Çok sensörlü giyilebilir bir cihaz kullanarak bebeğin kaba motor yeteneklerinin niceliksel değerlendirmesi

Erken kaba motor gelişimi, daha sonra bebeklerin çevreyi keşfetmesini destekleyerek ortaya çıkan daha üst düzey nörobilişsel performans için gereklidir. Bu nedenle, klinisyenler ve araştırmacılar erken kaba motor gelişimi^{değerlendirmeye} büyük ilgi duymaktadır ^1,2,3. Kanıta dayalı tıp veya bilimsel çalışmalara destek sağlamak için kaba motor değerlendirmelerinin nicel, güvenilir, objektif ve ekolojik olarak geçerli olması esastır. Bununla birlikte, klinik veya temel bilim araştırmaları için bu tür yöntemlerin kıtlığı vardır.

Tipik bir erken kaba motor gelişimi, yeni edinilen becerilerin öngörülebilir bir dizisi ile ilerler. Bebeklerde genellikle ayrı motor kilometre taşlarına⁴ ulaştıkları gözlenir, burada ayakta durma ve yürüme genellikle daha karmaşık davranış repertuarına giden yolda önemli yer işaretleri olarak kabul edilir⁵. Motor kilometre taşları hakkında doğrudan gözlem veya ebeveyn anketlerine ek olarak, laboratuvar veya hastane ortamında bebeklerin değerlendirmelerini gerçekleştirmek için yaygın olarak kullanılan birkaç standart pil^{geliştirilmiştir 6,7,8,9}. Bununla birlikte, bu değerlendirmeler birden fazla uyarıdan muzdariptir: eğitimli profesyonellerden önemli bir uzmanlığa ihtiyaç duyarlar, kısmen öznel ve kategoriktirler ve bebeklerin performansını bir bebeğin bakış açısından doğal olmayan bir ortamda (hastane veya laboratuvar) değerlendirirler.

Bebeklerin spontan motor aktivitelerini evleri gibi doğal ortamda daha uzun süreler boyunca kaydetmek, motor yeteneklerin daha uygun ölçümlerini sağlar. Böyle uygulanabilir bir yöntemde, MAIJU giyilebilir (JUmpsuit ile Bebeklerin Motor Değerlendirmesi)10,11,12 gibi giyilebilir bir sistemle bebeğin sırtüstü yatmaktan akıcı bir şekilde yürümeye kadar motor yetenek gelişiminin tam dizisi için değerlendirme yapılır. MAIJU giyilebilir sistemi (Şekil 1), duruş ve hareket kalıplarının saniye saniye değerlendirilmesini sağlayan, otomatik bir boru hattı ile analiz edilen denetimsiz hastane dışı/laboratuvar değerlendirmelerine ve kayıtlarına izin vermek için hareket sensörleriyle donatılmış bir tüm vücut tekstil giysisini içerir. Bu algoritmik tespitler, her duruş ve hareket tipi için ayrı ayrı kullanılabilir veya bebeğin motor yeteneklerinin olgunlaşma seviyesinin bütünsel bir değerlendirmesi için birleştirilebilir. Bu tür bir motor olgunluk metriğinin yakın zamanda yayınlanan, birimsiz bir ifadesi BIMS'dir (Baba Bebek Motor Skoru)^10,12.

Bu makale, çok sensörlü giyilebilir bir giysi kullanılarak bebeklerin kaba motor performansının değerlendirilmesini açıklayacaktır; Çok sensörlü giyilebilir^10,11,12 ile kayıtlar için mevcut olan otomatik analiz hattından elde edilebilecek metrikleri kullanmak için gerekçe, pratik performans, analiz hattı ve potansiyel gelecek perspektifleri. Yöntem, sırtüstü yatma ve akıcı yürüme arasında motor yetenekler sergileyen tüm bebeklerde spontan kaba motor aktivitelerin ayrıntılı bir ölçümü için uygundur.

Çok sensörlü giyilebilir sistem üç bileşenden oluşur: 1) dört hareket sensörü ile donatılmış tüm vücut tulumu, 2) özel olarak oluşturulmuş bir iOS uygulaması kullanan bir mobil cihaz ve 3) bulut tabanlı bir analiz hattı (Babacloud, kimlik bilgileri yazarlardan alınabilir)¹¹. Su geçirmez atalet ölçüm birimi (IMU) sensörleri, düşük enerjili bir Bluetooth bağlantısı kullanarak bir cep telefonuna 13-52 Hz örnekleme frekansında senkronize edilmiş verileri (3 eksenli ivmeölçer ve jiroskop) aktarır. Veriler başlangıçta (sensörün veya) mobil cihazın belleğinde saklanır, ardından kayıt durdurulduktan sonra bulut sunucusunda çevrimdışı bir analiz yapılır.

Bu sistemle yapılan çalışmalar, Helsinki Üniversite Hastanesi Yeni Çocuk Hastanesi Etik Kurulu tarafından gözden geçirildi ve hastane, bu çalışmada atıfta bulunulan orijinal çalışmalarda açıklanan araştırma projelerinin yürütülmesine izin verdi. Videodaki çocuğu filme almak için bilgilendirilmiş bir onay alındı.

1. Giysiyi bir kayıt oturumu için hazırlama

1. Doğru takım elbise bedenini seçin. Şu anda, boyutlar 68 cm'den başlıyor ve beş farklı boyut seçeneği var (68 cm, 74 cm, 80 cm, 86 cm ve 92 cm). Giysinin tam ama rahat bir şekilde oturduğundan ve çocuğun müdahale olmadan serbestçe hareket edebildiğinden emin olun.
2. Kaydı, yani Ek dosya 1'de açıklandığı gibi veri kaydedici uygulaması Maijulogger'ı kullanarak veri toplamayı başlatın.
   1. İlk sayfada, "Konu kimlik numarasını" girin. Değerlendirmede kullanılan hareket algılayıcılarının sayısı, ilk sayfada gösterildiği gibi varsayılan olarak 4 olarak ayarlanmıştır.
   2. İleri ok tuşuna basarak bir sonraki aşamaya geçin.
3. Dört sensörü pillerle donatın (sürüm CR2025).
4. Uygulamada bir uzuv konumu seçip basarak ve sensörü mobil cihaza yaklaştırarak her sensörü mobil uygulamayla eşleştirin.
   1. Uygulamada doğru sensör numarasının gösterildiğinden emin olun.
   2. Sensör numarasının altındaki göstergeleri kontrol ederek yeterli pil şarj seviyesi (%80> önerilir) sağlayın.
      NOT: Gerekirse arka kapağı kaldırarak sensör pillerini değiştirin.
5. Her sensörü geçmeli bağlantılarla doğru manşon cebine sabitleyin.
   1. Sensörlerin doğru yönlendirildiğinden emin olun.
   2. Ayrıntılar için her zaman en son kullanım kılavuzunu kontrol edin. Yanlış yönlendirme, kullanılamaz verilere yol açacaktır.
6. Uygulamadaki ileri oka basarak doğru sensör eşleştirmesini kontrol etmeye devam edin.
   1. Sensörleri tek tek sallayın ve doğru göstergenin kıpırdadığını görmek için uygulamayı kontrol edin.
7. Kontroller tamamlandığında, ileri ok tuşuna basarak Başlangıç sayfasına ilerleyin.
   NOT: Gerekirse, kayıt süresi (ss:dd) her kaydın başında Ayarlar düğmesine basılarak manuel olarak ayarlanabilir.
   1. Kaydı başlatmak için Kaydet düğmesine basın. Elbiseyi bebeğe giydirmeden önce sensörlerin hazır olmasını bekleyin (bu birkaç dakika sürebilir).
8. Denetimsiz ev kayıtları için, ebeveyn çalışmasını önlemek için ekran kilidini mobil cihaza ayarlayın ve alıcıya teslim edilmek üzere giysiyi paketleyin.
   1. Takım elbiseyi hazırlandıktan hemen sonra alıcıya teslim etmek için bir kurye veya benzeri bir hizmet kullanın.

2. Bebeği bir kayıt oturumu için hazırlama ve giydirme

1. Bebeğin emzirildiğinden (yani beslendiğinden ve bezinin değiştirildiğinden) ve doğal ve spontane bir oyun zamanı için kendini güvende ve rahat hissettiğinden emin olun.
   1. Gerekirse bebek bezi değişimi için elbiseyi daha sonra çıkarın.
2. Takım elbiseyi normal tulumlarla olduğu gibi bebeğe giydirin.
   1. Sensör ceplerinin dışa baktığından emin olun (yani, bebeğin önüne veya arkasına doğru dönmek yerine vücudun orta hattından uzağa).
3. Giysinin her sensör konumunda uzuvlara tam olarak oturup oturmadığını kontrol edin.
   1. Gerekirse, uzuvdaki sensörü sıkmak için ceplerin yanındaki kayışları ayarlayın.
      NOT: Uzuvların kayışlarla yeterince tutturulamayacak kadar ince olması durumunda sensörleri sabitlemek için giysinin altına giysi veya bandaj eklemek de mümkündür.

3. Kayıt oturumu

1. Doğrudan veri akışı ile kayıt yaparken Bluetooth bağlantısı üzerinden güvenilir bir veri iletimi sağlamak için mobil cihazı bebeğin yakınında tutun (yani aynı odada veya açık alanda kayıt yapıyorsanız 10 m içinde).
   1. Mümkünse, daha kolay ve daha güvenli kullanım için mobil cihazı tablet kılıfı gibi bir çantada saklayın. BLE bağlantısı kesilirse Bluetooth protokolü yeniden bağlanmayı deneyecektir.
      NOT: Sensörler arasındaki senkronizasyonu veya kaydedilen verilerin zamansal bütünlüğünü bozabileceğinden ve BLE bağlantısını kaybedebileceğinizden kaydı duraklatmanız ve ardından devam ettirmeniz önerilmez. Bu gibi durumlarda, tek seçenek uygulamayı kapatmak ve kaydı yeniden başlatmaktır.
2. Oyuncaklar ve diğer nesnelerle oynamayı kolaylaştırmak için çevreyi düzenleyin ve bebeği özgürce hareket etmeye teşvik edin. Örneğin, hareket etmek için yer açın veya yere bir paspas koyun, böylece bebek yaşına uygun oyuncaklar gördüğünde hareket etmeye teşvik edilebilir. Amaç, bebeğin doğal hareketini kaydetmektir.
   1. Bebeğin, yeni insanlar veya tanıdık olmayan yerler nedeniyle kaygı yaşamadan spontan oyunlara katılabilecek kadar rahat ve güvende hissetmesini sağlayın.
3. En az 1 saat serbest oyun veya çalışma sorularının istediği kadar uzun süre kaydedin. Birden fazla oyun/hareket dönemi, analiz sırasında daha sonra birleştirilebilir.
4. Özel araştırma protokolünün gerektirmesi halinde, bireysel sonuçların ayrıntılı incelemesini kolaylaştırmak için daha fazla not alın. Veri kaydedici uygulamasında gerçek zamanlı senkronize açıklamaları serbest metin, ses kayıtları veya video kayıtları olarak kullanın.
5. Denetimsiz ev kayıtları için, kaydı otomatik olarak duracak şekilde ayarlayın (yani, Ayarlar düğmesine basarak kaydın süresini (ss:dd) manuel olarak ayarlayın).
6. Denetimli ayarlarda, uygulamadaki Durdur düğmesine basarak kaydı sonlandırın.
7. Elbiseyi çıkarın ve laboratuvara geri dönmek için paketleyin.
8. Sensörleri elbise ceplerinden çıkardıktan sonra her kayıttan sonra elbiseyi yıkayın. Varsa, sentetik malzemelere yönelik nem taşınması da dahil olmak üzere deterjanlar kullanın¹¹.
   1. Giysiyi yıkadıktan sonra bir sonraki çocukta kullanmak üzere saklamadan önce mekanik kusurlar açısından görsel olarak inceleyin.

4. Bulut tabanlı analiz: ham verilerin yüklenmesi ve sonuçların indirilmesi

1. Uygulamanın veritabanı görünümünde kaydedilen dosyaya tıklayın ve ardından mobil cihazdaki web tarayıcısını kullanarak hesaplama bulutunun (https://babacloud.fi/) ana sayfasını açan Babacloud'a Aktar'a tıklayın (Ek dosya 2).
2. Giriş sayfasına kullanıcı adı ve şifreyi girin. Gerekirse, Babacloud ana sayfasında verilen e-posta adresinden yeni kimlik bilgileri isteyin.
3. Yükleme için kaydedilen dosyayı seçin. Ardından, konu için bir kimlik numarası seçin ve Babacloud iş akışında belirtildiği gibi gerekli bilgileri ekleyin. Durumla ilgiliyse, "Başka bir raw dosya etiketi ekle" bölümüne öznenin yaşını veya diğer bilgileri (ör. oynatma süresi) de girin. Son olarak, Kaydet düğmesine basarak yükleme oturumunu kaydedin.
   NOT: Varsayılan olarak, veri kaydedici uygulaması, bir wi-fi veya mobil ağ üzerinden kablosuz olarak daha kolay ve daha hızlı veri aktarımı sağlamak için hareket verilerinden sıkıştırılmış bir dosya oluşturacaktır. Babacloud arayüzü, web sayfalarında belirtildiği gibi alınabilecek kimlik bilgileri gerektirecektir. Kaydedilen ham veriler, özelleştirilmiş analiz için doğrudan telefondan başka bir cihaza da aktarılabilir. Kayıt oturumları arasında karışıklığı önlemek için mobil cihazın belleğindeki gereksiz verilerin silindiğinden emin olun. Kayıt oturumları otomatik olarak ilgili zaman damgalarıyla adlandırılan kendi klasörlerine yerleştirilir.
4. Bir mobil cihaz veya bir bilgisayar web tarayıcısı kullanarak bulut sunucusundan sıkıştırılmış analiz çıktıları paketini indirin. Doğru Konu Kimliği'ne tıklayın, ardından dosya indirme işlemini otomatik olarak açan istediğiniz analizin bağlantısını seçin.
   NOT: Sıkıştırılmış sonuçlar paketinde aşağıdaki iki öğe bulunabilir: Duruş, hareket, bebek taşıma ve serbest oyun süresi için tüm saniye saniye sınıflandırmaları veren ayrıntılı bir sonuç matrisi (Şekil 2A, Ek dosya 3). Çalışma oturumuna genel bir bakış sağlayan grafik raporlar (Ek dosya 4).

Sunulan yöntem, kayıt seansının her saniyesi için duruş ve hareket türlerini sınıflandırarak bebeklerin kaba motor performansını ölçer. Bu nedenle, otomatik analiz işlem hattından elde edilen sonuç paketi, tüm kayıt oturumundan tam bir sınıflandırma matrisi (Ek dosya 3) ve bir grafik özeti (Ek dosya 4) içerir. Kesin çalışma sorusuna bağlı olarak, bu sonuçlar farklı seviyelerde incelenebilir.

Bu yöntemin geliştirilmesi ve doğrulanması için sonuçların incelenmesi kullanılmıştır.
Aşağıda, bu metodolojinin geliştirilmesi ve doğrulanması için kullanılan dört sonuç denetimi düzeyi sunuyoruz. Ek dosya 5, daha önce tüm ayrıntılarıyla^{yayınlanmış olan} anahtar doğrulama deneylerinin temsili örneklerini sunar ^10,11,12.

İlk olarak, hareket ve duruş algılamaları için eğitilen otomatik algoritmalar, bebeklerin hareket davranışlarının saniye saniye insan gözlemlerine karşı doğrulandı. Senkronize video kayıtlarını giyilebilir kayıtlarla körü körüne inceleyen paralel olarak eğitilmiş birkaç uzman kullandık. Tüm farklı duruş ve hareket kategorileri, bireysel insan açıklamalarıyla ayrı ayrı karşılaştırıldı ve duruşlar için algoritma ile insan arasında çok yüksek bir uyum bulduk (ortalama kappa 0.93); Hareket kategorileri için önemli bir uyum bulundu (alt kategoriye özgü kappa, çoğunlukla %60-80 aralığında). Örnek bir karışıklık matrisi¹⁰ için Ek dosya 5A'ya bakın. Ayrıca, algoritmaların yaklaşık insan eşdeğeri seviyesinde performans gösterdiğini doğrulamak için değerlendiriciler arası anlaşma seviyeleri^{değerlendirildi 10,11}.

İkinci olarak, hareket ve duruş kategorilerinin sınıflandırıcıya dayalı nicelemesinin, ikinci düzey insan açıklamalarından karşılık gelen nicelemeyle ne kadar iyi eşleşeceğini değerlendirdik. Ek dosya 5B^10'da gösterilen örnek dağılım grafikleri, birkaç anahtar kategorinin algoritmik ve insan görsel nicelemesi arasında neredeyse mükemmel bir eşleşmeye (korelasyon katsayısı >0,96) sahip olduğunu göstermektedir. Bu, motilite kantitasyonunun yaşa özgü dağılımlarının (Şekil 3A,B) güvenilir olduğu fikrini doğrudan desteklemektedir¹².

Üçüncüsü, motor olgunluğun bütünsel bir değerlendirmesi fikri, tipik olarak gelişen bebeklerde gerçek yaşla çok yakından ilişkili olan kombinasyon hareket miktarlarından (yukarıya bakınız) gelişimsel bir yaş tahmini eğitimi verilerek doğrulandı (r = 0.89; Ek dosya 5C). Daha sonra, yaş tahmini, birimsiz bir ölçü BIMS (Baba Bebek Motor Skoru¹⁰) olarak 0-100 olarak ölçeklendirildi ve motor büyüme çizelgeleri oluşturmak için faydası (Ek dosya 5D), yaşa bağlı ve öngörülebilir büyüme yörüngelerini yüksek oranda gösteren tipik olarak gelişen bir bebek kohortu kullanılarak doğrulandı. Ayrıca, motor büyüme çizelgelerindeki doğruluğun, iyi bilinen fiziksel büyüme çizelgeleri¹² ile iyi bir şekilde karşılaştırıldığını göstererek göreceli doğruluğunu doğruladık.

Dördüncüsü, verilen ölçümlerle anormallik tespiti potansiyeli, bireysel motor ölçümlerin sırasıyla zayıf ve iyi motor performansa sahip bebekler arasında açıkça ayrım yaptığının gösterildiği bir ilke kanıtı deneyinde doğrulanmıştır (Ek dosya 5E)¹⁰.

Farklı analiz seviyelerinde potansiyel ileri çalışma soruları
Şekil 3, giyilebilir giysi ve otomatik analiz hattı tarafından sağlanan bilgiler için daha fazla kullanım örneğini göstermektedir. İlk olarak, duruş ve hareket becerilerinin erken gelişimi yaşın bir fonksiyonu olarak çizilebilir ve yaşa bağlı dağılımlarla karşılaştırılabilir (Şekil 3A, "büyüme çizelgeleri"¹²) veya gelişim her birey için zaman içinde izlenebilir (Şekil 3B). İkinci olarak, bir çalışma sorusu daha bütünsel bir kaba motor değerlendirmesi gerektirdiğinde, BIMS (Baba Bebek Motor Skoru) gibi bir indeks oluşturmak için bireyin duruş ve hareket oranlarının bir kombinasyonu kullanılabilir (Ek dosya 5D'de gösterildiği gibi, Ek dosya 5C'deki zaman serisinden hesaplanmıştır). Bu tür ölçümler, motor büyüme çizelgelerinde (Ek dosya 5C,D) doğrudan kullanımı ve z skoru gibi istatistiksel türevlerin hesaplanmasını destekler (Şekil 3A). Algoritmanın tam zamanlı algılama serilerinin (Şekil 3C ve Ek dosya 3) kullanılması, bebeklerin motilitesinin ayrıntılı zamansal yapısı üzerine "Bebek birim zamanda kaç duruş geçişi gerçekleştirir?" veya "Spontan oyun süresi boyunca ayakta durma dönemlerinin dağılımı nedir?" gibi sorularla çalışmalara izin verir.

Şekil 1: Çok sensörlü giyilebilir sisteme genel bakış ve kayıttan analize kadar tipik bir çalışma akışı. Şekil 1 , CC_BY lisans altında yayınlanan Airaksinen ve ^ark.12'denuyarlanmıştır. Bebek fotoğrafı ebeveyn izni ile yayınlanır. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 2: Duruş ve hareket sınıflandırması ve ham verilerin ve analiz çıktısının örnek bir görselleştirmesi (A) Çok sensörlü bir giyilebilir cihaz için tam otomatik analiz hattı içindeki algoritmik sınıflandırıcılar tarafından kullanılan duruş ve hareket sınıflandırma şeması. Bu rakam Airaksinen ve ^ark.10 (B) MAIJU kayıtlarından çıktığı şekliyle dört kolun her birinden alınan 10 dakikalık ham ivmeölçer sensör verisi örneğinden alınmıştır. Aşağıdaki yatay çubuklar, aynı 10 dakikalık dönem için duruş (üst çubuk) ve hareket (alt çubuk) algılamaları için otomatik sınıflandırıcı çıkışlarını göstermektedir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 3: Ham sınıflandırıcı çıktılarından elde edilen örnek sonuçlar. (A) Bebek yaşı ile Baba Bebek Motor Skoru (BIMS) arasındaki veri karşılaştırmasına bir örnek. S şeklindeki yeşil eğri, daha büyük bir popülasyonda BIMS'in gelişimsel yörüngesini gösterir. Nokta, ortalama yaşa özgü seviyenin (yeşil çizgi) biraz altına karşılık gelen BIMS ~74 ile 14 ayda ölçülen örnek bir bireyi göstermektedir. (B) Baba Bebek Motor Skoru (BIMS) kullanılarak bireysel motor gelişim yörüngelerine sahip örnek bir kohort. Her çizgi, birkaç yaş noktasında kaydedilen bir bebeği temsil eder (çizgideki noktalar). Çizgiler, yaşa özgü ortalamaya göre ortalama sapma için renklendirilmiştir (arka planda mavi S-şekilli eğri; ayrıca panel A'ya bakın. (C) Babacloud boru hattından geldiği şekliyle otomatik sınıflandırıcıdan temsili çıktı matrisi. İlk sütun, sınıflandırmadaki her analiz penceresi için kayıt başlangıcından (saniye cinsinden) geçen süreyi gösterir (pencere süresi 2,3 sn, %50 örtüşme ile). İkinci ve üçüncü sütunlar sırasıyla duruş ve hareket için sınıflandırıcı algılamasını gösterir. Üçüncü ve dördüncü sütunlar, sırasıyla bebeğin bir başkası tarafından taşındığı ve bebeğin özerk oyun oynadığı dönemleri gösteren yardımcı sınıflandırıcılardır. (D) Özet raporun bir örneği. A ve B panoları Airaksinen ve ^ark.10'dan uyarlanmıştır. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Ek Dosya 1: MAIJU giyilebilir cihaz ile kayıt yapmak için hızlı bir kılavuz. Bu Dosyayı indirmek için lütfen buraya tıklayın.

Ek Dosya 2: Maijulogger'dan Babacloud'daki analiz sunucusuna veri aktarmak için hızlı bir kılavuz. Bu Dosyayı indirmek için lütfen buraya tıklayın.

Ek Dosya 3: Duruş, hareket, bebek taşıma ve serbest oyun süresi için tüm saniye saniye sınıflandırmaları veren ayrıntılı bir sınıflandırma matrisi örneği. Bu Dosyayı indirmek için lütfen buraya tıklayın.

Ek Dosya 4: Grafiksel özet raporun tam PDF dosyası örneği. Bu, (A) kayıt oturumu hakkında temel arka plan bilgilerini (denek kimliği ve yaşı, kayıt tarihi, süresi ve son analizler için kullanılan toplam dönem miktarı) içeren algoritma dosyasından alınmıştır. (B) Duruşların tam kayıt üzerindeki dağılımını ve nicel değerlendirmenin dışında bırakılan dönemleri gösteren tam kaydın grafiksel bir gösterimi. C) Altı duruşun tümü (sol taraf) ve 12 hareket türü (sağ taraf) için keman grafikleri ile görüntülenen tipik dağılımlar. Benzer şekilde, sağ taraftaki çizimler, her bir duruş tarafından belirtilen hareket türlerini gösterir ve aynı zamanda kademeli olarak gelişen motor performansın sırasını da gösterir (bireysel bir kayıttan elde edilen sonuçları gösteren noktalar ve ilgili bir veri kümesinin duruş/hareketinin yaşa bağlı dağılımlarını gösteren renkli keman grafikleri). Özellikle, noktalarla gösterilen ham değerler, verilen motor performansının gerçek miktarlarını gösterir ve doğrudan başka bağlamlarda kullanılabilirler. Bu Dosyayı indirmek için lütfen buraya tıklayın.

Ek Dosya 5: Farklı analiz seviyelerinde doğrulama deneyleri. (A) Hem duruş hem de hareket kategorileri için insan açıklamaları (hedef sınıf) ile algoritmanın algılamaları (tahmin edilen sınıf) arasındaki uyumu gösteren karışıklık matrisleri. (B) Otomatik sınıflandırıcıdan türetilen insan açıklamaları ve tespitler arasındaki tam kayıt oturumları boyunca motor niceliklerinin karşılaştırılması. (C) Giyilebilir verilerden gelişimsel yaş tahmini (sol taraf Y ekseni) ile BIMS puanını oluşturmak için yeniden ölçeklendirilmesi (sağ taraf Y ekseni) arasındaki korelasyon. Kayıt sırasında bebeğin gerçek yaşı X ekseninde gösterilir. (D) Takılan bir fonksiyon kullanılırken yaş tahmini ile gerçek yaşın korelasyonu. Değerler, gösterilen zaman pencerelerinde (mavi), tüm ham değerlerde (siyah) veya her bir bireyin tekrarlanan ölçümlerini (yeşil) hesaba katarken grup ortalaması kullanılırken modele uygunluğu gösterir. (E) İyi ve kötü performans gösteren bebek grupları arasındaki bireysel motor ölçümlerin karşılaştırılması, otomatik olarak tespit edilen birkaç motor metriğin bu bebek gruplarını ayırt edebileceğini düşündürmektedir. Panel A,B,C, Airaksinen ve ^ark.10'dan uyarlanmıştır. Panel D, Airaksinen ^vd.12'den uyarlanmıştır. Panel E, "Airaksinen ve ^ark.11. Bu Dosyayı indirmek için lütfen buraya tıklayın.

MAIJU gibi giyilebilir bir çözümle bebeklerin motor performansının niceliksel bir değerlendirmesi ve gelişimsel takibi, öğrenmesi ve gerçekleştirmesi teknik olarak kolaydır ve sağlık hizmetlerine veya klinik araştırma uygulamalarına kolayca uygulanabilir 10,11,12. Mevcut diğer motor değerlendirme yöntemleriyle karşılaştırıldığında, bebeklerin spontan motor aktivitesinin bu tür evde kaydedilmesi, değerlendirmenin ekolojik geçerliliğini artırır. Ayrıca, bebeklerin motor performansının nicelleştirilmiş, şeffaf ve tam otomatik bir analizini sağlar. En önemlisi, analizde kullanılan metrikler sezgisel ve açıklanabilirdir, bu da çevresel faktörler, bilişsel gelişim veya psikososyal değerlendirmeler gibi diğer klinik ve araştırma değerlendirmeleriyle kolayca karşılaştırılmalarını sağlar. Motor gelişimin bütünsel bir değerlendirmesi, geleneksel fiziksel büyüme ölçütleriyle iyi bir şekilde karşılaştırılan bir doğruluk sağlar¹².

Protokoldeki kritik adımlar, giyilebilir giysinin dikkatli bir şekilde hazırlanmasını içerir. Bir kayda hazırlanırken, vücut hareketlerinin güvenilir bir kaydını elde etmek için kollardaki ve bacaklardaki sensör eklerinin sıkıca oturması gerektiğinden, giysi için doğru bedeni seçmek çok önemlidir. Ayrıca başarılı bir kayıt için sensörlerin protokolde belirtildiği gibi ceplere doğru yönde yerleştirilmesi esastır. Sensör bağlantıları, kayıt sırasında sensörlerin dönmesine izin vermez. Bununla birlikte, yanlış yönlendirilmiş sensör, daha sonra düzeltilmesi imkansız olmasa da zor olan verileri kaydeder. Bebek, kayıt sırasında serbestçe ve bağımsız hareket etmeye teşvik edilmelidir. Kayıt uzunluğu, verilen çalışma sorularına göre değişebilir. Çoklu spontan hareket dönemleri, her kayıt seansı için yeterli spontan hareketi biriktirmek için birleştirilir.

MAIJU giyilebilir çözümünün esnek ve pratik çalışması, araştırma laboratuvarları veya evler gibi hem denetimli hem de denetimsiz ortamlarda değişken bağlamlarda kullanılmasına olanak tanır. Klinik çalışmalarımızdan elde edilen son sonuçlar, evde yapılan tamamen denetimsiz kayıtların, tam veya kısmi gözetim altında yapılan kayıtlarla karşılaştırılabilir sonuçlar sağlayabileceğini göstermektedir¹². Yine de, bir çocuğun spontan motor davranışı, çevre (örneğin, dışarıda ve içeride oynamak, alanın, mobilyaların ve oyuncakların düzeni), çocuğun uyanıklık düzeyi ve ebeveynlerin katılımı gibi çeşitli faktörlerden potansiyel olarak etkilenir. Kayıtlar evde denetimsiz ortamlarda yapıldığında, çocuğu kendiliğinden oynamaya, yani gerekli değilse çocuğu başka biri taşımadan veya tutmadan bağımsız olarak oynamaya veya hareket etmeye teşvik etmek ve kayıt yapan cep telefonunu Bluetooth aralığında (aynı odada)¹⁰ tutmak önemlidir. Kayıtlar sırasındaki mevcut sorun giderme durumlarımızın çoğu, Bluetooth bağlantısının kesilmesinden kaynaklanmaktadır. Sensör teknolojisindeki yakın gelecekteki gelişmeler, Bluetooth bağlantısını iyileştirecek ve daha büyük bir sensör belleğinin yakında piyasaya sürülmesi, hareket verilerini doğrudan sensör belleğinde depolayarak çevrimdışı kayda izin verecektir.

Bu tür giyilebilir bir çözümle hastane dışı kayıtlar kolayca ölçeklenebilir ve örneğin pandemi gibi durumlarda uzaktan izlemeyi etkinleştirerek bebeklerin güvenliğini artırabilir. Mevcut sınıflandırıcı algoritmalarımız, motilite tanımlama şemasında gösterilen verilen motor yetenekleri, duruşları ve hareketleri özel olarak tanımak için eğitilmiştir (Şekil 2A). Bu fenomenler, yaşamın ilk iki yılında bebek hareketinin özelliği olarak tanımlandı. Koşma veya zıplama gibi daha büyük çocuklarda görülen diğer hareket türleri veya duruşlar, değiştirilmiş hareket tanımlama şemaları ve bunları tanımlamak için eğitilecek ilgili algoritmalar gerektirecektir. Duruş-bağlam bağımlı analiz, bir bebeğin motor aktivitesinin, çalışmayı desteklemek için farklı duruşlarda ayrı ayrı analiz edildiği, örneğin bebek davranışının gelişimsel bağıntılarının 5,6,7,8,9,13 olduğu potansiyel olarak verimli bir yaklaşımdır. Alternatif olarak, bağlama bağlı bir hareket analizi, tek taraflı serebral palsi gelişimini tahmin ederken motor fonksiyondaki asimetrinin değerlendirilmesini de destekleyebilir 10,12,14,15. Ayrıca, MAIJU sistemi ile motor yeteneklerin değerlendirilmesi, farklı türlere ve bağlamlara yayılan çok modlu veriler sağlamak için göz izleme, görüntüleme veya video kaydı gibi diğer çalışma yöntemleriyle birleştirilebilir. Multimodal veriler, örneğin sosyal etkileşimin etkilerini veya terapötik müdahalenin etkinliğini değerlendirmede yararlı olabilir.

Yeni giyilebilir teknolojilerin bebeklerle hastane dışı izleme ortamlarında başarısı için belirli sınırlamaların, zorlukların ve etik kaygıların ele alınması gerekir. Analiz boru hatlarımız, Finlandiya'da tipik olarak gelişmekte olan bebekler kullanılarak eğitildi ve doğrulandı 10,11,12. Saf duruş ve hareketlerle ham analiz çıktıları evrensel olmalıdır. Bununla birlikte, gelişimsel yörüngeleri, farklı kültürler ve coğrafi konumlar için ayarlamalar gerektirebilir. Giyilebilir cihazlarla ilgili ebeveyn geri bildirimlerine göre, bebek dostu olmaları nedeniyle olumlu görülüyorlar¹⁶. Bununla birlikte, ebeveynler gizlilik, veri erişimi ve aile pratiklikleri (örneğin, birden fazla bakıcı, ziyaretçi ve değişen programlar) ile ilgili endişelerini dile getirebilir. Sensörlerin ve kayıt yapan telefonun pil ömrüne bağımlılık, yöntemin bir sınırlaması olarak düşünülebilir. Deneyimlerimize göre, pil modeli (CR2025), sürekli veri akışı kullanılırken tipik olarak tam gün (12-24 saat) dayanır. Özellikle, hem pil markasına hem de kayıt ortamında veri iletimini en üst düzeye çıkarmak için sürekli değişen kablosuz veri iletimi için gereken Bluetooth bağlantısının gücüne bağlıdır. Örneğin, bebek ile telefon arasındaki uzun bir mesafe veya aralarındaki bir duvar, Bluetooth bağlantısını önemli ölçüde daha yüksek pil tüketimine ayarlayacaktır. Özellikle, sürekli Bluetooth akışı kullanılıyorsa, çoğu mobil cihazın pilleri de yaklaşık aynı süre içinde boşalır. Pratikte, şu anda kullanılan Bluetooth bağlantısı üzerinden sürekli veri akışı, hem sensörlerin hem de mobil cihazların günlük şarj/pil değişimine ihtiyaç duyduğu anlamına gelir. Yakın gelecekte daha büyük bellek kapasitesine sahip sensörlerin piyasaya sürülmesi, sensör belleğinde veri depolamaya izin verecek ve bir haftadan fazla sürekli kaydı destekleyecektir. Bu, güç tüketen Bluetooth akışına olan ihtiyacı ortadan kaldırmanın yanı sıra, telefonu kayıt durumlarında kısıtlayıcı olarak algılanabilecek ve insan hatasına açık bir Bluetooth aralığında taşıyacaktır.

Genel olarak, erken nörogelişimin izlenmesi, doğal nörodavranışsal değişkenliğe duyarlı yöntemlere ihtiyaç duyar. Kaba motor gelişim, hem bireysel hem de kültürel düzeylerde düzen ve zamanlamadaki farklılıklardan oluşan karmaşık bir süreçtir⁴. Atipik motor gelişimin saptanması, çok çeşitli nörogelişimsel bozukluklar için risk altındaki bebeklerin tanınmasında etkilidir. Standartlaştırılmış nörogelişimsel değerlendirmelere sahip geleneksel test pilleri, hastaneler gibi kontrollü ortamlarda gerçekleştirilir ve en azından kısmen özneldir ^7,8,9. Sensör teknolojisi ve sinyal analizindeki mevcut gelişmeler, hastane dışı ortamlarda uzun süreler boyunca bebeklerin spontan motor yeteneklerinin kaydedilmesini ve motor davranışın insan gözlemcilerle karşılaştırılabilir bir doğrulukta ölçülmesini sağlamıştır 10,11,12. Yeni giyilebilir teknoloji, bebeklerde hareketi ve terapötik müdahalenin etkinliğini ekolojik olarak geçerli ve objektif bir şekilde izlemek için otomatik ve ölçeklenebilir yöntemler sunar. Ayrıca, yeni nörogelişimsel indeks Baba Bebek Motor Skoru (BIMS), nörogelişimin bireysel takibi ile bebeklerin motor yetenek olgunluğunun tahmin edilmesini sağlar^10,12. Bebek motor büyüme çizelgelerinin geliştirilmesi gibi gelecekteki bir dizi uygulamada kullanılabilir¹². Giyilebilir hareket sensörleri, diğer spesifik motiliteler (örneğin, daha büyük çocuklar veya yetişkinler için) için otomatik sınıflandırıcıları farklı hareket tanımlama şemaları ve algoritmaları ile eğiterek, hareket bozuklukları veya bireyin gelişim aşamasından bağımsız olarak terapötik müdahalelerin etkilerinin izlenmesi gibi klinik uygulamalar için potansiyele sahiptir¹⁷. Ancak şu anda bu, klinik tanı veya tedavi hedeflerini bilgilendirmek için kullanılmaması gereken bir araştırma metodolojisi olarak görülmelidir.