利用机器学习轻松跟踪诊所中的患者运动。

目标 1：开发能够在体检期间捕捉健康对照行为的 3D 跟踪。 在目标 1 中，研究人员将招募健康的志愿者在模拟检查室中进行简化的身体检查，同时使用三个同步的 FLIR 摄像机进行记录。 简化的考试将包括四项任务：震颤评估、手指追踪、手指到鼻子的运动和手指敲击。 然后，研究人员将使用 DeepLabCut (DLC) 软件——一种训练人工神经网络以识别图像中用户定义的特征的技术——来识别体检视频中感兴趣的身体部位。 一旦网络得到充分训练，研究人员将测试其概括不同患者和不同环境的能力。 将对志愿者在体检期间的运动进行额外分析，以评估运动的震颤、速度和曲折度等特征。

目标 2：将 3D 跟踪应用到诊所以跟踪运动障碍患者的身体检查行为。 在目标 2 中，研究人员将训练有素的网络应用于诊所，以检查运动障碍患者的体格检查特征。 目标 2a 将测试 DLC 网络在患者和年龄匹配的健康对照体检期间捕捉运动障碍异常的能力。 每个测试变量的 DLC 分数将根据标准化量表与医生的运动分数进行比较。 研究人员希望发现 DLC 跟踪方法能够以反映并超越医生能力的方式客观地对运动障碍进行评分。 在目标 2b 中，研究人员将探索招募的患者群体，看看是否有可能提取出与某些疾病状态相对应的特征性运动。 在这个探索性目标中，研究人员希望能够仅根据跟踪的运动特征将不同的疾病组（例如：帕金森病和共济失调患者）彼此分开。

研究方法：

在目标 1 中，将使用三台配备定制同步和启动系统的 FLIR 相机在科罗拉多大学丹佛研究生院校园内建造一个运动场。 研究人员将从科罗拉多大学丹佛分校研究生院招募多达 30 名 18-70 岁的健康对照者进行简化体检（震颤评估、手指追逐、指鼻运动和手指敲击），同时视频以 100 Hz 的频率从三个角度捕获。 调查人员预计每个受试者进行此测试的时间不会超过 5 分钟。 该视频将用于训练 DLC 人工神经网络识别肢体特征。 研究人员将测量我们训练有素的 DLC 网络在体检期间表征每条肢体的十二个兴趣点的能力：四个手指和拇指的指尖、所有四个掌指关节、手的中心、肘部和肩。 一个成功的结果将是一个网络，该网络能够在不同个体和不同房间环境之间以高置信度识别感兴趣的特征。

在目标 2a 中，将在科罗拉多大学运动障碍诊所的检查室中设置一个跟踪场。 调查人员将招募多达 100 名年龄在 18-70 岁之间的患者，这些患者正在就诊进行与运动障碍相关的预约，以及就诊时患者的配偶和亲属，以进行健康的年龄匹配控制。 就诊后将询问门诊患者是否愿意参加该研究。 如果他们同意，医生将获得书面同意并填写一份患者表格，其中包括患者的年龄、种族、性别和诊断（或推定诊断）。 将开始录像，医生将进行上述简化的体检。 医生将按照共济失调评估和评级量表（SARA，项目 5 和 6）中的描述从 0-4 评判手指追踪和手指到鼻子的任务。 将根据统一帕金森病评定量表（UPDRS，第 21 和 23 项）从 0-4 判断姿势震颤和手指敲击。 如果患者与同意成为年龄匹配对照（患者年龄 10 岁以内）的人一起探视，则将如上所述重复体检。 调查人员预计，从开始到结束，每个受试者的测试时间不超过 5 分钟。 然后，研究人员将使用 DLC 算法以类似于医生评分的方式对体检进行评分，以评估系统的准确性。

在目标 2b 中，研究人员将探索目标 2a 中的患者数据，以了解特定于个别疾病的运动特征。 数据聚类方法（PCA 和 t-SNE）将使用来自每个体检任务的高维 DLC 跟踪数据将数据分成几组。 成功将被衡量为仅基于运动数据分析将疾病与另一种疾病区分开来的能力。