En visuell karakterisering av skalering av menneskelig bevegelse i oppgaver med stor amplitude

Parkinsons sykdom kjennetegnes ved bradykinesi og nedsatt motorisk skalering, noe som fører til redusert bevegelsesamplitude og nedsatt funksjonell ytelse. Store-amplitude treningsmetoder er mye brukt for å motvirke disse svakhetene ved å fremme overdreven bevegelsesutførelse og rekalibrering av intern bevegelsesoppfatning. Imidlertid viser enkeltpersoner ofte en gradvis reduksjon i bevegelsesamplitude under repeterende treningsøkter, et fenomen kjent som amplitudeforfall, som vanligvis krever verbal korreksjon fra en kliniker.

Til tross for sin kliniske relevans har amplitudeforfall ikke blitt objektivt kvantifisert, og bevegelseskvalitet vurderes vanligvis kun gjennom visuell observasjon. Markørbaserte bevegelsesfangstsystemer, selv om de er nøyaktige, er upraktiske for rutinemessig eller fjernbruk. RGB-kamerabasert markørløs analyse tilbyr et lavkost- og tilgjengelig alternativ for objektiv bevegelsesvurdering, spesielt i telerehabiliteringssammenhenger der direkte visuell tilsyn er begrenset.

Deltakere og studieutforming

Totalt 22–26 friske frivillige i alderen 18–45 år vil bli rekruttert. Alle deltakere vil være i stand til uavhengig funksjonell bevegelse og vil gi skriftlig samtykke før deltakelse. Studien følger et enkeltøkts, observasjonsbasert design.

Treningsprotokoll

Deltakerne vil utføre seks standardiserte store-amplitude øvelser:

Gulv-til-tak-rekkevidde

Fremoversteg

Sidesteg

Sitte-til-stå

Fremoverrekkevidde for å gripe og slippe et objekt

Stor gange

Hver øvelse vil bli tatt opp i åtte repetisjoner ved bruk av et enkelt RGB-kamera som fanger hele kroppens bevegelse. Ingen bærbare sensorer eller reflekterende markører vil bli brukt.

For hver øvelse vil den første repetisjonen bli utført uten forhåndsinstruksjoner om maksimal innsats. Umiddelbart etter fullføring vil en kliniker-ekspert verbalt bekrefte om denne utførelsen representerer deltakerens maksimale bevegelsesamplitude. Ved bekreftelse vil denne repetisjonen bli utpekt som den individuelle referanseprøven for den øvelsen.

Databehandling og resultatmål

Bevegelsesdata vil bli analysert ved bruk av to komplementære tilnærminger:

Pose-basert analyse:

Ledd-nøkkelpunkter vil bli ekstrahert fra video ved bruk av en posisjonsestimeringsalgoritme. Bevegelsesamplitude vil bli beregnet ved bruk av leddforskyvningsbaserte mål og normalisert i henhold til individuelle antropometriske egenskaper. Amplitudeforfall vil bli kvantifisert ved å sammenligne tidlige og sene repetisjoner og ved å beregne repetisjonsvise trender.

Visuell representasjonsanalyse:

Som en utforskende komponent vil en selvopplært vision transformer bli brukt til å ekstrahere visuelle funksjonsrepresentasjoner fra treningsvideoer. Hver repetisjon vil bli sammenlignet med den kliniker-bekreftede referanserepetisjonen ved bruk av funksjonslikhetsmål. Repetisjonsvise likhetspoeng vil bli brukt til å karakterisere endringer innen øvelsen og identifisere mønstre som er konsistente med amplitudeforfall.

Statistisk analyse

Datadistribusjon vil bli vurdert for normalitet. Endringer i bevegelsesamplitude og repetisjonsvise trender vil bli analysert ved bruk av parrede statistiske metoder. Sammenhenger mellom kamerabaserte mål og klinikeroppservasjoner vil bli utforsket ved bruk av korrelasjonsanalyse, med statistisk signifikans satt til p < 0,05.

Etiske vurderinger og forventet innvirkning

Studien innebærer ingen invasive prosedyrer eller terapeutiske inngrep. Videodata vil bli anonymisert og sikkert lagret, og deltakere kan trekke seg når som helst. Etisk godkjenning er innhentet fra Biruni Universitys ikke-intervensjonelle etiske komité.

Denne studien forventes å demonstrere gjennomførbarheten av kamerabaserte metoder for objektiv vurdering av bevegelsesamplitude og amplitudeforfall, og gir et metodologisk grunnlag for fremtidige studier som involverer pasientpopulasjoner, automatiserte tilbakemeldingssystemer og telerehabiliteringsapplikasjoner