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

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。