Summary

使用多传感器可穿戴设备对婴儿粗大运动能力进行量化评估

Published: May 17, 2024
doi:

Summary

本文概述了使用多传感器可穿戴设备及其基于深度学习的全自动分析管道对婴儿粗大运动表现的评估。该方法量化了婴儿从仰卧到掌握独立行走的姿势和运动模式。

Abstract

开发早期粗大运动评估的客观和定量方法对于更好地了解神经发育和支持早期治疗干预至关重要。在这里,我们提出了一种使用多传感器可穿戴设备 MAIJU (Motility Assessment of Infants with a JUmpsuit) 量化粗大运动表现的方法,该方法使用全自动基于云的管道提供自动化、可扩展、定量和客观的评估。这款可穿戴套装配备了四个运动传感器,利用低功耗蓝牙连接将同步数据记录到手机。云服务器中的离线分析会在几分钟内为每次记录生成完整的分析结果。这些结果包括记录会话的图形报告和详细的结果矩阵,该矩阵给出了姿势、运动、婴儿携带和自由游戏时间的逐秒分类。我们最近的研究结果表明,这种量化运动评估的优点为区分婴儿粗大运动发育的变化提供了一种潜在的有效方法。

Introduction

早期粗大运动发育对于更高层次的神经认知表现至关重要,这种表现通过支持婴儿对环境的探索而出现。因此,临床医生和研究人员都对评估早期粗大运动发育非常感兴趣 1,2,3。为了支持循证医学或科学研究,粗大运动评估必须是定量的、可靠的、客观的和生态有效的。然而,这种可用于临床或基础科学研究的方法很少。

典型的早期粗大运动发育是通过可预测的新获得技能序列进行的。它们通常在婴儿中观察到达到离散运动里程碑4,其中站立和行走通常被认为是通往更复杂行为库5 的重要里程碑。除了对运动里程碑的直接观察或家长调查外,还开发了几种广泛使用的标准化电池6,7,8,9,用于在实验室或医院环境中进行婴儿评估。然而,这些评估存在多重警告:它们需要训练有素的专业人员提供大量专业知识,它们部分是主观的和分类的,并且它们评估婴儿在从婴儿的角度来看不自然的环境(医院或实验室)中的表现。

记录婴儿在原生环境(例如家中)长时间的自发运动活动,可以更相关地测量运动能力。在一种可行的方法中,使用可穿戴系统(例如 MAIJU 可穿戴设备(JUmpsuit 婴儿的运动评估)10,11,12)对婴儿运动能力发展的整个顺序进行评估,从仰卧到流利行走。MAIJU 可穿戴系统图 1涉及配备运动传感器的全身纺织服装,允许在无人监督的情况下进行院外/实验室评估和记录,并通过自动化管道进行分析,提供对姿势和运动模式的逐秒评估。这些算法检测可以分别用于每种姿势和运动类型,也可以将它们组合起来,以全面评估婴儿运动能力的成熟水平。最近发表的这种运动成熟度指标的无单位表达式是 BIMS(Baba 婴儿运动评分)10,12

本文将介绍使用多传感器可穿戴套装评估婴儿的粗大运动表现;使用可从可用于多传感器可穿戴设备记录的自动分析管道中获得的指标的基本原理、实际性能、分析管道和潜在的未来前景 10,11,12。该方法适用于对所有在仰卧和流利行走之间表现出运动能力的婴儿的自发性粗大运动活动进行详细定量。

多传感器可穿戴系统由三个部分组成:1)配备四个运动传感器的全身服装,2)使用定制iOS应用程序的移动设备,以及3)基于云的分析管道(Babacloud,其凭据可以从作者处获得)11。防水惯性测量单元 (IMU) 传感器使用低功耗蓝牙连接将采样频率为 13-52 Hz 的同步数据(3 轴加速度计和陀螺仪)传输到手机。数据最初存储在(传感器或)移动设备的内存中,然后在记录停止后在云服务器中进行离线分析。

Protocol

使用该系统进行的研究由赫尔辛基大学医院新儿童医院伦理委员会审查,医院允许开展本工作引用的原始研究中描述的研究项目。在视频中拍摄孩子获得了知情同意。 1. 为录音会议准备西装 选择正确的西装尺码。目前,尺码从 68 厘米开始,有五种不同的尺码选择(68 厘米、74 厘米、80 厘米、86 厘米和 92 厘米)。确保防护服贴身而舒适,孩子可以自由活动而不受干扰。 开始记录,即使用数据记录器应用程序 Maijulogger 收集数据,如 补充文件 1 中所述。在第一页上,输入“主题标识号”。评估中使用的运动传感器数量默认设置为 4,如第一页所示。 按前进箭头进入下一阶段。 为四个传感器配备电池(CR2025 版)。 通过选择并按下应用程序上的肢体位置并使传感器靠近移动设备,将每个传感器与移动应用程序配对。确认应用程序上显示的传感器编号正确。 通过检查传感器编号下方的指示灯,确保足够的电池电量(建议> 80%)。注意: 如果需要,请提起后盖更换传感器电池。 将每个传感器与卡扣式支架固定在正确的套筒口袋中。确保传感器方向正确。 请务必查看最新的用户指南了解详情。不正确的方向将导致数据不可用。 按应用程序中的前进箭头继续检查传感器配对是否正确。一个接一个地摇晃传感器并检查应用程序,看看正确的指示器是否在摆动。 检查完成后,按前进箭头进入“开始”页。注意: 如果需要,可以通过按每次录制开始时的 设置 按钮手动设置录制持续时间 (hh:mm)。按 录制 按钮开始录制。等到传感器准备好后,再给婴儿穿上防护服(这可能需要几分钟)。 对于无人监督的家庭录音,请将屏幕锁定设置为移动设备以避免其家长操作,并将套装打包以交付给收件人。准备好西装后,立即使用快递或类似服务将西装交付给收件人。 2. 为婴儿准备和穿衣进行录音 确保婴儿得到喂养(即喂食和更换尿布),并感到安全和舒适,以便自然和自发地玩耍。如果需要,稍后脱下防护服换尿布。 像普通工作服一样为婴儿穿上西装。检查传感器口袋是否朝外(即远离身体中线,而不是朝婴儿的前部或后部旋转)。 检查防护服是否紧贴每个传感器位置的四肢。如果需要,调整口袋附近的带子以收紧肢体上的传感器。注意: 也可以在西装或绷带下面添加衣服来固定传感器,以防四肢太细而无法用带子充分固定。 3. 录制会话 将移动设备放在婴儿附近,以确保在使用直接数据流进行录制时通过蓝牙连接(即在同一房间内或在开放空间录制时在 10 m 范围内)可靠传输数据。如果适用,请将移动设备放在平板电脑保护套等袋子中,以便于和更安全地处理。如果 BLE 连接丢失,蓝牙协议将尝试重新连接。注意: 不建议暂停然后继续录制,因为它可能会破坏传感器之间的同步或记录数据的时间完整性,并且您可能会丢失 BLE 连接。在这种情况下,唯一的选择是关闭应用程序并重新开始录制。 安排周围环境,以便于玩玩具和其他物品,并鼓励婴儿自由活动。例如,清理空间以便四处走动或在地上铺上垫子,这样婴儿在看到适合年龄的玩具时可以鼓励他们移动。目的是记录婴儿的自然运动。确保婴儿感到足够舒适和安全,可以进行自发的游戏,而不会因新朋友或不熟悉的地方而感到焦虑。 记录至少 1 小时的自由游戏或研究问题所需的时间。在分析过程中,可以合并多个游戏/运动周期。 如果特定研究方案要求,请做进一步的笔记,以便于详细检查各个结果。在数据记录器应用程序中使用实时同步注释作为自由文本、录音或视频录音。 对于无人监督的家庭录制,请将录制设置为自动停止(即,通过按 “设置 ”按钮手动设置录制的持续时间 (hh:mm)。 在受监督的设置中,按应用程序上的 “停止 ”按钮结束录制。 脱下防护服,打包返回实验室。 每次录制后,将传感器从西装口袋上取下后清洗西装。如果有的话,使用清洁剂,包括针对合成材料的水分运输11.洗涤后目视检查防护服是否有机械缺陷,然后再将其存放以供下一个孩子使用。 4. 云端分析:上传原始数据,下载结果 单击应用程序数据库视图中 的记录文件 ,然后单击 “导出到 Babacloud”,这将使用移动设备上的 Web 浏览器(补充文件 2)打开计算云 (https://babacloud.fi/) 的主页。 在登录页面中输入 用户名和密码 。如果需要,请从 Babacloud 主页上提供的电子邮件地址请求新凭据。 选择要上传的录制文件。然后,选择主题的标识号,并按照 Babacloud 工作流程的指示添加所需信息。如果与案例相关,还要在“添加另一个原始文件标签”中输入主题的年龄或其他信息(例如,游戏时间)。最后, 按保存上传 会话 保存 按钮。注意:默认情况下,数据记录器应用程序将从运动数据生成压缩文件,以便 通过 Wi-Fi 或移动网络更轻松、更快速地进行空中数据传输。 Babacloud 界面将需要凭据,这些凭据可以按照其网页上的说明获取。记录的原始数据也可以直接从手机传输到另一台设备进行定制分析。确保删除移动设备内存中不必要的数据,以避免在录制会话之间混淆。录制会话会自动放置在它们自己的文件夹中,这些文件夹以各自的时间戳命名。 使用移动设备或计算机 Web 浏览器从云服务器下载分析输出的压缩包。单击正确的 主题 ID,然后选择指向所需分析的链接,这将自动打开文件下载。注意:在压缩的结果包中,可以找到以下两个项目:详细的结果矩阵,它给出了姿势、运动、婴儿携带和自由游戏时间的所有逐秒分类(图 2A,补充文件 3)。提供学习会议概述的图形报告(补充文件 4)。

Representative Results

所提出的方法通过对记录会话中每一秒的姿势和动作类型进行分类来量化婴儿的粗大运动表现。因此,自动分析管道的结果包包括来自整个记录会话的完整分类矩阵(补充文件 3)和图形摘要(补充文件 4)。根据确切的研究问题,可以在不同的水平上检查这些结果。 结果检查用于该方法的开发和验证。在下文中,我们介绍了用于开发和验证该方法的四个级别的结果检查。补充文件5提供了以前详细发表的关键验证实验的代表性示例10,11,12。 首先,针对婴儿运动行为的逐秒人类观察,验证了为运动和姿势检测而训练的自动算法。我们使用了几位受过并行培训的专家,他们盲目地审查了同步的视频记录和可穿戴记录。将所有不同的姿势和运动类别分别与单个人类注释进行比较,我们发现算法与人类之间的姿势一致性非常高(平均 kappa 0.93);在运动类别(子类别特定 kappa 大多在 60-80% 的范围内)发现了实质性的一致性。有关混淆矩阵10 的示例,请参阅补充文件 5A。此外,还评估了评分者之间的一致性水平,以确认算法的性能大约相当于人类的水平10,11。 其次,我们评估了基于分类器的运动和姿势类别量化与二级人类注释的相应量化的匹配程度。 补充文件 5B10 中显示的示例散点图表明,几个关键类别在算法和人类视觉量化之间具有近乎完美的匹配(相关系数 >0.96)。这直接支持了运动定量的年龄特异性分布(图3A,B)是可靠的12。 第三,通过训练与正常发育婴儿的实际年龄密切相关的组合运动量(见上文)的发育年龄预测,验证了对运动成熟度进行整体评估的想法(r = 0.89; 补充文件5C)。随后,年龄预测被缩放到 0-100 作为无单位测量 BIMS(Baba 婴儿运动评分10),并且其用于构建运动生长图表(补充文件 5D)的效用使用典型发育的婴儿队列进行验证高度显示年龄依赖性和可预测的生长轨迹。我们还验证了其相对准确性,表明运动生长图表的准确性与众所周知的身体生长图表12 相比很好。 第四,在原理验证实验中验证了使用给定指标进行异常检测的潜力,该实验显示个体运动测量分别可以清楚地区分运动表现较差和良好的婴儿(补充文件5E)10。 不同分析水平的潜在进一步研究问题图 3 显示了可穿戴套装及其自动分析管道提供的信息的进一步用途示例。首先,姿势和运动技能的早期发展可以绘制为年龄的函数,并与年龄依赖性分布进行比较(图3A,“生长图表”12),或者可以跟踪每个人的发展(图3B)。其次,当研究问题需要更全面的粗大运动评估时,可以使用个人姿势和运动比例的组合(如 补充文件 5D 所示,根据 补充文件 5C 中的时间序列计算)来生成一个指数,如 BIMS(Baba 婴儿运动评分)。这些措施支持直接用于运动生长图表(补充文件5C,D)和计算z分数等统计推导(图3A)。使用全时间序列的算法检测(图3C和 补充文件3)可以研究婴儿运动的详细时间结构,例如“婴儿在单位时间内执行了多少次姿势转换?”或“在自发游戏时间内站立时期的分布是什么?”。 图 1:多传感器可穿戴系统概述以及从记录到分析的典型研究流程。 图 1 改编自 Airaksinen 等人 12在CC_BY许可下发布。婴儿照片在父母同意的情况下发布。 请点击这里查看此图的较大版本. 图 2:姿势和运动分类以及原始数据和分析输出的示例可视化 (A) 算法分类器在多传感器可穿戴设备的全自动分析管道中使用的姿势和运动分类方案。该图转载自 Airaksinen 等人 10 (B) 来自四个臂中每个臂的 10 分钟原始加速度计传感器数据的示例,因为它来自 MAIJU 记录。下面的水平条描述了同一 10 分钟时期的姿势(上栏)和运动(下栏)检测的自动分类器输出。 请点击这里查看此图的较大版本. 图 3:从原始分类器输出得出的示例结果。 (A) 婴儿年龄和 Baba 婴儿运动评分 (BIMS) 之间的数据比较示例。S形绿色曲线描绘了BIMS在更大人群中的发展轨迹。该点描绘了一个在 14 个月时测量的示例个体,BIMS ~74,对应于略低于平均年龄典型水平(绿线)。(B) 使用 Baba 婴儿运动评分 (BIMS) 具有个人运动发育轨迹的示例队列。每条线代表在几个年龄点记录的婴儿(线中的点)。这些线条是相对于年龄典型平均值的平均偏差的颜色(背景中的蓝色 S 形曲线;另请参阅面板 A。 (C) 来自自动分类器的代表性输出矩阵,因为它来自 Babacloud 管道。第一列描述了分类中每个分析窗口从记录开始(以秒为单位)经过的时间(窗口持续时间为 2.3 秒,重叠率为 50%)。第二列和第三列分别显示姿势和运动的分类器检测。第三列和第四列是辅助分类器,分别描绘了婴儿被他人抱着的时代,以及婴儿进行自主游戏的时代。(D) 简要报告的插图。图A和图B改编自Airaksinen等人10。 请点击这里查看此图的较大版本. 补充文件 1:使用 MAIJU 可穿戴设备录制的快速指南。请点击此处下载此文件。 补充文件 2:将数据从 Maijulogger 传输到 Babacloud 中的分析服务器的快速指南。请点击此处下载此文件。 补充文件 3:详细分类矩阵的示例,它给出了姿势、运动、婴儿抱乘和自由游戏时间的所有逐秒分类。请点击此处下载此文件。 补充文件 4:图形摘要报告的完整 PDF 文件示例。 这是从算法文件中获取的,其中包括:(A) 有关记录会话的基本背景信息(受试者 ID 和年龄、记录日期、持续时间以及用于最终分析的纪元总量)。(B) 完整记录的图形显示,表明定量评估中排除的完整记录和时期的姿势分布。C) 用小提琴图显示所有六种姿势(左侧)和 12 种运动类型(右侧)的典型分布。同样,右侧的图画描绘了每种姿势所指示的运动类型,还显示了逐渐发展的运动表现的顺序(点表示单个录音的结果,彩色小提琴图表示相关数据集的姿势/运动的年龄依赖性分布)。值得注意的是,圆点指示的原始值显示了给定电机性能的实际量,并且可以直接用于其他上下文。 请点击此处下载此文件。 补充文件 5:不同分析级别的验证实验。 (A) 混淆矩阵,显示姿势和运动类别的人类注释(目标类)与算法检测(预测类)之间的一致性。(B) 在完整记录会话中,人类注释和自动分类器得出的检测之间的运动定量比较。(C) 从可穿戴数据(左侧 Y 轴)预测发育年龄与其重新缩放以生成 BIMS 分数(右侧 Y 轴)之间的相关性。记录时婴儿的实际年龄显示在 X 轴上。(D) 使用拟合函数时年龄预测与实际年龄的相关性。当在所描绘的时间窗口(蓝色)、所有原始值(黑色)或考虑每个个体的重复测量(绿色)使用组平均值时,这些值描述了与模型的拟合。(E) 对表现良好和表现不佳的婴儿组之间的个体运动测量值的比较表明,几个自动检测到的运动指标可以区分这些婴儿组。图A、B、C改编自Airaksinen等人10。图D改编自Airaksinen等人12。图E改编自“Airaksinen等人11。 请点击此处下载此文件。

Discussion

使用可穿戴解决方案(如MAIJU)对婴儿运动表现进行量化评估和发育跟踪,在技术上易于学习和执行,并且可以很容易地实施到医疗保健或临床研究实践10,11,12。与其他现有的运动评估方法相比,这种对婴儿自发运动活动的家庭记录提高了评估的生态效度。此外,它还提供对婴儿运动表现的量化、透明和全自动分析。最重要的是,分析中使用的指标直观且可解释,这使得它们能够轻松地与其他临床和研究评估进行比较,例如环境因素、认知发展或社会心理评估。对运动发育的整体评估提供了与传统身体生长测量相媲美的准确性12.

协议中的关键步骤包括仔细准备可穿戴套装。在准备录音时,为防护服选择正确的尺寸至关重要,因为袖子和腿部的传感器附件需要紧紧地坐着才能可靠地记录身体动作。此外,为了成功记录,必须按照协议中的指示,将传感器以正确的方向放置在口袋中。传感器支架不允许传感器在录制过程中旋转。然而,方向不正确的传感器记录的数据即使不是不可能,也很难在事后修复。应鼓励婴儿在录音过程中自由独立活动。记录长度可能因给定的研究问题而异。将多个自发运动时期组合在一起,为每个记录会话积累足够的自发运动。

MAIJU可穿戴解决方案的灵活和实用操作使其可以在有监督和无监督环境中的可变环境中使用,例如研究实验室或家庭。我们临床试验的最新结果表明,在家中进行的完全无监督的记录可能提供与在完全或部分监督下进行的记录相当的结果12.尽管如此,孩子的自发运动行为可能会受到多种因素的影响,例如周围环境(例如,在室外与室内玩耍、空间、家具和玩具的布局)、孩子的警觉性水平以及父母在家庭录音期间的参与。当在家中无人看管的环境中进行录音时,重要的是要鼓励孩子自发地玩耍,即独立玩耍或移动,如果不需要,其他人不会携带或抱着孩子,并将录音手机保持在蓝牙范围内(在同一个房间里)10。我们目前在录制过程中的大多数故障排除情况都是由蓝牙连接丢失引起的。传感器技术的近期进步将改善蓝牙连接,即将推出的更大传感器存储器将允许通过将运动数据直接存储在传感器存储器中来离线记录。

使用这种可穿戴解决方案的院外记录很容易扩展,它们可以提高婴儿的安全性,例如,在大流行等情况下启用远程监控。我们目前的分类器算法经过训练,可以专门识别运动描述方案中显示的给定运动能力、姿势和运动(图 2A)。这些现象被确定为婴儿在生命的头两年内运动的特征。在年龄较大的儿童中看到的其他类型的运动或姿势,例如跑步或跳跃,将需要修改运动描述方案和相应的算法来识别它们。姿势-情境依赖性分析是一种可能富有成效的方法,其中在不同姿势下分别分析婴儿的运动活动以支持研究,例如,婴儿行为的发育相关性 5,6,7,8,9,13。或者,在预测单侧脑瘫的发展时,上下文依赖性运动分析也可以支持评估运动功能的不对称 10,12,14,15。此外,使用 MAIJU 系统评估运动能力可以与其他研究方式相结合,例如眼动追踪、成像或视频记录,以提供多模态数据,将其扩展到不同的类型和背景。多模态数据可能有用,例如,用于评估社会互动的效果或治疗干预的疗效。

为了使新型可穿戴技术在婴儿院外监测环境中取得成功,需要解决某些限制、挑战和伦理问题。我们的分析管道使用芬兰典型发育的婴儿进行训练和验证 10,11,12。具有纯姿势和动作的原始分析输出应该是通用的。然而,他们的发展轨迹可能需要根据不同的文化和地理位置进行调整。根据家长对可穿戴设备的反馈,由于对婴儿友好,它们被看好16.但是,父母可能会对隐私、数据访问和家庭实用性(例如,多个看护人、访客和不同的日程安排)提出担忧。对传感器和录音电话的电池寿命的依赖性可以被认为是该方法的局限性。根据我们的经验,使用连续数据流时,电池型号 (CR2025) 通常持续一整天(12-24 小时)。值得注意的是,它取决于电池品牌和无线数据传输所需的蓝牙连接强度,该连接不断变化,以最大限度地提高录制环境中的数据传输。例如,婴儿和手机之间的距离很远,或者它们之间的墙壁会将蓝牙连接调整为显着更高的电池消耗。值得注意的是,如果使用连续蓝牙流,大多数移动设备的电池也会在大约相同的时间内耗尽。在实践中,目前使用的蓝牙连接连续数据流意味着传感器和移动设备都需要每天充电/更换电池。在不久的将来,具有更大存储容量的传感器的推出将允许在传感器存储器中存储数据,支持超过一周的连续记录。这将消除对耗电蓝牙流媒体的需求,以及在蓝牙范围内携带手机,这在录制情况下可能被视为限制性并且容易受到人为错误的影响。

总体而言,早期神经发育的跟踪需要对自然神经行为变异性敏感的方法。粗大运动发育是一个复杂的过程,包括个人和文化层面的顺序和时间变化4.检测非典型运动发育可有效识别有多种神经发育障碍风险的婴儿。具有标准化神经发育评估的传统测试电池是在受控环境(例如医院)中进行的,并且至少部分是主观的7,8,9。传感器技术和信号分析的当前进展使得在院外环境中长时间记录婴儿的自发运动能力,并以与人类观察者相当的精度对运动行为进行定量10,11,12。新型可穿戴技术提供了自动化和可扩展的方法,以生态有效和客观的方式监测婴儿的运动和治疗干预的有效性。此外,新型神经发育指数 Baba 婴儿运动评分 (BIMS) 能够通过对神经发育的个体跟踪来估计婴儿运动能力的成熟度10,12。它可以用于一系列未来的应用,例如婴儿运动生长图12的发展。通过使用不同类型的运动描述方案和算法训练其他特定运动(例如,对于年龄较大的儿童或成人)的自动分类器,可穿戴运动传感器具有临床应用的潜力,例如运动障碍或对治疗干预效果的随访,无论个体的发育阶段如何17.然而,目前,这应被视为一种研究方法,不应用于为临床诊断或治疗目标提供信息。

Offenlegungen

The authors have nothing to disclose.

Acknowledgements

这项工作得到了芬兰学院(314602、335788、335872、332017、343498)、芬兰儿科基金会(Lastentautien tutkimussäätiö)、Aivosäätiö、Sigrid Juselius 基金会和 HUS 儿童医院/HUS 诊断中心研究基金的支持。

Materials

iOS device (version 16.5 or higher) Apple n/a
MAIJU jumpsuit Planno Ltd n/a customized for purpose
Maijulogger (mobile application) and sensor firmware BABA Center (www.babacenter.fi), Kaasa solutions GmbH n/a constructed by Kaasa Solutions, distributed by Baba Center
Movesense movement sensor Movesense (www.movesense.com) n/a

Referenzen

  1. Adolph, K. E., Hoch, J. E. Motor development: Embodied, embedded, enculturated, and enabling. Annual Review of Psychology. 70, 141-164 (2022).
  2. Masten, A. S., Cicchetti, D. Developmental cascades [Editorial]. Development and Psychopathology. 22 (3), 491-495 (2010).
  3. Piek, J. P., Dawson, L., Smith, L. M., Gasson, N. The role of early fine and gross motor development on later motor and cognitive ability. Human Movement Science. 27 (5), 668-681 (2007).
  4. Adolph, K. E., Franchak, J. The development of motor behavior. WIREs Cognitive Science. 8, e1430 (2017).
  5. Adolph, K. E., Hoch, J. E., Cole, W. G. Development (of Walking): 15 Suggestions. Trends in Cognitive Science. 22 (8), 699-711 (2019).
  6. Wijnhoven, T. M. A., et al. Assessment of gross motor development in the WHO multicentre growth reference study. Food and Nutrition Bulletin. 25, (2004).
  7. Uusitalo, K., et al. Hammersmith infant neurological examination and long-term cognitive outcome in children born very preterm. Developmental Medicine and Child Neurology. 63, 947-953 (2021).
  8. Romeo, D. M., et al. Hammersmith infant neurological examination for infants born preterm: predicting outcomes other than cerebral palsy. Developmental Medicine & Child Neurology. 63, 939-946 (2021).
  9. De Kegel, A., et al. New reference values must be established for the Alberta Infant Motor Scales for accurate identification of infants at risk for motor developmental delay in Flanders. Child: Care, Health and Development. 39 (2), 260-267 (2013).
  10. Airaksinen, M., et al. Intelligent wearable allows out-of-the-lab tracking of developing motor abilities in infants. Communications Medicine. 2, 69 (2022).
  11. Airaksinen, M., et al. Automatic posture and movement tracking of infants with wearable movement sensors. Scientific Reports. 10, 169 (2020).
  12. Airaksinen, M., et al. Charting infants’ motor development at home using a wearable system: validation and comparison to physical growth charts. eBioMedicine. 92, 104591 (2023).
  13. Hewitt, L., Kerr, E., Stanley, R. M., Okely, A. D. Tummy time and infant health outcomes: a systematic review. Pediatrics. 145, e20192168 (2020).
  14. Pascal, A., et al. Motor outcome after perinatal stroke and early prediction of unilateral spastic cerebral palsy. European Journal of Paediatric Neurology. 29, 54-61 (2020).
  15. Tabard-Fougère, A., et al. Are clinical impairments related to kinematic gait variability in children and young adults with cerebral palsy. Frontiers in Human Neuroscience. 16, 816088 (2022).
  16. Fish, L. A., Jones, E. J. H. A survey on the attitudes of parents with young children on in-home monitoring technologies and study designs for infant research. PLOS One. 16, e0245793 (2021).
  17. Porciuncula, F., et al. Wearable movement sensors for rehabilitation: a focused review of technological and clinical advances. Physical Medicine & Rehabilitation. 10 (9), S220-S232 (2018).

Play Video

Diesen Artikel zitieren
Taylor, E., Airaksinen, M., Gallen, A., Immonen, T., Ilén, E., Palsa, T., Haataja, L. M., Vanhatalo, S. Quantified Assessment of Infant’s Gross Motor Abilities Using a Multisensor Wearable. J. Vis. Exp. (207), e65949, doi:10.3791/65949 (2024).

View Video