Kvantificeret vurdering af spædbarns grovmotoriske evner ved hjælp af en multisensor bærbar

Tidlig grovmotorisk udvikling er afgørende for neurokognitiv ydeevne på højere niveau, der opstår senere ved at støtte spædbørns udforskning af miljøet. Derfor har både klinikere og forskere stor interesse i at vurdere den tidlige bruttomotoriske udvikling ^1,2,3. For at yde støtte til evidensbaseret medicin eller videnskabelige undersøgelser er det vigtigt, at de grovmotoriske vurderinger er kvantitative, pålidelige, objektive og økologisk gyldige. Der er imidlertid mangel på sådanne metoder til rådighed for enten klinisk eller grundvidenskabelig forskning.

En typisk tidlig grovmotorisk udvikling skrider frem gennem en forudsigelig sekvens af nyerhvervede færdigheder. De observeres almindeligvis hos spædbørn som at nå diskrete motoriske milepæle⁴, hvor stående og gående ofte betragtes som vigtige vartegn på vej til mere komplekst adfærdsrepertoire⁵. Ud over direkte observation eller forældreundersøgelser om motoriske milepæle er der udviklet flere udbredte standardiserede batterier 6,7,8,9 til udførelse af spædbørns vurderinger i laboratorie- eller hospitalsmiljøet. Disse vurderinger lider imidlertid af flere forbehold: de kræver betydelig ekspertise fra uddannede fagfolk, de er delvis subjektive og kategoriske, og de vurderer spædbørns præstationer i et miljø (hospital eller laboratorium), der er unaturligt fra et spædbarns perspektiv.

Registrering af spædbørns spontane motoriske aktivitet over længere tid i det oprindelige miljø, såsom deres hjem, muliggør mere relevante målinger af motoriske evner. I en sådan gennemførlig metode udføres vurderingen for den fulde sekvens af spædbarnets motoriske evneudvikling fra liggende liggende til at gå flydende med et bærbart system, såsom MAIJU wearable (Motor Assessment of the Infants with a JUmpsuit)10,11,12. MAIJU wearable-systemet (figur 1) involverer en helkropstekstilbeklædning udstyret med bevægelsessensorer for at muliggøre uovervågede vurderinger og optagelser uden for hospitalet / laboratoriet, der analyseres med en automatiseret pipeline, hvilket giver en sekund-for-sekund vurdering af kropsholdning og bevægelsesmønstre. Disse algoritmiske detektioner kan bruges til hver kropsholdning og bevægelsestype separat, eller de kan kombineres til en holistisk vurdering af modningsniveauet af spædbarnets motoriske evner. Et nyligt offentliggjort, enhedsfrit udtryk for en sådan måling af motorisk modenhed er BIMS (Baba Infant Motor Score)^10,12.

Denne artikel vil beskrive vurderingen af spædbørns grovmotoriske ydeevne ved hjælp af en multisensor bærbar dragt; begrundelsen, praktisk ydeevne, analysepipeline og potentielle fremtidsperspektiver for brug af de målinger, der kan opnås fra den automatiserede analysepipeline, der er tilgængelig for optagelser med en multisensor bærbar 10,11,12. Metoden er velegnet til en detaljeret kvantificering af spontan grovmotorisk aktivitet hos alle spædbørn, der udviser motoriske evner mellem liggende liggende og flydende gang.

Multisensorens bærbare system består af tre komponenter: 1) hele kroppen samlet beklædningsgenstand udstyret med fire bevægelsessensorer, 2) en mobilenhed ved hjælp af en specialbygget iOS-applikation og 3) en skybaseret analysepipeline (Babacloud, hvis legitimationsoplysninger kan fås fra forfatterne)¹¹. De vandtætte IMU-sensorer (Inertial Measurement Unit) streamer synkroniserede data (3-akset accelerometer og gyroskop) ved 13-52 Hz samplingfrekvens til en mobiltelefon ved hjælp af en Bluetooth-forbindelse med lavt energiforbrug. Dataene gemmes oprindeligt i hukommelsen på (sensoren eller) mobilenheden, efterfulgt af en offline analyse på cloud-serveren, efter at optagelsen er stoppet.

De undersøgelser, der blev udført med dette system, blev gennemgået af den etiske komité på New Children's Hospital, Helsinki University Hospital, og hospitalet gav tilladelse til at udføre de forskningsprojekter, der er beskrevet i de oprindelige undersøgelser, der er citeret i dette arbejde. Der blev indhentet informeret samtykke til at filme barnet i videoen.

1. Klargøring af dragten til en optagelsessession

1. Vælg den korrekte dragtstørrelse. I øjeblikket løber størrelserne op fra størrelse 68 cm, og der er fem forskellige størrelsesmuligheder (68 cm, 74 cm, 80 cm, 86 cm og 92 cm). Sørg for, at dragten sidder tæt, men alligevel behageligt, og at barnet kan bevæge sig frit uden indblanding.
2. Start optagelsen, dvs. dataindsamling ved hjælp af dataloggerprogrammet, Maijulogger, som beskrevet i supplerende fil 1.
   1. På den første side skal du indtaste "Emneidentifikationsnummer". Antallet af bevægelsessensorer, der bruges i vurderingen, er som standard indstillet til 4 som vist på første side.
   2. Fortsæt til næste trin ved at trykke på pil fremad.
3. Udstyr fire sensorer med batterier (version CR2025).
4. Par hver sensor med mobilapplikationen ved at vælge og trykke på en lemplacering på applikationen og bringe sensoren tæt på mobilenheden.
   1. Bekræft, at det korrekte sensornummer vises på applikationen.
   2. Sørg for tilstrækkeligt batteriopladningsniveau (anbefalet > 80%) ved at kontrollere indikatorerne under sensornummeret.
      BEMÆRK: Udskift sensorbatterierne, hvis det er nødvendigt, ved at løfte bagdækslet.
5. Fastgør hver sensor med snap-on-beslagene i den korrekte ærmelomme.
   1. Sørg for, at sensorerne vender korrekt.
   2. Se altid den nyeste brugervejledning for at få flere oplysninger. Forkert orientering vil føre til ubrugelige data.
6. Fortsæt med at kontrollere den korrekte sensorparring ved at trykke på pil frem i applikationen.
   1. Ryst sensorerne en efter en, og kontroller applikationen for at se, at den korrekte indikator vrikker.
7. Når kontrollerne er fuldført, skal du fortsætte til startsiden ved at trykke på pil frem.
   BEMÆRK: Hvis det er nødvendigt, kan varigheden af optagelsen (hh:mm) indstilles manuelt ved at trykke på knappen Indstillinger i starten af hver optagelse.
   1. Tryk på knappen Optag for at starte optagelsen. Vent, indtil sensorerne er klar, før du klæder dragten på spædbarnet (dette kan tage et par minutter).
8. For optagelser uden opsyn skal du indstille skærmlåsen til mobilenheden for at undgå dens forældrefunktion og pakke dragten til levering til modtageren.
   1. Brug en kurer eller lignende service til at levere dragten til modtageren umiddelbart efter, at den er blevet klargjort.

2. Klargøring og påklædning af spædbarnet til en optagelsessession

1. Sørg for, at spædbarnet ammes (dvs. fodres og bleer skiftes) og føler sig sikker og komfortabel til en naturlig og spontan legetid.
   1. Fjern dragten senere for bleskift, hvis det er nødvendigt.
2. Klæd dragten på spædbarnet som gjort med almindelige overalls.
   1. Kontroller, at sensorlommerne vender udad (dvs. væk fra kroppens midterlinje i stedet for at rotere mod forsiden eller bagsiden af spædbarnet).
3. Kontroller, at dragten sidder tæt på lemmerne på hver sensorplacering.
   1. Juster stropperne nær lommerne for at stramme sensoren på lemmen, hvis det er nødvendigt.
      BEMÆRK: Det er også muligt at tilføje tøj under dragten eller bandager for at fastgøre sensorerne, hvis lemmerne er for tynde til tilstrækkelig fastgørelse med stropperne.

3. Optagelse session

1. Hold den mobile enhed i nærheden af spædbarnet for at sikre en pålidelig dataoverførsel via Bluetooth-forbindelsen (dvs. i samme rum eller inden for 10 m, hvis du optager i åbent rum), når du optager med direkte datastreaming.
   1. Opbevar den mobile enhed i en taske, f.eks. et tablethylster, hvis det er relevant, for nemmere og sikrere håndtering. Bluetooth-protokollen vil forsøge at oprette forbindelse igen, hvis BLE-forbindelsen går tabt.
      BEMÆRK: Det tilrådes ikke at pause og derefter fortsætte optagelsen, da det kan forstyrre synkronisering mellem sensorer eller den tidsmæssige integritet af de registrerede data, såvel som du kan miste BLE-forbindelsen. Ved sådanne lejligheder er den eneste mulighed at slukke for applikationen og starte optagelsen på ny.
2. Arranger omgivelserne for at lette legen med legetøj og andre genstande og opmuntre spædbarnet til at bevæge sig frit. For eksempel skal du rydde pladsen til at bevæge dig rundt eller lægge en måtte på jorden, så spædbarnet kan opfordres til at bevæge sig, når det ser alderssvarende legetøj. Målet er at registrere spædbarnets naturlige bevægelse.
   1. Sørg for, at spædbarnet føler sig godt tilpas og sikkert nok til at engagere sig i spontan leg uden at opleve angst på grund af nye mennesker eller ukendte steder.
3. Optag mindst 1 times frit spil eller så længe som ønsket af studiespørgsmålene. Flere lege-/bevægelsesepoker kan kombineres senere i analysen.
4. Hvis det kræves af den specifikke forskningsprotokol, skal du tage yderligere noter for at lette detaljeret inspektion af individuelle resultater. Brug synkroniserede kommentarer i realtid i dataloggerapplikationen som fritekst, lydoptagelser eller videooptagelser.
5. For hjemmeoptagelser uden opsyn skal du indstille optagelsen til at stoppe automatisk (dvs. indstil varigheden (hh: mm) af optagelsen manuelt ved at trykke på knappen Indstillinger ).
6. I overvågede indstillinger skal du afslutte optagelsen ved at trykke på Stop-knappen på applikationen.
7. Tag dragten af og pakk den til retur til laboratoriet.
8. Vask dragten efter hver optagelse, når du har taget sensorerne af dragtlommerne. Brug rengøringsmidler, herunder fugttransport, der er rettet mod syntetiske materialer¹¹, hvis de er tilgængelige.
   1. Undersøg dragten visuelt efter vask for mekaniske defekter, før du opbevarer den til brug på det næste barn.

4. Cloudbaseret analyse: upload af rådata og download af resultater

1. Klik på den optagede fil i databasevisningen af applikationen, og klik derefter på Eksporter til Babacloud, som åbner startsiden for beregningsskyen (https://babacloud.fi/) ved hjælp af webbrowseren på mobilenheden (supplerende fil 2).
2. Indtast brugernavn og adgangskode på login-siden. Hvis det er nødvendigt, kan du anmode om nye legitimationsoplysninger fra den e-mailadresse, der er angivet på Babaclouds hjemmeside.
3. Vælg den optagede fil til upload. Vælg derefter et identifikationsnummer for emnet, og tilføj de nødvendige oplysninger som angivet af Babacloud-arbejdsgangen. Hvis det er relevant for sagen, skal du også indtaste motivets alder eller andre oplysninger (f.eks. spilletid) for at "Tilføj en anden rå filetiket". Til sidst skal du gemme uploadsessionen ved at trykke på knappen Gem .
   BEMÆRK: Som standard genererer dataloggerapplikationen en zip-fil fra bevægelsesdataene for at muliggøre en lettere og hurtigere dataoverførsel over luften via et wi-fi eller mobilnetværk. Babacloud-grænsefladen kræver legitimationsoplysninger, der kan fås som beskrevet på deres webside. De optagede rådata kan også overføres direkte fra telefonen til en anden enhed til tilpasset analyse. Sørg for, at unødvendige data fra mobilenhedens hukommelse slettes for at undgå forvirring mellem optagelsessessioner. Optagelsessessionerne placeres automatisk i deres egne mapper, som navngives med deres respektive tidsstempler.
4. Download den zippede pakke med analyseoutput fra cloud-serveren ved hjælp af en mobilenhed eller en computerwebbrowser. Klik på det korrekte emne-id, og vælg derefter linket til den ønskede analyse, som automatisk åbner filoverførslen.
   BEMÆRK: I pakken med zippede resultater findes de to følgende elementer: En detaljeret resultatmatrix, som giver alle klassifikationer sekund for sekund for kropsholdning, bevægelse, spædbørnstransport og fri legetid (figur 2A, supplerende fil 3). Grafiske rapporter, der giver et overblik over studiesessionen (supplerende fil 4).

Den præsenterede metode kvantificerer spædbørns grovmotoriske ydeevne ved at klassificere typer af stillinger og bevægelser for hvert sekund af optagelsessessionen. Derfor indeholder resultatpakken fra den automatiserede analysepipeline en komplet klassificeringsmatrix (supplerende fil 3) og en grafisk oversigt (supplerende fil 4) fra hele optagelsessessionen. Afhængigt af det nøjagtige undersøgelsesspørgsmål kan disse resultater inspiceres på forskellige niveauer.

Resultatinspektion blev brugt til udvikling og validering af denne metode.
I det følgende præsenterer vi fire niveauer af resultatinspektion, der anvendes til udvikling og validering af denne metode. Supplerende fil 5 indeholder repræsentative eksempler på de vigtigste valideringseksperimenter, der tidligere blev offentliggjort i detaljer 10,11,12.

For det første blev de automatiske algoritmer, der blev trænet til bevægelses- og kropsholdningsdetekteringer, valideret mod menneskelige observationer på andet for andet niveau af spædbørns bevægelsesadfærd. Vi brugte flere parallelt uddannede eksperter, der blindt gennemgik de synkroniserede videooptagelser med de bærbare optagelser. Alle forskellige kropsholdnings- og bevægelseskategorier blev sammenlignet separat med de enkelte menneskelige annotationer, og vi fandt en meget høj overensstemmelse mellem algoritmen og mennesket for stillinger (gennemsnitlig kappa 0,93); Der blev fundet en betydelig overensstemmelse for bevægelseskategorier (underkategorispecifik kappa, hovedsagelig i størrelsesordenen 60-80 %). Se Supplerende fil 5A for et eksempel på forvirringsmatrix¹⁰. Interrater-aftaleniveauer blev også vurderet for at bekræfte, at algoritmerne fungerer på omkring humant ækvivalentniveau^10,11.

For det andet vurderede vi, hvor godt den klassifikatorbaserede kvantificering af bevægelses- og kropsholdningskategorier ville matche den tilsvarende kvantificering fra menneskelige anmærkninger på andet niveau. Eksempler på spredningsdiagrammer vist i supplerende fil 5B¹⁰ viser, at flere nøglekategorier har et næsten perfekt match (korrelationskoefficient >0,96) mellem algoritmisk og menneskelig visuel kvantificering. Dette understøtter direkte ideen om, at de aldersspecifikke fordelinger af motilitetskvantitation (figur 3A, B) er pålidelige¹².

For det tredje blev ideen om en holistisk vurdering af motorisk modenhed valideret ved at træne en udviklingsmæssig aldersforudsigelse fra kombinationsbevægelsesmængderne (se ovenfor), der korrelerede meget tæt med den faktiske alder hos de typisk udviklende spædbørn (r = 0,89; Supplerende fil 5C). Derefter blev aldersforudsigelsen skaleret til 0-100 som et enhedsløst mål BIMS (Baba Infant Motor Score¹⁰), og dets anvendelighed til opbygning af motoriske vækstdiagrammer (supplerende fil 5D) blev valideret ved hjælp af en typisk udviklende spædbarnskohorte, der i høj grad viser aldersafhængige og forudsigelige vækstbaner. Vi validerede også dens relative nøjagtighed ved at vise, at nøjagtigheden i motorvækstdiagrammer sammenligner godt med de velkendte fysiske vækstdiagrammer¹².

For det fjerde blev potentialet for abnormitetsdetektion med de givne målinger valideret i et bevis for principeksperiment, hvor individuelle motoriske målinger viste sig klart at skelne mellem spædbørn med henholdsvis dårlig og god motorisk ydeevne (supplerende fil 5E)¹⁰.

Potentielle yderligere undersøgelsesspørgsmål på forskellige analyseniveauer
Figur 3 viser eksempler på yderligere anvendelser af oplysningerne fra den bærbare dragt og dens automatiserede analysepipeline. For det første kan den tidlige udvikling af kropsholdning og bevægelsesfærdigheder plottes som en funktion af alder og sammenlignes med de aldersafhængige fordelinger (figur 3A, "vækstdiagrammer"¹²), eller udviklingen kan spores over tid for hver enkelt person (figur 3B). For det andet, når et undersøgelsesspørgsmål kræver en mere holistisk grovmotorisk vurdering, kan man bruge en kombination af en persons kropsholdning og bevægelsesforhold (som vist i supplerende fil 5D, beregnet ud fra tidsserien i supplerende fil 5C) til at generere et indeks som BIMS (Baba Infant Motor Score). Sådanne foranstaltninger understøtter direkte brug i motorvækstdiagrammer (supplerende fil 5C, D) og beregning af statistiske afledninger som z-score (figur 3A). Brug af fuldtidsserien af algoritmens detektioner (figur 3C og supplerende fil 3) tillader undersøgelser af den detaljerede tidsmæssige struktur af spædbørns bevægelighed med spørgsmål som "Hvor mange kropsholdningsovergange udfører spædbarnet i en enhedstid?" eller "Hvad er fordelingen af stående epoker under spontan legetid?".

Figur 1: Oversigt over det bærbare multisensorsystem og et typisk undersøgelsesflow fra optagelsen til analysen. Figur 1 tilpasset fra Airaksinen et ^al.12offentliggjort under CC_BY licens. Spædbarnsfotografiet offentliggøres med forældrenes samtykke. Klik her for at se en større version af denne figur.

Figur 2: Kropsholdning og bevægelseskategorisering og et eksempel på visualisering af rådata og analyseoutput (A) Kropsholdning og bevægelseskategoriseringsskema, der bruges af de algoritmiske klassifikatorer inden for den fuldautomatiske analysepipeline til en multisensor-bærbar. Denne figur er genoptrykt fra Airaksinen et ^al.10 (B) Eksempel på en 10 min rå accelerometer sensordata fra hver af de fire arme, som det kommer ud fra MAIJU optagelserne. De vandrette bjælker nedenfor viser automatiske klassificeringsudgange for registrering af kropsholdning (øverste bjælke) og bevægelse (nederste bjælke) for den samme 10 minutters epoke. Klik her for at se en større version af denne figur.

Figur 3: Eksempler på resultater afledt af output fra rå klassifikator. (A) Et eksempel på en datasammenligning mellem spædbarnsalder og Baba Infant Motor Score (BIMS). Den S-formede grønne kurve viser BIMS' udviklingsbane i en større population. Prikken viser et eksempel på et individ målt til 14 måneder med en BIMS ~74, svarende til lidt under det gennemsnitlige alderstypiske niveau (den grønne linje). (B) Et eksempel på en kohorte med individuelle baner for motorisk udvikling ved hjælp af Baba Infant Motor Score over (BIMS). Hver linje repræsenterer et spædbarn, der er registreret i flere alderspunkter (prikker i linjen). Linjerne er farvet for den gennemsnitlige afvigelse i forhold til det alderstypiske gennemsnit (blå S-formet kurve i baggrunden; se også panel A. (C) Repræsentativ outputmatrix fra den automatiske klassifikator, som den kommer fra Babacloud-rørledningen. Den første kolonne viser den forløbne tid fra registreringsstart (i sekunder) for hvert analysevindue i klassificeringen (vinduets varighed 2,3 sek. med 50 % overlapning). Den anden og tredje kolonne viser klassificeringsdetekteringen for henholdsvis kropsholdning og bevægelse. Den tredje og fjerde kolonne er hjælpeklassifikatorer, der skildrer epoker, når spædbarnet blev båret af en anden, og når spædbarnet deltog i henholdsvis autonom leg. D) En illustration af en sammenfattende rapport. Panelerne A og B er tilpasset fra Airaksinen et ^al.10. Klik her for at se en større version af denne figur.

Supplerende fil 1: En hurtig guide til optagelse med MAIJU bærbar. Klik her for at downloade denne fil.

Supplerende fil 2: En hurtig guide til overførsel af data fra Maijulogger til analyseserveren i Babacloud. Klik her for at downloade denne fil.

Supplerende fil 3: Et eksempel på en detaljeret klassifikationsmatrix, der giver alle klassifikationer sekund for sekund for kropsholdning, bevægelse, spædbørnstransport og fri legetid. Klik her for at downloade denne fil.

Supplerende fil 4: Et fuldstændigt PDF-fileksempel på en grafisk oversigtsrapport. Dette er taget fra algoritmefilen, der indeholder (A) grundlæggende baggrundsinformation om optagelsessessionen (emne-id og alder, optagelsesdato, varighed og det samlede antal epoker, der bruges til de endelige analyser). (B) En grafisk visning af den fulde registrering, der angiver fordelingen af stillinger over den fulde registrering og epoker, der er udelukket fra den kvantitative vurdering. C) Typiske fordelinger vist med violinplot for alle seks stillinger (venstre side) og 12 satstyper (højre side). På samme måde viser tegninger på højre side den type bevægelser, der er angivet af hver kropsholdning, og viser også sekvensen af trinvist udviklende motorisk ydeevne (prikkerne, der angiver resultaterne fra en individuel optagelse og farverige violinplot, der angiver aldersafhængige fordelinger af kropsholdning/bevægelse af et relevant datasæt). Især viser de rå værdier, der er angivet med prikkerne, faktiske mængder af den givne motoriske ydeevne, og de kan bruges direkte i andre sammenhænge. Klik her for at downloade denne fil.

Supplerende fil 5: Valideringseksperimenter på forskellige analyseniveauer. (A) Forvirringsmatricer, der viser overensstemmelse mellem menneskelige annoteringer (målklasse) og algoritmens detektioner (forudsagt klasse) for både kropsholdnings- og bevægelseskategorierne. (B) Sammenligning af motoriske kvantificeringer over fulde optagelsessessioner mellem menneskelige anmærkninger og detektioner afledt af den automatiserede klassifikator. (C) Korrelation mellem forudsigelse af udviklingsalder fra de bærbare data (venstre side Y-akse) og dens reskalering for at generere BIMS-score (højre Y-akse). Barnets faktiske alder på optagelsestidspunktet vises på X-aksen. (D) Korrelation mellem aldersforudsigelse og faktisk alder ved brug af en tilpasset funktion. Værdierne viser, at de passer til modellen, når du bruger gruppegennemsnittet i de afbildede tidsvinduer (blå), alle råværdier (sort), eller når der tages højde for gentagne målinger af hver enkelt person (grøn). (E) Sammenligning af individuelle motoriske mål mellem grupper af vel- og dårligt præsterende spædbørn tyder på, at flere automatisk detekterede motoriske målinger kan differentiere disse spædbørnsgrupper. Panel A, B, C er tilpasset fra Airaksinen et ^al.10. Panel D er tilpasset fra Airaksinen et ^al.12. Panel E er tilpasset fra "Airaksinen et ^al.11. Klik her for at downloade denne fil.

En kvantificeret vurdering og udviklingssporing af spædbørns motoriske ydeevne med en bærbar løsning, såsom MAIJU, er teknisk enkel at lære og udføre, og den kan let implementeres i sundhedspleje eller klinisk forskningspraksis 10,11,12. Sammenlignet med de øvrige eksisterende motoriske vurderingsmetoder forbedrer denne form for hjemmeregistrering af spædbørns spontanmotoriske aktivitet vurderingens økologiske validitet. Desuden giver den en kvantificeret, gennemsigtig og fuldautomatisk analyse af spædbørns motoriske ydeevne. Vigtigst er det, at de målinger, der anvendes i analysen, er intuitive og forklarlige, hvilket gør det nemt at sammenligne dem med andre kliniske og forskningsmæssige vurderinger, såsom miljøfaktorer, kognitiv udvikling eller psykosociale vurderinger. En holistisk vurdering af motorisk udvikling giver en nøjagtighed, der kan sammenlignes godt med de konventionelle fysiske vækstmål¹².

Kritiske trin i protokollen inkluderer omhyggelig forberedelse af den bærbare dragt. Når du forbereder dig til en optagelse, er det afgørende at vælge den rigtige størrelse til dragten, da sensorfastgørelserne i ærmerne og benene skal sidde tæt for at opnå en pålidelig registrering af kropsbevægelser. For en vellykket optagelse er det også vigtigt at placere sensorerne i lommerne med en korrekt orientering som angivet i protokollen. Sensorbeslagene tillader ikke sensorer at rotere under optagelsen. Den forkert orienterede sensor registrerer imidlertid data, der er vanskelige, hvis ikke umulige, at rette bagefter. Spædbarnet bør opfordres til at bevæge sig frit og uafhængigt under optagelsen. Optagelseslængden kan variere afhængigt af de givne undersøgelsesspørgsmål. De mange spontane bevægelsesepoker kombineres for at akkumulere nok spontan bevægelse til hver optagelsessession.

Den fleksible og praktiske betjening af MAIJU bærbare løsning gør det muligt at bruge den i variable sammenhænge i både overvågede og uovervågede indstillinger, såsom forskningslaboratorier eller hjem. Nylige resultater fra vores kliniske forsøg viser, at fuldt uovervågede optagelser udført i hjemmet kan give sammenlignelige resultater med optagelser, der udføres under fuld eller delvis overvågning¹². Alligevel påvirkes et barns spontane motoriske adfærd potentielt af flere faktorer, såsom omgivelserne (f.eks. Leg udenfor vs. indendørs, indretningen af rummet, møbler og legetøj), barnets niveau af årvågenhed og forældrenes involvering under hjemmeoptagelsen. Når optagelserne udføres i uovervågede omgivelser derhjemme, er det vigtigt at opmuntre barnet til at lege spontant, dvs. at lege eller bevæge sig uafhængigt, uden at en anden bærer eller holder barnet, hvis det ikke er nødvendigt, og at holde optagemobiltelefonen inden for Bluetooth-rækkevidde (i samme rum)¹⁰. Størstedelen af vores nuværende fejlfindingssituationer under optagelserne skyldes tab af Bluetooth-forbindelse. Fremskridt inden for sensorteknologi i nær fremtid vil forbedre Bluetooth-forbindelsen, og den kommende introduktion af en større sensorhukommelse vil muliggøre offlineoptagelse ved at gemme bevægelsesdata direkte i sensorhukommelsen.

Optagelser uden for hospitalet med en bærbar løsning af denne art er let skalerbare, og de kan forbedre spædbørns sikkerhed, f.eks. ved at muliggøre fjernovervågning under omstændigheder som en pandemi. Vores nuværende klassificeringsalgoritmer blev trænet til specifikt at genkende de givne motoriske evner, stillinger og bevægelser vist i bevægelsesbeskrivelsesskemaet (figur 2A). Disse fænomener blev identificeret som karakteristiske for spædbarnsbevægelse i de første to år af livet. Andre typer bevægelser eller stillinger, der ses hos ældre børn, såsom løb eller spring, vil kræve ændrede bevægelsesbeskrivelsesskemaer og respektive algoritmer, der skal trænes til at identificere dem. Kropsholdningskontekstafhængig analyse er en potentielt frugtbar tilgang, hvor et spædbarns motoriske aktivitet analyseres separat i forskellige stillinger for at understøtte undersøgelse, fx udviklingskorrelater af spædbarnsadfærd 5,6,7,8,9,13. Alternativt kan en kontekstafhængig bevægelsesanalyse også understøtte vurdering af asymmetri i motorisk funktion, når man forudsiger udviklingen af ensidig cerebral parese 10,12,14,15. Endvidere kan vurdering af motoriske evner med MAIJU-systemet kombineres med andre undersøgelsesmetoder, f.eks. øjensporing, billeddannelse eller videooptagelse, for at give multimodale data, der spænder over forskellige typer og sammenhænge. Multimodale data kan være nyttige, f.eks. til evaluering af virkningerne af social interaktion eller effekten af terapeutisk intervention.

For succesen med nye bærbare teknologier i overvågningsmiljøer uden for hospitalet med spædbørn skal visse begrænsninger, udfordringer og etiske bekymringer løses. Vores analysepipelines blev trænet og valideret ved hjælp af typisk udviklende spædbørn i Finland 10,11,12. De rå analyseresultater med rene stillinger og bevægelser skal være universelle. Deres udviklingsforløb kan dog kræve tilpasninger til forskellige kulturer og geografiske placeringer. Ifølge forældrenes feedback vedrørende bærbare enheder ses de positivt på grund af spædbarnsvenlighed¹⁶. Forældre kan dog rejse bekymringer vedrørende privatlivets fred, dataadgang og familiepraktiske forhold (f.eks. Flere omsorgspersoner, besøgende og varierende tidsplaner). Afhængighed af sensorernes batterilevetid og optagetelefonen kan betragtes som en begrænsning af metoden. Det er vores erfaring, at batterimodellen (CR2025) typisk holder hele dagen (12-24 timer), når du bruger kontinuerlig datastreaming. Det afhænger især af både batterimærket og styrken af den Bluetooth-forbindelse, der er nødvendig til trådløs dataoverførsel, som løbende ændrer sig for at maksimere dataoverførslen i optagelsesmiljøet. For eksempel vil en lang afstand mellem spædbarnet og telefonen eller en væg mellem dem justere Bluetooth-forbindelsen til betydeligt højere batteriforbrug. Især drænes batterierne på de fleste mobile enheder også inden for omtrent samme tid, hvis du bruger kontinuerlig Bluetooth-streaming. I praksis indebærer den nuværende kontinuerlige datastreaming via Bluetooth-forbindelse, at både sensorer og mobile enheder har brug for en daglig genopladning / batteriudskiftning. Den nærmeste fremtidige introduktion af sensorer med større hukommelseskapacitet vil tillade datalagring i sensorhukommelsen og understøtte over en uges kontinuerlig optagelse. Det vil fjerne behovet for strømforbrugende Bluetooth-streaming samt at bære telefonen inden for et Bluetooth-område, der kan opfattes som restriktivt i optagelsessituationer og er modtageligt for menneskelige fejl.

Samlet set kræver sporing af tidlig neuroudvikling metoder, der er følsomme over for naturlig neuroadfærdsmæssig variabilitet. Grovmotorisk udvikling er en indviklet proces, der består af variationer i rækkefølge og timing, både på individuelt og kulturelt niveau⁴. Påvisning af atypisk motorisk udvikling er effektiv til at genkende spædbørn i fare for en lang række neurodevelopmental lidelser. Traditionelle testbatterier med standardiserede neuroudviklingsvurderinger udføres i kontrollerede miljøer, såsom hospitaler, og er i det mindste delvist subjektive ^7,8,9. Nuværende fremskridt inden for sensorteknologi og signalanalyse har muliggjort optagelser af spædbørns spontane motoriske evne over længere perioder uden for hospitalet og kvantificering af motorisk adfærd med en nøjagtighed, der kan sammenlignes med menneskelige observatører 10,11,12. Ny bærbar teknologi tilbyder automatiserede og skalerbare metoder til overvågning af bevægelse og effekten af terapeutisk intervention hos spædbørn på en økologisk gyldig og objektiv måde. Desuden muliggør det nye neuroudviklingsindeks Baba Infant Motor Score (BIMS) estimering af spædbørns modenhed af motoriske evner ved individuel sporing af neuroudvikling^10,12. Det kan anvendes i en række fremtidige applikationer, såsom udvikling af spædbarnsmotoriske vækstdiagrammer¹². Ved at træne de automatiserede klassifikatorer til andre specifikke motiliteter (f.eks. for ældre børn eller voksne) med forskellige former for bevægelsesbeskrivelsesskemaer og algoritmer har de bærbare bevægelsessensorer potentialet til kliniske anvendelser, såsom bevægelsesforstyrrelser eller opfølgning på virkningerne af terapeutiske indgreb uanset individets udviklingsstadium¹⁷. På nuværende tidspunkt bør dette imidlertid betragtes som en forsøgsmetode, der ikke bør anvendes til at informere kliniske diagnose- eller behandlingsmål.