En visionbaseret karakterisering af menneskelig bevægelsesskalering i stor-amplitudetasks

Parkinsons sygdom er karakteriseret ved bradykinesi og nedsat motorisk skalering, hvilket fører til reduceret bevægelsesamplitude og nedsat funktionel præstation. Store-amplitude træningsmetoder anvendes bredt for at modvirke disse mangler ved at fremme overdreven bevægelsesudførelse og justering af den interne bevægelsesopfattelse. Under gentagne træningssæt demonstrerer individer imidlertid ofte en gradvis reduktion i bevægelsesamplitude, et fænomen kendt som amplitudenedbrydning, som typisk kræver verbal korrektion fra en kliniker.

På trods af dens kliniske relevans er amplitudenedbrydning ikke blevet objektivt kvantificeret, og bevægelseskvalitet vurderes almindeligvis kun gennem visuel observation. Markørbaserede bevægelsesoptagesystemer, selvom præcise, er upraktiske til rutinemæssig eller fjernanvendelse. RGB-kamerabaseret markørløs analyse tilbyder et lavpris- og tilgængeligt alternativ til objektiv bevægelsesvurdering, især i telerehabiliteringssammenhænge, hvor direkte visuel tilsyn er begrænset.

Deltagere og Studiedesign

I alt 22-26 raske frivillige i alderen 18-45 år vil blive rekrutteret. Alle deltagere vil være i stand til uafhængig funktionel bevægelse og vil give skriftligt informeret samtykke inden deltagelse. Studiet følger et enkelt-session, observationelt design.

Træningsprotokol

Deltagere vil udføre seks standardiserede store-amplitude øvelser:

Gulv-til-loft Rækkevidde

Fremad Skridt

Sideskridt

Sid-til-stå

Fremad Rækkevidde for at Gribe og Frigive et Objekt

Stor Gang

Hver øvelse vil blive optaget i otte gentagelser ved brug af et enkelt RGB-kamera, der optager helkropsbevægelse. Ingen bærbare sensorer eller reflekterende markører vil blive brugt.

For hver øvelse vil den første gentagelse blive udført uden forudgående instruktion om maksimal indsats. Umiddelbart efter færdiggørelse vil en kliniker ekspert verbalt bekræfte, om denne udførelse repræsenterer deltagerens maksimale bevægelsesamplitude. Ved bekræftelse vil denne gentagelse blive udpeget som den individuelle referenceprøve for den pågældende øvelse.

Databehandling og Resultatmål

Bevægelsesdata vil blive analyseret ved hjælp af to komplementære tilgange:

Pose-baseret Analyse:

Led-nøglepunkter vil blive uddraget fra video ved hjælp af en pose-estimeringsalgoritme. Bevægelsesamplitude vil blive beregnet ved hjælp af led-forskydningsbaserede målinger og normaliseret i henhold til individuelle antropometriske karakteristika. Amplitudenedbrydning vil blive kvantificeret ved at sammenligne tidlige og sene gentagelser og ved at beregne gentagelsesvise tendenser.

Visuel Repræsentation Analyse:

Som en undersøgende komponent vil en selv-overvåget vision-transformer blive brugt til at uddrage visuelle funktionsrepræsentationer fra træningsvideoer. Hver gentagelse vil blive sammenlignet med den kliniker-bekræftede referencegentagelse ved hjælp af funktionslignhedsmålinger. Gentagelsesvise lighedsscorer vil blive brugt til at karakterisere ændringer inden for øvelse og identificere mønstre i overensstemmelse med amplitudenedbrydning.

Statistisk Analyse

Datadistribution vil blive vurderet for normalitet. Ændringer i bevægelsesamplitude og gentagelsesvise tendenser vil blive analyseret ved hjælp af parrede statistiske metoder. Sammenhænge mellem kamerabaserede målinger og klinikerobservationer vil blive undersøgt ved hjælp af korrelationsanalyse, med statistisk signifikans sat til p < 0,05.

Etiske Overvejelser og Forventet Indvirkning

Studiet indebærer ingen invasive procedurer eller terapeutiske interventioner. Videodata vil blive anonymiseret og sikkert opbevaret, og deltagere kan tilbagetrække sig når som helst. Etisk godkendelse er blevet indhentet fra Biruni University Non-Interventional Ethics Committee.

Dette studie forventes at demonstrere gennemførligheden af kamerabaserede metoder til objektiv vurdering af bevægelsesamplitude og amplitudenedbrydning, hvilket giver et metodisk grundlag for fremtidige studier, der involverer patientpopulationer, automatiserede feedbacksystemer og telerehabiliteringsapplikationer.