए के रूप में एक ही योजनाबद्ध लेआउट के साथ, मस्तिष्क और शरीर भर में sparsest कनेक्टिविटी पैटर्न से पता चलता है. कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

हम अगले इन biorhythms द्वारा प्रेषित जानकारी की मात्रा का पता लगाने. कि अंत करने के लिए, हम जानकारी सैद्धांतिक दृष्टिकोण Shannon द्वारा विकसित का उपयोगकरें 19,सेंसर के प्रत्येक जोड़ी के बीच आपसी जानकारी (एमआई) का उपयोग कर 'संकेतों (यानी, ईईजी सेंसर, गति संवेदक, ईसीजी सेंसर). कि अंत करने के लिए, हम प्रत्येक तरंग प्रकार से एमएमएस आयाम प्राप्त किया.

दो सेंसरों के बीच एमआई अन्य सेंसर के संकेत की जानकारी शुरू करने से एक सेंसर के संकेत में कम अनिश्चितता के स्तर का आकलन; जब एमआई उच्च है, यह अर्थ है कि दो संकेतों अत्यधिक जुड़े हुए हैं, और जब यह कम है, इसका मतलब है कि दो संकेत ज्यादातर स्वतंत्र हैं. विशेष रूप से, MI के रूप में परिकलित है:

Equation 2

जहां Equation 3 संकेत X के लिए मानों के वितरण का Equation 4 सामान्यीकृत हिस्टोग्राम मान है, और संकेत X और Y के लिए मानों के संयुक्त वितरण का सामान्यीकृत हिस्टोग्राम मान है। नमूना डिब्बे 0.05 में वृद्धि करने के लिए सेट किए गए थे, 0.5 से अधिकतम आयाम मान को लेकर. इस सूत्र के व्युत्पत्ति पर विवरण नैदानिक विश्लेषण20,21पर आवेदन के साथ सूचना सिद्धांत पर कई साहित्य में पाया जा सकता है .

कुल मिलाकर, स्वस्थ प्रतिभागी ने तीन चलने के कार्यों के दौरान एक अधिक जुड़े नेटवर्क का प्रदर्शन किया, जबकि रोगी प्रतिभागियों का एक विरल कनेक्शन था, जैसा कि चित्र 13में दिखाया गया है। न केवल नेटवर्क भर में जानकारी संचरण, जिससे आपसी जानकारी आत्म sensed biorhythms से प्राप्त किया गया था, PWP में बहुत कम है; अधिक महत्वपूर्ण बात, वहाँ शर्तों के बीच एमआई संचरण के पैटर्न में मौलिक मतभेद हैं, कि रोगी से रोगी को बदलती हैं. यहाँ हम आगे नेटवर्क विश्लेषण से कनेक्टिविटी मैट्रिक्स का उपयोग करने के लिए इन विकसित नेटवर्क के topological सुविधाओं को संक्षेप में प्रस्तुत कर सकते हैं और इस तरह के रूप में, शारीरिक entrainment क्षमता के अतिरिक्त अनुक्रमित प्रदान करते हैं, के रूप में अच्छी तरह से संचार के स्तर को दर्शाती है के बीच मस्तिष्क, शरीर और दिल जब metronome से संबंधित शारीरिक entrainment बनाम होता है जब यह नहीं करता है.

Discussion

यह काम एक नया प्रोटोकॉल है कि व्यक्ति को इस तरह के परीक्षण करता है के रूप में तंत्रिका तंत्र द्वारा biophysical संकेतों उत्पादन से डिजिटल डेटा के साथ पारंपरिक नैदानिक परीक्षणों के एकीकरण में सक्षम बनाता है परिचय. हम इस तरह पेंसिल और कागज अवलोकन विधियों और biophysical सेंसर से निरंतर डिजिटल डेटा से असतत स्कोर के रूप में डेटा के अलग प्रकार गठबंधन करने के लिए एक एकीकृत मंच के रूप में SPIBA और एमएमएस का उपयोग परिचय. तरीकों तुलना के लिए आदर्श स्वस्थ संदर्भ के रूप में एक अतिरिक्त युवा नियंत्रण के साथ, PWP और उम्र और सेक्स मिलान नियंत्रण के एक सहगण का उपयोग कर सचित्र हैं. हम बताते हैं कि पारंपरिक नैदानिक परीक्षण (उदाहरण के लिए, उन है कि MoCA और MDS-UPDRS का हिस्सा हो सकता है) सहगण रैंक और स्वचालित रूप से निकालने के लिए इस्तेमाल किया जा सकता है, समूह के स्कोर के अंतर्निहित परिवर्तनशीलता से, जानकारी है कि डिजिटल में डेटा stratifies गंभीरता के चिकित्सकीय परिभाषित स्तर के अनुसार दायरे. इस तरह के स्तर नैदानिक एमडीएस-यूपीडीआरएस और संज्ञानात्मक/स्मृति परीक्षण प्रदर्शन के स्तर के साथ अच्छी तरह से संरेखित होते हैं। कार्यान्वयन की एक और परत पर तो, हम सीएनएस, पीएनएस और एएनएस परतों से इस्तेमाल तंत्रिका तंत्र के biorhythms की जांच, इस प्रकार स्वायत्तता और नियंत्रण के विभिन्न स्तरों की विशेषता. हम ऐसे डेटा से व्युत्पन्न नमूना डेटा और stochastic हस्ताक्षर प्रदान करते हैं, नैदानिक मानदंडों के प्रकाशिकी के माध्यम से जांच की. इस तरह के दृष्टिकोण के तहत, हम स्वस्थ नियंत्रण से रोगियों को अलग कर सकते हैं; और डिजिटल biorhythms के माध्यम से, PWP के भीतर अंतर, गंभीरता के उनके चिकित्सकीय परिभाषित स्तर पर.

नैदानिक मानदंडों के साथ biophysical डिजिटल डेटा इस तरह aligning द्वारा, हम और अधिक गतिशील परिणामों में व्यक्तिगत बदलाव ट्रैक कर सकते हैं कि मानदंडों की एक व्याख्या करने योग्य सेट प्रदान करते हैं. हम सिक्का इन नए परिणाम गतिशील डिजिटल biomarkers उपाय, क्योंकि वे डिजिटल डेटा पर आधारित हैं, अभी तक वे अच्छी तरह से स्थापित और मान्य नैदानिक मानदंडों के अनुसार व्याख्या परिणाम प्रदान करते हैं. वे तंत्रिका तंत्र प्रक्रियाओं के समय श्रृंखला से प्राप्त कर रहे हैं, और वे इस तरह के गतिशील प्रकृति पर कब्जा. विशेष रूप से, हम दोनों मोटर और गैर मोटर मानदंडों का उपयोग करने में सक्षम हैं. इस तरह के रूप में, हम पीडी के गैर मोटर पहलुओं है कि अब मोटर लक्षण है कि पारंपरिक रूप से इस प्रकार अब तक विकार को परिभाषित किया है की गिरावट से पहले जाना जाता है की मात्रा निर्धारित करने के लिए शुरू कर सकते हैं. उदाहरण के लिए, चेहरे का विश्लेषण जैसे कि यहाँ प्रस्तुत उन रेम नींद के दौरान सहज चेहरे सूक्ष्म gestures की जांच करने के लिए इस्तेमाल किया जा सकता है उन जो मोटर गतिविधियों की गिरावट की भविष्यवाणी कर सकता है की एक प्रदर्शनों का संग्रह का निर्माण. इसी तरह, हम दैनिक गतिविधियों के दौरान दर्द के स्तर की जांच और रेम नींद के समय के दौरान गतिविधियों के साथ उनकी क्षमता संबंध का आकलन करने के लिए इन तरीकों का उपयोग कर सकते हैं। यह महत्वपूर्ण है, क्योंकि रेम नींद और दर्द के नियमन दोनों को बाद में पीडी5,6,7की गंभीरता के स्तर को परिभाषित करने के लिए मोटर मुद्दों से पहले जाना जाता है . विभिन्न पारंपरिक नैदानिक कार्यों के हमारे डिजिटलीकरण का उपयोग करना, संज्ञानात्मक और स्मृति क्षमताओं की जांच करने के लिए इस्तेमाल नैदानिक कार्यों में एम्बेडेड अन्य गैर-मोटर गतिविधियों को यहां विशेषता थी, और मोटर लक्षणों के लिए मैप की गई ऐसी गतिविधियों के अनुक्रमित। इन तरीकों पार्किंसंस रोग में बुनियादी अनुसंधान और नैदानिक प्रथाओं से कनेक्ट करने के लिए सक्षम हैं. वे भी तंत्रिका तंत्र के अन्य विकारों के लिए बढ़ाया जा सकता है.

चेहरे से मोटर उत्पादन के अलावा, रेम नींद के दौरान, हम आत्म-संवेदन या kinesthetic reafference के फ्रेम के भीतर प्राकृतिक सामाजिक स्थितियों के दौरान चेहरे के इशारों की जांच कर सकते हैं reafferent प्रतिक्रिया के स्तर को मापने के लिए रोगी के मस्तिष्क सबसे अधिक संभावना हो जाता है. यहाँ, चेहरे के क्षेत्रों में सूक्ष्म gestures में बहुत सूक्ष्म अंतर के बावजूद trigeminal afferent क्षेत्रों V1, V2, V3 के लिए इसी, यह प्रतिनिधि भागीदार में इंगित करने के लिए संभव था, चेहरे के किस क्षेत्र में अधिक से अधिक स्थानांतरित कर दिया उदासीन और स्वाभाविक रूप से मुस्कुरा राज्यों के बीच संक्रमण जब stochastic हस्ताक्षर. यह पता चलता है कि SPIBA और एमएमएस का उपयोग कर, हम पीडी के अन्य गैर मोटर (संवेदनशील) पहलुओं का मूल्यांकन करने में सक्षम हो जाएगा kinesthetic स्पर्श चैनलों से संवेदी इनपुट के साथ कठिनाइयों से संबंधित. ये पीडी में समस्याग्रस्त पाया गया है, यहां तक कि विकार24के प्रारंभिक चरणों के दौरान भी . क्योंकि संवेदी और मोटर हाथ में हाथ जाओ, यह जानकारी हमें और अधिक स्पष्ट मोटर मुद्दों इस विकार1,7की प्रगति में बाद में सरफेसिंग पूर्वानुमान मदद कर सकता है . हम मानते हैं कि चेहरे के त्रिस्तरीय क्षेत्रों के साथ इन किनेस्थेटिक चैनल भी हमें विभिन्न प्रकारके दर्द के विघटन में मदद कर सकते हैं , जिसमें नींद में परिवर्तन से संबंधित 5,6शामिल हैं .

वर्तमान तरीकों विभिन्न संज्ञानात्मक कौशल और स्वायत्तता के विभिन्न स्तरों की आवश्यकता होती है विभिन्न शर्तों के तहत, अग्रानुक्रम में केंद्रीय, परिधीय और स्वायत्त तंत्रिका तंत्र से प्राप्त जैवभौतिक संकेतों की जांच करने के लिए एक नया तरीका प्रदान करते हैं और न्यूरोमोटर नियंत्रण. SPIBA ढांचे का उपयोग करना, जहां stochastic विश्लेषण और जोड़ी वार नेटवर्क विश्लेषण मानकीकृत एमएमएस डेटा पर लागू कर रहे हैं, यह भी निष्पक्ष संज्ञानात्मक गतिविधियों की विशेषता संभव है. पंद्रह कार्य है कि इस प्रयोग में इस्तेमाल किया गया संज्ञानात्मक कौशल के विभिन्न प्रकार की आवश्यकता होती है (उदा., visuo-निर्माण कौशल, दृश्य स्मृति, अवधारणात्मक स्कैनिंग कौशल) और संज्ञानात्मक नियंत्रण के विभिन्न स्तरों (उदा., जानबूझकर गति की ओर इशारा करते हुए गति, निर्देश के रूप में साँस लेने की दर गति). कि कारण के लिए, इन कार्यों के दौरान प्रदर्शित biophysical संकेतों के CNS-PNS-ANS सूचना संचरण के stochasticity और कनेक्टिविटी पैटर्न, संज्ञानात्मक भार के विभिन्न स्तरों और मोटर उत्पादन पर उनके प्रभाव की विशेषता के लिए इस्तेमाल किया जा सकता है.

हालांकि हम अपने नए विश्लेषणात्मक तरीकों और प्रोटोकॉल के लाभों को रेखांकित करते हैं, हम यह भी बताते हैं कि तुल्यकालिक डेटा एकत्र करने के लिए हमारे रिकॉर्डिंग प्लेटफॉर्म को अपनाते समय विचार किया जाना चाहिए कि चेतावनी और व्यावहारिक सीमाओं। इसका कारण यह है कि इस सेट अप में, सिंक्रनाइज़ेशन उद्देश्यों के लिए एक ही कंप्यूटर पर एकाधिक रिकॉर्डिंग सॉफ़्टवेयर प्रकार स्ट्रीमिंग होते हैं, जिसके लिए कंप्यूटर की अभिकलन ीय शक्ति उच्च होने की आवश्यकता होती है, अन्यथा कोई डेटा हानि, कंप्यूटर ठंड और/या अतिरिक्त खर्च कर सकता है शोर. वर्तमान डिजाइन में, दो स्ट्रीमिंग सॉफ्टवेयर (EEG, और गति पर कब्जा) और LSL एक ही कंप्यूटर पर चलाए गए थे. इस प्रकार, हमें अधिभार और संभावित कंप्यूटर फ्रीज संसाधित करने का ध्यान रखना था। यह एक कारण है कि हम ईसीजी संकेतों को निकालने के लिए ईईजी चैनलों में से एक का इस्तेमाल किया था. उच्च स्मृति क्षमता और तेज प्रोसेसर के साथ कंप्यूटर एक अलग ईसीजी सॉफ्टवेयर को संभालने में सक्षम हो सकता है एक साथ ईईजी और शुद्ध गतिविज्ञान के सेंसर ग्रिड के साथ स्ट्रीमिंग. ये समस्याएँ व्यावहारिक प्रकृति में हैं और विश्लेषणात्मक विधियों (SPIBA) और मानक डेटा प्रकार (MMS) जो हम प्रदान करते हैं से स्वतंत्र हैं। फिर भी, हमारा मानना है कि कई धाराओं से डेटा सह-पंजीकरण के लिए प्रोटोकॉल डिज़ाइन करने से पहले गणना शक्ति का आकलन करने की आवश्यकता के अंतिम उपयोगकर्ता को सचेत करना महत्वपूर्ण है.

एक और चेतावनी हम बताते हैं कि, 15 प्रोटोकॉल में सचित्र कार्य क्या गतिशील डिजिटल biomarkers विकसित करने के लिए इस्तेमाल किया जा सकता है की एक सबसेट हैं. इस कागज के प्रयोजन के लिए, हम अंतरिक्ष की कमी के कारण कुछ कार्यों तक ही सीमित है, और लोगों को चुना है कि नियंत्रण और शारीरिक गति के विभिन्न स्तरों शामिल है, और वास्तव में हम अन्य कार्यों को इस कागज में शामिल नहीं जोड़ सकते हैं. हमारा लक्ष्य कार्यों का एक छोटा सबसेट प्राप्त करना है जिसके लिए कम समय और प्रयास की आवश्यकता होगी। वास्तव में, हमारी प्रयोगशाला से, कार्यों की ओर इशारा करते हुए (कार्य 10 डिग्री 12) कार्यों का एक सेट है कि हम एक प्रभावी और कुशल तरीका biorhythms के stochastic हस्ताक्षर स्वैच्छिक नियंत्रण और तंत्रिका संबंधी विकारों के विभिन्न स्तरों, पीडी सहित द्वारा विविध की विशेषता हो पाया है 24 , 30|

इस अध्ययन में दिखाए गए प्रतिनिधि परिणाम क्या biosensors waveforms और कैमरों की गति कैप्शन से व्युत्पन्न एमएमएस डेटासेट के साथ किया जा सकता है का एक छोटा सबसेट हैं, SPIBA तरीकों का उपयोग कर. उदाहरण के प्रयोजनों के लिए, हम आयाम में एमएमएस की जांच की और रैखिक गति आयाम व्यक्ति के COM से व्युत्पन्न में उतार चढ़ाव पर ध्यान केंद्रित किया. COM सभी 17 शरीर सेंसर ग्रिड है कि हम सह पंजीकृत से एक सारांश संकेत है. हालांकि, हम विश्लेषण अन्य घूर्णी मापदंडों के लिए विस्तार कर सकता है, और अन्य गतिज चर (जैसे, बलों और दबाव) है कि अस्थिर मापदंडों की समय श्रृंखला उत्पन्न करने के लिए (जैसे, जैसा कि हम चेहरा डेटा के साथ किया था.) इसके अलावा, अंतरिक्ष की कमी के कारण, हम केवल इसकी खोपड़ी आयाम जानकारी के आधार पर ईईजी डेटा के विश्लेषण को सचित्र करते हैं, लेकिन हम इन विश्लेषणों को स्रोत स्थान31से प्राप्त डेटा पर भी लागू कर सकते हैं। डेटा के सभी साधनों के लिए, हम भी चोटियों के बीच समय की stochasticity की जांच कर सकता है (पीक आयाम के बजाय), जो भी समय श्रृंखला उत्पन्न करते हैं. पैरामीटरों की अन्य समय श्रृंखला ऐसी तरंगों से ली जा सकती है और उनके एमएमएस का उपयोग32,33,34के निर्माण वाले नेटवर्क से सामंजस्य और कनेक्टिविटी का पता लगाने के लिए किया जा सकता है . इसके अलावा, इन विश्लेषण भी आवृत्ति डोमेन34करने के लिए बढ़ाया जा सकता है. आपसी जानकारी नेटवर्क विश्लेषण के अलावा, हम नेटवर्क के अन्य topological सुविधाओं पर ध्यान केंद्रित करने के लिए PWP और नियंत्रण अंतर और PWP stratify सकता है. इस पेपर के उद्देश्य के लिए, हम एक उपकरण के रूप में इन विश्लेषिकी की उपयोगिता पर ध्यान केंद्रित करते हैं, लेकिन इस प्रकार की विशेषता के माध्यम से, हम इन विश्लेषणात्मक उपकरण प्रदान करने वाले डिजिटल डेटा की नैदानिक रूप से सूचित व्याख्याएं प्रदान करने के लिए ज्ञान प्राप्त करेंगे।

वर्तमान तरीकों इस अध्ययन में वर्णित कई संभव तरीके है कि SPIBA और एमएमएस नैदानिक और डिजिटल डेटा एकीकरण के लिए लागू किया जा सकता है में से कुछ परिचय की सेवा. हम अंत में नैदानिक मानदंडों के डिजिटल डेटा को सूचित करने की उम्मीद में इस एकीकृत मंच, मानकीकृत डेटा प्रकार और प्रयोगात्मक प्रोटोकॉल प्रदान करते हैं, और इसी तरह पारंपरिक पेंसिल और कागज तरीकों के लिए डिजिटल डेटा से अधिक परिशुद्धता जोड़ें। इस तरह के सुधार 1) उपचार के जवाब में लक्षण परिवर्तन की अधिक सटीक ट्रैकिंग सक्षम हो जाएगा, 2) समय के साथ प्राकृतिक पीडी प्रगति की समझ में वृद्धि, और 3) पीडी लक्षण प्रस्तुति के स्तरीकरण की सुविधा (जो अद्वितीय नैदानिक हुक्म दे सकता है प्रत्येक उपसमूह के लिए अनुशंसाएँ). जैसे, हम पीडी में आगे अनुसंधान करने के लिए इन तरीकों को लागू करने की उम्मीद है, लेकिन यह भी नैदानिक आवेदन में उपयोगिता के रूप में अच्छी तरह से देखते हैं. मोबाइल फोन जैसे वाणिज्यिक ग्रेड उपकरणों का उपयोग करना, biophysical डेटा विश्लेषिकी है कि हम इस कागज में सचित्र प्रदर्शन करने के लिए प्राप्त किया जा सकता है. वर्तमान में, वहाँ इस तरह के Rochester विश्वविद्यालय (https://parkinsonmpower.org) और Kaggles से mPower एप्लिकेशन अध्ययन के रूप में एक बड़े पैमाने पर इस तरह के डिजिटल डेटा एकत्र करने में प्रयास कर रहे हैं. दरअसल, इन खुले उपयोग डेटा खजाने का उपयोग कर, हम मोबाइल फोन से प्राप्त accelerometer डेटा से पीडी और सामान्य उम्र बढ़ने व्यक्तियों स्तरित करने में सक्षम थे, और स्वचालित रूप से गतिविधियों है कि नैदानिक यहाँ प्रस्तुत परीक्षणों में एम्बेडेड हैं वर्गीकृत करने के लिए 35.

एक अगले कदम के रूप में, हम PWP जनसंख्या और उनके मिलान नियंत्रण प्रतिभागियों की एक व्यापक रेंज से अधिक डेटा इकट्ठा करने और उन्हें अलग अलग समय अंक पर रिकॉर्ड करने के लिए दोनों एक पार अनुभागीय और अनुदैर्घ्य विश्लेषण हमारे तरीकों का उपयोग कर प्रदर्शन करने में सक्षम होने का लक्ष्य. हम उम्मीद करते हैं कि इस तरह के एकत्र डिजिटल डेटा उनके भागों की राशि से बहुत अधिक की पेशकश करेगा, और वास्तव में तंत्रिका विज्ञान और मनोरोग में सटीक चिकित्सा के सिद्धांतों का एहसास होगा।

Disclosures

लेखकों को खुलासा करने के लिए कुछ भी नहीं है.

Acknowledgments

इस अनुसंधान के भाग में Rutgers डिस्कवरी सूचना संस्थान द्वारा जेआर, Rutgers विश्वविद्यालय TechAdvance फंड EBT और जेवी, अनुसंधान और Autism के उपचार के लिए न्यू जर्सी गवर्नर की परिषद के लिए ईबीटी और माइकल जे फॉक्स फाउंडेशन आरडी के लिए वित्त पोषित है.

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