Summary

Quantifizierte Bewertung der grobmotorischen Fähigkeiten von Säuglingen mit einem Multisensor-Wearable

Published: May 17, 2024
doi:

Summary

In diesem Artikel wird die Bewertung der grobmotorischen Leistung von Säuglingen mit einem Multisensor-Wearable und seiner vollautomatischen, auf Deep Learning basierenden Analysepipeline beschrieben. Die Methode quantifiziert die Haltungs- und Bewegungsmuster von Säuglingen vom Liegen in Rückenlage bis zur Beherrschung des selbstständigen Gehens.

Abstract

Die Entwicklung objektiver und quantitativer Methoden der frühen grobmotorischen Bewertung ist unerlässlich, um die neurologische Entwicklung besser zu verstehen und frühe therapeutische Interventionen zu unterstützen. Hier stellen wir eine Methode zur Quantifizierung der grobmotorischen Leistung mit einem Multisensor-Wearable, MAIJU (Motility Assessment of Infants with a JUmpsuit), vor, das eine automatisierte, skalierbare, quantitative und objektive Bewertung mithilfe einer vollautomatischen Cloud-basierten Pipeline bietet. Dieser tragbare Anzug ist mit vier Bewegungssensoren ausgestattet, die synchronisierte Daten über eine energiesparende Bluetooth-Verbindung auf ein Mobiltelefon aufzeichnen. Eine Offline-Analyse im Cloud-Server generiert für jede Aufzeichnung innerhalb von Minuten vollständig analysierte Ergebnisse. Zu diesen Ergebnissen gehören ein grafischer Bericht der Aufzeichnungssitzung und eine detaillierte Ergebnismatrix, die sekundengenaue Klassifizierungen für Körperhaltung, Bewegung, Säuglingstragen und freie Spielzeit enthält. Unsere jüngsten Ergebnisse zeigen, dass eine solche quantifizierte motorische Bewertung eine potenziell effektive Methode zur Unterscheidung von Variationen in der grobmotorischen Entwicklung des Säuglings darstellt.

Introduction

Eine frühe grobmotorische Entwicklung ist für eine höhere neurokognitive Leistung unerlässlich, die später durch die Unterstützung der Erkundung der Umwelt durch Säuglinge entsteht. Daher haben Kliniker und Forscher gleichermaßen ein hohes Interesse an der Beurteilung der frühen grobmotorischen Entwicklung 1,2,3. Um evidenzbasierte Medizin oder wissenschaftliche Studien zu unterstützen, ist es unerlässlich, dass die grobmotorischen Bewertungen quantitativ, zuverlässig, objektiv und ökologisch valide sind. Es gibt jedoch einen Mangel an solchen Methoden, die sowohl für die klinische als auch für die grundlagenwissenschaftliche Forschung zur Verfügung stehen.

Eine typische frühe grobmotorische Entwicklung verläuft durch eine vorhersehbare Abfolge neu erworbener Fähigkeiten. Sie werden häufig bei Säuglingen beobachtet, wenn sie diskrete motorische Meilensteineerreichen 4, wobei Stehen und Gehen oft als wichtige Orientierungspunkte auf dem Weg zu einem komplexeren Verhaltensrepertoire angesehen werden5. Zusätzlich zur direkten Beobachtung oder Elternbefragung zu motorischen Meilensteinen wurden mehrere weit verbreitete standardisierte Batterienentwickelt 6,7,8,9 für die Durchführung von Säuglingsbeurteilungen im Labor oder Krankenhaus. Diese Bewertungen leiden jedoch unter mehreren Vorbehalten: Sie erfordern umfangreiches Fachwissen von ausgebildeten Fachkräften, sind teilweise subjektiv und kategorisch und bewerten die Leistung von Säuglingen in einer Umgebung (Krankenhaus oder Labor), die aus der Sicht eines Säuglings unnatürlich ist.

Die Aufzeichnung der spontanen motorischen Aktivität von Säuglingen über längere Zeiträume in der natürlichen Umgebung, wie z. B. zu Hause, ermöglicht relevantere Messungen der motorischen Fähigkeiten. Bei einer solchen praktikablen Methode wird die Bewertung für die gesamte Sequenz der motorischen Entwicklung des Säuglings vom Liegen in Rückenlage bis zum flüssigen Gehen mit einem tragbaren System wie dem MAIJU Wearable (Motor Assessment of the Infants with a JUmpsuit) durchgeführt10,11,12. Das tragbare MAIJU-System (Abbildung 1) umfasst ein Ganzkörper-Textilkleidungsstück, das mit Bewegungssensoren ausgestattet ist, um unbeaufsichtigte außerklinische / Laborbewertungen und -aufzeichnungen zu ermöglichen, die mit einer automatisierten Pipeline analysiert werden und eine sekundengenaue Bewertung von Haltungs- und Bewegungsmustern ermöglichen. Diese algorithmischen Erkennungen können für jede Haltung und jeden Bewegungstyp separat verwendet oder für eine ganzheitliche Beurteilung des Reifegrads der motorischen Fähigkeiten des Säuglings kombiniert werden. Ein kürzlich veröffentlichter, einheitenfreier Ausdruck einer solchen Metrik der motorischen Reife ist BIMS (Baba Infant Motor Score)10,12.

In diesem Artikel wird die Bewertung der grobmotorischen Leistung von Säuglingen mit einem tragbaren Multisensor-Anzug beschrieben. die Begründung, die praktische Leistung, die Analysepipeline und die potenziellen Zukunftsperspektiven für die Verwendung der Metriken, die aus der automatisierten Analysepipeline erhalten werden können, die für Aufzeichnungen mit einem Multisensor-Wearable verfügbar ist 10,11,12. Die Methode eignet sich für eine detaillierte Quantifizierung der spontanen grobmotorischen Aktivitäten bei allen Säuglingen, die motorische Fähigkeiten zwischen Rückenlage, Liegen und fließendem Gehen aufweisen.

Das tragbare Multisensor-System besteht aus drei Komponenten: 1) dem Ganzkörper-Gesamtkleidungsstück, das mit vier Bewegungssensoren ausgestattet ist, 2) einem mobilen Gerät mit einer speziell entwickelten iOS-Anwendung und 3) einer Cloud-basierten Analysepipeline (Babacloud, deren Anmeldeinformationen von den Autoren bezogen werden können)11. Die wasserdichten IMU-Sensoren (Inertial Measurement Unit) übertragen synchronisierte Daten (3-Achsen-Beschleunigungsmesser und Gyroskop) mit einer Abtastfrequenz von 13-52 Hz über eine energiesparende Bluetooth-Verbindung an ein Mobiltelefon. Die Daten werden zunächst im Speicher (des Sensors oder) des Mobilgeräts gespeichert, gefolgt von einer Offline-Analyse auf dem Cloud-Server, nachdem die Aufzeichnung gestoppt wurde.

Protocol

Die mit diesem System durchgeführten Studien wurden von der Ethikkommission des Neuen Kinderkrankenhauses des Universitätskrankenhauses Helsinki überprüft, und das Krankenhaus erteilte die Erlaubnis, die in den in dieser Arbeit zitierten Originalstudien beschriebenen Forschungsprojekte durchzuführen. Es wurde eine Einverständniserklärung eingeholt, um das Kind in dem Video zu filmen. 1. Vorbereitung des Anzugs für eine Aufnahmesession Wählen Sie die richtige Anzugsgröße. Derzeit reichen die Größen von Größe 68 cm und es gibt fünf verschiedene Größenoptionen (68 cm, 74 cm, 80 cm, 86 cm und 92 cm). Stellen Sie sicher, dass der Anzug eng anliegt und das Kind sich frei bewegen kann, ohne gestört zu werden. Starten Sie die Aufzeichnung, d.h. die Datenerfassung mit der Datenlogger-Anwendung Maijulogger, wie in Ergänzungsdatei 1 beschrieben.Geben Sie auf der ersten Seite die “Identifikationsnummer des Betreffs” ein. Die Anzahl der in der Bewertung verwendeten Bewegungssensoren ist standardmäßig auf 4 festgelegt, wie auf der ersten Seite gezeigt. Fahren Sie mit dem nächsten Schritt fort, indem Sie den Vorwärtspfeil drücken. Vier Sensoren mit Batterien ausstatten (Version CR2025). Koppeln Sie jeden Sensor mit der mobilen Anwendung, indem Sie eine Gliedmaßenposition in der Anwendung auswählen und drücken und den Sensor in die Nähe des Mobilgeräts bringen.Vergewissern Sie sich, dass die richtige Sensornummer in der Anwendung angezeigt wird. Stellen Sie einen ausreichenden Ladezustand der Batterie (empfohlen > 80%) sicher, indem Sie die Anzeigen unter der Sensornummer überprüfen.Anmerkungen: Ersetzen Sie bei Bedarf die Sensorbatterien, indem Sie die hintere Abdeckung anheben. Befestigen Sie jeden Sensor mit den Snap-On-Halterungen in der richtigen Ärmeltasche.Stellen Sie sicher, dass die Sensoren richtig ausgerichtet sind. Überprüfen Sie immer das neueste Benutzerhandbuch für Details. Eine falsche Ausrichtung führt zu unbrauchbaren Daten. Überprüfen Sie die korrekte Sensorpaarung, indem Sie in der Anwendung auf den Vorwärtspfeil klicken.Schütteln Sie die Sensoren nacheinander und überprüfen Sie die Anwendung, um festzustellen, ob die richtige Anzeige wackelt. Wenn die Prüfungen abgeschlossen sind, gehen Sie zur Startseite, indem Sie auf den Vorwärtspfeil klicken.HINWEIS: Bei Bedarf kann die Dauer der Aufnahme (hh:mm) manuell eingestellt werden, indem Sie zu Beginn jeder Aufnahme auf die Schaltfläche Einstellungen klicken.Drücken Sie die Aufnahmetaste, um die Aufnahme zu starten. Warten Sie, bis die Sensoren bereit sind, bevor Sie den Anzug am Säugling anziehen (dies kann einige Minuten dauern). Stellen Sie für unbeaufsichtigte Heimaufnahmen die Bildschirmsperre auf das Mobilgerät ein, um die elterliche Bedienung zu vermeiden, und verpacken Sie den Anzug für die Lieferung an den Empfänger.Verwenden Sie einen Kurier oder einen ähnlichen Dienst, um den Anzug sofort nach der Vorbereitung an den Empfänger zu liefern. 2. Vorbereiten und Anziehen des Säuglings für eine Aufnahmesession Stellen Sie sicher, dass der Säugling gestillt wird (d. h. gefüttert und Windeln gewechselt) und sich für eine natürliche und spontane Spielzeit sicher und wohl fühlt.Ziehen Sie den Anzug später aus, um bei Bedarf die Windel zu wechseln. Kleiden Sie den Anzug des Säuglings wie mit einem normalen Overall.Überprüfen Sie, ob die Sensortaschen nach außen zeigen (d. h. von der Körpermittellinie weg, anstatt sich zur Vorder- oder Rückseite des Säuglings zu drehen). Überprüfen Sie, ob der Anzug an jeder Sensorstelle eng an den Gliedmaßen anliegt.Passen Sie die Gurte in der Nähe der Taschen an, um den Sensor bei Bedarf am Wurfarm festzuziehen.HINWEIS: Es ist auch möglich, Kleidung unter dem Anzug oder Bandagen anzubringen, um die Sensoren zu befestigen, falls die Gliedmaßen zu dünn sind, um mit den Gurten ausreichend befestigt zu werden. 3. Aufnahme-Session Halten Sie das Mobilgerät in der Nähe des Säuglings, um eine zuverlässige Datenübertragung über die Bluetooth-Verbindung (d. h. im selben Raum oder innerhalb von 10 m bei Aufnahme im Freien) zu gewährleisten, wenn Sie mit direktem Datenstreaming aufnehmen.Bewahren Sie das Mobilgerät gegebenenfalls in einer Tasche auf, z. B. in einer Tablet-Hülle, um die Handhabung zu erleichtern und sicherer zu machen. Das Bluetooth-Protokoll versucht, die Verbindung wiederherzustellen, wenn die BLE-Verbindung unterbrochen wird.HINWEIS: Es ist nicht ratsam, die Aufzeichnung anzuhalten und dann fortzusetzen, da dies die Synchronisation zwischen den Sensoren oder die zeitliche Integrität der aufgezeichneten Daten stören und die BLE-Verbindung verlieren kann. In solchen Fällen bleibt nur die Möglichkeit, die Anwendung auszuschalten und die Aufnahme neu zu starten. Gestalten Sie die Umgebung so, dass das Spielen mit Spielzeug und anderen Gegenständen erleichtert wird und das Kind ermutigt wird, sich frei zu bewegen. Machen Sie zum Beispiel den Platz frei, um sich zu bewegen, oder legen Sie eine Matte auf den Boden, damit das Kind ermutigt wird, sich zu bewegen, wenn es altersgerechtes Spielzeug sieht. Ziel ist es, die natürliche Bewegung des Säuglings zu erfassen.Stellen Sie sicher, dass sich das Kind wohl und sicher genug fühlt, um spontan zu spielen, ohne Angst vor neuen Menschen oder unbekannten Orten zu haben. Zeichnen Sie mindestens 1 h freies Spiel auf oder so lange, wie es die Lernfragen wünschen. Mehrere Spiel-/Bewegungsepochen können später während der Analyse kombiniert werden. Wenn das spezifische Forschungsprotokoll dies erfordert, machen Sie sich weitere Notizen, um die detaillierte Überprüfung der einzelnen Ergebnisse zu erleichtern. Verwenden Sie in Echtzeit synchronisierte Anmerkungen in der Datenlogger-Anwendung als Freitext, Audioaufzeichnungen oder Videoaufzeichnungen. Stellen Sie bei unbeaufsichtigten Heimaufnahmen die Aufnahme so ein, dass sie automatisch gestoppt wird (d. h. stellen Sie die Dauer (hh:mm) der Aufnahme manuell ein, indem Sie die Schaltfläche Einstellungen drücken). Beenden Sie in überwachten Einstellungen die Aufnahme, indem Sie die Stopp-Taste in der Anwendung drücken. Ziehen Sie den Anzug aus und packen Sie ihn für die Rückkehr ins Labor. Waschen Sie den Anzug nach jeder Aufnahme, nachdem Sie die Sensoren aus den Anzugtaschen genommen haben. Wenn verfügbar, verwenden Sie Reinigungsmittel, einschließlich Feuchtigkeitstransport, die auf synthetische Materialien abzielen11.Überprüfen Sie den Anzug nach dem Waschen visuell auf mechanische Defekte, bevor Sie ihn für die Verwendung beim nächsten Kind aufbewahren. 4. Cloud-basierte Analyse: Upload von Rohdaten und Download von Ergebnissen Klicken Sie in der Datenbankansicht der Anwendung auf die aufgezeichnete Datei und dann auf Nach Babacloud exportieren, wodurch die Startseite der Computational Cloud (https://babacloud.fi/) mit dem Webbrowser auf dem mobilen Gerät geöffnet wird (Ergänzende Datei 2). Geben Sie Benutzername und Passwort auf der Anmeldeseite ein. Fordern Sie bei Bedarf neue Anmeldeinformationen von der E-Mail-Adresse an, die auf der Babacloud-Homepage angegeben ist. Wählen Sie die aufgezeichnete Datei für einen Upload aus. Wählen Sie dann eine Identifikationsnummer für den Betreff und fügen Sie die erforderlichen Informationen hinzu, wie vom Babacloud-Workflow angegeben. Wenn dies für den Fall relevant ist, geben Sie auch das Alter des Subjekts oder andere Informationen (z. B. Spielzeit) in “Weiteres Rohdateietikett hinzufügen” ein. Speichern Sie abschließend die Upload-Sitzung, indem Sie auf die Schaltfläche Speichern klicken.HINWEIS: Standardmäßig generiert die Datenlogger-Anwendung eine gezippte Datei aus den Bewegungsdaten, um eine einfachere und schnellere Datenübertragung über ein Wi-Fi- oder Mobilfunknetz zu ermöglichen. Für die Babacloud-Schnittstelle sind Anmeldeinformationen erforderlich, die gemäß den Anweisungen auf ihrer Webseite abgerufen werden können. Die aufgezeichneten Rohdaten können auch direkt vom Telefon auf ein anderes Gerät übertragen werden, um sie individuell zu analysieren. Stellen Sie sicher, dass unnötige Daten aus dem Speicher des Mobilgeräts gelöscht werden, um Verwechslungen zwischen den Aufzeichnungssitzungen zu vermeiden. Die Aufzeichnungssitzungen werden automatisch in eigenen Ordnern abgelegt, die mit ihren jeweiligen Zeitstempeln benannt sind. Laden Sie das gezippte Paket mit Analyseausgaben vom Cloud-Server über ein mobiles Gerät oder einen Computer-Webbrowser herunter. Klicken Sie auf die richtige Betreff-ID und wählen Sie dann den Link zur gewünschten Analyse, wodurch der Dateidownload automatisch geöffnet wird.HINWEIS: Im gezippten Ergebnispaket finden Sie die beiden folgenden Elemente: Eine detaillierte Ergebnismatrix, die alle sekundengenauen Klassifizierungen für Körperhaltung, Bewegung, Säuglingstragen und freie Spielzeit enthält (Abbildung 2A, Zusatzdatei 3). Grafische Berichte, die einen Überblick über die Lernsitzung geben (Zusatzdatei 4).

Representative Results

Die vorgestellte Methode quantifiziert die grobmotorische Leistung von Säuglingen, indem sie die Arten von Haltungen und Bewegungen für jede Sekunde der Aufnahmesitzung klassifiziert. Daher enthält das Ergebnispaket aus der automatisierten Analysepipeline eine vollständige Klassifizierungsmatrix (Zusatzdatei 3) und eine grafische Zusammenfassung (Zusatzdatei 4) aus der gesamten Aufzeichnungssitzung. Je nach genauer Studienfrage können diese Ergebnisse auf unterschiedlichen Ebenen begutachtet werden. Die Ergebniskontrolle wurde für die Entwicklung und Validierung dieser Methode verwendet.Im Folgenden stellen wir vier Ebenen der Ergebniskontrolle vor, die für die Entwicklung und Validierung dieser Methodik verwendet wurden. Die ergänzende Datei 5 enthält repräsentative Beispiele für die wichtigsten Validierungsexperimente, die zuvor in allen Einzelheiten veröffentlicht wurden 10,11,12. Zunächst wurden die automatischen Algorithmen, die für Bewegungs- und Haltungserkennungen trainiert wurden, anhand von Beobachtungen des Bewegungsverhaltens von Säuglingen auf zweiter Sekunde validiert. Wir setzten mehrere parallel geschulte Experten ein, die die synchronisierten Videoaufnahmen blind mit den tragbaren Aufzeichnungen überprüften. Alle verschiedenen Haltungs- und Bewegungskategorien wurden separat mit den einzelnen menschlichen Annotationen verglichen, und wir fanden eine sehr hohe Übereinstimmung zwischen dem Algorithmus und dem Menschen für die Körperhaltungen (durchschnittlicher Kappa 0,93); Eine wesentliche Übereinstimmung wurde für die Bewegungskategorien festgestellt (Unterkategoriespezifische Kappa meist im Bereich von 60-80%). Siehe Zusatzdatei 5A für ein Beispiel für die Verwechslungsmatrix10. Außerdem wurden die Übereinstimmungsniveaus der Interrater bewertet, um zu bestätigen, dass die Algorithmen etwa auf dem Niveau des menschlichen Äquivalents10,11 arbeiten. Zweitens bewerteten wir, wie gut die klassifikatorbasierte Quantifizierung von Bewegungs- und Haltungskategorien mit der entsprechenden Quantifizierung aus den menschlichen Annotationen der zweiten Ebene übereinstimmen würde. Beispiel-Streudiagramme in der Zusatzdatei 5B10 zeigen, dass mehrere Schlüsselkategorien eine nahezu perfekte Übereinstimmung (Korrelationskoeffizient >0,96) zwischen algorithmischer und menschlicher visueller Quantifizierung aufweisen. Dies unterstützt direkt die Idee, dass die altersspezifischen Verteilungen der Motilitätsquantifizierung (Abbildung 3A,B) zuverlässig sind12. Drittens wurde die Idee einer ganzheitlichen Bewertung der motorischen Reife validiert, indem eine Entwicklungsaltersvorhersage aus den kombinierten Bewegungsmengen (siehe oben) trainiert wurde, die sehr eng mit dem tatsächlichen Alter der sich typischerweise entwickelnden Säuglinge korrelierte (r=0,89; Ergänzende Akte 5C). Anschließend wurde die Altersvorhersage auf 0-100 als einheitenloses Maß BIMS (Baba Infant Motor Score10) skaliert, und ihr Nutzen für die Erstellung von motorischen Wachstumsdiagrammen (Ergänzende Datei 5D) wurde anhand einer sich typischerweise entwickelnden Säuglingskohorte validiert, die altersabhängige und vorhersehbare Wachstumsverläufe zeigt. Wir haben auch seine relative Genauigkeit validiert, indem wir gezeigt haben, dass die Genauigkeit in motorischen Wachstumsdiagrammen im Vergleich zu den bekannten physischen Wachstumsdiagrammen gut ist12. Viertens wurde das Potenzial für die Erkennung von Anomalien mit den gegebenen Metriken in einem Proof-of-Principle-Experiment validiert, bei dem gezeigt wurde, dass einzelne motorische Messungen deutlich zwischen Säuglingen mit schlechter bzw. guter motorischer Leistung unterscheiden (Ergänzungsdatei 5E)10. Mögliche weitere Studienfragen auf verschiedenen AnalyseebenenAbbildung 3 zeigt Beispiele für weitere Verwendungen der Informationen, die der tragbare Anzug und seine automatisierte Analysepipeline liefern. Erstens kann die frühe Entwicklung von Haltungs- und Bewegungsfähigkeiten als Funktion des Alters dargestellt und mit den altersabhängigen Verteilungen verglichen werden (Abbildung 3A, “Wachstumsdiagramme”12), oder die Entwicklung kann im Laufe der Zeit für jedes Individuum verfolgt werden (Abbildung 3B). Zweitens, wenn eine Studienfrage eine ganzheitlichere grobmotorische Bewertung erfordert, kann man eine Kombination aus der Körperhaltung und den Bewegungsproportionen einer Person (wie in der Zusatzdatei 5D gezeigt, berechnet aus der Zeitreihe in der Zusatzdatei 5C) verwenden, um einen Index wie BIMS (Baba Infant Motor Score) zu erstellen. Solche Messungen unterstützen die direkte Verwendung in motorischen Wachstumsdiagrammen (Zusatzdatei 5C,D) und die Berechnung statistischer Ableitungen wie z-Score (Abbildung 3A). Die Verwendung der Vollzeitreihe der Algorithmus-Erkennungen (Abbildung 3C und ergänzende Datei 3) ermöglicht Studien zur detaillierten zeitlichen Struktur der Motilität von Säuglingen mit Fragen wie “Wie viele Haltungsübergänge führt der Säugling in einer Zeiteinheit aus?” oder “Wie ist die Verteilung der Stehepochen während der spontanen Spielzeit?”. Abbildung 1: Überblick über das tragbare Multisensorsystem und einen typischen Studienablauf von der Aufzeichnung bis zur Analyse. Abbildung 1 adaptiert von Airaksinen et al.12, veröffentlicht unter CC_BY Lizenz. Das Säuglingsfoto wird mit Zustimmung der Eltern veröffentlicht. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen. Abbildung 2: Haltungs- und Bewegungskategorisierung und eine Beispielvisualisierung von Rohdaten und Analyseausgabe (A) Haltungs- und Bewegungskategorisierungsschema, das von den algorithmischen Klassifikatoren innerhalb der vollautomatischen Analysepipeline für ein Multisensor-Wearable verwendet wird. Diese Abbildung ist ein Nachdruck von Airaksinen et al.10 (B) Beispiel für 10 Minuten rohe Beschleunigungssensordaten von jedem der vier Arme, wie sie aus den MAIJU-Aufzeichnungen stammen. Die horizontalen Balken unten zeigen automatisierte Klassifikatorausgaben für die Erkennung der Körperhaltung (oberer Balken) und der Bewegung (unterer Balken) für dieselbe 10-Minuten-Epoche. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen. Abbildung 3: Beispielergebnisse aus den Rohklassifikatorausgaben. (A) Ein Beispiel für einen Datenvergleich zwischen dem Säuglingsalter und dem Baba Infant Motor Score (BIMS). Die S-förmige grüne Kurve zeigt den Entwicklungsverlauf von BIMS in einer größeren Population. Der Punkt zeigt eine Beispielperson, die mit 14 Monaten gemessen wurde, mit einem BIMS ~74, was etwas unter dem durchschnittlichen Altersniveau (die grüne Linie) entspricht. (B) Eine Beispielkohorte mit individuellen Verläufen der motorischen Entwicklung unter Verwendung des Baba Infant Motor Score over (BIMS). Jede Linie steht für einen Säugling, der zu verschiedenen Alterspunkten aufgezeichnet wurde (Punkte in der Linie). Die Linien sind für die durchschnittliche Abweichung relativ zum alterstypischen Mittelwert eingefärbt (blaue S-förmige Kurve im Hintergrund; siehe auch Panel A. (C) Repräsentative Ausgabematrix des automatischen Klassifikators, wie sie aus der Babacloud-Pipeline stammt. Die erste Spalte zeigt die verstrichene Zeit ab dem Aufzeichnungsstart (in Sekunden) für jedes Analysefenster in der Klassifikation (Fensterdauer 2,3s, mit 50% Überlappung). Die zweite und dritte Spalte zeigen die Klassifikatorerkennung für Körperhaltung bzw. Bewegung. Die dritte und vierte Spalte sind Hilfsklassifikatoren, die Epochen darstellen, in denen der Säugling von jemand anderem getragen wurde bzw. in denen der Säugling autonom spielte. (D) Eine Abbildung eines zusammenfassenden Berichts. Die Tafeln A und B sind von Airaksinen et al.10 übernommen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen. Ergänzende Datei 1: Eine Kurzanleitung zur Aufnahme mit MAIJU Wearable. Bitte klicken Sie hier, um diese Datei herunterzuladen. Ergänzende Datei 2: Eine Kurzanleitung zum Übertragen von Daten vom Maijulogger auf den Analyseserver in Babacloud. Bitte klicken Sie hier, um diese Datei herunterzuladen. Ergänzende Datei 3: Ein Beispiel für eine detaillierte Klassifizierungsmatrix, die alle sekundengenauen Klassifizierungen für Körperhaltung, Bewegung, Säuglingstrage und freie Spielzeit enthält. Bitte klicken Sie hier, um diese Datei herunterzuladen. Ergänzende Datei 4: Ein vollständiges PDF-Dateibeispiel für einen grafischen Zusammenfassungsbericht. Dies wird aus der Algorithmusdatei entnommen, die (A) grundlegende Hintergrundinformationen über die Aufnahmesitzung enthält (Probanden-ID und Alter, Aufnahmedatum, Dauer und die Gesamtzahl der für die abschließenden Analysen verwendeten Epochen). (B) Eine grafische Darstellung der vollständigen Aufzeichnung, die die Verteilung der Körperhaltungen über die vollständige Aufzeichnung und die Epochen anzeigt, die von der quantitativen Bewertung ausgeschlossen sind. C) Typische Verteilungen, die mit Geigendiagrammen für alle sechs Haltungen (linke Seite) und 12 Bewegungsarten (rechte Seite) dargestellt werden. In ähnlicher Weise zeigen die Zeichnungen auf der rechten Seite die Art der Bewegungen, die durch jede Haltung angezeigt werden, und zeigen auch die Abfolge der sich inkrementell entwickelnden motorischen Leistung (die Punkte zeigen die Ergebnisse einer individuellen Aufnahme und farbige Geigendiagramme, die altersabhängige Verteilungen von Haltung/Bewegung eines relevanten Datensatzes anzeigen). Insbesondere zeigen die durch die Punkte angezeigten Rohwerte die tatsächlichen Mengen der gegebenen motorischen Leistung und können direkt in anderen Zusammenhängen verwendet werden. Bitte klicken Sie hier, um diese Datei herunterzuladen. Ergänzende Datei 5: Validierungsexperimente auf verschiedenen Analyseebenen. (A) Konfusionsmatrizen, die die Übereinstimmung zwischen menschlichen Annotationen (Zielklasse) und den Erkennungen des Algorithmus (vorhergesagte Klasse) sowohl für die Haltungs- als auch für die Bewegungskategorien zeigen. (B) Vergleich von motorischen Quantifizierungen über vollständige Aufzeichnungssitzungen zwischen menschlichen Annotationen und Erkennungen, die vom automatisierten Klassifikator abgeleitet wurden. (C) Korrelation zwischen der Vorhersage des Entwicklungsalters aus den tragbaren Daten (linke Seite Y-Achse) und ihrer Neuskalierung zur Generierung des BIMS-Scores (rechte Seite Y-Achse). Das tatsächliche Alter des Säuglings zum Zeitpunkt der Aufnahme wird auf der X-Achse angezeigt. (D) Korrelation der Altersvorhersage und des tatsächlichen Alters bei Verwendung einer angepassten Funktion. Die dargestellten Werte passen zum Modell, wenn der Gruppendurchschnitt in den dargestellten Zeitfenstern (blau), alle Rohwerte (schwarz) oder wiederholte Messungen jedes Einzelnen (grün) verwendet werden. (E) Der Vergleich einzelner motorischer Messungen zwischen Gruppen von Säuglingen mit guter und schlechter Leistung deutet darauf hin, dass mehrere automatisch erkannte motorische Metriken diese Säuglingsgruppen unterscheiden können. Panel A,B,C ist eine Adaption von Airaksinen et al.10. Panel D ist eine Adaption von Airaksinen et al.12. Panel E ist eine Adaption von “Airaksinen et al.11. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Discussion

Eine quantifizierte Bewertung und Entwicklungsverfolgung der motorischen Leistung von Säuglingen mit einer tragbaren Lösung wie MAIJU ist technisch einfach zu erlernen und durchzuführen und kann leicht in die Gesundheitsversorgung oder die klinische Forschungspraxis implementiert werden 10,11,12. Im Vergleich zu den anderen bestehenden motorischen Bewertungsmethoden verbessert diese Art der Erfassung der spontanen motorischen Aktivität von Säuglingen zu Hause die ökologische Validität der Bewertung. Darüber hinaus bietet es eine quantifizierte, transparente und vollautomatische Analyse der motorischen Leistung von Säuglingen. Am wichtigsten ist, dass die in der Analyse verwendeten Metriken intuitiv und erklärbar sind, was einen einfachen Vergleich mit anderen klinischen und Forschungsbewertungen ermöglicht, wie z. B. Umweltfaktoren, kognitive Entwicklung oder psychosoziale Bewertungen. Eine ganzheitliche Bewertung der motorischen Entwicklung bietet eine Genauigkeit, die sich gut mit den herkömmlichen körperlichen Wachstumsmaßen vergleichenlässt 12.

Zu den kritischen Schritten im Protokoll gehört die sorgfältige Vorbereitung des tragbaren Anzugs. Bei der Vorbereitung auf eine Aufnahme ist die Wahl der richtigen Größe für den Anzug entscheidend, da die Sensoraufsätze in den Ärmeln und Beinen fest sitzen müssen, um eine zuverlässige Aufzeichnung der Körperbewegungen zu erhalten. Für eine erfolgreiche Aufzeichnung ist es außerdem wichtig, die Sensoren mit einer korrekten Ausrichtung in den Taschen zu platzieren, wie im Protokoll angegeben. Die Sensorhalterungen lassen es nicht zu, dass sich die Sensoren während der Aufnahme drehen. Der falsch ausgerichtete Sensor zeichnet jedoch Daten auf, die im Nachhinein nur schwer oder gar nicht zu beheben sind. Das Kind sollte ermutigt werden, sich während der Aufnahme frei und unabhängig zu bewegen. Die Aufnahmelänge kann je nach den gegebenen Studienfragen variieren. Die verschiedenen spontanen Bewegungsepochen werden kombiniert, um genügend spontane Bewegung für jede Aufnahmesitzung zu akkumulieren.

Der flexible und praktische Betrieb der tragbaren MAIJU-Lösung ermöglicht den Einsatz in variablen Kontexten sowohl in überwachten als auch in unbeaufsichtigten Umgebungen, wie z. B. Forschungslabors oder zu Hause. Jüngste Ergebnisse unserer klinischen Studien zeigen, dass vollständig unbeaufsichtigte Aufnahmen, die zu Hause durchgeführt werden, vergleichbare Ergebnisse liefern können wie Aufnahmen, die unter vollständiger oder teilweiser Aufsicht durchgeführt werden12. Dennoch wird das spontane motorische Verhalten eines Kindes möglicherweise von mehreren Faktoren beeinflusst, wie z. B. der Umgebung (z. B. draußen vs. drinnen, der Raumaufteilung, Möbeln und Spielzeug), dem Wachsamkeitsgrad des Kindes und der Beteiligung der Eltern während der Heimaufnahme. Wenn die Aufnahmen in unbeaufsichtigten Umgebungen zu Hause durchgeführt werden, ist es wichtig, das Kind zu ermutigen, spontan zu spielen, d. h. selbstständig zu spielen oder sich zu bewegen, ohne dass jemand anderes das Kind trägt oder hält, wenn dies nicht erforderlich ist, und das Aufnahmehandy in Bluetooth-Reichweite (im selben Raum) zu halten10. Die meisten unserer aktuellen Fehlerbehebungssituationen während der Aufnahmen werden durch den Verlust der Bluetooth-Verbindung verursacht. Fortschritte in der Sensortechnologie in naher Zukunft werden die Bluetooth-Konnektivität verbessern, und die bevorstehende Einführung eines größeren Sensorspeichers wird die Offline-Aufzeichnung ermöglichen, indem Bewegungsdaten direkt im Sensorspeicher gespeichert werden.

Außerklinische Aufzeichnungen mit einer solchen tragbaren Lösung sind leicht skalierbar und können die Sicherheit von Säuglingen verbessern, z. B. durch die Fernüberwachung unter Umständen wie einer Pandemie. Unsere aktuellen Klassifikatoralgorithmen wurden trainiert, um die gegebenen motorischen Fähigkeiten, Körperhaltungen und Bewegungen, die im Motilitätsbeschreibungsschema gezeigt werden, spezifisch zu erkennen (Abbildung 2A). Diese Phänomene wurden als charakteristisch für die Bewegung von Säuglingen in den ersten zwei Lebensjahren identifiziert. Andere Arten von Bewegungen oder Körperhaltungen, die bei älteren Kindern beobachtet werden, wie Laufen oder Springen, erfordern modifizierte Bewegungsbeschreibungsschemata und entsprechende Algorithmen, um sie zu identifizieren. Die haltungskontextabhängige Analyse ist ein potenziell fruchtbarer Ansatz, bei dem die motorische Aktivität eines Säuglings in verschiedenen Haltungen separat analysiert wird, um die Untersuchung zu unterstützen, z. B. Entwicklungskorrelate des Säuglingsverhaltens 5,6,7,8,9,13. Alternativ könnte eine kontextabhängige Bewegungsanalyse auch die Beurteilung der Asymmetrie in der motorischen Funktion bei der Vorhersage der Entwicklung einer einseitigen Zerebralparese unterstützen 10,12,14,15. Darüber hinaus kann die Bewertung motorischer Fähigkeiten mit dem MAIJU-System mit anderen Studienmodalitäten, z. B. Eye-Tracking, Bildgebung oder Videoaufzeichnung, kombiniert werden, um multimodale Daten bereitzustellen, die sich auf verschiedene Arten und Kontexte beziehen. Multimodale Daten können z.B. nützlich sein, um die Auswirkungen sozialer Interaktion oder die Wirksamkeit therapeutischer Interventionen zu bewerten.

Für den Erfolg neuartiger tragbarer Technologien in außerklinischen Überwachungsumgebungen mit Säuglingen müssen bestimmte Einschränkungen, Herausforderungen und ethische Bedenken angegangen werden. Unsere Analyse-Pipelines wurden mit sich typischerweise entwickelnden Säuglingen in Finnland trainiert und validiert 10,11,12. Die Rohanalyseergebnisse mit reinen Körperhaltungen und Bewegungen sollten universell sein. Ihre Entwicklungsverläufe können jedoch Anpassungen für verschiedene Kulturen und geografische Standorte erfordern. Laut Elternfeedback zu tragbaren Geräten werden diese aufgrund ihrer Säuglingsfreundlichkeit positiv bewertet16. Eltern können jedoch Bedenken hinsichtlich Datenschutz, Datenzugriff und familiärer Praktikabilität äußern (z. B. mehrere Betreuer, Besucher und unterschiedliche Zeitpläne). Die Abhängigkeit von der Batterielebensdauer der Sensoren und des Aufnahmetelefons kann als Einschränkung der Methode angesehen werden. Unserer Erfahrung nach hält das Batteriemodell (CR2025) bei kontinuierlichem Datenstreaming in der Regel den ganzen Tag (12-24 Stunden). Insbesondere hängt dies sowohl von der Batteriemarke als auch von der Stärke der Bluetooth-Verbindung ab, die für die drahtlose Datenübertragung erforderlich ist, die sich ständig ändert, um die Datenübertragung in der Aufnahmeumgebung zu maximieren. Zum Beispiel würde ein großer Abstand zwischen dem Säugling und dem Telefon oder eine Wand zwischen ihnen die Bluetooth-Verbindung auf einen deutlich höheren Akkuverbrauch einstellen. Bemerkenswert ist, dass die Akkus der meisten Mobilgeräte auch innerhalb der gleichen Zeit entladen werden, wenn kontinuierliches Bluetooth-Streaming verwendet wird. In der Praxis bedeutet das derzeit verwendete kontinuierliche Datenstreaming über eine Bluetooth-Verbindung, dass sowohl die Sensoren als auch die mobilen Geräte täglich aufgeladen/ausgetauscht werden müssen. Die baldige Einführung von Sensoren mit größerer Speicherkapazität wird die Datenspeicherung im Sensorspeicher ermöglichen und eine kontinuierliche Aufzeichnung von über einer Woche ermöglichen. Dadurch entfällt die Notwendigkeit eines stromverbrauchenden Bluetooth-Streamings sowie das Tragen des Telefons in einer Bluetooth-Reichweite, die in Aufnahmesituationen als restriktiv empfunden werden kann und anfällig für menschliche Fehler ist.

Insgesamt erfordert die Verfolgung der frühen Neuroentwicklung Methoden, die empfindlich auf die natürliche Variabilität des neurologischen Verhaltens reagieren. Die grobmotorische Entwicklung ist ein komplizierter Prozess, der aus Variationen in der Reihenfolge und im Timing besteht, sowohl auf individueller als auch auf kultureller Ebene4. Die Erkennung einer atypischen motorischen Entwicklung ist wirksam bei der Erkennung von Säuglingen mit einem Risiko für eine Vielzahl von neurologischen Entwicklungsstörungen. Herkömmliche Testbatterien mit standardisierten neurologischen Entwicklungsbewertungen werden in kontrollierten Umgebungen, wie z. B. Krankenhäusern, durchgeführt und sind zumindest teilweise subjektiv 7,8,9. Aktuelle Fortschritte in der Sensortechnologie und Signalanalyse haben Aufzeichnungen der spontanen motorischen Fähigkeiten von Säuglingen über längere Zeiträume in außerklinischen Umgebungen und die Quantifizierung des motorischen Verhaltens mit einer Genauigkeit ermöglicht, die mit menschlichen Beobachtern vergleichbar ist 10,11,12. Neuartige tragbare Technologie bietet automatisierte und skalierbare Methoden zur Überwachung von Bewegungen und der Wirksamkeit therapeutischer Interventionen bei Säuglingen auf ökologisch valide und objektive Weise. Darüber hinaus ermöglicht der neuartige neurologische Entwicklungsindex Baba Infant Motor Score (BIMS) die Abschätzung der motorischen Reife von Säuglingen durch individuelle Verfolgung der Neuroentwicklung10,12. Es kann in einer Reihe zukünftiger Anwendungen eingesetzt werden, z. B. bei der Entwicklung von motorischen Wachstumsdiagrammen für Säuglinge12. Durch das Training der automatisierten Klassifikatoren für andere spezifische Motilitäten (z. B. für ältere Kinder oder Erwachsene) mit verschiedenen Arten von Bewegungsbeschreibungsschemata und Algorithmen haben die tragbaren Bewegungssensoren das Potenzial für klinische Anwendungen, wie z. B. Bewegungsstörungen oder die Nachverfolgung der Auswirkungen therapeutischer Interventionen, unabhängig vom Entwicklungsstadium des Individuums17. Derzeit sollte dies jedoch als Prüfmethodik angesehen werden, die nicht als Grundlage für klinische Diagnosen oder Behandlungsziele verwendet werden sollte.

Offenlegungen

The authors have nothing to disclose.

Acknowledgements

Diese Arbeit wurde von der Finnischen Akademie (314602, 335788, 335872, 332017, 343498), der Finnischen Stiftung für Pädiatrie (Lastentautien tutkimussäätiö), der Aivosäätiö, der Sigrid Juselius Stiftung und dem Forschungsfonds des HUS-Kinderkrankenhauses/HUS-Diagnosezentrums unterstützt.

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