Система на основе биологической обратной связи для улучшения обучения роботизированной походке у детей с церебральным параличом (AID2GAIT)

Оценка с помощью измерения валовой моторной функции (GMFM-88): она измеряет изменения в GMF с вмешательством по 88 пунктам. Диапазон оценки составляет от 0 до 3 с более высокими оценками, что означает лучший результат.

Клиническая шкала вводится до Рага#1 (т.е. T0) и после RAGT#12 (т.е. T2).

Оценка по модифицированной шкале Эшворта (MAS): тест выполняется путем расширения первого у пациентов конечности от положения максимального возможного сгибания до максимального возможного расширения. Диапазон оценки составляет от 0 до 4 с более низкими оценками, что означает лучший результат.

Клиническая шкала вводится до Рага#1 (т.е. T0) и после RAGT#12 (т.е. T2).

Оценка по функциональной мере независимости для детей (WEEFIM): она измеряет необходимость помощи и тяжести инвалидности. Оценки варьируются от 0 до 4, при этом более низкие оценки указывают на более высокие уровни инвалидности.

Клиническая шкала вводится до Рага#1 (т.е. T0) и после RAGT#12 (т.е. T2).

Оценка по педиатрическому качеству жизни инвентаризации (PEDSQL): модульный подход к измерению качества жизни, связанного со здоровьем. Элементы четырех шкал (физическое функционирование, эмоциональное функционирование, социальное функционирование и школьное функционирование) сгруппированы вместе. Диапазон оценки составляет от 0 до 4 с более низкими оценками, что означает лучший результат.

Клиническая шкала вводится до Рага#1 (т.е. T0) и после RAGT#12 (т.е. T2).

Во время RAGT #1 (т.е. T0), RAGT #6 (т.е. T1), Ragt#12 (т.е. T2) Измерение изменчивости сердечного ритма (HRV) будет выполнено с помощью умных часов.

Сигнал HRV будет контролироваться, и метрики, такие как среднее, стандартное отклонение, среднее квадрат корней, спектральная плотность мощности, будут извлечены в окна времени 30 секунд.

Вышеупомянутые параметры коррелируют с активностью автономной нервной системы и будут использоваться в качестве входных данных для модели на основе ИИ, способной классифицировать уровень взаимодействия с пациентом во время RAGT.

Во время RAGT #1 (т.е. T0), RAGT #6 (т.е. T1), Ragt#12 (т.е. T2) Функциональное измерение вблизи инфракрасной спектроскопии будет выполняться с помощью FNIRS CAP.

FNIRS позволяет измерять колебания окси- и дезоксигемоглобина в лобной, префронтальной и моторной коре. Учитывая экологическую природу эксперимента, алгоритм на основе GLM будет применен для автоматического идентификации начала и продолжительности активаций коры. Канонические показатели GLM (бета-значения и T-статистика), указывающие на активность мозга, будут оцениваться во временных окнах 30 секунд и усреднены по всем хорошим каналам.

Вышеупомянутые параметры коррелируют с активностью центральной нервной системы и будут использоваться в качестве входных данных для модели на основе искусственного интеллекта, способного классифицировать уровень взаимодействия с пациентом во время RAGT и для оценки нейронной пластичности у пациентов.

Во время RAGT #1 (т.е. T0), RAGT #6 (т.е. T1), Ragt#12 (т.е. T2) Измерение инфракрасной визуализации (IRI) будет получено инфракрасной камерой.

Термические сигналы в существенных областях лица (кончик носа, ноздри, гофром, подбородка и периоральная область) будут контролироваться (температуры в ° C), а также метрики, такие как среднее, стандартное отклонение, куртоз, асимметрия и LF ([0,04-0,15] Гц), HF ([0,15-0,4] Гц) и компоненты LF/HF будут извлечены в окна времени 30 секунд.

Вышеупомянутые параметры коррелируют с активностью автономной нервной системы и будут использоваться в качестве входных данных для модели на основе ИИ, способной классифицировать уровень взаимодействия с пациентом во время RAGT.

Во время RAGT #1 (т.е. T0), RAGT #6 (т.е. T1), Ragt#12 (т.е. T2) крутящие моменты относительно обоих коленей и оба бедер будут приобретены (в NM).

Метрики, такие как среднее, стандартное отклонение будет извлечено во времени неэтравалы 30 секунд.

Вышеупомянутые параметры коррелируют с уровнем участия и с активностью пациента во время RAGT и будут использоваться в качестве входных данных для модели на основе искусственного интеллекта, способного классифицировать уровень взаимодействия с пациентом во время RAGT.