研究文章GydF4y2Ba 应用科学与工程GydF4y2Ba

一种皮肤形象的无线传感器,客观地量化瘙痒的症状GydF4y2Ba

看到所有GydF4y2Ba隐藏GydF4y2Ba作者和附属机构GydF4y2Ba

十搏欧洲杯直播官网2021年4月30日:GydF4y2Ba
卷。7,不。18,EABF9405.GydF4y2Ba
DOI:10.1126 / sciadv.abf9405GydF4y2Ba

抽象的GydF4y2Ba

瘙痒是一种常见的临床症状和主要驱动疾病相关的发病率在各种医疗条件。一个尚未得到满足的重要需求是对瘙痒的客观、准确的测量。在这篇文章中,我们提出了一种非侵入性的技术,通过一个柔软、灵活的无线传感器来客观地量化抓挠行为,该传感器从手背捕获抓挠的声学-力学特征。一种机器学习算法通过从健康受试者(GydF4y2BaNGydF4y2Ba= 10)表示相对于基于SmartWatch的方法的优异性能。主要儿科患者队列中的临床验证(GydF4y2BaNGydF4y2Ba= 11)中至重度特应性皮炎患者共46个睡眠夜,总计378.4小时。数据表明,与目测相比,该方法的准确性为99.0%(84.3%的敏感性,99.3%的特异性)。这项工作表明了与应用相关的广泛能力,从评估导致瘙痒的药物疗效到监测疾病的严重程度和治疗反应。GydF4y2Ba

介绍GydF4y2Ba

瘙痒和疼痛是人类痒中的伤害的两个基本疗法,导致刮擦反射,而疼痛会导致退出反射(GydF4y2Ba1GydF4y2Ba)。不幸的是,瘙痒在临床中经常被忽视和治疗不足(GydF4y2Ba2GydF4y2Ba)尽管大幅度的医疗状况,导致ITCH-1%的门诊次数每年涉及代表主要全球性疾病负担的瘙痒症状(GydF4y2Ba3.GydF4y2Ba)。虽然很多医疗条件会导致瘙痒(如肾衰竭、肝衰竭和淋巴瘤),特应性皮炎(AD)可能是最常见的。阿尔茨海默病也是最普遍的儿童炎症性皮肤病,影响着1000万美国儿童,年患病率为13% (GydF4y2Ba4.GydF4y2Ba)。阿尔兹海默病的特征是瘙痒,这是发病率的主要原因,在60%的受影响的儿童中导致慢性睡眠障碍(GydF4y2Ba5.GydF4y2Ba-GydF4y2Ba8.GydF4y2Ba)。对数百万儿童的后果包括神经认知障碍和增长率下降(GydF4y2Ba9.GydF4y2Ba-GydF4y2Ba12.GydF4y2Ba)。中度至重度AD患者的生活质量评分在所有慢性疾病中始终是最低的(GydF4y2Ba13.GydF4y2Ba)。GydF4y2Ba

在广告和其他导致瘙痒的条件下,主要的未满足需要在瘙痒的客观措施,以评估新药物,量化疾病严重程度和监测治疗反应的疗效。痒的主观性质在其量化时会产生困难。常用的方法,如患者报告的视觉模拟尺度与视觉观察到的划痕行为相比不良差(GydF4y2Ba14.GydF4y2Ba)。这些自我报告的措施也容易发生敏感性和锚定偏差。此外,这些主观方法缺乏对幼儿的有效性,并认知成年人受损。GydF4y2Ba

测量与划痕相关联的行为提供了一种量化瘙痒严重性和频率的方法。在录像中的划痕直接视觉检查代表着黄金标准,但这些方案在临床实践中都是劳动密集型和不切实际的。手腕采集,一种使用加速度计记录运动的方法,估计通过测量手腕运动来划伤。这种方法提供了次优的精度,因为无法区分,例如,手摇摆来自划痕。划痕的广泛变化特征的其他方面,包括个人的可变性,代表额外的未解决的挑战(GydF4y2Ba15.GydF4y2Ba)。因此,目前的传感器和策略在临床试验或患者护理中常规使用足够的性能或实用性。GydF4y2Ba

在这里,我们报告了一种利用软,灵活,无线和低调传感器的策略,该策略能够捕获具有临床级数据质量的生理过程的振动和运动签名。这款设备,我们称为ADAM(高级声音机械)(GydF4y2Ba16.GydF4y2Ba)传感器,轻轻地与皮肤结合,可以捕捉来自人体的低频(如动作)和高频(声学-机械)信号。内置的可充电电池允许7天的连续操作,一次无线充电。当放置在手背上时,ADAM传感器能够通过运动和声学信号的组合来捕捉与抓挠相关的声力学信号,并且不受环境噪声的影响。具体来说,当置于第二和第三指间腕骨之间时,ADAM传感器不仅可以量化腕部和/或手臂的运动,还可以量化手指和指尖的广泛时间带宽(包括与抓挠本身相关的高频振动运动)引发的抓挠行为。利用传感器数据和对抓痕过程物理的相关理解,可以提取出唯一表征抓痕活动的信号特征,以训练和验证基于机器学习(ML)的抓痕检测算法。GydF4y2Ba

该内容始于对一组受控实验中划伤的机制的系统研究的描述,然后验证了传感器信号与两个人类学科研究中的数据分析方法的组合使用:算法开发研究(GydF4y2BaNGydF4y2Ba= 10个健康的正常受试者)和临床验证研究(GydF4y2BaNGydF4y2Ba= 11主要具有广告的儿科患者)。培训研究涉及在明确定义的条件下集合划痕和非触发数据,以开发ML算法来分类和量化刮擦行为。临床研究验证了中度至重度广告的患者群体中的传感器和算法。该性能与通过手动标记的红外线(IR)相机录制通过直接视觉观察定义的金标准。GydF4y2Ba

结果GydF4y2Ba

传感器操作和性能GydF4y2Ba

ADAM传感器是一个小,柔软,可伸缩的无线装置,其使用薄粘合剂在背部手的曲线表面上安装,能够定位在一系列可能的解剖位置和各种方向上(GydF4y2Ba图。1AGydF4y2Ba)。如其他地方详细描述,传感器具有蓝牙低能量无线电,电子设备和设备一端的可充电电池,另一个毫米级,三轴加速度计,采样率为1600 Hz分辨率为16位和动态范围为±2GydF4y2BaGGydF4y2Ba, 在哪里GydF4y2BaGGydF4y2Ba重力加速度是9。8米/秒吗GydF4y2Ba2GydF4y2Ba(GydF4y2Ba16.GydF4y2Ba)。这里的研究报告了在垂直于皮肤表面的方向上测量的加速度。薄的低模量硅氧烷弹性体形成皮肤兼容的封装包装,作为用于柔性印刷电路板(FPCB)的水密外壳,其支持和互连这些各种部件。FPCB采用图案化布局,包括通过使用计算建模的自由变形,蛇形互连的集合,以从设备的其他部件机械地与加速度计机械地分离。该设计优化了设备在皮肤表面的微妙运动,准确且不约束的能力。GydF4y2Ba图1AGydF4y2Ba展示突出显示这些“软”机械属性和整体“补丁”形状因子的图像。GydF4y2Ba

图。1GydF4y2Ba 亚当传感器和信号输出概述。GydF4y2Ba

(GydF4y2Ba一种GydF4y2Ba)ADAM传感器在各种变形状态下突出其柔软,灵活的结构。(GydF4y2BaB.GydF4y2Ba)测量时间术的运动模式和刮伤的振动签名的结果,重点是五种不同的频率范围。实验涉及四个加速度计,每个加速度计均在划伤时位于指尖,手指,背部的手指和手腕上,通过铰接臂10秒,然后仅在最后的10秒中用手指刮擦。彩色条表示每个频带中每个频率的信号的平均功率。左右值表示相应图的最小和最大值。通过铰接臂铰接,下空间图案是从划伤的,并且较低的空间图案仅通过手指刮擦。(GydF4y2BaCGydF4y2Ba)来自传感器的刮擦路径和结果数据(原始和过滤)数据。(GydF4y2BaD.GydF4y2Ba在划伤期间捕获的信号的比较与五个不同的安装位置作为时间序列和频谱图图。背部手是一种有效的安装位置,用于仅捕获手指划伤。照片学分:奥斯汀德克萨斯大学皇家三春。GydF4y2Ba

抓挠活动产生两种类型的信号。第一种对应于手部的大致运动,其特征频率在几赫兹或更少的范围内。第二种与第一种在时间上重叠,产生于指尖和指甲在接触面上运动产生的微妙振动脉冲。在这里,频率延伸到几百赫兹的范围,并表现出随着手指和手的位置迅速衰减的振幅,最终通过手腕和手臂。其他地方报道的详细的多加速度计测量结果暗示了这第二类信号的物理性质,尽管在触觉界面(GydF4y2Ba17.GydF4y2Ba)。从指尖到手腕的不同位置的加速度的类似直接测量揭示了这里研究的划痕行为的信号衰减的光谱特征(GydF4y2Ba图。1BGydF4y2Ba)。测量涉及位于指尖的无线加速度计,沿着手指的中点,手的背部和手腕,如在右侧框架中GydF4y2Ba图。1BGydF4y2Ba(图S1A)。这种测试通过连接手臂10秒,然后只用手指10秒的抓挠皮肤表面来捕捉信号。皮肤表面的加速度峰到峰的振幅随着手指和手表面到手腕的距离的增加而衰减。颜色条在空间模式中GydF4y2Ba图。1BGydF4y2Ba代表每个频带中每个频率的信号的平均功率。左右数字表示每个相应的图中的每个图的最大值和最小值。为了通过铰接臂(空间图案的第一行)来刮擦,功率衰减在指尖的20dB / Hz,在频率范围内的频率范围为-32dB / Hz,从10到100的频率范围内赫兹。衰减随频率急剧增加。具体地,信号分别从-19到-37dB / hz和-20到-41dB / hz减小到频率范围为100至200Hz和200至400Hz。对于这两种类型的划痕,从指尖到手腕的近似功率耗散在0.1到10 Hz的频率范围内为2 dB,12 dB的范围为10到100Hz,20 dB的范围为100至200 Hz和200至400 Hz,16 dB的范围为400至800 Hz。如所预期的,低频下的衰减远低于高频的衰减。信号的功率随着传播距离和频率的增加而指数呈指数增长。 A decay constant of η, a frequency-dependent characteristic of viscoelastic material obtained by fitting the experimental data, characterizes the behavior. In the experiment in图。1BGydF4y2Ba,对于从指尖传播到手的背部的振动的情况,η具有0.38的值(图S1C)。这些结果表明,通过(i)可以最有效地捕获与刮擦相关的重要高频信息(i)以高带宽模式操作加速度计的触手可及的触摸纤维和(ii)。GydF4y2Ba

现有的划痕传感器使用相对低的带宽加速度计(通常为50Hz或更小),以及使用带耦合到手腕的刚性外壳中的相关电子器件(GydF4y2Ba18.GydF4y2Ba-GydF4y2Ba20.GydF4y2Ba)。尽管这些设备可以捕获第一类型的信号,但它们不能以足够的保真度记录第二,并且与上述传播研究的结果一致。这种限制在(i)在手腕处的非膜安装位置遵循,其中高频信号具有小的幅度;(ii)不足以捕获高频信息的测量带宽;(iii)松散的机械耦合到皮肤。相比之下,ADAM传感器以高精度量化两种类型的信号,因为它接近指尖/指甲,其高带宽操作及其与皮肤的互联机械接口。结果是具有高特异性和灵敏度的涂抹事件的优异能力。GydF4y2Ba图1C.GydF4y2Ba如左帧中所示,通过用相对手的指针手指刮擦臂产生的代表性数据。该动作涉及(i)用手指在固定位置转换手腕,然后仅在10秒铰接手指10秒。通过通过在2Hz的截止值通过低通和高通滤波器通过数据来识别先前讨论的两种类型的信号。第一类代表手的运动,并且可以用作检测划痕事件的基础,但是,当在隔离时使用时,没有第二种,可以产生来自手摇摆,基本震颤和其他无关的运动来源的假阳性结果刮伤(GydF4y2Ba18.GydF4y2Ba)。临界高频信息源自指尖,并通过软组织和跖骨透射到传感器的位置,如上所述,并通过红色箭头所示GydF4y2Ba图1C.GydF4y2Ba。这些特征与指尖滑动时的特征,并且在某些情况下,手动的动作,包括跨越广泛的频率(GydF4y2Ba21.GydF4y2Ba)。虽然通过人体的传输会导致衰减,并随着频率的增加而增加,特别是在100赫兹以上(GydF4y2Ba22.GydF4y2Ba),相关的复杂波形在几厘米的距离处保持良好(GydF4y2Ba17.GydF4y2Ba那GydF4y2Ba23.GydF4y2Ba)。GydF4y2Ba

这种效果表现在位于手背和手腕的水平和垂直方向的ADAM传感器捕捉到的信号特征上,并在紧紧捆绑在手腕上的智能手表(Apple Watch Series 4)的顶部。测量包括首先在空气中以2.5 s的抓挠运动连接手指,然后以同样的运动抓挠皮肤表面2.5 s。中数据的时间序列和谱图表示GydF4y2Ba图。1DGydF4y2Ba在所有情况下,显示与刮擦皮肤与空气相关的高频内容。谱图GydF4y2Ba图。1DGydF4y2Ba使用框架尺寸为0.2秒的汉明窗,重叠持续时间为0.19秒。这些识别功能频率高达约600 Hz,甚至有一些能量甚至高达800 Hz,但最高可振幅在高达200 Hz的范围内。结果仅显示了适度的安装位置的依赖,条件是传感器位于手的背部的径向一半上。方向效果不大,仅仅因为加速度计驻留在亚当设备的前部,如前所述,并用红色点突出显示GydF4y2Ba图。1DGydF4y2Ba。在手腕上,高频组件仅显示为数据中的弱功能,与之前的衰减结果一致GydF4y2Ba图。1BGydF4y2Ba(无花果。印地)。安装在后面的手,信号强度高,设备的软物理性质和医疗级,低过敏性,一次性胶还支持一个健壮的舒适、无刺激性的接口兼容许多日常活动涉及各种手和手腕动作(图S2)。GydF4y2Ba

表征抓挠GydF4y2Ba

划伤与个体因内部和外部刺激而异。通过单独的肘部,手腕或手指铰接可以发生刮擦,如上所述的测试中所检查的GydF4y2Ba图。1GydF4y2Ba。在接合整个上臂的模式中,手指按压表面并保持静止,其中前臂在肘关节上铰接的运动驱动刮擦动作。另一方面,手指刮擦模式主要涉及手指的局部运动,而无需大量前臂或腕部运动。这两种模式的混合物也是可能的。根据划痕的位置和瘙痒程度,个体可互换地使用不同的划痕模式。对于任何类型的刮擦动作,强度也很重要。接触点处的力决定了指尖和表面之间的摩擦,因此可以考虑频率和速度作为刮擦事件强度的度量。这些因素有助于亚当传感器捕获的信号的差异。各种类型的划痕活动的系统研究是开发更广泛的划痕检测算法的重要前兆。GydF4y2Ba

为此目的的对照实验涉及两个身体位置:手背(DH)和前臂(FA) (GydF4y2Ba图2AGydF4y2Ba),左侧背部的亚当传感器(GydF4y2Ba图。1DGydF4y2Ba),两个位置通过仅在左手铰接,然后仅以高强度铰接,然后以高强度进行铰接而划伤。蓝色实线GydF4y2Ba图2AGydF4y2Ba显示的时间GydF4y2BaZ.GydF4y2Ba- 从皮肤表面的振动运动在与刮擦运动的平面正交的方向上的振动运动的加速。如预期的那样,对于高强度划痕,高强度划痕的峰峰幅度越大。例如,高强度FA划痕的信号的幅度(45至55秒)为1.5GydF4y2BaGGydF4y2Ba,这比低强度案例大超过两倍(65至75秒; 0.7GydF4y2BaGGydF4y2Ba)。对于其他类似的情况,但仅通过手指发声,高(125到135秒)和低(145到155秒)的振幅是0.4GydF4y2BaGGydF4y2Ba和0.15GydF4y2BaGGydF4y2Ba, 分别。用于铰接臂(0至80秒)的结果显示每个划痕位置(DH,FA)和强度级别的指状物(80至160s)的幅度。与这些信号相关联的频域内容显示为频谱图(GydF4y2Ba图2AGydF4y2Ba),使用相同的窗口和框架尺寸绘制GydF4y2Ba图1C.GydF4y2Ba。在所有情况下,即使只有手指的低强度,高频内容,特别是高达200赫兹,在数据中突出。高强度和低强度划伤事件的归一化光谱特征基本相同,如图S3所示。GydF4y2Ba

图2GydF4y2Ba ADAM传感器收集的代表性数据。GydF4y2Ba

(GydF4y2Ba一种GydF4y2Ba)采样时间序列数据和频谱图对应划痕活动。两种刮擦模式在两个身体部位,手(DH)和前臂(FA)的两个身体部位(DH)和前臂(H)和低(L)的强度上进行。(GydF4y2BaB.GydF4y2Ba)时间序列数据的刮擦活动,其中五种不同的身体部位包括头部(毛茸茸的皮肤),臂(正常皮肤),腹部(柔软皮肤),膝盖(骨骼突出皮肤)和腿(硬皮)。(GydF4y2BaCGydF4y2Ba)(b)中的每个时间序列数据的频谱图。由于划伤活动引起的信号具有0至800-Hz频率范围内的能量。(GydF4y2BaD.GydF4y2Ba)时间序列数据在广泛的非匹配活动中,包括在空中的模拟移动手指,挥动手,文本消息,键盘上打字,然后单击鼠标。(GydF4y2BaE.GydF4y2Ba)(D)中的每个时间序列数据的频谱图。由于非触发活动引起的信号主要具有小于200 Hz的范围。GydF4y2Ba

在五个不同的身体位置(头部,手臂,腹部,膝盖和腿部)和非匹配活动(使用手指在空中划伤,用手机发短信,在键盘上打字,然后单击鼠标)突出信号中的关键差异以及在一系列实际情况下的高频内容的重要性(GydF4y2Ba图2,b到dGydF4y2Ba)。具体地,所有刮擦活动的数据具有高于200 Hz的大量能量,与位置无关(GydF4y2Ba图2C.GydF4y2Ba)。根据先前的讨论,正如预期的那样,大多数非抓挠活动的声谱图在这个频率范围内显示出最小的能量(GydF4y2Ba图2E.GydF4y2Ba)。文本消息,键盘上键入,然后单击计算机鼠标表示异常,其中由于这些动作的脉冲组件,数据显示了100到200 Hz之间的贡献。然而,所有频率的光谱内容,信号的时间特征和低频信息都可以有助于将这些活动区分开来。换句话说,记录信号的高频分量是划伤的重要指标,但它们必须与数据的其他特征一起使用,以实现对某一相对较小的混杂活动的高选择性。此外,夜间划伤的测量减轻了对唤醒活动的需要,例如键入或短信。作为图示,电影S1和S2突出了一种手动信号分析的形式,其涉及原始数据的转换到可以以类似于听诊器的声音的方式解释的音频文件。可以立即将如上所述的各种活动,以这种方式立即区分开。这些集体考虑因素为数据分析的方法进行了激励,其中各种特征,包括但不限于高频含量,有助于用于无与伦比的敏感性和特异性水平的分类方案。GydF4y2Ba

手动安装与手腕安装的划伤感应GydF4y2Ba

如前所述,通过手指,手腕,弯头或肩部的铰接可以发生刮擦行为。腕上安装的传感器的一个关键限制是无法测量与仅手指刮擦的运动以及困难,以区分手摇摆和刮擦。控制研究揭示了与先前通过之前发布的嵌入式移动应用程序进行量化的腕带系统(Apple Watch系列4)对亚当系统的性能。GydF4y2Ba18.GydF4y2Ba)。比较专注于两种划痕:一个通过仅通过手指铰接手臂和另一模式。为了通过铰接臂进行铰接来检查划伤,该组活动包括膝关节划伤,手挥动,腹部划痕,并且在10 s分开的序列中划伤的头部刮伤。蓝线表示原始数据的时间序列,红线分别表示最终的二进制分类结果,其中0和1分别对应于非克拉特和划痕。黑色虚线突出显示ITCH跟踪器的分类结果(GydF4y2Ba18.GydF4y2Ba),0表示Nonscratch活动和0.5表示划痕活动(GydF4y2Ba图3AGydF4y2Ba)。虽然痒跟踪器捕捉膝关节刮伤和腹部划伤,但它会误解手摇摆和头部划伤。前者可能遵循沉重的依赖手动运动来划伤检测。后者可能出现,因为头部划伤涉及手腕的短型运动。adam系统遍布所有这些和其他方案。GydF4y2Ba

图3.GydF4y2Ba 用手施用ADAM设备获得的结果与Apple Watch获得的结果与ITCH跟踪器移动应用程序。GydF4y2Ba

时间序列数据和各种划痕的谱图(膝盖上的皮肤有一个骨骼突出,皮肤腹部皮肤,复杂的表面头部皮肤)和非触发活动(手动挥手和在空中划伤运动),与每项活动之间的5-s暂停。(GydF4y2Ba一种GydF4y2Ba)通过阐明整个手腕来刮伤。Itch跟踪器将手摇动划伤,以划伤并且未能检测头部划伤。(GydF4y2BaB.GydF4y2Ba)通过仅铰接手指来刮伤。ADAM传感器可靠地识别使用手指的铰接来划伤皮肤。在手腕上的安装位置及其无法录制高频信息,ITCH跟踪器无法使用手指检测划痕。照片学分:奥斯汀德克萨斯大学皇家三春。GydF4y2Ba

附加实验探索涉及手指铰接的刮擦模式(GydF4y2Ba图3B.GydF4y2Ba)。与使用手臂进行划伤之前的比较一样,这四项活动包括膝关节划伤,在空气中模拟刮伤,腹部划伤和头部划伤。在这些活动中,由于手腕上缺乏运动,Itch跟踪器不会检测到任何划伤的任何情况。另一方面,亚当系统检测到所有情况,甚至可以精确地辨别伪抓地力(GydF4y2Ba图3B.GydF4y2Ba)。模拟空气中的刮擦运动提供了ADAM系统的额外测试。划痕和伪划痕之间的主要区别是存在高于100Hz的频率签名。虽然ADAM系统可以捕获高达800 Hz的频率,但大多数腕表的加速度计,例如Apple手表频率只高达50 Hz(即,100 Hz的采样率)。GydF4y2Ba

验证GydF4y2Ba

随机森林(RF)分类器允许自动检测刮擦活动。培训数据集包含来自15个不同的身体位置的刮擦数据,以及从10个健康的正常科目收集的6种类型的非匹配活动(GydF4y2Ba图4,A和B.GydF4y2Ba)。休假 - 一次性交叉验证(LOSO-CV)应用于训练数据集,形成RF分类器优化的基础。在此过程中,来自单个参与者的数据集用作测试数据集,其余数据允许培训。迭代所有参与者的过程允许每个参与者的数据用于测试一次。分类性能对应于验证的所有迭代的平均值。loso-cv,不像GydF4y2BaK.GydF4y2Ba- 可防止CV方法,防止分类器在受试者的数据集中学习混淆关系,以SAB报告的不切实际的高分类准确性GydF4y2Baet al。GydF4y2Ba(GydF4y2Ba24.GydF4y2Ba)。通过比较LOSO-CV结果,可以优化RF模型。该优化的参数包括射频分类器中树的数量和最小刮擦时间(MRS)。RF分类器是一个元估计器,它适用于数据集的各种子样本上的许多决策树分类器。森林中树木数量的选择平衡了模型的复杂性和性能。增加数量会增加训练时间和过度拟合的可能性。因此,优化侧重于检查不同数量的估计器,从10到200棵树,并比较LOSO-CV性能。分类性能在大约30棵决策树时达到最大值。GydF4y2Ba

图4.GydF4y2Ba 数据集,信号处理管道和验证方法概述。GydF4y2Ba

(GydF4y2Ba一种GydF4y2Ba)从10个健康的正常志愿者收集算法验证数据。(GydF4y2BaB.GydF4y2Ba)每个参与者执行的活动及其相应的活动时长。(GydF4y2BaCGydF4y2Ba)通过施加1 s的滑动窗口,预处理随后施加到组并分割成帧。从每个帧中,提取了一组特征。使用从训练帧中提取的功能集,训练了随机林(RF)分类器。培训的分类器应用于测试功能设置以进行预测和验证。(GydF4y2BaD.GydF4y2Ba)我们的验证队列的时间序列数据与单个主题执行各种划痕和非抓取活动,包括每项活动之间的5-S暂停期。(GydF4y2BaE.GydF4y2Ba)如果概率超过50%,则划痕的输出概率表征为“1:划痕”。蓝线是针对每个帧划伤的概率,红线表示最终分类结果,其中0和1分别对应于非触控和划痕。GydF4y2Ba

MRS持续时间代表另一个优化参数。在信号处理管道(GydF4y2Ba图4C.GydF4y2Ba),射频分类器返回1秒帧级的预测。随后,使用带噪声的应用程序(DBSCAN)基于密度的空间聚类对输出进行聚类。DBSCAN的目的是将两个接近的抓挠帧连接为一个单独的抓挠事件。MRS定义了形成抓挠事件簇的最小帧数。使用LOSO-CV,从1.5到8.5 s的MRS值产生不同的分类性能。当MRS达到4.5 s时,性能随MRS的增加而增加,当MRS达到8.5 s时,性能保持不变(图S5)。随着MRS的进一步增加,但收益递减,性能可以得到改善。对于下面的分析,MRS定义为至少4.5 s。GydF4y2Ba

优化的RF分类器应用于从单个主题收集的数据执行各种划痕(头部,臂,腹部,膝盖,膝盖和腿部)和非匹配活动(在空中模拟刮擦,手挥手,发短信在手机上,在键盘上键入,然后单击鼠标)。相应的时间序列GydF4y2BaZ.GydF4y2Ba-轴加速度数据在GydF4y2Ba图4DGydF4y2Ba,相关的分类结果已提交GydF4y2Ba图4E.GydF4y2Ba。GydF4y2Ba

使用优化的RF分类器(30棵树)和持续时间(4.5秒),LOSO-CV可以应用于健康的正常训练数据集以评估性能。结果表明平均精度为94.4%,平均敏感性为87.8%。整体准确性为89.1%。GydF4y2Ba表格1GydF4y2Ba总结整体表现。GydF4y2Ba

表格1GydF4y2Ba 分类结果。GydF4y2Ba

算法验证研究使用了LOSO-CV和RF分类器。临床研究包括手动标记的所有46夜的数据集,其中ADAM传感器安装在每个受试者的主要手上。从临床研究部署了算法验证研究中开发的算法。临床研究的总体准确性为99.0%,灵敏度为84.3%,特异性为99.3%。由于培训夜间设置未见的算法(例如,键入,打字)的速度较多的混淆活动,算法验证的准确性较低(89.1%)。GydF4y2Ba

RF分类器在算法验证数据集上培训的RF分类器可以直接从临床验证研究中的患者数据集使用。该评价显示出82.5%的平均精度,平均敏感性为84.3%(GydF4y2Ba表格1GydF4y2Ba)。这是从最先前的自动划痕检测的大多数工作的显着改进(表S2)。电影S1说明了一个带有广告的小儿患者在刮擦时穿着传感器。IR相机演示随后编码的划痕行为。注意,刮擦强度从划痕事件的开始变化,如IR视频中的反映为严格的划痕运动,并且在ADAM传感器数据中作为大的幅度信号。GydF4y2Ba

讨论GydF4y2Ba

瘙痒是影响皮肤病学和非皮肤病学条件的儿童和成人最常见的疾病最常见的临床症状之一。尽管瘙痒率和对生活质量的深远影响,但准确和方便的方法完全表征瘙痒和瘙痒相关的刮擦行为不存在于临床实践或家中。能够精确且可靠地评估瘙痒的技术将作为药物开发,瘙痒严重程度的量化和治疗反应的监测中的批判性重要的工具。GydF4y2Ba

具有手动标签的视频监控被认为是金标准,因为它允许精确识别和量化刮擦行为。然而,这种技术既有劳动又难以自动化。这些缺点以及一系列相关的隐私问题,使这种方法常规使用不切实际(GydF4y2Ba25.GydF4y2Ba)。腕带的加速度计代表流行的工具,用于在各种临床研究中收集客观数据,具有足够的敏感性,但特异性差(GydF4y2Ba26.GydF4y2Ba)。有些研究对戏剧性数据的临床适用性令人疑问,由于与广告疾病严重程度和生活质量的相关性差。利用ML算法结合使用ML算法的新兴方法优于简单的基于戏剧性的方法(GydF4y2Ba15.GydF4y2Ba)。然而,这些系统无法检测到仅手指刮擦,手挥手和相关手势被错误分类为划痕(GydF4y2Ba图3.GydF4y2Ba)。作为一个不寻常方法的例子,NoroGydF4y2Baet al。GydF4y2Ba开发了一种手表形状的声音检测系统,通过骨传导来测量刮擦声音(GydF4y2Ba27.GydF4y2Ba)。虽然精度可以接近视频分析,但基于麦克风的系统涉及大量隐私问题,并且它们的性能与环境噪声脱落。GydF4y2Ba

adam传感器和划痕算法在此报告提供关键优势。首先,这些设备的软灵活性使它们能够符合各种患者的手,如少年为全年成年人的儿童验证,在那里他们在一系列天然活动期间保持轻柔而强烈地粘附。。亚当传感器的这一方面特别适用于调查病理症状如夜间瘙痒症的长期变化。例如,对于ADAM传感器,我们观察到在患有传感器的广告的患者的患者的子集中观察到夜间变异,延长一段时间(10天或更长时间)。这意味着在更持续的磨损时间内平均刮伤持续时间可能是必要的,而不是单个夜晚(图S6)。其次,系统捕获与划伤相关联的低频和高频声学签名。有效地捕获通过划伤生成的“声学”信号的能力,而无需麦克风,可确保患者隐私和性能在嘈杂的环境中,信号质量没有恶化。最后,系统是防水,无线和可充电,具有7天的连续运行效率。这些功能提高了易用性,减少了临床实践和研究试验中的用户负担。GydF4y2Ba

但是,必须注意几个限制。首先,这里报告的临床验证研究仅涉及GydF4y2BaNGydF4y2Ba= 11个受试者,部分到了评估红外相机镜头所需的高度手工劳动力。然而,这代表了迄今为止研究的最大队列之一(表S2)给出了数据标签的时间强度 - 以及我们所知的第一个,在广告最普遍的儿科队列中。未来的努力将包括额外的患者测试,这些患者在广告之外的广泛临床条件下进行,患者甚至比在此研究的患者均匀。然而,本文的研究结果表明,执行自愿攻击活动的健康正常科目的培训可以成功应用于受广告影响的主要儿科人群。从ADAM设备的数据中的独特区分功能中遵循的结果表明了向患者人群量身定制的算法的概括性和机会的显着普遍性和机会。其次,这里描述的划痕的所有测量只关注受试者的主要手。对侧手上的附加传感器将提供额外的信息。以前的研究表明,占主导地位或非笨重手的划伤倾向没有差异,表明单个传感器不会导致主要信息损失(GydF4y2Ba26.GydF4y2Ba)。第三,临床验证研究专注于AD患者。未来的工作将检查应用于其他医疗条件,其中瘙痒是主要症状。作为最终评论,广告会影响睡眠,特别是在儿童中(GydF4y2Ba5.GydF4y2Ba)。ADAM传感器本身可以重新延长休眠阶段,防止多核心摄影,黄金标准方法评估睡眠(GydF4y2Ba16.GydF4y2Ba)。另一个直接的机会是使用两个时间同步的ADAM传感器同时评估划痕和睡眠。GydF4y2Ba

本文报告了一种独特的手工安装,软,灵活的传感器和数据分析管道,用于使用高频三轴加速度计数据检测刮擦活动,该数据捕获与运动和声学信号相关的功能。根据用10名参与者进行的培训研究,检测刮擦活动的总精度为89.1%,敏感性为87.8%,特异性为88.1%。具有11名参与者的临床验证研究揭示了99.0%的整体准确性,敏感性为84.3%,即使在自然主义的家庭环境中也是99.3%的特异性。ADAM传感器的小型灵活特性及其可重用性是允许在研究和临床护理环境中进行部署的关键功能。本文呈现的有希望的结果表明了效用作为一种强大的方法工具,可能潜力不仅可以准确地捕获患有AD的患者,而且在患有任何广义瘙痒症的患者中。GydF4y2Ba

材料和方法GydF4y2Ba

传感器操作和性能GydF4y2Ba

ADAM传感器中的高带宽三轴加速度计可以捕捉与抓痒行为相关的皮肤振动和整体运动。亚当传感器捕捉到沿GydF4y2BaXGydF4y2Ba和GydF4y2BayGydF4y2Ba轴的频率为200hz,而GydF4y2BaZ.GydF4y2Ba-AXIS加速以1600Hz的速率进行采样。这GydF4y2BaXGydF4y2Ba和GydF4y2BayGydF4y2Ba轴平行于皮肤表面,而GydF4y2BaZ.GydF4y2Ba轴垂直于皮肤表面。由于干扰的高频内容衰减从其在指尖的始发点传播,沿着手指和手部,最终是手腕。传感器的位置以这种方式确定信号的性质和质量。检查安装位置的依赖性的实验涉及一组刮擦活动(通过铰接划伤的10S划痕,并进行刮擦,每个怠速状态分开)以不同的放置和传感器的方向重复。在信号质量和耐用性中的考虑因素的基础上,理想的位置位于Metacarpal第一和第二数字之间。GydF4y2Ba

表征抓挠GydF4y2Ba

刮擦活动是指的一系列运动,涉及将指尖压在表面上并移动指尖,引起摩擦。指尖和表面之间的摩擦产生沿着表面传播的振动。刮擦信号可以彼此不同,因为指尖和表面之间的振动取决于许多因素,包括但不限于刮擦速度,刮擦强度和划伤模式(例如,仅使用手指或移动整个臂)。探索与这些因素相关的时间和频率特性,包括划伤头部,臂,膝盖和腿部以及各种非正式的诸如手挥手,短信消息,在键盘上键入的各种非匹配事件,单击计算机鼠标,然后在移动手指空气。在图中。S8,我们展示了这些混乱的预测标签。该系统在将手指划伤到空气中,手动挥动并单击鼠标时执行最佳(> 0.7)。GydF4y2Ba

研究设计GydF4y2Ba

独立收集两个数据集以进行模型开发(培训)和验证。收集在受控环境中的培训数据作为开发ML算法来检测刮擦行为的基础。从AD患者中收集验证数据集在他们的自然主义的家庭环境中(GydF4y2Ba图5AGydF4y2Ba)。这些数据被用来评价ML算法的泛化性。共有10名参与者(男5名,女5名)参与了训练数据的收集,年龄22 ~ 27岁(24±1.6)岁。验证资料收集了11例中度至重度AD患者(男性2例,女性9例),年龄4 ~ 24岁(10±9.1)。GydF4y2Ba

图5.GydF4y2Ba 验证数据摘要和提取功能。GydF4y2Ba

(GydF4y2Ba一种GydF4y2Ba)临床验证在以儿童AD患者为主的自然家庭环境中进行(中位年龄10.5岁)。使用红外摄像机记录人类受试者的抓挠行为,并由两位临床研究人员手动评分。(GydF4y2BaB.GydF4y2Ba共招募了11名AD患者,汇总分析共46晚的数据。(GydF4y2BaCGydF4y2Ba)总共九个特征用于Loso-CV。它们按照从RF分类器获得的特征重要性的顺序列出。照片学分:Jan-Kai Chang,Wearifi Inc.GydF4y2Ba

培训数据从健康的正常个人中收集。参与者进行了一组划痕和非抓地活动,每个活动持续约35秒。在大腿,腹部,上臂,小牛,膝盖和肩上进行涂抹活动。然后每个参与者都划伤了内部肘部,外肘,前臂,手的背部,脸颊,头部,棕榈和颈部的皮肤。摩擦被认为是为了这些研究目的划伤的变化。这些刮擦活动各自进行两次,坐在椅子上,另一个在躺在床上时。对于非匹配活动,参与者挥了手手,向朋友发送短信,扔在床上,懒散地坐在键盘上,然后点击一张桌子。这些非匹配活动被列为实际划伤活动的潜在混乱。从每个活动捕获的数据被保存为单独的文件,其中包含每个活动的描述,注释为划痕或非抓取。GydF4y2Ba

验证数据是从其家庭环境中的AD患者收集的,作为西北大学的机构审查委员会批准的临床研究的一部分,以及ANN&Robert H. Luri儿童医院(2018-2111 IRB)。纳入标准包括任何患有轻度至2岁的严重广告的患者。不包括有活性皮肤或全身感染的患者。符合条件的参与者在西北医学部门的皮肤科诊所和其他儿科皮肤科或过敏提供商处筛选,Ann&Robert H. Lurie儿童医院。为验证数据收集招募了共11个科目(GydF4y2Ba图5B.GydF4y2Ba)。对于同意参与的受试者,首先获得书面同意书。然后,临床研究人员完成了湿疹地区和严重程度指数(EASI)评估和调查员的每个患者的全球评估(IGA)。在完成EASI和IGA之后,每位患者培训用于操作ADAM传感器的程序和收集夜间数据。在培训期间,患者提供了有关将ADAM传感器放在手背上的具体说明,并用COBAN自粘附包裹固定它。然后,患者收到包含ADAM传感器,iPhone,三脚架,IR相机,充电设备,使用说明书和清单的包装。在收集验证数据期间,使用IR摄像机记录每个患者的夜间活动。将ADAM传感器数据与用于数据注释的IR视频数据进行比较。使用数据可视化和注释软件进行该注释过程(图S7)(GydF4y2Ba28.GydF4y2Ba)。GydF4y2Ba

验证GydF4y2Ba

CV在许多ML应用中被频繁使用,因为它提供了一种简单而有效的评价分类模型的方法(GydF4y2Ba29.GydF4y2Ba)。在CV中,折叠的数量是一个参数,它指定数据如何分成训练和测试集。我们使用Loso-CV来评估模型的性能,因为它已知在现实世界数据上表现良好(GydF4y2Ba30.GydF4y2Ba)。在训练数据集上对模型进行优化后,我们在交叉研究验证中评估了模型的性能,在交叉研究验证中,训练后的模型应用于在家庭环境中收集的临床验证数据集。交叉研究验证检验了算法作为训练数据集的可泛化性,验证数据集是独立收集的。GydF4y2Ba

数据分析GydF4y2Ba

在这项研究中,我们专注于GydF4y2BaZ.GydF4y2Ba-AXIS加速数据,因为关于划伤的关键信息主要是与面外皮肤振动相关。原料GydF4y2BaZ.GydF4y2Ba-AXIS加速数据通过信号处理管道处理,如图所示GydF4y2Ba图4C.GydF4y2Ba。在第一步中,将原始数据传递给预处理块以删除由缓慢,大规模动作引起的数据的基线漂移。因此,从信号处理管道中移除低频基线徘徊,以允许更强调更具体的高频信号分量。随后,预处理的GydF4y2BaZ.GydF4y2Ba-轴加速度数据通过滑动带有重叠的1-s窗口分割成帧。训练时使用90%的重叠,测试时使用50%的重叠。每一帧被分配一个0的标签,如果给定帧中少于50%的数据点被标记为抓挠活动,则表示没有抓挠活动。否则,frame被赋值为1,表示抓挠活动。从每一帧中,显示出一组特征GydF4y2Ba图5C.GydF4y2Ba提取,这些特征用于训练和验证RF分类器。GydF4y2Ba

与手腕安装的划痕检测进行比较GydF4y2Ba

将Apple Watch Series 4放在左腕上,将ADAM传感器放在左手背侧。此配置旨在同步从两个设备收集的数据,以便进行直接比较。通过确保智能手表不能在手腕周围自由旋转,验证了Apple Watch Series 4与左手背的紧密耦合。同样,通过弯曲和伸出左手来验证ADAM传感器的紧密连接,确保ADAM传感器与皮肤保持接触。放置传感器后,按顺序执行一组抓痕和非抓痕活动(GydF4y2Ba图3.GydF4y2Ba)。其中一个刮擦活动涉及整个手臂/手的运动,而另一个刮擦方法仅使用手指。另外,进行简单的手挥手活动以确定能够将简单的手动运动与刮擦活动区分开来。GydF4y2Ba

Interrater可靠性GydF4y2Ba

对于临床验证研究,IR视频作为地面真理。注释是在视觉检查和人为判断的基础上进行的。为了评估注释的Interrater可靠性,通过不同的研究人员(E.A.或H.C.)在验证数据集中的三名患者的数据中再次进行注释。使用Fleiss'Kappa进行比较来自两名研究人员的标签(GydF4y2Ba31.GydF4y2Ba)。Kappa的平均值为0.88。根据Landis和Koch(GydF4y2Ba32.GydF4y2Ba),具有这种κ值的注释被认为是良好的一致性。GydF4y2Ba

补充材料GydF4y2Ba

本文的补充材料可供选择GydF4y2Ba//www.messagestyle.com/cgi/content/full/7/18/eabf9405/DC1GydF4y2Ba

https://creativecommons.org/licenses/by-nc/4.0/GydF4y2Ba

这是一篇开放获取的文章根据GydF4y2Ba创意公共归因 - 非商业许可证GydF4y2Ba,这允许在任何媒体中使用,分发和再现,只要由此产生的使用GydF4y2Ba不是GydF4y2Ba为商业利益,并提供原稿被适当引用。GydF4y2Ba

引用和笔记GydF4y2Ba

  1. ↵GydF4y2Ba
  2. ↵GydF4y2Ba
  3. ↵GydF4y2Ba
  4. ↵GydF4y2Ba
  5. ↵GydF4y2Ba
  6. ↵GydF4y2Ba
  7. ↵GydF4y2Ba
  8. ↵GydF4y2Ba
  9. ↵GydF4y2Ba
  10. ↵GydF4y2Ba
  11. ↵GydF4y2Ba
  12. ↵GydF4y2Ba
  13. ↵GydF4y2Ba
  14. ↵GydF4y2Ba
  15. ↵GydF4y2Ba
  16. ↵GydF4y2Ba
  17. ↵GydF4y2Ba
  18. ↵GydF4y2Ba
  19. ↵GydF4y2Ba
  20. ↵GydF4y2Ba
  21. ↵GydF4y2Ba
  22. ↵GydF4y2Ba
  23. ↵GydF4y2Ba
  24. ↵GydF4y2Ba
  25. ↵GydF4y2Ba
  26. ↵GydF4y2Ba
  27. ↵GydF4y2Ba
应答:GydF4y2Ba 资金:GydF4y2BaS.X.认可FDA(U01FD007001),辉瑞公司奖励(53234097)和诺华药品(C028-3900022629)的支持。该工作也得到了西北大学的查询 - 辛普森研究所的Querrey-Simpson研究所。GydF4y2Ba作者捐款:GydF4y2BaK.S.C.,Y.J.K.,J.Y.L.,S.X.和J.a.r.构思了理念和研究目标;Y.J.K.,M.N.,B.L.,R.L.,H.H.J.,E.A.,H.C.,J.K.,J.L.,L.Y.,A.W.L.,P.A.L.,A.F.Y.,A.B.F.和A.S.P.。收集和注释数据;K.S.C.和y.j.k.开发和验证的分类算法;J.L.执行的软件设计;K.L.,H.J.和H.U.C.设计和制造的硬件; J.L., H.J., and X.N. programmed the hardware; Y.P. and Y.J.K. performed mechanical testing; K.S.C., Y.J.K., S.X., and J.A.R. were responsible for the original manuscript, and all authors assisted reviewing and editing the final manuscript.利益冲突:GydF4y2BaJ.Y.L., J.L., h . h ., J.K.和H.U.C.是Sibel Health的员工,Sibel Health是一家私人公司,在该技术中拥有商业利益。J.A.R., X.N., J.L.和S.X.是美国专利商标局(USPTO)提交的与这项工作相关的专利申请的发明人。PCT/US2019/018318,于2019年2月15日提交)。J.A.R.和S.X.还报告了Sibel Health的股权所有权。作者声明没有其他竞争利益。GydF4y2Ba数据和材料可用性:GydF4y2Ba评估纸张结论所需的所有数据都存在于纸张和/或补充材料中。可以从作者请求与本文相关的其他数据。GydF4y2Ba

保持联系到GydF4y2Ba十搏欧洲杯直播官网

导航本文GydF4y2Ba