Summary

다중 센서 웨어러블을 사용한 유아의 총 운동 능력의 정량화된 평가

Published: May 17, 2024
doi:

Summary

이 논문은 다중 센서 웨어러블과 완전 자동화된 딥 러닝 기반 분석 파이프라인을 사용하여 유아의 대근육 운동 성능을 평가하는 방법을 간략하게 설명합니다. 이 방법은 누운 자세부터 독립적으로 걷는 법을 익힐 때까지 유아의 자세와 움직임 패턴을 정량화합니다.

Abstract

조기 대근육 운동 평가의 객관적이고 정량적인 방법을 개발하는 것은 신경 발달을 더 잘 이해하고 조기 치료 개입을 지원하는 데 필수적입니다. 여기에서는 완전 자동화된 클라우드 기반 파이프라인을 사용하여 자동화되고 확장 가능하며 정량적이고 객관적인 평가를 제공하는 다중 센서 웨어러블인 MAIJU(Motility Assessment of Infants with a JUmpsuit)를 사용하여 총 운동 성능을 정량화하는 방법을 제시합니다. 이 웨어러블 슈트에는 저에너지 블루투스 연결을 사용하여 동기화된 데이터를 휴대폰에 기록하는 4개의 움직임 센서가 장착되어 있습니다. 클라우드 서버의 오프라인 분석은 각 기록에 대해 몇 분 안에 완전히 분석된 결과를 생성합니다. 이러한 결과에는 녹음 세션의 그래픽 보고서와 자세, 움직임, 유아 안기 및 자유 놀이 시간에 대한 초 단위 분류를 제공하는 자세한 결과 매트릭스가 포함됩니다. 우리의 최근 결과는 유아의 대근육 운동 발달의 변화를 구별하는 데 잠재적으로 효과적인 방법을 제공하는 정량화된 운동 평가의 미덕을 보여줍니다.

Introduction

조기 대근육 운동 발달은 유아의 환경 탐색을 지원함으로써 나중에 나타나는 더 높은 수준의 신경인지 능력에 필수적입니다. 따라서 임상의와 연구자 모두 조기 대근육 운동 발달을 평가하는 데 높은 관심을 가지고있습니다 1,2,3. 증거 기반 의학 또는 과학 연구를 지원하기 위해서는 대근육 운동 평가가 정량적이고, 신뢰할 수 있으며, 객관적이고, 생태학적으로 타당해야 합니다. 그러나 임상 또는 기초 과학 연구에 사용할 수 있는 이러한 방법은 부족합니다.

전형적인 초기 대근육 운동 발달은 새로 습득한 기술의 예측 가능한 순서를 통해 진행됩니다. 이러한 이정표는 영아에서 흔히 관찰되는데, 이 시기는 이산운동 이정표(discrete motor milestones)4에 도달하는 것으로 나타나며, 일어서기와 걷기는 종종 더 복잡한 행동 레퍼토리5로 가는 길에 중요한 이정표로 간주된다. 운동 이정표에 대한 직접적인 관찰 또는 부모 설문 조사 외에도 실험실이나 병원 환경에서 유아 평가를 수행하기 위해 널리 사용되는 몇 가지 표준화된 배터리가 개발되었습니다 6,7,8,9 그러나 이러한 평가는 훈련된 전문가의 상당한 전문 지식이 필요하고, 부분적으로 주관적이고 범주적이며, 유아의 관점에서 부자연스러운 환경(병원 또는 실험실)에서 유아의 수행을 평가한다는 여러 가지 주의 사항이 있습니다.

집과 같은 자연 환경에서 더 오랜 시간에 걸쳐 유아의 자발적인 운동 활동을 기록하면 운동 능력에 대한 보다 적절한 측정이 가능합니다. 이러한 실현 가능한 방법 중 하나에서, 평가는 MAIJU 웨어러블(JUmpsuit를 입은 영아의 운동 평가)10,11,12와 같은 웨어러블 시스템을 사용하여 누운 상태에서 유창하게 걷는 것까지 영아의 운동 능력 발달의 전체 시퀀스에 대해 수행됩니다. MAIJU 웨어러블 시스템(그림 1)에는 움직임 센서가 장착된 전신 섬유 의류가 포함되어 있어 자동화된 파이프라인으로 분석되는 무감독 병원/실험실 평가 및 기록이 가능하여 자세 및 움직임 패턴에 대한 초 단위 평가를 제공합니다. 이러한 알고리즘 감지는 각 자세 및 움직임 유형에 대해 개별적으로 사용하거나 유아의 운동 능력의 성숙 수준에 대한 전체적인 평가를 위해 결합할 수 있습니다. 최근에 발표된 운동 성숙도의 지표에 대한 단위 없는 표현은 BIMS(Baba Infant Motor Score)10,12입니다.

이 기사에서는 다중 센서 웨어러블 슈트를 사용하여 유아의 총 운동 성능을 평가하는 방법을 설명합니다. 멀티센서 웨어러블을 사용한 기록에 사용할 수 있는 자동화된 분석 파이프라인에서 얻을 수 있는 메트릭을 사용하기 위한 이론적 근거, 실제 성능, 분석 파이프라인 및 잠재적인 미래 전망 10,11,12. 이 방법은 누워서 눕고 유창하게 걷는 사이에 운동 능력을 보이는 모든 유아의 자발적인 대근육 운동 활동을 자세히 정량화하는 데 적합합니다.

멀티센서 웨어러블 시스템은 1) 4개의 움직임 센서가 장착된 전신 의류, 2) 맞춤형 iOS 애플리케이션을 사용하는 모바일 장치, 3) 클라우드 기반 분석 파이프라인(Babacloud는 저자로부터 자격 증명을 얻을 수 있음)11의 세 가지 구성 요소로 구성됩니다. 방수 관성 측정 장치(IMU) 센서는 13-52Hz 샘플링 주파수에서 동기화된 데이터(3축 가속도계 및 자이로스코프)를 저에너지 Bluetooth 연결을 사용하여 휴대폰으로 스트리밍합니다. 데이터는 처음에 (센서 또는) 모바일 장치의 메모리에 저장되고, 기록이 중지된 후 클라우드 서버에서 오프라인 분석이 수행됩니다.

Protocol

이 시스템으로 수행된 연구는 헬싱키 대학 병원의 New Children’s Hospital의 윤리 위원회에서 검토했으며 병원은 이 작업에 인용된 원래 연구에 설명된 연구 프로젝트를 수행할 수 있도록 허가했습니다. 비디오에서 어린이를 촬영하기 위해 사전 동의를 얻었습니다. 1. 녹음 세션을 위한 슈트 준비 올바른 슈트 사이즈를 선택하십시오. 현재 사이즈는 68cm부터 시작되며, 사이즈 옵션은 68cm, 74cm, 80cm, 86cm, 92cm의 5가지로 나뉩니다. 슈트가 꼭 맞으면서도 편안하게 맞고 아이가 간섭 없이 자유롭게 움직일 수 있는지 확인하십시오. 보충 파일 1에 설명된 대로 데이터 로거 응용 프로그램인 Maijulogger를 사용하여 기록, 즉 데이터 수집을 시작합니다.첫 번째 페이지에서 “주체 식별 번호”를 입력합니다. 평가에 사용되는 움직임 센서의 수는 첫 번째 페이지에 표시된 대로 기본적으로 4로 설정됩니다. 앞으로 화살표를 눌러 다음 단계로 진행합니다. 4개의 센서에 배터리(버전 CR2025)를 장착합니다. 응용 프로그램에서 팔다리 위치를 선택하고 누르고 센서를 모바일 장치에 가까이 가져와 각 센서를 모바일 응용 프로그램과 페어링합니다.애플리케이션에 올바른 센서 번호가 표시되는지 확인하십시오. 센서 번호 아래의 표시기를 확인하여 충분한 배터리 충전 수준(권장 > 80%)을 확인하십시오.알림: 필요한 경우 후면 덮개를 들어 올려 센서 배터리를 교체합니다. 스냅온 마운트를 사용하여 각 센서를 올바른 슬리브 포켓에 고정합니다.센서의 방향이 올바른지 확인하십시오. 자세한 내용은 항상 최신 사용 설명서를 확인하십시오. 방향이 잘못되면 데이터를 사용할 수 없게 됩니다. 응용 프로그램에서 앞으로 화살표를 눌러 올바른 센서 페어링을 확인하십시오.센서를 하나씩 흔들고 응용 프로그램을 확인하여 올바른 표시기가 흔들리는지 확인합니다. 확인이 완료되면 앞으로 화살표를 눌러 시작 페이지로 이동합니다.알림: 필요한 경우 각 녹음 시작 시 설정 버튼을 눌러 녹음 시간(hh:mm)을 수동으로 설정할 수 있습니다.녹음 버튼을 눌러 녹음을 시작합니다. 아기에게 옷을 입히기 전에 센서가 준비될 때까지 기다리십시오(몇 분 정도 걸릴 수 있음). 감독되지 않은 홈 녹화의 경우 화면 잠금을 모바일 장치로 설정하여 보호자 조작을 피하고 수신자에게 배달할 수 있도록 슈트를 포장하십시오.택배 또는 이와 유사한 서비스를 사용하여 양복이 준비된 후 즉시 수취인에게 배달하십시오. 2. 녹음 세션을 위해 유아에게 옷을 입히고 준비합니다. 아기가 젖을 먹고(즉, 수유 및 기저귀 갈기) 자연스럽고 자발적인 놀이 시간을 위해 안전하고 편안하게 느끼도록 하십시오.필요한 경우 나중에 기저귀를 갈기 위해 슈트를 벗으십시오. 일반 작업복과 마찬가지로 유아에게 양복을 입힙니다.센서 포켓이 바깥쪽을 향하고 있는지 확인하십시오(즉, 유아의 앞이나 뒤를 향해 회전하지 않고 몸의 정중선에서 멀어짐). 슈트가 각 센서 위치의 팔다리에 꼭 맞는지 확인하십시오.필요한 경우 주머니 근처의 스트랩을 조정하여 팔다리의 센서를 조입니다.알림: 팔다리가 너무 얇아서 스트랩으로 충분히 고정할 수 없는 경우 양복 아래에 옷을 추가하거나 센서를 고정하기 위해 붕대를 추가할 수도 있습니다. 3. 녹음 세션 직접 데이터 스트리밍으로 녹화할 때 Bluetooth 연결을 통해 안정적인 데이터 전송을 보장하려면(즉, 같은 방 또는 열린 공간에서 녹화하는 경우 10m 이내) 모바일 장치를 유아 근처에 두십시오.해당되는 경우 모바일 장치를 태블릿 슬리브와 같은 가방에 보관하여 더 쉽고 안전하게 취급할 수 있습니다. BLE 연결이 끊어지면 Bluetooth 프로토콜이 다시 연결을 시도합니다.알림: 센서 간의 동기화 또는 기록된 데이터의 시간적 무결성을 방해할 수 있을 뿐만 아니라 BLE 연결이 끊어질 수 있으므로 녹음을 일시 중지했다가 계속하는 것은 권장하지 않습니다. 이러한 경우 유일한 옵션은 응용 프로그램을 끄고 녹음을 새로 시작하는 것입니다. 장난감이나 다른 물건을 가지고 놀 수 있도록 주변을 정리하고 유아가 자유롭게 움직일 수 있도록 격려하십시오. 예를 들어, 움직일 수 있는 공간을 비우거나 바닥에 매트를 깔아서 유아가 연령에 맞는 장난감을 볼 때 움직이도록 격려할 수 있습니다. 목표는 유아의 자연스러운 움직임을 기록하는 것입니다.아기가 새로운 사람이나 낯선 장소로 인한 불안을 경험하지 않고 자발적인 놀이에 참여할 수 있을 만큼 편안하고 안정감을 느끼도록 하십시오. 최소 1시간의 자유 놀이를 기록하거나 학습 질문에서 원하는 만큼 녹음하십시오. 여러 재생/이동 Epoch는 나중에 분석 중에 결합할 수 있습니다. 특정 연구 프로토콜에서 요구하는 경우 개별 결과에 대한 자세한 검사를 용이하게 하기 위해 추가 메모를 작성하십시오. 데이터 로거 어플리케이션에서 실시간으로 동기화된 주석을 자유 텍스트, 오디오 기록 또는 비디오 기록으로 사용할 수 있습니다. 감독되지 않는 홈 녹화의 경우 녹화가 자동으로 중지되도록 설정합니다( 즉, 설정 버튼을 눌러 녹화 시간(hh:mm)을 수동으로 설정). 감독 설정에서 응용 프로그램의 중지 버튼을 눌러 기록을 종료합니다. 방호복을 벗고 실험실로 돌아가기 위해 포장하십시오. 각 녹화 후에는 양복 주머니에서 센서를 제거한 후 양복을 세탁하십시오. 가능하면 합성 물질을 겨냥한 수분 운반을 포함한 세제를 사용하십시오11.다음 아이에게 사용하기 위해 보관하기 전에 세탁 후 수트에 기계적 결함이 있는지 육안으로 검사하십시오. 4. 클라우드 기반 분석: 원시 데이터 업로드 및 결과 다운로드 애플리케이션의 데이터베이스 보기에서 기록된 파일을 클릭한 다음 Babacloud로 내보내기를 클릭하면 모바일 장치에서 웹 브라우저를 사용하여 계산 클라우드(https://babacloud.fi/)의 홈 페이지가 열립니다(보충 파일 2). 로그인 페이지에 사용자 이름과 비밀번호를 입력합니다. 필요한 경우 Babacloud 홈페이지에 제공된 이메일 주소에서 새 자격 증명을 요청합니다. 업로드할 녹음된 파일을 선택합니다. 그런 다음 주체의 식별 번호를 선택하고 Babacloud 워크플로에 표시된 대로 필요한 정보를 추가합니다. 사례와 관련이 있는 경우 피험자의 나이 또는 기타 정보(예: 재생 시간)를 “다른 원시 파일 레이블 추가”에 입력합니다. 마지막으로 저장 버튼을 눌러 업로드 세션을 저장합니다.알림: 기본적으로 데이터 로거 응용 프로그램은 압축된 파일을 생성합니다 file Wi-Fi 또는 모바일 네트워크를 통해 무선으로 더 쉽고 빠르게 데이터를 전송할 수 있도록 움직임 데이터에서 데이터를 전송합니다. Babacloud 인터페이스에는 웹 페이지의 지시에 따라 얻을 수 있는 자격 증명이 필요합니다. 기록된 원시 데이터는 맞춤형 분석을 위해 전화기에서 다른 장치로 직접 전송할 수도 있습니다. 녹화 세션 간의 혼동을 피하기 위해 모바일 장치의 메모리에서 불필요한 데이터가 삭제되었는지 확인하십시오. 기록 세션은 자동으로 자체 폴더에 배치되며, 이 폴더에는 해당 타임스탬프가 지정되어 있습니다. 모바일 장치 또는 컴퓨터 웹 브라우저를 사용하여 클라우드 서버에서 분석 결과의 압축된 패키지를 다운로드합니다. 올바른 주체 ID를 클릭한 다음 원하는 분석에 대한 링크를 선택하면 파일 다운로드가 자동으로 열립니다.참고: 압축된 결과 패키지에서 다음 두 항목을 찾을 수 있습니다. 자세, 움직임, 유아 안기 및 자유 놀이 시간에 대한 모든 초 단위 분류를 제공하는 자세한 결과 매트릭스(그림 2A, 보충 파일 3). 연구 세션의 개요를 제공하는 그래픽 보고서(보충 파일 4).

Representative Results

제시된 방법은 녹음 세션의 매 초마다 자세와 움직임의 유형을 분류하여 유아의 총 운동 성능을 정량화합니다. 따라서 자동화된 분석 파이프라인의 결과 패키지에는 전체 기록 세션의 전체 분류 매트릭스(보충 파일 3)와 그래픽 요약(보충 파일 4)이 포함됩니다. 정확한 연구 질문에 따라 이러한 결과는 다양한 수준에서 검사할 수 있습니다. 결과 검사는 이 방법의 개발 및 검증에 사용되었습니다.다음에서는 이 방법론의 개발 및 검증에 사용되는 4가지 수준의 결과 검사를 제시합니다. 보충 파일 5는 이전에 상세하게10,11,12로 발표된 주요 검증 실험의 대표적인 예를 제시합니다. 첫째, 움직임 및 자세 감지를 위해 훈련된 자동 알고리즘은 유아의 움직임 행동에 대한 초 단위 수준의 인간 관찰과 비교하여 검증되었습니다. 우리는 병렬로 훈련된 여러 전문가를 사용하여 웨어러블 녹화와 동기화된 비디오 녹화를 맹목적으로 검토했습니다. 모든 다른 자세 및 움직임 범주를 개별 인간 주석과 별도로 비교한 결과, 자세에 대한 알고리즘과 인간 간의 일치도가 매우 높다는 것을 발견했습니다(평균 카파 0.93). 운동 범주(하위 범주별 카파는 대부분 60-80% 범위)에 대해 상당한 일치가 발견되었습니다. 혼동 행렬10의 예는 보충 파일 5A를 참조하십시오. 또한 알고리즘이 인간과 동등한 수준10,11에서 수행되는지 확인하기 위해 평가자 간 일치도 수준을 평가했습니다. 둘째, 움직임 및 자세 범주의 분류기 기반 정량화가 2단계 인간 주석의 해당 정량화와 얼마나 잘 일치하는지 평가했습니다. 보충 파일 5B10 에 표시된 예제 산점도는 여러 주요 범주가 알고리즘과 인간의 시각적 정량 간에 거의 완벽하게 일치(상관 계수 >0.96)를 가지고 있음을 보여줍니다. 이는 운동성 정량화의 연령별 분포(그림 3A,B)가 신뢰할 수 있다는 생각을 직접적으로 뒷받침한다12. 셋째, 운동 성숙도에 대한 전체론적 평가의 아이디어는 전형적으로 발달하는 영아의 실제 연령과 매우 밀접한 상관관계가 있는 조합 운동량(위 참조)으로부터 발달 연령 예측을 훈련시킴으로써 검증되었습니다(r=0.89; 보충 파일 5C). 그 후, 연령 예측은 단위 없는 측정 BIMS(Baba Infant Motor Score10)로 0-100으로 조정되었으며, 연령 의존적이고 예측 가능한 성장 궤적을 보여주는 전형적으로 발달하는 유아 코호트를 사용하여 운동 성장 차트(보충 파일 5D) 구축에 대한 유용성을 검증했습니다. 또한 운동 성장 차트의 정확도가 잘 알려진 신체 성장 차트와 잘 비교된다는 것을 보여줌으로써 상대적 정확도를 검증했다12. 넷째, 주어진 지표에 의한 이상 감지의 가능성은 개별 운동 측정이 각각 운동 능력이 좋지 않은 영아와 양호한 영아를 명확하게 구별하는 것으로 나타난 원리 증명 실험에서 검증되었습니다(보충 파일 5E)10. 다양한 수준의 분석에서 잠재적인 추가 연구 질문그림 3 은 웨어러블 슈트와 자동화된 분석 파이프라인이 제공하는 정보의 추가 사용 예를 보여줍니다. 첫째, 자세 및 운동 기술의 초기 발달을 연령의 함수로 표시하고 연령에 따른 분포와 비교하거나(그림 3A, “성장 차트”12) 각 개인의 시간 경과에 따른 발달을 추적할 수 있습니다(그림 3B). 둘째, 연구 질문에 보다 전체적인 대근육 운동 평가가 필요한 경우 개인의 자세와 움직임 비율( 보충 파일 5D에 표시된 대로, 보충 파일 5C의 시계열에서 계산됨)을 조합하여 BIMS(Baba Infant Motor Score)와 같은 지수를 생성할 수 있습니다. 이러한 측정은 운동 성장 차트(보충 파일 5C,D)에서 직접 사용하고 z 점수(그림 3A)와 같은 통계적 유도를 계산하는 데 도움이 됩니다. 알고리즘의 전체 시간 감지 시리즈(그림 3C 및 보충 파일 3)를 사용하면 “유아가 단위 시간에 얼마나 많은 자세 전환을 수행합니까?” 또는 “자발적 놀이 시간 동안 서 있는 시간의 분포는 무엇입니까?”와 같은 질문을 통해 유아 운동성의 상세한 시간적 구조에 대한 연구를 수행할 수 있습니다. 그림 1: 다중 센서 웨어러블 시스템의 개요와 기록에서 분석까지의 일반적인 연구 흐름. 그림 1은 CC_BY 라이선스에 따라 출판된 Airaksinen et al.12에서 발췌한 것입니다. 유아 사진은 부모의 동의하에 게시됩니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오. 그림 2: 자세 및 움직임 분류와 원시 데이터 및 분석 출력의 시각화 예 (A) 다중 센서 웨어러블을 위한 완전 자동화된 분석 파이프라인 내에서 알고리즘 분류기가 사용하는 자세 및 움직임 분류 체계. 이 그림은 Airaksinen et al.10 (B) Example of a 10 min raw accelerometer sensor data from the four arm each from the four arm from the MAIJU recordings에서 나온 것입니다. 아래의 가로 막대는 동일한 10분 epoch 동안의 자세(위쪽 막대) 및 움직임(아래쪽 막대) 감지에 대한 자동 분류기 출력을 나타냅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오. 그림 3: 원시 분류기 출력에서 파생된 예제 결과. (A) 유아 연령과 Baba 유아 운동 점수(BIMS) 간의 데이터 비교의 예. S자형 녹색 곡선은 더 많은 인구에서 BIMS의 발달 궤적을 나타냅니다. 이 점은 14개월에 측정된 BIMS ~74로 평균 연령 평균 수준(녹색 선)보다 약간 낮은 개인을 나타냅니다. (B) Baba Infant Motor Score over(BIMS)를 사용한 운동 발달의 개별 궤적이 있는 예제 코호트. 각 선은 여러 연령 지점(선의 점)에서 기록된 유아를 나타냅니다. 선은 연령 평균 평균에 상대적인 평균 이탈도에 대해 색상이 지정됩니다(배경의 파란색 S자형 곡선, 패널 A 참조). (C) Babacloud 파이프라인에서 가져온 자동 분류기의 대표적인 출력 행렬. 첫 번째 열은 분류의 각 분석 창에 대한 기록 시작부터 경과된 시간(초)을 나타냅니다(창 기간 2.3초, 50% 겹침). 두 번째 및 세 번째 열에는 각각 자세 및 움직임에 대한 분류기 감지가 표시됩니다. 세 번째와 네 번째 열은 각각 유아를 다른 사람이 안고 있는 시기와 유아가 자율적인 놀이를 하는 시기를 나타내는 보조 분류기입니다. (D) 요약 보고서의 그림. 패널 A와 B는 Airaksinen et al.10에서 발췌한 것입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오. 보충 파일 1: MAIJU 웨어러블을 사용한 녹화에 대한 빠른 가이드입니다. 이 파일을 다운로드하려면 여기를 클릭하십시오. 보충 파일 2: Maijulogger에서 Babacloud의 분석 서버로 데이터를 전송하는 빠른 가이드. 이 파일을 다운로드하려면 여기를 클릭하십시오. 보충 파일 3: 자세, 움직임, 유아 안기 및 자유 놀이 시간에 대한 모든 초 단위 분류를 제공하는 자세한 분류 매트릭스의 예. 이 파일을 다운로드하려면 여기를 클릭하십시오. 보충 파일 4: 그래픽 요약 보고서의 전체 PDF 파일 예제입니다. 이는 (A) 기록 세션에 대한 기본 배경 정보(피험자 ID 및 연령, 기록 날짜, 기간 및 최종 분석에 사용된 총 epoch 양)를 포함하는 알고리즘 파일에서 가져옵니다. (B) 정량적 평가에서 제외된 전체 기록 및 epoch에 대한 자세 분포를 나타내는 전체 기록의 그래픽 표시. C) 6가지 자세(왼쪽)와 12가지 악장 유형(오른쪽)에 대한 바이올린 플롯으로 표시된 일반적인 분포. 마찬가지로, 오른쪽의 그림은 각 자세가 나타내는 움직임 유형을 묘사하고 모터 성능을 점진적으로 발전시키는 순서를 보여줍니다(개별 녹음의 결과를 나타내는 점과 관련 데이터 세트의 자세/움직임의 연령 종속 분포를 나타내는 다채로운 바이올린 플롯). 특히, 점으로 표시된 원시 값은 주어진 모터 성능의 실제 양을 나타내며 다른 상황에서 직접 사용할 수 있습니다. 이 파일을 다운로드하려면 여기를 클릭하십시오. 보충 파일 5: 다양한 분석 수준에서의 검증 실험. (A) 자세 및 움직임 범주 모두에 대한 인간 주석(대상 클래스)과 알고리즘의 감지(예측 클래스) 간의 일치를 보여주는 혼동 행렬. (B) 전체 기록 세션에 대한 인적 주석과 자동 분류기에서 파생된 검출 간의 모터 정량 비교. (C) 웨어러블 데이터(왼쪽 Y축)의 발달 연령 예측과 BIMS 점수 생성을 위한 재조정(오른쪽 Y축) 간의 상관관계. 기록 당시 유아의 실제 나이는 X축에 표시됩니다. (D) 적합 함수를 사용할 때 연령 예측과 실제 연령의 상관 관계. 이 값은 표시된 시간 창(파란색), 모든 원시 값(검은색)에서 그룹 평균을 사용할 때 또는 각 개인의 반복 측정값을 고려할 때(녹색)에 대한 모형에 대한 적합도를 나타냅니다. (E) 수행이 좋은 영아 그룹과 그렇지 않은 영아 그룹 간의 개별 운동 측정을 비교한 결과, 자동으로 감지된 몇 가지 운동 지표가 이러한 유아 그룹을 구별할 수 있음을 시사합니다. 패널 A,B,C는 Airaksinen et al.10에서 발췌한 것입니다. 패널 D는 Airaksinen et al.12에서 발췌한 것입니다. 패널 E는 “Airaksinen et al.11. 이 파일을 다운로드하려면 여기를 클릭하십시오.

Discussion

MAIJU와 같은 웨어러블 솔루션을 이용한 유아의 운동 능력에 대한 정량화된 평가 및 발달 추적은 기술적으로 배우고 수행하기가 간단하며, 의료 또는 임상 연구 관행에 쉽게 구현될 수 있다 10,11,12. 기존의 다른 운동 평가 방법과 비교했을 때, 유아의 자발적인 운동 활동을 집에서 기록하는 것은 평가의 생태학적 타당성을 향상시킨다. 또한 유아의 운동 능력에 대한 정량화되고 투명하며 완전 자동화된 분석을 제공합니다. 가장 중요한 것은 분석에 사용된 메트릭이 직관적이고 설명 가능하여 환경 요인, 인지 발달 또는 심리사회적 평가와 같은 다른 임상 및 연구 평가와 쉽게 비교할 수 있다는 것입니다. 운동 발달에 대한 전체론적 평가는 기존의 신체적 성장 측정법과 잘 비교되는 정확도를 제공한다12.

프로토콜의 중요한 단계에는 웨어러블 슈트의 신중한 준비가 포함됩니다. 녹음을 준비할 때 소매와 다리의 센서 부착물이 신체 움직임을 안정적으로 기록하기 위해 단단히 고정되어야 하기 때문에 슈트에 맞는 올바른 크기를 선택하는 것이 중요합니다. 또한 성공적인 기록을 위해서는 프로토콜에 표시된대로 올바른 방향으로 센서를 주머니에 넣는 것이 중요합니다. 센서 마운트는 녹화 중에 센서가 회전하는 것을 허용하지 않습니다. 그러나 방향이 잘못된 센서는 나중에 수정하기 어렵거나 불가능하지는 않더라도 데이터를 기록합니다. 유아는 녹음하는 동안 자유롭고 독립적으로 움직일 수 있도록 격려해야 합니다. 녹음 길이는 주어진 학습 질문에 따라 다를 수 있습니다. 여러 자발적 움직임 epoch가 결합되어 각 기록 세션에 대해 충분한 자발적 움직임이 축적됩니다.

MAIJU 웨어러블 솔루션의 유연하고 실용적인 작동으로 인해 연구실이나 가정과 같은 감독 및 비지도 환경 모두에서 다양한 상황에서 사용할 수 있습니다. 최근 임상시험 결과에 따르면 가정에서 완전 무감독 녹음을 하면 전체 또는 부분 감독 하에 녹음한 결과와 비슷한 결과를 얻을 수 있다12. 그러나 아동의 자발적인 운동 행동은 주변 환경(예: 실외와 실내에서 노는 것, 공간, 가구 및 장난감의 배치), 아동의 주의력 수준, 홈 레코딩 중 부모의 개입과 같은 여러 요인에 의해 잠재적으로 영향을 받습니다. 집에서 감독되지 않은 환경에서 녹음을 수행하는 경우 어린이가 자발적으로 놀도록 격려하는 것이 중요합니다(예: 필요하지 않은 경우 다른 사람이 어린이를 안거나 안지 않고 독립적으로 놀거나 움직이도록 권장하고 녹음 휴대폰을 Bluetooth 범위(같은 방)10에 두는 것이 중요합니다. 녹화 중 현재 문제 해결 상황의 대부분은 Bluetooth 연결 끊김으로 인해 발생합니다. 가까운 장래에 센서 기술의 발전으로 Bluetooth 연결이 향상될 것이며, 곧 출시될 더 큰 센서 메모리의 도입으로 센서 메모리에 직접 움직임 데이터를 저장하여 오프라인 기록이 가능해질 것입니다.

이러한 종류의 웨어러블 솔루션을 사용한 병원 밖 녹화는 쉽게 확장할 수 있으며 예를 들어 팬데믹과 같은 상황에서 원격 모니터링을 가능하게 하여 유아의 안전을 개선할 수 있습니다. 현재의 분류기 알고리즘은 운동성 설명 체계에 표시된 주어진 운동 능력, 자세 및 움직임을 구체적으로 인식하도록 훈련되었습니다(그림 2A). 이러한 현상은 생후 첫 2년 동안 유아의 움직임의 특성으로 확인되었습니다. 달리기나 점프와 같이 나이가 많은 어린이에게서 볼 수 있는 다른 유형의 움직임이나 자세는 수정된 움직임 설명 체계와 이를 식별하기 위해 해당 알고리즘을 훈련해야 합니다. 자세-맥락 의존적 분석은 유아 행동의 발달 상관 관계 5,6,7,8,9,13과 같은 연구를 지원하기 위해 다양한 자세에서 유아의 운동 활동을 별도로 분석하는 잠재적으로 유익한 접근 방식입니다. 또는 맥락 의존적 움직임 분석은 편측성 뇌성마비의 발병을 예측할 때 운동 기능의 비대칭을 평가하는 데 도움이 될 수 있다 10,12,14,15. 또한 MAIJU 시스템을 사용한 운동 능력 평가는 다른 연구 양식(예: 시선 추적, 이미징 또는 비디오 녹화)과 결합하여 다양한 유형 및 맥락에 걸친 다중 모드 데이터를 제공할 수 있습니다. 멀티모달 데이터는 예를 들어 사회적 상호 작용의 효과 또는 치료 개입의 효능을 평가하는 데 유용할 수 있습니다.

신생아를 대상으로 하는 병원 밖 모니터링 환경에서 새로운 웨어러블 기술의 성공을 위해서는 특정 한계, 과제 및 윤리적 문제를 해결해야 합니다. 당사의 분석 파이프라인은 핀란드에서 일반적으로 발달하는 유아를 사용하여 훈련 및 검증되었습니다10,11,12. 순수한 자세와 움직임이 포함된 원시 분석 결과물은 보편적이어야 합니다. 그러나 그들의 발달 궤적은 다양한 문화와 지리적 위치에 대한 조정이 필요할 수 있습니다. 웨어러블 기기에 대한 부모의 피드백에 따르면, 웨어러블 기기는 유아 친화성16으로 인해 호의적으로 평가되었다. 그러나 부모는 개인 정보 보호, 데이터 액세스 및 가족의 실질성(예: 여러 명의 보호자, 방문자 및 다양한 일정)에 대한 우려를 제기할 수 있습니다. 센서와 녹음 전화의 배터리 수명에 대한 의존성은 방법의 한계로 간주 될 수 있습니다. 경험상 배터리 모델(CR2025)은 연속 데이터 스트리밍을 사용할 때 일반적으로 하루 종일(12-24시간) 동안 지속됩니다. 특히 배터리 브랜드와 무선 데이터 전송에 필요한 블루투스 연결 강도에 따라 달라지며, 이는 녹화 환경에서 데이터 전송을 극대화하기 위해 지속적으로 변화하고 있습니다. 예를 들어, 유아와 전화기 사이의 거리가 멀거나 둘 사이의 벽이 있으면 Bluetooth 연결이 훨씬 더 높은 배터리 소모로 조정됩니다. 특히 대부분의 모바일 장치의 배터리는 연속 Bluetooth 스트리밍을 사용하는 경우 거의 같은 시간 내에 소모됩니다. 실제로 현재 Bluetooth 연결을 통해 사용되는 연속 데이터 스트리밍은 센서와 모바일 장치 모두 매일 재충전/배터리 교체가 필요하다는 것을 의미합니다. 가까운 장래에 더 큰 메모리 용량을 가진 센서가 도입되면 센서 메모리에 데이터를 저장할 수 있게 되어 일주일 이상의 연속 기록을 지원할 수 있습니다. 이렇게 하면 전력을 소모하는 Bluetooth 스트리밍이 필요하지 않을 뿐만 아니라 녹음 상황에서 제한적으로 인식될 수 있고 인적 오류에 취약한 Bluetooth 범위 내에서 전화기를 휴대할 필요가 없습니다.

전반적으로, 초기 신경 발달을 추적하려면 자연스러운 신경 행동 변동성에 민감한 방법이 필요합니다. 대근육 운동 발달은 개인적, 문화적 차원에서 순서와 시기의 변화로 구성된 복잡한 과정이다4. 비정형 운동 발달의 감지는 광범위한 신경 발달 장애의 위험에 처한 유아를 인식하는 데 효과적입니다. 표준화된 신경 발달 평가가 있는 전통적인 테스트 배터리는 병원과 같은 통제된 환경에서 수행되며 적어도 부분적으로 주관적입니다 7,8,9. 센서 기술 및 신호 분석의 현재 발전으로 병원 밖 환경에서 장기간에 걸친 유아의 자발적 운동 능력을 기록하고 인간 관찰자와 유사한 정확도로 운동 행동을 정량화할 수 있게 되었습니다 10,11,12. 새로운 웨어러블 기술은 생태학적으로 타당하고 객관적인 방식으로 유아의 움직임과 치료 개입의 효능을 모니터링하기 위한 자동화되고 확장 가능한 방법을 제공합니다. 또한, 새로운 신경 발달 지표인 Baba Infant Motor Score(BIMS)는 신경 발달의 개별 추적을 통해 유아의 운동 능력 성숙도를 추정할 수 있습니다10,12. 이는 유아 운동 성장 차트(infant motor growth charts)의 개발과 같은 다양한 미래 응용 분야에 사용될 수 있다12. 다른 종류의 움직임 설명 체계 및 알고리즘으로 다른 특정 운동성(예를 들어, 나이가 많은 어린이 또는 성인)에 대한 자동화된 분류기를 훈련시킴으로써, 웨어러블 움직임 센서는 개인의 발달 단계에 관계없이 운동 장애 또는 치료적 개입의 효과에 대한 후속 조치와 같은 임상 응용을 위한 잠재력을 갖는다17. 그러나 현재로서는 임상 진단 또는 치료 목표를 알리는 데 사용되어서는 안 되는 조사 방법론으로 간주되어야 합니다.

Divulgazioni

The authors have nothing to disclose.

Acknowledgements

이 연구는 핀란드 아카데미(314602, 335788, 335872, 332017, 343498), 핀란드 소아과 재단(Lastentautien tutkimussäätiö), Aivosäätiö, Sigrid Juselius 재단 및 HUS 아동 병원/HUS 진단 센터 연구 기금의 지원을 받았습니다.

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

Riferimenti

  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

Citazione di questo articolo
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