Évaluation quantifiée des capacités motrices globales du nourrisson à l’aide d’un appareil portable multicapteur

La méthode présentée quantifie la performance motrice globale des nourrissons en classant les types de postures et de mouvements pour chaque seconde de la session d’enregistrement. Par conséquent, le package de résultats du pipeline d’analyse automatisé comprend une matrice de classification complète (fichier supplémentaire 3) et un résumé graphique (fichier supplémentaire 4) de l’ensemble de la session d’enregistrement. Selon la question exacte de l’étude, ces résultats peuvent être inspectés à différents niveaux. L’inspection des résultats a été utilisée pour l’élaboration et la validation de cette méthode.Dans ce qui suit, nous présentons quatre niveaux d’inspection des résultats utilisés pour l’élaboration et la validation de cette méthodologie. Le fichier supplémentaire 5 présente des exemples représentatifs des principales expériences de validation qui ont été publiées précédemment en détail 10,11,12. Tout d’abord, les algorithmes automatiques entraînés pour les détections de mouvement et de posture ont été validés par rapport aux observations humaines de deuxième niveau du comportement de mouvement des nourrissons. Nous avons fait appel à plusieurs experts formés en parallèle qui ont examiné à l’aveugle les enregistrements vidéo synchronisés avec les enregistrements portables. Toutes les différentes catégories de postures et de mouvements ont été comparées séparément aux annotations humaines individuelles, et nous avons trouvé une très forte concordance entre l’algorithme et l’humain pour les postures (kappa moyen 0,93) ; Une concordance substantielle a été trouvée pour les catégories de mouvement (kappa spécifique à la sous-catégorie, principalement de l’ordre de 60 à 80 %). Voir le fichier supplémentaire 5A pour un exemple de matricede confusion 10. De plus, les niveaux d’accord inter-juges ont été évalués pour confirmer que les algorithmes fonctionnent à peu près au niveau équivalent humain10,11. Deuxièmement, nous avons évalué dans quelle mesure la quantification basée sur le classificateur des catégories de mouvement et de posture correspondrait à la quantification correspondante des annotations humaines de deuxième niveau. Des exemples de nuages de points présentés dans le fichier supplémentaire 5B10 montrent que plusieurs catégories clés ont une correspondance presque parfaite (coefficient de corrélation >0,96) entre la quantification visuelle algorithmique et humaine. Cela soutient directement l’idée que les distributions par âge de la quantification de la motilité (Figure 3A,B) sont fiables12. Troisièmement, l’idée d’une évaluation holistique de la maturité motrice a été validée par l’entraînement d’une prédiction de l’âge de développement à partir des quantités de mouvements combinés (voir ci-dessus) qui était très étroitement corrélée avec l’âge réel chez les nourrissons au développement typique (r = 0,89 ; Dossier supplémentaire 5C). Par la suite, la prédiction de l’âge a été mise à l’échelle de 0 à 100 en tant que mesure sans unité BIMS (Baba Infant Motor Score10), et son utilité pour la construction de courbes de croissance motrice (fichier supplémentaire 5D) a été validée à l’aide d’une cohorte de nourrissons en développement typique montrant fortement des trajectoires de croissance prévisibles et dépendantes de l’âge. Nous avons également validé sa précision relative en montrant que la précision des courbes de croissance motrice se compare bien aux courbes de croissance physique bien connues12. Quatrièmement, le potentiel de détection d’anomalies avec les paramètres donnés a été validé dans une expérience de preuve de principe où il a été démontré que les mesures motrices individuelles différenciaient clairement les nourrissons ayant une performance motrice faible et bonne, respectivement (fichier supplémentaire 5E)10. Questions d’étude supplémentaires potentielles à différents niveaux d’analyseLa figure 3 montre des exemples d’autres utilisations des informations fournies par la combinaison portable et son pipeline d’analyse automatisé. Premièrement, le développement précoce de la posture et des habiletés motrices peut être tracé en fonction de l’âge et comparé aux distributions en fonction de l’âge (figure 3A, « courbes de croissance »12), ou le développement peut être suivi au fil du temps pour chaque individu (figure 3B). Deuxièmement, lorsqu’une question d’étude nécessite une évaluation plus holistique de la motricité globale, on peut utiliser une combinaison des proportions de posture et de mouvement d’un individu (comme indiqué dans le fichier supplémentaire 5D, calculé à partir de la série chronologique du fichier supplémentaire 5C) pour générer un indice comme BIMS (Baba Infant Motor Score). De telles mesures prennent en charge l’utilisation directe dans les courbes de croissance motrice (fichier supplémentaire 5C, D) et le calcul de dérivations statistiques comme le score z (Figure 3A). L’utilisation de la série de détections de l’algorithme à temps plein (Figure 3C et fichier supplémentaire 3) permet d’étudier la structure temporelle détaillée de la motilité des nourrissons avec des questions telles que « Combien de transitions de posture le nourrisson effectue-t-il dans une unité de temps ? » ou « Quelle est la distribution des époques debout pendant le temps de jeu spontané ? ». Figure 1 : Vue d’ensemble du système portable multicapteur et d’un flux d’étude typique de l’enregistrement à l’analyse. Figure 1 adaptée d’Airaksinen et al.12publiée sous licence CC_BY. La photographie du nourrisson est publiée avec l’accord des parents. Veuillez cliquer ici pour voir une version agrandie de cette figure. Figure 2 : Catégorisation de la posture et des mouvements et exemple de visualisation des données brutes et des résultats d’analyse (A) Schéma de catégorisation de la posture et des mouvements utilisé par les classificateurs algorithmiques dans le pipeline d’analyse entièrement automatisé d’un wearable multicapteur. Cette figure est réimprimée à partir d’Airaksinen et al.10 (B) Exemple d’une période de 10 minutes de données brutes du capteur de l’accéléromètre de chacun des quatre bras telles qu’elles ressortent des enregistrements MAIJU. Les barres horizontales ci-dessous représentent les sorties du classificateur automatisé pour les détections de posture (barre supérieure) et de mouvement (barre inférieure) pour la même époque de 10 minutes. Veuillez cliquer ici pour voir une version agrandie de cette figure. Figure 3 : Exemple de résultats dérivés des sorties brutes du classificateur. (A) Exemple de comparaison de données entre l’âge du nourrisson et le score moteur du nourrisson Baba (BIMS). La courbe verte en forme de S représente la trajectoire de développement du BIMS dans une population plus large. Le point représente un exemple d’individu mesuré à 14 mois, avec un BIMS ~74, correspondant à un peu en dessous du niveau d’âge moyen typique (la ligne verte). (B) Un exemple de cohorte avec des trajectoires individuelles de développement moteur à l’aide du Baba Infant Motor Score over (BIMS). Chaque ligne représente un nourrisson enregistré à plusieurs âges (points dans la ligne). Les lignes sont colorées pour l’écart moyen par rapport à la moyenne typique de l’âge (courbe bleue en forme de S en arrière-plan ; voir aussi le panneau A. (C) Matrice de sortie représentative du classificateur automatique telle qu’elle provient du pipeline Babacloud. La première colonne représente le temps écoulé depuis le début de l’enregistrement (en secondes) pour chaque fenêtre d’analyse de la classification (durée de la fenêtre 2,3 s, avec un chevauchement de 50 %). Les deuxième et troisième colonnes montrent la détection du classificateur pour la posture et le mouvement, respectivement. Les troisième et quatrième colonnes sont des classificateurs auxiliaires représentant les époques où l’enfant était porté par quelqu’un d’autre et où l’enfant s’engageait dans un jeu autonome, respectivement. (D) Une illustration d’un rapport sommaire. Les panneaux A et B sont adaptés d’Airaksinen et al.10. Veuillez cliquer ici pour voir une version agrandie de cette figure. Fichier supplémentaire 1 : Un guide rapide pour enregistrer avec le wearable MAIJU. Veuillez cliquer ici pour télécharger ce fichier. Fichier supplémentaire 2 : Un guide rapide pour transférer des données de Maijulogger vers le serveur d’analyse de Babacloud. Veuillez cliquer ici pour télécharger ce fichier. Fichier supplémentaire 3 : Un exemple de matrice de classification détaillée qui donne toutes les classifications seconde par seconde pour la posture, le mouvement, le portage du nourrisson et le temps de jeu libre. Veuillez cliquer ici pour télécharger ce fichier. Fichier supplémentaire 4 : Exemple de fichier PDF complet d’un rapport récapitulatif graphique. Ceci est tiré du fichier d’algorithme qui comprend (A) des informations de base sur la session d’enregistrement (ID et âge du sujet, date d’enregistrement, durée et nombre total d’époques utilisées pour les analyses finales). (B) Un affichage graphique de l’enregistrement complet indiquant la distribution des postures sur l’enregistrement complet et des époques exclues de l’évaluation quantitative. C) Distributions typiques affichées avec des tracés de violon pour les six postures (côté gauche) et les 12 types de mouvements (côté droit). De même, les dessins sur le côté droit représentent le type de mouvements indiqués par chaque posture, montrant également la séquence de développement progressif des performances motrices (les points indiquant les résultats d’un enregistrement individuel et les graphiques de violon colorés indiquant les distributions de posture/mouvement en fonction de l’âge d’un ensemble de données pertinent). Notamment, les valeurs brutes indiquées par les points indiquent les quantités réelles de la performance motrice donnée, et elles peuvent être utilisées directement dans d’autres contextes. Veuillez cliquer ici pour télécharger ce fichier. Fichier supplémentaire 5 : Expériences de validation à différents niveaux d’analyse. (A) Matrices de confusion montrant la concordance entre les annotations humaines (classe cible) et les détections de l’algorithme (classe prédite) pour les catégories de posture et de mouvement. (B) Comparaison des quantifications motrices sur des sessions d’enregistrement complètes entre les annotations humaines et les détections dérivées du classificateur automatisé. (C) Corrélation entre la prédiction de l’âge de développement à partir des données portables (axe Y du côté gauche) et sa mise à l’échelle pour générer le score BIMS (axe Y du côté droit). L’âge réel du nourrisson au moment de l’enregistrement est indiqué sur l’axe des abscisses. (D) Corrélation de la prédiction de l’âge et de l’âge réel lors de l’utilisation d’une fonction ajustée. Les valeurs illustrées s’adaptent au modèle lors de l’utilisation de la moyenne de groupe aux fenêtres de temps représentées (bleu), de toutes les valeurs brutes (noir) ou lors de la prise en compte de mesures répétées de chaque individu (vert). (E) La comparaison des mesures motrices individuelles entre des groupes de nourrissons performants et peu performants suggère que plusieurs paramètres moteurs détectés automatiquement peuvent différencier ces groupes de nourrissons. Les panneaux A, B et C sont adaptés d’Airaksinen et al.10. Le panneau D est adapté d’Airaksinen et al.12. Le panneau E est adapté de “Airaksinen et al.11. Veuillez cliquer ici pour télécharger ce fichier.