Summary

إعادة العيادة إلى المنزل: نظام بيئي متعدد الوسائط لجمع البيانات في المنزل لدعم التحفيز العميق التكيفي للدماغ

Published: July 14, 2023
doi:

Summary

يعرض البروتوكول نموذجا أوليا لمنصة جمع البيانات متعددة الوسائط في المنزل التي تدعم البحث الذي يحسن التحفيز العميق التكيفي للدماغ (aDBS) للأشخاص الذين يعانون من اضطرابات الحركة العصبية. نقدم أيضا النتائج الرئيسية من نشر المنصة لأكثر من عام في منزل فرد مصاب بمرض باركنسون.

Abstract

يظهر التحفيز العميق التكيفي للدماغ (aDBS) وعدا لتحسين علاج الاضطرابات العصبية مثل مرض باركنسون (PD). يستخدم aDBS المؤشرات الحيوية المتعلقة بالأعراض لضبط معلمات التحفيز في الوقت الفعلي لاستهداف الأعراض بشكل أكثر دقة. لتمكين هذه التعديلات الديناميكية ، يجب تحديد معلمات خوارزمية aDBS لكل مريض على حدة. وهذا يتطلب ضبطا يدويا يستغرق وقتا طويلا من قبل الباحثين السريريين ، مما يجعل من الصعب العثور على التكوين الأمثل لمريض واحد أو التوسع ليشمل العديد من المرضى. علاوة على ذلك ، تظل الفعالية طويلة المدى لخوارزميات aDBS التي تم تكوينها في العيادة أثناء وجود المريض في المنزل سؤالا مفتوحا. لتنفيذ هذا العلاج على نطاق واسع ، هناك حاجة إلى منهجية لتكوين معلمات خوارزمية aDBS تلقائيا أثناء مراقبة نتائج العلاج عن بعد. في هذه الورقة ، نشارك تصميما لمنصة لجمع البيانات في المنزل لمساعدة الميدان على معالجة كلتا المشكلتين. تتكون المنصة من نظام بيئي متكامل للأجهزة والبرامج مفتوح المصدر ويسمح بجمع بيانات الفيديو العصبية والقصور الذاتي والمتعددة الكاميرات في المنزل. لضمان خصوصية البيانات التي يمكن التعرف عليها من قبل المريض ، تقوم المنصة بتشفير البيانات ونقلها من خلال شبكة خاصة افتراضية. تتضمن الطرق محاذاة تدفقات البيانات واستخراج تقديرات الوضع من تسجيلات الفيديو. لإثبات استخدام هذا النظام ، قمنا بنشر هذه المنصة في منزل فرد مصاب بمرض باركنسون وجمعنا البيانات خلال المهام السريرية ذاتية التوجيه وفترات السلوك الحر على مدار 1.5 عام. تم تسجيل البيانات بسعات التحفيز دون العلاجية والعلاجية وفوق العلاجية لتقييم شدة الأعراض الحركية في ظل ظروف علاجية مختلفة. تظهر هذه البيانات المتوافقة مع الوقت أن النظام الأساسي قادر على جمع البيانات متعددة الوسائط المتزامنة في المنزل للتقييم العلاجي. يمكن استخدام بنية النظام هذه لدعم أبحاث aDBS الآلية ، وجمع مجموعات بيانات جديدة ودراسة الآثار طويلة المدى لعلاج DBS خارج العيادة لأولئك الذين يعانون من الاضطرابات العصبية.

Introduction

يعالج التحفيز العميق للدماغ (DBS) الاضطرابات العصبية مثل مرض باركنسون (PD) عن طريق توصيل التيار الكهربائي مباشرة إلى مناطق معينة في الدماغ. هناك ما يقدر بنحو 8.5 مليون حالة من مرض باركنسون في جميع أنحاء العالم ، وقد أثبت DBS أنه علاج حاسم عندما يكون الدواء غير كاف لإدارة الأعراض 1,2. ومع ذلك ، يمكن تقييد فعالية DBS بسبب الآثار الجانبية التي تحدث أحيانا من التحفيز الذي يتم تسليمه تقليديا بسعة ثابتة وتردد وعرض النبضة3. لا يستجيب تنفيذ الحلقة المفتوحة هذا للتقلبات في حالة الأعراض ، مما يؤدي إلى إعدادات تحفيز لا تتوافق بشكل مناسب مع الاحتياجات المتغيرة للمريض. كما يتم إعاقة التحفيز العميق للدماغ من خلال العملية التي تستغرق وقتا طويلا لضبط معلمات التحفيز ، والتي يتم إجراؤها حاليا يدويا من قبل الأطباء لكل مريض على حدة.

التحفيز العميق للدماغ التكيفي (aDBS) هو نهج مغلق الحلقة يظهر أنه تكرار تالي فعال ل DBS عن طريق ضبط معلمات التحفيز في الوقت الفعلي كلما تم اكتشاف المؤشرات الحيوية المرتبطة بالأعراض3،4،5. أظهرت الدراسات أن تذبذبات بيتا (10-30 هرتز) في النواة تحت المهاد (STN) تحدث باستمرار أثناء بطء الحركة ، وهو تباطؤ في الحركة يميز PD 6,7. وبالمثل ، من المعروف أن تذبذبات جاما العالية (50-120 هرتز) في القشرة تحدث خلال فترات خلل الحركة ، وهي حركة مفرطة وغير إرادية شائعة أيضا في PD8. نجح العمل الأخير في إدارة aDBS خارج العيادة لفترات طويلة5 ، ولكن لم يتم إثبات الفعالية طويلة المدى لخوارزميات aDBS التي تم تكوينها في العيادة أثناء وجود المريض في المنزل.

هناك حاجة إلى أنظمة بعيدة لالتقاط الفعالية المتغيرة زمنيا لهذه الخوارزميات الديناميكية في قمع الأعراض التي تصادفها أثناء الحياة اليومية. في حين أن نهج التحفيز الديناميكي ل aDBS من المحتمل أن يتيح علاجا أكثر دقة مع تقليل الآثار الجانبية 3,9 ، لا يزال aDBS يعاني من عبء كبير على الأطباء لتحديد معلمات التحفيز يدويا لكل مريض. بالإضافة إلى مجموعة المعلمات الكبيرة بالفعل للبرمجة أثناء DBS التقليدية ، تقدم خوارزميات aDBS العديد من المعلمات الجديدة التي يجب أيضا تعديلها بعناية. ينتج عن هذا المزيج من معلمات التحفيز والخوارزمية مساحة معلمة واسعة مع عدد لا يمكن التحكم فيه من التركيبات الممكنة ، مما يمنع aDBS من التوسع للعديد من المرضى10. حتى في إعدادات البحث ، فإن الوقت الإضافي اللازم لتكوين وتقييم أنظمة aDBS يجعل من الصعب تحسين الخوارزميات بشكل كاف في العيادة فقط ، وهناك حاجة إلى تحديث المعلمات عن بعد. لجعل aDBS علاجا يمكن توسيع نطاقه ، يجب أتمتة التحفيز وضبط معلمة الخوارزمية. بالإضافة إلى ذلك ، يجب تحليل نتائج العلاج عبر التجارب المتكررة لإنشاء aDBS كعلاج طويل الأمد قابل للتطبيق خارج العيادة. هناك حاجة إلى نظام أساسي يمكنه جمع البيانات للتقييم عن بعد لفعالية العلاج ، ونشر التحديثات عن بعد لمعلمات خوارزمية aDBS.

الهدف من هذا البروتوكول هو توفير تصميم قابل لإعادة الاستخدام لمنصة متعددة الوسائط لجمع البيانات في المنزل لتحسين فعالية aDBS خارج العيادة ، وتمكين هذا العلاج من التوسع إلى عدد أكبر من الأفراد. على حد علمنا ، فهو أول تصميم لمنصة جمع البيانات يقوم بتقييم النتائج العلاجية عن بعد باستخدام كاميرات الفيديو المنزلية ، وأجهزة الاستشعار القابلة للارتداء ، وتسجيل الإشارات العصبية المزمنة ، وردود الفعل التي يحركها المريض لتقييم أنظمة aDBS أثناء المهام الخاضعة للرقابة والسلوك الطبيعي.

النظام الأساسي عبارة عن نظام بيئي لمكونات الأجهزة والبرامج المبنية على الأنظمة المطورة مسبقا5. يمكن صيانته بالكامل من خلال الوصول عن بعد بعد التثبيت الأولي للحد الأدنى من الأجهزة للسماح بجمع البيانات متعددة الوسائط من شخص في راحة منزله. أحد المكونات الرئيسية هو نظام التحفيز العصبي القابل للزرع (INS)11 الذي يستشعر النشاط العصبي ويقدم التحفيز إلى STN ، ويسجل التسارع من غرسات الصدر. بالنسبة للزرع المستخدم في النشر الأولي ، يتم تسجيل النشاط العصبي من الخيوط الثنائية المزروعة في STN ومن أقطاب تخطيط كهربية الكورتيغرافي المزروعة فوق القشرة الحركية. يساعد نظام تسجيل الفيديو الأطباء على مراقبة شدة الأعراض وفعالية العلاج ، والتي تتضمن واجهة مستخدم رسومية (GUI) للسماح بسهولة إلغاء التسجيلات الجارية لحماية خصوصية المريض. تتم معالجة مقاطع الفيديو لاستخراج المسارات الحركية للموضع في ثنائي الأبعاد (2D) أو ثلاثي الأبعاد (3D) ، ويتم ارتداء الساعات الذكية على كلا المعصمين لالتقاط معلومات السرعة الزاوية والتسارع. الأهم من ذلك ، يتم تشفير جميع البيانات قبل نقلها إلى التخزين السحابي طويل الأجل ، ولا يمكن الوصول إلى الكمبيوتر الذي يحتوي على مقاطع فيديو يمكن التعرف عليها من قبل المريض إلا من خلال شبكة افتراضية خاصة (VPN). يتضمن النظام نهجين للمواءمة الزمنية اللاحقة لجميع تدفقات البيانات ، ويتم استخدام البيانات لمراقبة جودة حركة المريض عن بعد ، وتحديد المؤشرات الحيوية المتعلقة بالأعراض لتحسين خوارزميات aDBS. يظهر جزء الفيديو من هذا العمل عملية جمع البيانات والرسوم المتحركة للمسارات الحركية المستخرجة من مقاطع الفيديو التي تم جمعها.

وقد وجه وضع البروتوكول عددا من اعتبارات التصميم:
ضمان أمن البيانات وخصوصية المريض: يتطلب جمع بيانات المرضى التي يمكن التعرف عليها أقصى درجات العناية في النقل والتخزين من أجل أن يكون قانون إخضاع التأمين الصحي لقابلية النقل والمساءلة (HIPAA)12,13 الامتثال واحترام خصوصية المريض في منزله. في هذا المشروع ، تم تحقيق ذلك من خلال إعداد VPN مخصص لضمان خصوصية جميع حركة المرور الحساسة بين أجهزة كمبيوتر النظام.
حدود سلامة معلمة التحفيز: من الأهمية بمكان التأكد من بقاء المريض آمنا أثناء تجربة خوارزميات aDBS التي قد يكون لها تأثيرات غير مقصودة. يجب تكوين INS للمريض من قبل الطبيب للحصول على حدود آمنة لمعلمات التحفيز التي لا تسمح بتأثيرات غير آمنة من الإفراط في التحفيز أو نقص التحفيز. مع نظام INS11 تستخدم هذه الميزة في هذه الدراسة ، ويتم تمكينها بواسطة مبرمج سريري.
ضمان نقض المريض: حتى ضمن حدود المعلمات الآمنة ، قد يؤدي التباين اليومي للأعراض واستجابات التحفيز إلى مواقف غير سارة للمريض حيث لا يحب خوارزمية قيد الاختبار ويرغب في العودة إلى DBS السريري العادي ذو الحلقة المفتوحة. يتضمن نظام INS المحدد وحدة القياس عن بعد للمريض (PTM) التي تسمح للمريض بتغيير مجموعة التحفيز وسعة التحفيز يدويا بالمللي أمبير. هناك أيضا تطبيق بحث متصل ب INS يستخدم للتكوين عن بعد ل INS قبل جمع البيانات14، مما يمكن المريض أيضا من إجهاض تجارب aDBS والتحكم في علاجه.
التقاط السلوك المعقد والطبيعي: تم دمج بيانات الفيديو في المنصة لتمكين الأطباء من مراقبة فعالية العلاج عن بعد ، واستخراج المسارات الحركية من تقديرات الوضع لاستخدامها في التحليلات البحثية15. في حين أن أجهزة الاستشعار القابلة للارتداء أقل تدخلا ، إلا أنه من الصعب التقاط النطاق الديناميكي الكامل لحركة الجسم بأكمله باستخدام الأنظمة القابلة للارتداء وحدها. تتيح مقاطع الفيديو التسجيل المتزامن لمجموعة كاملة من حركة المريض وأعراضه بمرور الوقت.
سهولة استخدام النظام للمرضىيتطلب جمع البيانات متعددة الوسائط في المنزل تثبيت أجهزة متعددة واستخدامها في منزل المريض ، مما قد يصبح عبئا على المرضى للتنقل.: لجعل النظام سهل الاستخدام مع ضمان تحكم المريض ، يجب فقط تشغيل الأجهزة المزروعة أو المتصلة فعليا بالمريض (في هذه الحالة بما في ذلك نظام INS والساعات الذكية) يدويا قبل بدء التسجيل. بالنسبة للأجهزة المنفصلة عن المريض (في هذه الحالة تتضمن البيانات المسجلة من كاميرات الفيديو) ، تبدأ التسجيلات وتنتهي تلقائيا دون الحاجة إلى أي تفاعل من المريض. تم توخي الحذر أثناء تصميم واجهة المستخدم الرسومية لتقليل عدد الأزرار وتجنب أشجار القائمة العميقة بحيث تكون التفاعلات بسيطة. بعد تثبيت جميع الأجهزة ، أظهر منسق الأبحاث للمريض كيفية التفاعل مع جميع الأجهزة من خلال واجهات المستخدم الرسومية التي تواجه المريض والتي تعد جزءا من كل جهاز ، مثل كيفية إنهاء التسجيلات على أي جهاز وكيفية إدخال تاريخ الدواء وتقارير الأعراض.
شفافية جمع البياناتمن الضروري الإشارة بوضوح إلى وقت تشغيل الكاميرات حتى يعرف الأشخاص متى يتم تسجيلها ويمكنهم تعليق التسجيل إذا احتاجوا إلى لحظة خصوصية.: لتحقيق ذلك ، يتم استخدام تطبيق نظام الكاميرا للتحكم في تسجيلات الفيديو باستخدام واجهة المستخدم الرسومية التي تواجه المريض. تفتح واجهة المستخدم الرسومية تلقائيا عند بدء تشغيل التطبيق وتسرد وقت وتاريخ التسجيل المجدول التالي. عندما يكون التسجيل مستمرا ، توضح الرسالة متى من المقرر أن ينتهي التسجيل. في وسط واجهة المستخدم الرسومية ، يتم عرض صورة كبيرة للضوء الأحمر. تظهر الصورة الضوء المضاء بشكل ساطع كلما كان التسجيل مستمرا ، ويتغير إلى صورة غير مضاءة عند إيقاف تشغيل التسجيلات.

يفصل البروتوكول طرق تصميم وبناء ونشر منصة لجمع البيانات في المنزل ، لفحص جودة البيانات التي تم جمعها للتأكد من اكتمالها ومتانتها ، ولبيانات ما بعد المعالجة لاستخدامها في الأبحاث المستقبلية.

Figure 1
الشكل 1: تدفق البيانات. يتم جمع البيانات لكل طريقة بشكل مستقل عن مكان إقامة المريض قبل معالجتها وتجميعها في نقطة نهاية تخزين واحدة عن بعد. يتم إرسال البيانات الخاصة بكل طريقة تلقائيا إلى نقطة نهاية تخزين بعيدة. بمساعدة أحد أعضاء الفريق ، يمكن بعد ذلك استردادها والتحقق من صحتها ومحاذاة الوقت عبر الطرائق ، بالإضافة إلى إخضاعها لمزيد من المعالجة المسبقة الخاصة بالطريقة. يتم تحميل مجموعة البيانات المجمعة بعد ذلك إلى نقطة نهاية تخزين بعيدة يمكن الوصول إليها بأمان من قبل جميع أعضاء الفريق للتحليل المستمر. يتم وضع جميع الأجهزة التي يمكنها الوصول إلى البيانات ، خاصة للبيانات الحساسة مثل الفيديو الخام ، داخل VPN يضمن نقل جميع البيانات بشكل آمن وتشفير البيانات المخزنة دائما. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

Protocol

يتم تسجيل المرضى من خلال دراسة أكبر معتمدة من IRB و IDE في aDBS في جامعة كاليفورنيا ، سان فرانسيسكو ، البروتوكول # G1800975. بالإضافة إلى ذلك ، قدم المريض المسجل في هذه الدراسة موافقة مستنيرة خصيصا لهذه الدراسة. 1. مكونات النظام في المنزل الخادم المركزي و VPN<o…

Representative Results

تصميم ونشر منصة النموذج الأوليقمنا بتصميم منصة نموذجية ونشرناها في منزل مريض واحد (الشكل 1). بعد التثبيت الأول للأجهزة في المنزل ، يمكن صيانة النظام الأساسي وجمع البيانات بالكامل من خلال الوصول عن بعد. تحتوي أجهزة INS والساعات الذكية والكاميرات على تطبيقات تواجه …

Discussion

نشارك تصميم نموذج أولي في المنزل لمنصة جمع بيانات متعددة الوسائط لدعم الأبحاث المستقبلية في أبحاث التعديل العصبي. التصميم مفتوح المصدر ومعياري ، بحيث يمكن استبدال أي قطعة من الأجهزة ، ويمكن تحديث أي مكون برمجي أو تغييره دون انهيار النظام الأساسي العام. في حين أن طرق جمع البيانات العصبية و…

Disclosures

The authors have nothing to disclose.

Acknowledgements

تستند هذه المادة إلى العمل المدعوم من برنامج زمالة أبحاث الخريجين التابع لمؤسسة العلوم الوطنية (DGE-2140004) ، و Weill Neurohub ، والمعهد الوطني للصحة (UH3NS100544). أي آراء أو نتائج أو استنتاجات أو توصيات معبر عنها في هذه المادة هي آراء المؤلف (المؤلفين) ولا تعكس بالضرورة آراء المؤسسة الوطنية للعلوم أو Weill Neurohub أو المعهد الوطني للصحة. نشكر تيانجياو تشانغ على مشاورات الخبراء حول تصميم المنصة ودمج بيانات الفيديو. نشكر المريض بشكل خاص على مشاركته في هذه الدراسة وعلى التعليقات والنصائح حول أمان الشبكة وتصميم النظام الأساسي.

Materials

Analysis RCS Data Processing OpenMind https://github.com/openmind-consortium/Analysis-rcs-data, open-source
Apple Watches Apple, Inc Use 2 watches for each patient, one on each wrist
BRIO ULTRA HD PRO BUSINESS WEBCAM Logitech 960-001105 Used 3 in our platform design 
DaVinci Resolve video editing software  DaVinci Resolve used to support camera calibration
Dell XPS PC  Dell 2T hard disk drive, 500GB SSD
Dropbox Dropbox
ffmpeg  N/A open-source, install to run the Video Recording App
Gooseneck mounts for webcams N/A
GPU Nvidia A minimum of 8GB GPU memory is recommended to run OpenPose, 12GB is ideal
Java 11 Oracle Install to run the Video Recording App
Microsoft Surface tablet  Microsoft
NoMachine  NoMachine Ideal when using a Linux OS, open-source
OpenPose  N/A open-source
Rclone file transfer program Rclone Encrypts data and copies or moves data to offsite storage, open-source
StrivePD app RuneLabs We installed the app on the Apple Watches to start recordings and upload data to an online portal.
Summit RC+S neuromodulation system Medtronic For investigational use only
touchscreen-compatible monitor N/A
Video for Linux 2 API The Linux Kernel Install if using a Linux OS for video recording 
Wasabi  Wasabi Longterm cloud data storage
WireGuard VPN Protocol WireGuard open-source

References

  1. World Health Organization. . Parkinson disease. , (2022).
  2. Herrington, T. M., Cheng, J. J., Eskandar, E. N. Mechanisms of deep brain stimulation. Journal of Neurophysiology. 115 (1), 19-38 (2016).
  3. Little, S., et al. Adaptive deep brain stimulation for Parkinson’s disease demonstrates reduced speech side effects compared to conventional stimulation in the acute setting. Journal of Neurology, Neurosurgery & Psychiatry. 87 (12), 1388-1389 (2016).
  4. Mohammed, A., Bayford, R., Demosthenous, A. Toward adaptive deep brain stimulation in Parkinson’s disease: a review. Neurodegenerative Disease Management. 8 (2), 115-136 (2018).
  5. Gilron, R., et al. Long-term wireless streaming of neural recordings for circuit discovery and adaptive stimulation in individuals with Parkinson’s disease. Nature Biotechnology. 39 (9), 1078-1085 (2021).
  6. Ray, N. J., et al. Local field potential beta activity in the subthalamic nucleus of patients with Parkinson’s disease is associated with improvements in bradykinesia after dopamine and deep brain stimulation. Experimental Neurology. 213 (1), 108-113 (2008).
  7. Neumann, W. J., et al. Subthalamic synchronized oscillatory activity correlates with motor impairment in patients with Parkinson’s disease. Movement Disorders: Official Journal of the Movement Disorder Society. 31 (11), 1748-1751 (2016).
  8. Swann, N. C., et al. Adaptive deep brain stimulation for Parkinson’s disease using motor cortex sensing. J. Neural Eng. 11, (2018).
  9. Little, S., et al. Adaptive deep brain stimulation in advanced Parkinson disease. Annals of Neurology. 74 (3), 449-457 (2013).
  10. Connolly, M. J., et al. Multi-objective data-driven optimization for improving deep brain stimulation in Parkinson’s disease. Journal of Neural Engineering. 18 (4), 046046 (2021).
  11. Stanslaski, S., et al. Creating neural "co-processors" to explore treatments for neurological disorders. 2018 IEEE International Solid – State Circuits Conference – (ISSCC). , 460-462 (2018).
  12. . Rights (OCR), O. for C. The HIPAA Privacy Rule. HHS.gov. , (2008).
  13. . Rights (OCR), O. for C. The Security Rule. HHS.gov. , (2009).
  14. Perrone, R., Gilron, R. . SCBS Patient Facing App (Summit Continuous Bilateral Streaming). , (2021).
  15. Strandquist, G., et al. . In-Home Video and IMU Kinematics of Self Guided Tasks Correlate with Clinical Bradykinesia Scores. , (2023).
  16. Donenfeld, J. A. WireGuard: Next Generation Kernel Network Tunnel. Proceedings 2017 Network and Distributed System Security Symposium. , (2017).
  17. etzion. . Ubuntu 20.04 and TPM2 encrypted system disk – Running Systems. , (2021).
  18. Craig-Wood, N. . Rclone. , (2023).
  19. Chen, W., et al. The Role of Large-Scale Data Infrastructure in Developing Next-Generation Deep Brain Stimulation Therapies. Frontiers in Human Neuroscience. 15, 717401 (2021).
  20. Hidalgo, G. i. n. &. #. 2. 3. 3. ;. s., et al. . CMU-Perceptual-Computing-Lab/openpose. , (2023).
  21. Cao, Z., Hidalgo, G., Simon, T., Wei, S. E., Sheikh, Y. OpenPose: Realtime Multi-Person 2D Pose Estimation Using Part Affinity Fields. IEEE Transactions on Pattern Analysis and Machine Intelligence. 43 (1), 172-186 (2021).
  22. Cao, Z. . openpose/calibration_module.md at master · CMU-Perceptual-Computing-Lab/openpose. , (2023).
  23. Sellers, K. K., et al. Analysis-rcs-data: Open-Source Toolbox for the Ingestion, Time-Alignment, and Visualization of Sense and Stimulation Data From the Medtronic Summit RC+S System. Frontiers in Human Neuroscience. 15, 398 (2021).
  24. Ranti, C. . Rune Labs Stream API. , (2023).
  25. . ffmpeg development community. FFmpeg Formats Documentation. , (2023).
  26. Goetz, C. G., et al. Movement Disorder Society-sponsored revision of the Unified Parkinson’s Disease Rating Scale (MDS-UPDRS): Scale presentation and clinimetric testing results: MDS-UPDRS: Clinimetric Assessment. Movement Disorders. 23 (15), 2129-2170 (2008).

Play Video

Cite This Article
Strandquist, G., Frączek, T., Dixon, T., Ravi, S., Bechtold, R., Lawrence, D., Zeng, A., Gallant, J., Little, S., Herron, J. Bringing the Clinic Home: An At-Home Multi-Modal Data Collection Ecosystem to Support Adaptive Deep Brain Stimulation. J. Vis. Exp. (197), e65305, doi:10.3791/65305 (2023).

View Video