Kvantifierad bedömning av spädbarns grovmotoriska förmågor med hjälp av en bärbar multisensor

Tidig grovmotorisk utveckling är avgörande för neurokognitiv prestation på högre nivå som uppstår senare genom att stödja spädbarns utforskning av miljön. Därför har både kliniker och forskare ett stort intresse av att bedöma tidig grovmotorisk utveckling ^1,2,3. För att ge stöd för evidensbaserad medicin eller vetenskapliga studier är det viktigt att de grovmotoriska bedömningarna är kvantitativa, tillförlitliga, objektiva och ekologiskt giltiga. Det råder dock brist på sådana metoder för både klinisk och grundvetenskaplig forskning.

En typisk tidig grovmotorisk utveckling fortskrider genom en förutsägbar sekvens av nyvunna färdigheter. De observeras ofta hos spädbarn som når diskreta motoriska milstolpar⁴, där stående och gående ofta anses vara viktiga landmärken på väg till mer komplex beteenderepertoar⁵. Förutom direkta observationer eller föräldraundersökningar om motoriska milstolpar har flera allmänt använda standardiserade batterier utvecklats 6,7,8,9 för att utföra spädbarnsbedömningar i laboratorie- eller sjukhusmiljö. Dessa bedömningar lider dock av flera varningar: de kräver betydande expertis från utbildad personal, de är delvis subjektiva och kategoriska, och de bedömer spädbarns prestationer i en miljö (sjukhus eller laboratorium) som är onaturlig ur ett spädbarns perspektiv.

Att registrera spädbarns spontana motoriska aktivitet under längre tid i den naturliga miljön, till exempel deras hem, möjliggör mer relevanta mått på motoriska förmågor. I en sådan genomförbar metod utförs bedömningen för hela sekvensen av spädbarnets motoriska förmåga från liggande ryggläge till att gå flytande med ett bärbart system, såsom MAIJU wearable (Motor Assessment of the Infants with a JUmpsuit)10,11,12. MAIJU:s bärbara system (figur 1) omfattar ett textilplagg för hela kroppen som är utrustat med rörelsesensorer för att möjliggöra oövervakade bedömningar och registreringar utanför sjukhus/laboratorium som analyseras med en automatiserad pipeline, vilket ger en sekund för sekund bedömning av hållning och rörelsemönster. Dessa algoritmiska detektioner kan användas separat för varje hållning och rörelsetyp, eller så kan de kombineras för en holistisk bedömning av mognadsnivån för spädbarnets motoriska förmågor. Ett nyligen publicerat, enhetsfritt uttryck för ett sådant mått på motorisk mognad är BIMS (Baba Infant Motor Score)^10,12.

Den här artikeln kommer att beskriva bedömningen av spädbarns grovmotoriska prestanda med hjälp av en bärbar dräkt med flera sensorer; motivering, praktisk prestanda, analyspipeline och potentiella framtida perspektiv för att använda de mätvärden som kan erhållas från den automatiserade analyspipelinen som är tillgänglig för inspelningar med en multisensor bärbar 10,11,12. Metoden är lämplig för en detaljerad kvantifiering av spontana grovmotoriska aktiviteter hos alla spädbarn som uppvisar motoriska förmågor mellan liggande och flytande gång.

Det bärbara multisensorsystemet består av tre komponenter: 1) hela kroppsplagget utrustat med fyra rörelsesensorer, 2) en mobil enhet som använder en specialbyggd iOS-applikation och 3) en molnbaserad analyspipeline (Babacloud vars referenser kan erhållas från författarna)¹¹. De vattentäta IMU-sensorerna (Inertial Measurement Unit) strömmar synkroniserade data (3-axlig accelerometer och gyroskop) med en samplingsfrekvens på 13-52 Hz till en mobiltelefon med en Bluetooth-anslutning med låg energi. Data lagras initialt i minnet på (sensorn eller) den mobila enheten, följt av en offlineanalys i molnservern efter att inspelningen har stoppats.

Undersökningarna som genomförts med hjälp av detta system har granskats av den etiska kommittén vid Nya barnsjukhuset vid Helsingfors universitetssjukhus, och sjukhuset gav tillstånd att genomföra de forskningsprojekt som beskrivits i de ursprungliga studierna som citeras i detta arbete. Ett informerat samtycke inhämtades för att filma barnet i videon.

1. Förbereda kostymen för en inspelningssession

1. Välj rätt kostymstorlek. För närvarande ökar storlekarna från storlek 68 cm, och det finns fem olika storleksalternativ (68 cm, 74 cm, 80 cm, 86 cm och 92 cm). Se till att dräkten sitter tätt men ändå bekvämt och att barnet kan röra sig fritt utan störningar.
2. Starta inspelningen, dvs. datainsamlingen med hjälp av dataloggningsapplikationen, Maijulogger, enligt beskrivningen i Kompletterande file 1.
   1. På första sidan anger du "Ämnesnummer". Antalet rörelsesensorer som används i utvärderingen är inställt på 4 som standard, som visas på första sidan.
   2. Fortsätt till nästa steg genom att trycka på framåtpilen.
3. Utrusta fyra sensorer med batterier (version CR2025).
4. Para ihop varje sensor med mobilapplikationen genom att välja och trycka på en lemplats på applikationen och föra sensorn nära den mobila enheten.
   1. Kontrollera att rätt sensornummer visas i applikationen.
   2. Se till att batteriet är tillräckligt laddat (rekommenderas > 80 %) genom att kontrollera indikatorerna under sensornumret.
      OBS: Byt ut sensorbatterierna om det behövs genom att lyfta på baksidan.
5. Fäst varje sensor med snäppfästena i rätt ärmficka.
   1. Se till att sensorerna är korrekt orienterade.
   2. Kontrollera alltid den senaste användarhandboken för mer information. Felaktig orientering leder till oanvändbara data.
6. Fortsätt för att kontrollera rätt sensorparning genom att trycka på framåtpilen i applikationen.
   1. Skaka sensorerna en efter en och kontrollera applikationen för att se att rätt indikator vickar.
7. När kontrollerna är klara går du vidare till startsidan genom att trycka på framåtpilen.
   OBS: Om det behövs kan inspelningens varaktighet (tt:mm) ställas in manuellt genom att trycka på knappen Inställningar i början av varje inspelning.
   1. Tryck på inspelningsknappen för att starta inspelningen. Vänta tills sensorerna är klara innan du klär på dräkten på spädbarnet (det kan ta några minuter).
8. För oövervakade heminspelningar, ställ in skärmlåset på den mobila enheten för att undvika att den används av föräldrarna och packa dräkten för leverans till mottagaren.
   1. Använd en kurir eller liknande tjänst för att leverera kostymen till mottagaren omedelbart efter att den har förberetts.

2. Förbereda och klä barnet för en inspelningssession

1. Se till att barnet ammas (dvs. matas och blöjor byts) och känner sig tryggt och bekvämt för en naturlig och spontan lekstund.
   1. Ta av dräkten senare för ett blöjbyte, om det behövs.
2. Klä dräkten på spädbarnet som gjord med vanliga overaller.
   1. Kontrollera att sensorfickorna är vända utåt (dvs. bort från kroppens mittlinje istället för att rotera mot barnets fram- eller baksida).
3. Kontrollera att dräkten sitter tätt på lemmarna på varje sensorplats.
   1. Justera remmarna nära fickorna för att dra åt sensorn på lemmen, om det behövs.
      OBS: Det är också möjligt att lägga till kläder under dräkten eller bandage för att fästa sensorerna om lemmarna är för tunna för tillräcklig fastsättning med remmarna.

3. Inspelning

1. Håll den mobila enheten nära spädbarnet för att säkerställa en tillförlitlig dataöverföring via Bluetooth-anslutningen (dvs. i samma rum eller inom 10 m om du spelar in i öppet utrymme) när du spelar in med direkt dataströmning.
   1. Om tillämpligt, förvara den mobila enheten i en väska, till exempel en surfplatta, för enklare och säkrare hantering. Bluetooth-protokollet kommer att försöka återansluta om BLE-anslutningen bryts.
      OBS: Det är inte tillrådligt att pausa och sedan fortsätta inspelningen eftersom det kan störa synkroniseringen mellan sensorer eller den tidsmässiga integriteten för inspelad data, samt att du kan förlora BLE-anslutningen. Vid sådana tillfällen är det enda alternativet att stänga av programmet och starta inspelningen på nytt.
2. Ordna omgivningen så att den underlättar lek med leksaker och andra föremål och uppmuntra barnet att röra sig fritt. Rensa till exempel utrymmet för att röra dig eller lägg en matta på marken så att barnet kan uppmuntras att röra på sig när det ser åldersanpassade leksaker. Syftet är att registrera barnets naturliga rörelser.
   1. Se till att barnet känner sig tillräckligt bekvämt och säkert för att delta i spontan lek utan att uppleva ångest på grund av nya människor eller okända platser.
3. Spela in minst 1 h fri uppspelning eller så länge som önskas av studiefrågorna. Flera spel-/rörelseepoker kan kombineras senare under analysen.
4. Om det krävs enligt det specifika forskningsprotokollet, gör ytterligare anteckningar för att underlätta detaljerad inspektion av enskilda resultat. Använd synkroniserade anteckningar i realtid i dataloggerapplikationen som fritext, ljudinspelningar eller videoinspelningar.
5. För oövervakade heminspelningar, ställ in inspelningen så att den stoppas automatiskt (dvs. ställ in varaktigheten (tt:mm) för inspelningen manuellt genom att trycka på knappen Inställningar ).
6. I övervakade inställningar avslutar du inspelningen genom att trycka på stoppknappen i programmet.
7. Ta av dig dräkten och packa den för återlämning till laboratoriet.
8. Tvätta dräkten efter varje inspelning efter att du tagit bort sensorerna från kostymfickorna. Använd tvättmedel om det finns tillgängligt, inklusive fukttransport avsett för syntetiska material¹¹.
   1. Inspektera dräkten visuellt efter tvätt för mekaniska defekter innan du förvarar den för användning på nästa barn.

4. Molnbaserad analys: uppladdning av rådata och nedladdning av resultat

1. Klicka på den inspelade filen i databasvyn för applikationen och klicka sedan på Exportera till Babacloud, vilket öppnar startsidan för beräkningsmolnet (https://babacloud.fi/) med hjälp av webbläsaren på den mobila enheten (tilläggsfil 2).
2. Ange användarnamn och lösenord på inloggningssidan. Om det behövs, begär nya referenser från e-postadressen som anges på Babaclouds hemsida.
3. Välj den inspelade filen för en uppladdning. Välj sedan ett identifikationsnummer för ämnet och lägg till den information som krävs enligt Babacloud-arbetsflödet. Om det är relevant för fallet anger du även personens ålder eller annan information (t.ex. speltid) i "Lägg till ytterligare en etikett för råfil". Spara slutligen uppladdningssessionen genom att trycka på knappen Spara .
   OBS: Som standard kommer dataloggerapplikationen att generera en zippad file från rörelsedata för att möjliggöra en enklare och snabbare dataöverföring via luften via ett wi-fi- eller mobilnätverk. Babacloud-gränssnittet kommer att kräva referenser som kan erhållas enligt instruktionerna på deras webbsida. Inspelad rådata kan också överföras direkt från telefonen till en annan enhet för anpassad analys. Se till att onödig data från minnet på den mobila enheten raderas för att undvika förvirring mellan inspelningssessioner. Inspelningssessionerna placeras automatiskt i egna mappar, som namnges med sina respektive tidsstämplar.
4. Ladda ned det zippade paketet med analysutdata från molnservern med hjälp av en mobil enhet eller en datorwebbläsare. Klicka på rätt ämnes-ID och välj sedan länken till önskad analys, vilket automatiskt öppnar filnedladdningen.
   OBS: I det zippade resultatpaketet finns följande två objekt: En detaljerad resultatmatris, som ger alla sekund-för-sekund-klassificeringar för hållning, rörelse, spädbarnsbärande och fri lektid (Figur 2A, kompletterande fil 3). Grafiska rapporter som ger en översikt över studietillfället (Supplemental file 4).

Den presenterade metoden kvantifierar spädbarns grovmotoriska prestanda genom att klassificera typerna av ställningar och rörelser för varje sekund av inspelningssessionen. Därför innehåller resultatpaketet från den automatiserade analyspipelinen en fullständig klassificeringsmatris (tilläggsfil 3) och en grafisk sammanfattning (tilläggsfil 4) från hela inspelningssessionen. Beroende på den exakta studiefrågan kan dessa resultat inspekteras på olika nivåer.

Resultatinspektion användes för utveckling och validering av denna metod.
I det följande presenterar vi fyra nivåer av resultatinspektion som används för utveckling och validering av denna metod. Kompletterande fil 5 presenterar representativa exempel på de viktigaste valideringsexperimenten som tidigare publicerats i detalj 10,11,12.

Först validerades de automatiska algoritmerna som tränats för rörelse- och hållningsdetektering mot mänskliga observationer av spädbarns rörelsebeteende sekund för sekund. Vi använde oss av flera parallellt utbildade experter som blint granskade de synkroniserade videoinspelningarna med de bärbara inspelningarna. Alla olika hållnings- och rörelsekategorier jämfördes separat med de individuella mänskliga annoteringarna, och vi fann en mycket hög överensstämmelse mellan algoritmen och människan för ställningar (genomsnittlig kappa 0,93); En betydande överensstämmelse konstaterades för rörelsekategorier (underkategorispecifik kappa oftast i intervallet 60–80 %). Se Tilläggsfil 5A för ett exempel på en förvirringsmatris¹⁰. Dessutom bedömdes interbedömaröverensstämmelsenivåer för att bekräfta att algoritmerna presterar på ungefär^mänsklig ekvivalentnivå ^10,11.

För det andra bedömde vi hur väl den klassificerarbaserade kvantifieringen av rörelse- och hållningskategorier skulle matcha motsvarande kvantifiering från de mänskliga annoteringarna på andra nivån. Exempel på spridningsdiagram som visas i tilläggsfil 5B¹⁰ visar att flera nyckelkategorier har en nästan perfekt matchning (korrelationskoefficient >0,96) mellan algoritmisk och mänsklig visuell kvantifiering. Detta stöder direkt idén att de åldersspecifika fördelningarna av motilitetskvantifiering (figur 3A,B) är tillförlitliga¹².

För det tredje validerades idén om en holistisk bedömning av motorisk mognad genom att träna en åldersprediktion från kombinationens rörelsekvantiteter (se ovan) som korrelerade mycket nära med den faktiska åldern hos de typiskt utvecklade spädbarnen (r=0,89; Kompletterande fil 5C). Därefter skalades åldersförutsägelsen till 0-100 som ett enhetslöst mått BIMS (Baba Infant Motor Score¹⁰), och dess användbarhet för att bygga motoriska tillväxtdiagram (tilläggsfil 5D) validerades med hjälp av en typiskt utvecklande spädbarnskohort som i hög grad visar åldersberoende och förutsägbara tillväxtbanor. Vi validerade också dess relativa noggrannhet genom att visa att noggrannheten i motoriska tillväxtdiagram kan jämföras väl med de välkända fysiska tillväxtdiagrammen¹².

För det fjärde validerades potentialen för detektion av abnormitet med de givna måtten i ett proof of principle-experiment där individuella motoriska mått visade sig tydligt skilja mellan spädbarn med dålig respektive god motorisk prestanda (Supplemental file 5E)¹⁰.

Eventuella vidare studiefrågor på olika analysnivåer
Figur 3 visar exempel på ytterligare användningsområden för den information som tillhandahålls av den bärbara dräkten och dess automatiserade analyspipeline. För det första kan den tidiga utvecklingen av hållnings- och rörelsefärdigheter plottas som en funktion av ålder och jämföras med de åldersberoende fördelningarna (Figur 3A, "tillväxtdiagram"¹²), eller så kan utvecklingen spåras över tid för varje individ (Figur 3B). För det andra, när en studiefråga kräver en mer holistisk grovmotorisk bedömning, kan man använda en kombination av en individs hållning och rörelseproportioner (som visas i kompletterande fil 5D, beräknad från tidsserien i tilläggsfil 5C) för att generera ett index som BIMS (Baba Infant Motor Score). Sådana mått stöder direkt användning i motoriska tillväxtdiagram (kompletterande fil 5C,D) och beräkning av statistiska härledningar som z-poäng (figur 3A). Genom att använda heltidsserien av algoritmens detektioner (figur 3C och tilläggsfil 3) kan man studera den detaljerade tidsstrukturen för spädbarns rörlighet med frågor som "Hur många hållningsövergångar utför barnet under en tidsenhet?" eller "Hur är fördelningen av stående epoker under spontan lektid?".

Figur 1: Översikt över det bärbara multisensorsystemet och ett typiskt studieflöde från inspelningen till analysen. Figur 1 anpassad från Airaksinen et ^al.12publicerad under CC_BY licens. Spädbarnsfotografiet publiceras med föräldrarnas tillstånd. Klicka här för att se en större version av denna figur.

Figur 2: Kategorisering av hållning och rörelse och ett exempel på visualisering av rådata och analysutdata (A) Kategoriseringsschema för hållning och rörelse som används av de algoritmiska klassificerarna i den helautomatiska analyspipelinen för en bärbar multisensor. Denna figur är återgiven från Airaksinen et ^al.10 (B) Exempel på en 10 min rå accelerometersensordata från var och en av de fyra armarna som den kommer ut från MAIJU-inspelningarna. De vågräta staplarna nedan visar automatiserade klassificerarutdata för identifieringarna av hållning (övre stapel) och rörelse (nedre stapel) för samma epok på 10 minuter. Klicka här för att se en större version av denna figur.

Figur 3: Exempel på resultat härledda från råklassificerarens utdata. (A) Ett exempel på en datajämförelse mellan spädbarnsålder och Baba Infant Motor Score (BIMS). Den S-formade gröna kurvan visar utvecklingen av BIMS i en större population. Pricken visar ett exempel på en individ som uppmätts vid 14 månader, med en BIMS ~74, vilket motsvarar lite under den genomsnittliga ålderstypiska nivån (den gröna linjen). (B) En exempelkohort med individuella banor för motorisk utveckling med hjälp av Baba Infant Motor Score over (BIMS). Varje linje representerar ett spädbarn som registrerats vid flera åldersgrupper (prickar i linjen). Linjerna är färgade för den genomsnittliga avvikelsen i förhållande till det ålderstypiska medelvärdet (blå S-formad kurva i bakgrunden; se även panel A. (C) Representativ utdatamatris från den automatiska klassificeraren som den kommer från Babacloud-pipelinen. Den första kolumnen visar den förflutna tiden från registreringens start (i sekunder) för varje analysfönster i klassificeringen (fönstervaraktighet 2,3 s, med 50 % överlappning). Den andra och tredje kolumnen visar klassificeraridentifieringen för hållning respektive rörelse. Den tredje och fjärde kolumnen är hjälpklassificerare som skildrar epoker när spädbarnet bars av någon annan respektive när spädbarnet ägnade sig åt autonom lek. (D) En illustration av en sammanfattande rapport. Panelerna A och B är anpassade från Airaksinen et ^al.10. Klicka här för att se en större version av denna figur.

Kompletterande fil 1: En snabbguide för inspelning med MAIJU wearable. Klicka här för att ladda ner den här filen.

Tilläggsfil 2: En snabbguide för att överföra data från Maijulogger till analysservern i Babacloud. Klicka här för att ladda ner den här filen.

Tilläggsfil 3: Ett exempel på en detaljerad klassificeringsmatris som ger alla sekund-för-sekund-klassificeringar för hållning, rörelse, bärande av spädbarn och fri lektid. Klicka här för att ladda ner den här filen.

Tilläggsfil 4: Ett fullständigt PDF-filexempel på en grafisk sammanfattningsrapport. Detta hämtas från algoritmfilen som innehåller (A) grundläggande bakgrundsinformation om inspelningssessionen (ämnes-ID och ålder, inspelningsdatum, varaktighet och det totala antalet epoker som används för de slutliga analyserna). B) En grafisk visning av den fullständiga registreringen som visar fördelningen av ställningar över hela registreringen och epoker som är undantagna från den kvantitativa bedömningen. C) Typiska fördelningar visas med fioldiagram för alla sex ställningar (vänster sida) och 12 rörelsetyper (höger sida). På samma sätt visar ritningar på höger sida den typ av rörelser som indikeras av varje ställning, och visar också sekvensen för stegvis utvecklande motorisk prestanda (prickarna som anger resultaten från en enskild inspelning och färgglada fioldiagram som indikerar åldersberoende fördelningar av hållning/rörelse för en relevant datauppsättning). Noterbart är att de råa värdena som anges av punkterna visar faktiska mängder av den givna motoriska prestandan, och de kan användas direkt i andra sammanhang. Klicka här för att ladda ner den här filen.

Kompletterande fil 5: Valideringsexperiment på olika analysnivåer. (A) Förvirringsmatriser som visar överensstämmelse mellan mänskliga annoteringar (målklass) och algoritmens detektioner (förutsagd klass) för både hållnings- och rörelsekategorierna. B) Jämförelse av motoriska kvantitationer under hela registreringssessioner mellan mänskliga anteckningar och detektioner som härletts från den automatiserade klassificeraren. (C) Korrelation mellan förutsägelse av utvecklingsålder från bärbara data (Y-axel på vänster sida) och dess omskalning för att generera BIMS-poängen (Y-axeln på höger sida). Spädbarnets faktiska ålder vid tidpunkten för registreringen visas på X-axeln. (D) Korrelation mellan åldersförutsägelsen och den faktiska åldern vid användning av en anpassad funktion. Värdena som visas passar in i modellen när du använder gruppmedelvärde vid de avbildade tidsfönstren (blått), alla råvärden (svart) eller när du tar hänsyn till upprepade mått för varje individ (grön). (E) Jämförelse av individuella motoriska mått mellan grupper av välpresterande och dåligt presterande spädbarn tyder på att flera automatiskt detekterade motoriska mätvärden kan skilja dessa spädbarnsgrupper åt. Panel A,B,C är anpassad från Airaksinen et ^al.10. Panel D är anpassad från Airaksinen et ^al.12. Panel E är anpassad från "Airaksinen et ^al.11. Klicka här för att ladda ner den här filen.

En kvantifierad bedömning och utvecklingsspårning av spädbarns motoriska prestanda med en bärbar lösning, såsom MAIJU, är tekniskt enkel att lära sig och utföra, och den kan lätt implementeras i hälso- och sjukvård eller klinisk forskningspraxis 10,11,12. Jämfört med de andra befintliga motoriska bedömningsmetoderna förbättrar denna typ av hemmaregistrering av spädbarns spontana motoriska aktivitet bedömningens ekologiska validitet. Dessutom ger den en kvantifierad, transparent och helautomatisk analys av spädbarns motoriska prestanda. Viktigast av allt är att de mätvärden som används i analysen är intuitiva och förklarliga, vilket gör det enkelt att jämföra dem med andra kliniska bedömningar och forskningsbedömningar, t.ex. miljöfaktorer, kognitiv utveckling eller psykosociala bedömningar. En helhetsbedömning av motorisk utveckling ger en noggrannhet som står sig väl i jämförelse med de konventionella fysiska tillväxtmåtten¹².

Kritiska steg i protokollet inkluderar noggrann förberedelse av den bärbara dräkten. När du förbereder dig för en inspelning är det viktigt att välja rätt storlek för dräkten, eftersom sensorfästena i ärmarna och benen måste sitta tätt för att få en tillförlitlig registrering av kroppsrörelser. För en lyckad inspelning är det också viktigt att placera sensorerna i fickorna med rätt orientering, enligt protokollet. Sensorfästena tillåter inte sensorer att rotera under inspelningen. Den felaktigt orienterade sensorn registrerar dock data som är svåra, om inte omöjliga, att åtgärda i efterhand. Spädbarnet bör uppmuntras att röra sig fritt och självständigt under inspelningen. Inspelningslängden kan variera beroende på de givna studiefrågorna. De multipla spontana rörelseepokerna kombineras för att ackumulera tillräckligt med spontana rörelser för varje inspelningssession.

Den flexibla och praktiska driften av MAIJU:s bärbara lösning gör att den kan användas i varierande sammanhang i både övervakade och oövervakade miljöer, såsom forskningslaboratorier eller hem. Nya resultat från våra kliniska prövningar visar att helt oövervakade inspelningar som utförs i hemmet kan ge jämförbara resultat med inspelningar som görs under fullständig eller partiell övervakning¹². Ändå kan ett barns spontana motoriska beteende påverkas av flera faktorer, såsom omgivningen (t.ex. lek utomhus kontra inomhus, utformningen av utrymmet, möbler och leksaker), barnets vakenhetsnivå och föräldrarnas engagemang under heminspelningen. När inspelningarna utförs i oövervakade miljöer i hemmet är det viktigt att uppmuntra barnet att leka spontant, dvs. att leka eller röra sig självständigt, utan att någon annan bär eller håller barnet om det inte behövs, och att hålla inspelningsmobiltelefonen på en Bluetooth-räckvidd (i samma rum)¹⁰. Majoriteten av våra nuvarande felsökningssituationer under inspelningarna orsakas av förlust av Bluetooth-anslutning. Framsteg inom sensorteknik kommer att förbättra Bluetooth-anslutningen, och den kommande introduktionen av ett större sensorminne kommer att möjliggöra offline-inspelning genom att lagra rörelsedata direkt i sensorminnet.

Inspelningar utanför sjukhus med en bärbar lösning av detta slag är lätt skalbara och de kan förbättra säkerheten för spädbarn, t.ex. genom att möjliggöra fjärrövervakning under omständigheter som en pandemi. Våra nuvarande klassificeringsalgoritmer tränades för att specifikt känna igen de givna motoriska förmågorna, ställningarna och rörelserna som visas i motilitetsbeskrivningsschemat (Figur 2A). Dessa fenomen identifierades som karakteristiska för spädbarns rörelser under de två första levnadsåren. Andra typer av rörelser eller ställningar som ses hos äldre barn, såsom löpning eller hopp, kommer att kräva modifierade rörelsebeskrivningsscheman och respektive algoritmer för att tränas för att identifiera dem. Hållningskontextberoende analys är ett potentiellt fruktbart tillvägagångssätt där ett spädbarns motoriska aktivitet analyseras separat i olika ställningar för att stödja studier, t.ex. utvecklingskorrelat till spädbarns beteende 5,6,7,8,9,13. Alternativt kan en kontextberoende rörelseanalys också stödja bedömning av asymmetri i motorisk funktion vid prediktion av utvecklingen av unilateral cerebral pares 10,12,14,15. Vidare kan bedömning av motoriska förmågor med MAIJU-systemet kombineras med andra studiemodaliteter, t.ex. ögonspårning, bildbehandling eller videoinspelning, för att tillhandahålla multimodala data, som spänner över den till olika typer och sammanhang. Multimodala data kan vara användbara, t.ex. för att utvärdera effekterna av social interaktion eller effekten av terapeutisk intervention.

För att ny bärbar teknik ska bli framgångsrik i övervakningsmiljöer med spädbarn utanför sjukhus måste vissa begränsningar, utmaningar och etiska problem hanteras. Våra analyspipelines tränades och validerades med hjälp av typiskt utvecklande spädbarn i Finland 10,11,12. De råa analysresultaten med rena ställningar och rörelser bör vara universella. Deras utvecklingsbanor kan dock kräva anpassningar för olika kulturer och geografiska platser. Enligt föräldrarnas feedback om bärbara enheter ses de positivt på grund av spädbarnsvänlighet¹⁶. Föräldrar kan dock ta upp frågor om integritet, dataåtkomst och familjepraktikaliteter (t.ex. flera vårdgivare, besökare och varierande scheman). Beroendet av batteritiden för sensorerna och inspelningstelefonen kan betraktas som en begränsning av metoden. Enligt vår erfarenhet håller batterimodellen (CR2025) vanligtvis hela dagen (12-24 timmar) när du använder kontinuerlig dataströmning. Noterbart är att det beror på både batterimärket och styrkan på Bluetooth-anslutningen som behövs för trådlös dataöverföring, som kontinuerligt förändras för att maximera dataöverföringen i inspelningsmiljön. Till exempel skulle ett långt avstånd mellan spädbarnet och telefonen eller en vägg mellan dem justera Bluetooth-anslutningen till betydligt högre batteriförbrukning. Noterbart är att batterierna på de flesta mobila enheter också töms inom ungefär samma tid om du använder kontinuerlig Bluetooth-strömning. I praktiken innebär den för närvarande använda kontinuerliga dataströmningen via Bluetooth-anslutning att både sensorerna och de mobila enheterna behöver laddas upp varje dag. Den nära framtiden kommer att introducera sensorer med större minneskapacitet som kommer att möjliggöra datalagring i sensorminnet, med stöd för över en veckas kontinuerlig inspelning. Det kommer att ta bort behovet av strömförbrukande Bluetooth-strömning, samt att bära telefonen inom ett Bluetooth-område som kan uppfattas som begränsande i inspelningssituationer och är känsligt för mänskliga fel.

Sammantaget kräver spårning av tidig neuroutveckling metoder som är känsliga för naturlig neurologisk beteendevariation. Grovmotorisk utveckling är en intrikat process som består av variationer i ordning och timing, både på individ- och^kulturnivå. Detektion av atypisk motorisk utveckling är effektiv för att känna igen spädbarn i riskzonen för ett omfattande spektrum av neuropsykiatriska funktionsnedsättningar. Traditionella testbatterier med standardiserade utvecklingsneurologiska bedömningar utförs i kontrollerade miljöer, såsom sjukhus, och är åtminstone delvis subjektiva ^7,8,9. Aktuella framsteg inom sensorteknik och signalanalys har möjliggjort registrering av spädbarns spontana motoriska förmåga under längre perioder i miljöer utanför sjukhus och kvantifiering av det motoriska beteendet med en noggrannhet jämförbar med mänskliga observatörer 10,11,12. Ny bärbar teknik erbjuder automatiserade och skalbara metoder för att övervaka rörelser och effekten av terapeutiska ingrepp hos spädbarn på ett ekologiskt giltigt och objektivt sätt. Dessutom möjliggör det nya utvecklingsneurologiska indexet Baba Infant Motor Score (BIMS) uppskattning av spädbarns mognad av motorisk förmåga genom individuell spårning av neuroutveckling^10,12. Det kan användas i en rad framtida tillämpningar, såsom utveckling av spädbarns motoriska tillväxtdiagram¹². Genom att träna de automatiserade klassificerarna för andra specifika motiliteter (t.ex. för äldre barn eller vuxna) med olika typer av rörelsebeskrivningsscheman och algoritmer, har de bärbara rörelsesensorerna potential för kliniska tillämpningar, såsom rörelsestörningar eller uppföljning av effekterna av terapeutiska interventioner oavsett individens utvecklingsstadium¹⁷. För närvarande bör detta dock ses som en undersökningsmetod som inte bör användas för att informera om klinisk diagnos eller behandlingsmål.