Infant movement classification through pressure distribution analysis — added value for research and clinical implementation

要約

タイトル: 圧力分布解析による乳幼児の動作分類 – 研究と臨床実装への付加価値

要約：

– 神経運動障害の早期発見を目的とし、圧力センシングデバイスを使用した革新的な非侵襲的なアプローチを提案した。
– 圧力データを使用して、「フィジェティ期」と「プレフィジェティ期」のTypical GMsを区別することの実現可能性を検討した。
– 標本（N = 45）は通常の発達乳幼児コホートからサンプリングされ、32×32グリッドの圧力センシングマットに1024のセンサがあり、7回の研究室セッションでそれぞれの乳児の生後4〜16週間に2週間の間隔で予期的に記録された。
– 証明のために、対象期間から各5秒間の1776の圧力データスニペットが、FM +またはFM-のいずれかに人間の評価者によって対応する同期したビデオデータに基づいて事前注釈された。
– FM + vs. FM-クラスを区別するために、複数のニューラルネットワークアーキテクチャがテストされた。CNMがクラスの平均分類精度（81.4％）が最も高かった。
– 自動化されたGMAを目指す他の方法と比較して、圧力センシングアプローチは、効率的な大規模な運動データの取得と共有の可能性が大きく、乳幼児神経運動機能の評価のための日常的な臨床応用可能なアプローチの改善を可能にすると結論づけた。

要約(オリジナル)

Aiming at objective early detection of neuromotor disorders such as cerebral palsy, we proposed an innovative non-intrusive approach using a pressure sensing device to classify infant general movements (GMs). Here, we tested the feasibility of using pressure data to differentiate typical GM patterns of the ”fidgety period” (i.e., fidgety movements) vs. the ”pre-fidgety period” (i.e., writhing movements). Participants (N = 45) were sampled from a typically-developing infant cohort. Multi-modal sensor data, including pressure data from a 32×32-grid pressure sensing mat with 1024 sensors, were prospectively recorded for each infant in seven succeeding laboratory sessions in biweekly intervals from 4-16 weeks of post-term age. For proof-of-concept, 1776 pressure data snippets, each 5s long, from the two targeted age periods were taken for movement classification. Each snippet was pre-annotated based on corresponding synchronised video data by human assessors as either fidgety present (FM+) or absent (FM-). Multiple neural network architectures were tested to distinguish the FM+ vs. FM- classes, including support vector machines (SVM), feed-forward networks (FFNs), convolutional neural networks (CNNs), and long short-term memory (LSTM) networks. The CNN achieved the highest average classification accuracy (81.4%) for classes FM+ vs. FM-. Comparing the pros and cons of other methods aiming at automated GMA to the pressure sensing approach, we concluded that the pressure sensing approach has great potential for efficient large-scale motion data acquisition and sharing. This will in return enable improvement of the approach that may prove scalable for daily clinical application for evaluating infant neuromotor functions.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI