ES2957212T3 - Aparato y método para la caracterización de la función motora - Google Patents
Aparato y método para la caracterización de la función motora Download PDFInfo
- Publication number
- ES2957212T3 ES2957212T3 ES15770079T ES15770079T ES2957212T3 ES 2957212 T3 ES2957212 T3 ES 2957212T3 ES 15770079 T ES15770079 T ES 15770079T ES 15770079 T ES15770079 T ES 15770079T ES 2957212 T3 ES2957212 T3 ES 2957212T3
- Authority
- ES
- Spain
- Prior art keywords
- distributions
- user
- time
- events
- keypress
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000007659 motor function Effects 0.000 title claims abstract description 168
- 238000000034 method Methods 0.000 title claims description 84
- 238000012512 characterization method Methods 0.000 title description 24
- 238000009826 distribution Methods 0.000 claims abstract description 381
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 238000003860 storage Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 18
- 238000003825 pressing Methods 0.000 abstract description 18
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 239000013598 vector Substances 0.000 description 35
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 30
- 208000018737 Parkinson disease Diseases 0.000 description 22
- 208000012902 Nervous system disease Diseases 0.000 description 18
- 239000011159 matrix material Substances 0.000 description 18
- 201000010099 disease Diseases 0.000 description 16
- 230000006735 deficit Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 15
- 208000035475 disorder Diseases 0.000 description 13
- 239000003814 drug Substances 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 230000001771 impaired effect Effects 0.000 description 12
- 208000025966 Neurological disease Diseases 0.000 description 11
- 201000008482 osteoarthritis Diseases 0.000 description 11
- 206010067493 Sleep inertia Diseases 0.000 description 8
- 108090000185 alpha-Synuclein Proteins 0.000 description 8
- 230000006866 deterioration Effects 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 8
- WTDRDQBEARUVNC-LURJTMIESA-N L-DOPA Chemical compound OC(=O)[C@@H](N)CC1=CC=C(O)C(O)=C1 WTDRDQBEARUVNC-LURJTMIESA-N 0.000 description 7
- WTDRDQBEARUVNC-UHFFFAOYSA-N L-Dopa Natural products OC(=O)C(N)CC1=CC=C(O)C(O)=C1 WTDRDQBEARUVNC-UHFFFAOYSA-N 0.000 description 7
- 102000003802 alpha-Synuclein Human genes 0.000 description 7
- 206010002026 amyotrophic lateral sclerosis Diseases 0.000 description 7
- 210000004556 brain Anatomy 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 238000011282 treatment Methods 0.000 description 7
- 238000012935 Averaging Methods 0.000 description 6
- 208000019430 Motor disease Diseases 0.000 description 6
- 229940079593 drug Drugs 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 230000002028 premature Effects 0.000 description 6
- 208000024891 symptom Diseases 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- VYFYYTLLBUKUHU-UHFFFAOYSA-N dopamine Chemical compound NCCC1=CC=C(O)C(O)=C1 VYFYYTLLBUKUHU-UHFFFAOYSA-N 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 230000035987 intoxication Effects 0.000 description 5
- 231100000566 intoxication Toxicity 0.000 description 5
- 210000003205 muscle Anatomy 0.000 description 5
- 230000004770 neurodegeneration Effects 0.000 description 5
- 208000015122 neurodegenerative disease Diseases 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 229940124597 therapeutic agent Drugs 0.000 description 5
- 208000024827 Alzheimer disease Diseases 0.000 description 4
- 208000019901 Anxiety disease Diseases 0.000 description 4
- 206010012289 Dementia Diseases 0.000 description 4
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 4
- 208000028017 Psychotic disease Diseases 0.000 description 4
- 230000036506 anxiety Effects 0.000 description 4
- 208000010877 cognitive disease Diseases 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000018044 dehydration Effects 0.000 description 4
- 238000006297 dehydration reaction Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000000926 neurological effect Effects 0.000 description 4
- 208000022821 personality disease Diseases 0.000 description 4
- 230000033764 rhythmic process Effects 0.000 description 4
- 102000013455 Amyloid beta-Peptides Human genes 0.000 description 3
- 108010090849 Amyloid beta-Peptides Proteins 0.000 description 3
- 206010003805 Autism Diseases 0.000 description 3
- 208000020706 Autistic disease Diseases 0.000 description 3
- 206010010254 Concussion Diseases 0.000 description 3
- 208000012239 Developmental disease Diseases 0.000 description 3
- 208000027089 Parkinsonian disease Diseases 0.000 description 3
- 206010034010 Parkinsonism Diseases 0.000 description 3
- 208000029808 Psychomotor disease Diseases 0.000 description 3
- 208000029028 brain injury Diseases 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000009514 concussion Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 206010015037 epilepsy Diseases 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000000750 progressive effect Effects 0.000 description 3
- 230000008565 psychomotor impairment Effects 0.000 description 3
- 101710137189 Amyloid-beta A4 protein Proteins 0.000 description 2
- 101710151993 Amyloid-beta precursor protein Proteins 0.000 description 2
- 102100022704 Amyloid-beta precursor protein Human genes 0.000 description 2
- 208000028698 Cognitive impairment Diseases 0.000 description 2
- 208000023178 Musculoskeletal disease Diseases 0.000 description 2
- XDXHAEQXIBQUEZ-UHFFFAOYSA-N Ropinirole hydrochloride Chemical compound Cl.CCCN(CCC)CCC1=CC=CC2=C1CC(=O)N2 XDXHAEQXIBQUEZ-UHFFFAOYSA-N 0.000 description 2
- UHSKFQJFRQCDBE-UHFFFAOYSA-N Ropinirole hydrochloride Natural products CCCN(CCC)CCC1=CC=CC2=C1CC(=O)N2 UHSKFQJFRQCDBE-UHFFFAOYSA-N 0.000 description 2
- 208000010340 Sleep Deprivation Diseases 0.000 description 2
- 206010044565 Tremor Diseases 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- DZHSAHHDTRWUTF-SIQRNXPUSA-N amyloid-beta polypeptide 42 Chemical compound C([C@@H](C(=O)N[C@@H](C)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC(O)=O)C(=O)N[C@H](C(=O)NCC(=O)N[C@@H](CO)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](CCCCN)C(=O)NCC(=O)N[C@@H](C)C(=O)N[C@H](C(=O)N[C@@H]([C@@H](C)CC)C(=O)NCC(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](C(C)C)C(=O)NCC(=O)NCC(=O)N[C@@H](C(C)C)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H]([C@@H](C)CC)C(=O)N[C@@H](C)C(O)=O)[C@@H](C)CC)C(C)C)NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@@H](NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CCCCN)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](CC=1N=CNC=1)NC(=O)[C@H](CC=1N=CNC=1)NC(=O)[C@@H](NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)CNC(=O)[C@H](CO)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CC=1N=CNC=1)NC(=O)[C@H](CCCNC(N)=N)NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](C)NC(=O)[C@@H](N)CC(O)=O)C(C)C)C(C)C)C1=CC=CC=C1 DZHSAHHDTRWUTF-SIQRNXPUSA-N 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000003930 cognitive ability Effects 0.000 description 2
- 230000007850 degeneration Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 229960003638 dopamine Drugs 0.000 description 2
- 210000001503 joint Anatomy 0.000 description 2
- 229960004502 levodopa Drugs 0.000 description 2
- 238000010339 medical test Methods 0.000 description 2
- 208000027061 mild cognitive impairment Diseases 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000010079 rubber tapping Methods 0.000 description 2
- 201000000596 systemic lupus erythematosus Diseases 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- MIQPIUSUKVNLNT-UHFFFAOYSA-N tolcapone Chemical compound C1=CC(C)=CC=C1C(=O)C1=CC(O)=C(O)C([N+]([O-])=O)=C1 MIQPIUSUKVNLNT-UHFFFAOYSA-N 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 239000005541 ACE inhibitor Substances 0.000 description 1
- 206010053555 Arthritis bacterial Diseases 0.000 description 1
- 208000036487 Arthropathies Diseases 0.000 description 1
- 208000006096 Attention Deficit Disorder with Hyperactivity Diseases 0.000 description 1
- 208000008035 Back Pain Diseases 0.000 description 1
- 208000020925 Bipolar disease Diseases 0.000 description 1
- 206010006100 Bradykinesia Diseases 0.000 description 1
- 241001573498 Compacta Species 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 101000941893 Felis catus Leucine-rich repeat and calponin homology domain-containing protein 1 Proteins 0.000 description 1
- 208000001640 Fibromyalgia Diseases 0.000 description 1
- 201000005569 Gout Diseases 0.000 description 1
- 208000006083 Hypokinesia Diseases 0.000 description 1
- 208000004575 Infectious Arthritis Diseases 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 208000036626 Mental retardation Diseases 0.000 description 1
- 208000016285 Movement disease Diseases 0.000 description 1
- 208000002740 Muscle Rigidity Diseases 0.000 description 1
- 208000001132 Osteoporosis Diseases 0.000 description 1
- 208000002193 Pain Diseases 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 206010071390 Resting tremor Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 208000030886 Traumatic Brain injury Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 229940044094 angiotensin-converting-enzyme inhibitor Drugs 0.000 description 1
- 230000002917 arthritic effect Effects 0.000 description 1
- 206010003246 arthritis Diseases 0.000 description 1
- 210000001188 articular cartilage Anatomy 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 208000029560 autism spectrum disease Diseases 0.000 description 1
- 230000002567 autonomic effect Effects 0.000 description 1
- 210000004227 basal ganglia Anatomy 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008499 blood brain barrier function Effects 0.000 description 1
- 210000001218 blood-brain barrier Anatomy 0.000 description 1
- 229960004205 carbidopa Drugs 0.000 description 1
- TZFNLOMSOLWIDK-JTQLQIEISA-N carbidopa (anhydrous) Chemical compound NN[C@@](C(O)=O)(C)CC1=CC=C(O)C(O)=C1 TZFNLOMSOLWIDK-JTQLQIEISA-N 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000003543 catechol methyltransferase inhibitor Substances 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 231100000481 chemical toxicant Toxicity 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000003931 cognitive performance Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000011461 current therapy Methods 0.000 description 1
- 230000001086 cytosolic effect Effects 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 210000005064 dopaminergic neuron Anatomy 0.000 description 1
- 230000003291 dopaminomimetic effect Effects 0.000 description 1
- 238000012377 drug delivery Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005057 finger movement Effects 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 210000001362 glutamatergic neuron Anatomy 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 210000004558 lewy body Anatomy 0.000 description 1
- 210000003041 ligament Anatomy 0.000 description 1
- 210000000627 locus coeruleus Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000007087 memory ability Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 229940101972 mirapex Drugs 0.000 description 1
- 201000006417 multiple sclerosis Diseases 0.000 description 1
- 208000017445 musculoskeletal system disease Diseases 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000626 neurodegenerative effect Effects 0.000 description 1
- 210000002682 neurofibrillary tangle Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- IPVQLZZIHOAWMC-QXKUPLGCSA-N perindopril Chemical compound C1CCC[C@H]2C[C@@H](C(O)=O)N(C(=O)[C@H](C)N[C@@H](CCC)C(=O)OCC)[C@H]21 IPVQLZZIHOAWMC-QXKUPLGCSA-N 0.000 description 1
- 229960002582 perindopril Drugs 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 230000001144 postural effect Effects 0.000 description 1
- FASDKYOPVNHBLU-ZETCQYMHSA-N pramipexole Chemical compound C1[C@@H](NCCC)CCC2=C1SC(N)=N2 FASDKYOPVNHBLU-ZETCQYMHSA-N 0.000 description 1
- 229960002652 pramipexole dihydrochloride Drugs 0.000 description 1
- 230000006337 proteolytic cleavage Effects 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 229940113775 requip Drugs 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 206010039073 rheumatoid arthritis Diseases 0.000 description 1
- 229960002349 ropinirole hydrochloride Drugs 0.000 description 1
- 201000000980 schizophrenia Diseases 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 201000001223 septic arthritis Diseases 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 210000000278 spinal cord Anatomy 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 210000003523 substantia nigra Anatomy 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 229940000238 tasmar Drugs 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 210000002435 tendon Anatomy 0.000 description 1
- VQMNWIMYFHHFMC-UHFFFAOYSA-N tert-butyl 4-hydroxyindole-1-carboxylate Chemical compound C1=CC=C2N(C(=O)OC(C)(C)C)C=CC2=C1O VQMNWIMYFHHFMC-UHFFFAOYSA-N 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 229960004603 tolcapone Drugs 0.000 description 1
- 239000003440 toxic substance Substances 0.000 description 1
- 230000009529 traumatic brain injury Effects 0.000 description 1
- 230000021542 voluntary musculoskeletal movement Effects 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
- A61B5/6897—Computer input devices, e.g. mice or keyboards
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1124—Determining motor skills
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1486—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using enzyme electrodes, e.g. with immobilised oxidase
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/486—Bio-feedback
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1101—Detecting tremor
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Developmental Disabilities (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Optics & Photonics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Telephone Function (AREA)
- Multimedia (AREA)
- Computer Networks & Wireless Communication (AREA)
- Child & Adolescent Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Psychology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
El análisis de la dinámica de pulsaciones de teclas realizado por un individuo se puede utilizar para evaluar y monitorear la función motora del individuo. Los eventos de pulsación de teclas relacionados con un usuario que presiona una o más teclas en un teclado o regiones en una pantalla táctil pueden analizarse para identificar una pluralidad de distribuciones de intervalos de eventos de pulsación de teclas. La pluralidad de distribuciones se puede analizar para identificar una o más características indicativas de variación entre las distribuciones e indicativas de la función motora del usuario. La monitorización de la función motora de un usuario puede incluir comparar un valor para una característica para una pluralidad de distribuciones con un segundo valor para la misma característica para otra pluralidad de distribuciones. (Traducción automática con Google Translate, sin valor legal)
Description
DESCRIPCIÓN
Aparato y método para la caracterización de la función motora
Antecedentes
La enfermedad neurológica y el deterioro motor son la base de muchas enfermedades y estados. Las causas y manifestaciones de estos estados y enfermedades son diversas y numerosas. Ejemplos de causas de deterioro psicomotor son: aparición de enfermedades neurológicas (tal como Alzheimer, enfermedad de Parkinson, lesiones cerebrales traumáticas, trastornos de déficit de atención), enfermedades motoras (tal como osteoartritis), estados psiquiátricos (tal como depresión, ansiedad, psicosis, trastornos de la personalidad), trastornos de desarrollo, edad, drogas legales e ilegales (alcohol incluido), fatiga, estrés, somnolencia, deshidratación. Actualmente no hay un único mecanismo para detectar y caracterizar el deterioro motor que surge de diferentes fuentes.
HELEN M. BRONTE-STEWARTet al.,“Quantitative digitography (QDG): A sensitive measure of digital motor control in idiopathic Parkinson's disease”, MOVEMENT DISORDErS, vol. 15, n.° 1, páginas 36 - 47, XP055444695 describen un método para estudiar, cuantitativamente, la dinámica del movimiento de los dedos usando datos obtenidos de secuencias de pulsaciones de teclas en un teclado de piano conectado a un ordenador. Un coeficiente de variación (CV), que es la desviación estándar dividida entre la media, se calcula a lo largo de 60 segundos para diferentes variables de rendimiento, tales como velocidad, duración e intervalo de pulsación de dedos, y se expresa como porcentaje. La mejora en el rendimiento tras una intervención, tal como tras medicación o cirugía, se analiza calculando la razón de la media y los CV antes y después de la intervención.
MEVLUDIN MEMEDIet al.,“Automatic and Objective Assessment of Alternating Tapping Performance in Parkinson's Disease”, SENSORS, (20131209), vol. 13, n^ 12, describen un método para posibilitar una puntuación cuantitativa y automática del rendimiento de pulsación alternante de pacientes con enfermedad de Parkinson. En este caso, los datos sin procesar obtenidos realizando la prueba de pulsación alternante incluían la posición de pulsación (coordinadas de píxeles x-y) y los sellos de tiempo (en milisegundos). La fatiga durante la pulsación es un tipo de dimensión de pulsación calculada a partir de los datos sin procesar.
SALIL PARTHA BANERJEE ET AL: “Biometric Authentication and Identification Using Keystroke Dynamics: A Survey”, JOURNAL OF PATTERN RECOGNITION RESEARCH, vol. 7, n^ 1, 28 de abril de 2012, páginas 116-139, y MONTALVAO FILHO J R ET AL: “On the equalization of keystroke timing histograms”, PATTERN RECOGNITION LETTERS, ELSEVIER, vol. 27, n^ 13, octubre de 2006, páginas 1440-1446, ISSN: 0167-8655, muestran diferentes métodos estadísticos para el análisis de las pulsaciones de teclas.
Sumario
La invención se define mediante las reivindicaciones.
Un tipo de realización se refiere a un método de caracterización de la función motora de un usuario analizando una entrada por parte del usuario a una interfaz de usuario de al menos un dispositivo de computación. El método comprende recibir una secuencia de eventos de pulsación de tecla que indican que el usuario ha presionado al menos una porción de la interfaz de usuario a lo largo de una duración de tiempo, determinando, mediante al menos un procesador, una pluralidad de distribuciones de intervalos de eventos de pulsación de tecla a lo largo de al menos algo de la duración de tiempo, correspondiendo cada distribución de la pluralidad de distribuciones de pulsación de tecla a una porción de la duración de tiempo, comprendiendo la pluralidad de distribuciones de intervalos de eventos de pulsación de tecla una primera distribución relativa a eventos de pulsación de tecla incluidos en una primera porción de la duración de tiempo y una segunda distribución relativa a eventos de pulsación de tecla incluidos en una segunda porción de la duración de tiempo, comprendiendo la determinación de una distribución de la pluralidad de distribuciones identificar intervalos de tiempo entre eventos de pulsación de tecla que se producen dentro de una porción correspondiente de la duración de tiempo, y determinar una estabilidad de la función motora del usuario al menos en parte analizando al menos la primera distribución y la segunda distribución para determinar la variación de intervalos de eventos de pulsación de tecla a lo largo de la duración de tiempo.
En algunas realizaciones, recibir la secuencia de eventos de pulsación de tecla comprende recibir una secuencia de una pluralidad de eventos de selección de tecla, e identificar intervalos de tiempo entre eventos de pulsación de tecla comprende identificar intervalos de tiempo entre eventos de selección de tecla de la pluralidad de eventos de selección de tecla.
Según la invención, determinar una estabilidad de la función motora del usuario comprende analizar al menos la primera distribución y la segunda distribución para determinar una medida de variación en la anchura de al menos la primera distribución y la segunda distribución, según lo cual las distribuciones son distribuciones de probabilidad. En algunas realizaciones, analizar al menos la primera distribución y la segunda distribución comprende: calcular al menos una característica de las distribuciones primera y segunda, y determinar la variación de la al menos una característica entre las distribuciones primera y segunda. En algunas realizaciones, calcular la al menos una característica comprende calcular una mediana del intervalo de eventos de pulsación de tecla para cada distribución de la pluralidad de distribuciones y analizar al menos las distribuciones primera y segunda comprende calcular una mediana del intervalo de eventos de pulsación de tecla promedio promediando la mediana de los intervalos de eventos de pulsación de tecla para cada distribución. En algunas realizaciones, calcular la al menos una característica comprende comparar al menos la primera distribución con la segunda distribución para obtener un grado de similitud indicativo de la variación entre la pluralidad de distribuciones. En algunas realizaciones, calcular la al menos una característica comprende comparar cada distribución de la pluralidad de distribuciones con cada distribución de la pluralidad de distribuciones para obtener un grado de similitud indicativo de la variación entre la pluralidad de distribuciones.
En algunas realizaciones, determinar una distribución de la pluralidad de distribuciones comprende identificar una pluralidad de intervalos de tiempo de pulsación de tecla entre eventos de pulsación de tecla relativos a la pulsación por parte del usuario de una tecla de la interfaz de usuario. En algunas realizaciones, determinar una distribución de la pluralidad de distribuciones comprende identificar una pluralidad de intervalos de tiempo de pulsación de tecla entre eventos de pulsación de tecla relativos a la pulsación por parte del usuario de una tecla de la interfaz de usuario y una tecla posterior de la interfaz de usuario. En algunas realizaciones, determinar una distribución de la pluralidad de distribuciones comprende identificar una pluralidad de intervalos de tiempo de pulsación de tecla entre eventos de pulsación de tecla relativos a la pulsación por parte del usuario de una primera tecla de la pluralidad de teclas y una segunda tecla de la pluralidad de teclas antes de soltar la primera tecla. En algunas realizaciones, la primera porción de la duración de tiempo y la segunda porción de la duración de tiempo son porciones no solapantes de la duración de tiempo.
En algunas realizaciones, recibir la secuencia de eventos de pulsación de tecla comprende recibir una secuencia de eventos de pulsación de tecla introducida por parte del usuario mientras interacciona con una pluralidad de diferentes aplicaciones que se ejecutan en el al menos un dispositivo de computación. En algunas realizaciones, recibir la secuencia de eventos de pulsación de tecla comprende recibir una secuencia de eventos de pulsación de tecla introducida por parte del usuario con una pluralidad de procesos que se ejecutan en el al menos un dispositivo de computación.
En algunas realizaciones, el método comprende además recibir una segunda secuencia de eventos de pulsación de tecla que indican que el usuario ha presionado al menos una porción de la interfaz de usuario a lo largo de una segunda duración de tiempo, determinando, mediante el al menos un procesador, una segunda pluralidad de distribuciones de intervalos de eventos de pulsación de tecla a lo largo de al menos algo de una segunda duración de tiempo, correspondiendo cada distribución de la segunda pluralidad de distribuciones de pulsación de tecla a una porción de la segunda duración de tiempo, comprendiendo la segunda pluralidad de distribuciones de intervalos de eventos de pulsación de tecla una tercera distribución relativa a eventos de pulsación de tecla incluidos en una primera porción de la segunda duración de tiempo y una cuarta distribución relativa a eventos de pulsación de tecla incluidos en una segunda porción de la segunda duración de tiempo, comprendiendo la determinación de una segunda distribución de la pluralidad de distribuciones identificar intervalos de tiempo entre eventos de pulsación de tecla que se producen dentro de una porción correspondiente de la segunda duración de tiempo, y determinar una segunda estabilidad de la función motora del usuario al menos en parte analizando al menos la tercera distribución y la cuarta distribución para determinar la variación de intervalos de eventos de pulsación de tecla a lo largo de la segunda duración de tiempo.
En algunas realizaciones, el método comprende además identificar un cambio, si lo hay, en las funciones motoras del usuario entre la duración de tiempo y la segunda duración de tiempo comparando la pluralidad de distribuciones con la segunda pluralidad de distribuciones. En algunas realizaciones, una diferencia entre la duración de tiempo y la segunda duración de tiempo es un periodo de tiempo a lo largo de días. En algunas realizaciones, una diferencia entre la duración de tiempo y la segunda duración de tiempo es un periodo de tiempo a lo largo de meses. En algunas realizaciones, una diferencia entre la duración de tiempo y la segunda duración de tiempo es un periodo de tiempo a lo largo de años.
En algunas realizaciones, identificar un cambio en las funciones motoras del usuario entre la duración de tiempo y la segunda duración de tiempo comprende determinar una primera característica relativa a la variación en la extensión de distribución entre la pluralidad de distribuciones y una segunda característica relativa a la variación en la extensión de distribución entre la segunda pluralidad de distribuciones y comparar al menos la primera característica y la segunda característica. En algunas realizaciones, identificar un cambio en las funciones motoras del usuario entre la duración de tiempo y la segunda duración de tiempo comprende determinar una diferencia entre al menos la primera característica y al menos la segunda característica. En algunas realizaciones, identificar un cambio en la función motora entre la duración de tiempo y la segunda duración de tiempo comprende identificar una medida de un aumento en el tiempo de mantenimiento cuando el usuario presiona una tecla basándose en la comparación de la pluralidad de distribuciones y la segunda pluralidad de distribuciones. En algunas realizaciones, el cambio identificado en la función motora del usuario indica que la función motora del usuario está deteriorada.
En algunas realizaciones, el método comprende además determinar un valor promedio para la pluralidad de distribuciones promediando una pluralidad de medianas de valores, siendo cada mediana de valores una mediana del intervalo de eventos de pulsación de tecla para una distribución de la pluralidad de distribuciones, determinar un segundo valor promedio para la segunda pluralidad de distribuciones promediando una pluralidad de medianas de valores, siendo cada mediana de valores una mediana del intervalo de eventos de pulsación de tecla para una distribución de la segunda pluralidad de distribuciones, determinar un grado de similitud indicativo de una variación entre la pluralidad de distribuciones para la pluralidad de distribuciones comparando la pluralidad de distribuciones entre sí, determinar un segundo grado de similitud indicativo de una variación entre la pluralidad de distribuciones para la segunda pluralidad de distribuciones comparando la segunda pluralidad de distribuciones entre sí, identificar un vector de característica basándose en el valor promedio y el grado de similitud, e identificar un segundo vector de característica basándose en el segundo valor promedio y el segundo grado de similitud, comprendiendo la identificación de un cambio en las funciones motoras del usuario entre la duración de tiempo y la segunda duración de tiempo determinar una diferencia entre el vector de característica y el segundo vector de característica.
En algunas realizaciones, el método comprende además determinar un primer cuantil y un segundo cuantil para una distribución de la pluralidad de distribuciones, identificar intervalos de eventos de pulsación de tecla en la distribución como valores atípicos basándose en el primer cuantil, calcular un número de valores atípicos en la distribución basándose en el al menos un valor atípico identificado, normalizar el número de valores atípicos mediante un número de presiones de tecla para la distribución, calcular una diferencia entre el primer cuantil y el segundo cuantil, calcular una desviación estándar de los valores atípicos, calcular un valor basándose en al menos una porción de una covarianza de la pluralidad de distribuciones, y determinar un vector de característica basándose en el número de valores atípicos, la diferencia, la desviación estándar y el valor.
En algunas realizaciones, el método comprende además determinar, por medio de un clasificador de aprendizaje automático, un segundo vector de característica basándose en una segunda distribución de la pluralidad de distribuciones. En algunas realizaciones, la interfaz de usuario es un teclado físico o un teclado virtual.
En algunas realizaciones, el método comprende además presentar, por medio de una segunda interfaz de usuario, un informe que proporciona una caracterización de las funciones motoras del usuario como estado basado en la estabilidad de la función motora del usuario.
En algunas realizaciones, el método comprende además determinar una característica a partir de información relativa a mediciones realizadas por un sensor en comunicación con el dispositivo de computación.
Otro tipo de realización se refiere a al menos un medio de almacenamiento legible por ordenador que almacena instrucciones ejecutables por ordenador que, cuando se ejecutan, realizan un método de caracterización de la función motora de un usuario analizando una entrada por parte del usuario a una interfaz de usuario de al menos un dispositivo de computación. El método comprende recibir una secuencia de eventos de pulsación de tecla que indican que el usuario ha presionado al menos una porción de la interfaz de usuario a lo largo de una duración de tiempo, determinando, mediante al menos un procesador, una pluralidad de distribuciones de intervalos de eventos de pulsación de tecla a lo largo de al menos algo de la duración de tiempo, correspondiendo cada distribución de la pluralidad de distribuciones de pulsación de tecla a una porción de la duración de tiempo, comprendiendo la pluralidad de distribuciones de intervalos de eventos de pulsación de tecla una primera distribución relativa a eventos de pulsación de tecla incluidos en una primera porción de la duración de tiempo y una segunda distribución relativa a eventos de pulsación de tecla incluidos en una segunda porción de la duración de tiempo, comprendiendo la determinación de una distribución de la pluralidad de distribuciones identificar intervalos de tiempo entre eventos de pulsación de tecla que se producen dentro de una porción correspondiente de la duración de tiempo, y determinar una estabilidad de la función motora del usuario al menos en parte analizando al menos la primera distribución y la segunda distribución para determinar la variación de intervalos de eventos de pulsación de tecla a lo largo de la duración de tiempo.
Otro tipo de realización se refiere a un sistema para caracterizar la función motora de un usuario analizando una entrada por parte del usuario a una interfaz de usuario de al menos un dispositivo de computación. El sistema comprende al menos un procesador configurado para recibir una secuencia de eventos de pulsación de tecla que indican que el usuario ha presionado al menos una porción de la interfaz de usuario a lo largo de una duración de tiempo y al menos un medio de almacenamiento que almacena instrucciones ejecutables por procesador que, cuando se ejecutan mediante el al menos un procesador, realizan un método que comprende: determinar una pluralidad de distribuciones de intervalos de eventos de pulsación de tecla a lo largo de al menos algo de la duración de tiempo, correspondiendo cada distribución de la pluralidad de distribuciones de pulsación de tecla a una porción de la duración de tiempo, comprendiendo la pluralidad de distribuciones de intervalos de eventos de pulsación de tecla una primera distribución relativa a eventos de pulsación de tecla incluidos en una primera porción de la duración de tiempo y una segunda distribución relativa a eventos de pulsación de tecla incluidos en una segunda porción de la duración de tiempo, comprendiendo la determinación de una distribución de la pluralidad de distribuciones identificar intervalos de tiempo entre eventos de pulsación de tecla que se producen dentro de una porción correspondiente de la duración de tiempo, y determinar una estabilidad de la función motora del usuario al menos en parte analizando al menos la primera distribución y la segunda distribución para determinar la variación de intervalos de eventos de pulsación de tecla a lo largo de la duración de tiempo.
Otro tipo de realización se refiere a un método de caracterización de la función motora de un usuario analizando una entrada por parte del usuario a una interfaz de usuario de al menos un dispositivo de computación. El método comprende recibir una secuencia de eventos de pulsación de tecla que indican que el usuario ha presionado al menos una porción de la interfaz de usuario a lo largo de una duración de tiempo mientras el usuario está interaccionando con una pluralidad de diferentes aplicaciones que se ejecutan en el al menos un dispositivo de computación, determinando, mediante al menos un procesador, una pluralidad de distribuciones de intervalos de eventos de pulsación de tecla a lo largo de al menos algo de la duración de tiempo, correspondiendo cada distribución de la pluralidad de distribuciones de pulsación de tecla a una porción de la duración de tiempo, y la determinación de una distribución de la pluralidad de distribuciones comprende identificar intervalos de tiempo entre eventos de pulsación de tecla que se producen dentro de una porción correspondiente de la duración de tiempo, y determinar una estabilidad de la función motora del usuario al menos en parte analizando al menos la primera distribución y la segunda distribución para determinar la variación de intervalos de eventos de pulsación de tecla a lo largo de la duración de tiempo.
Otro tipo de realización se refiere a un método de caracterización de la función motora de un usuario analizando una entrada por parte del usuario a una interfaz de usuario de al menos un dispositivo de computación. El método comprende recibir una secuencia de eventos de pulsación de tecla que indican que el usuario ha presionado al menos una porción de la interfaz de usuario a lo largo de una duración de tiempo con una pluralidad de procesos que se ejecutan en el al menos un dispositivo de computación, determinando, mediante al menos un procesador, una pluralidad de distribuciones de intervalos de eventos de pulsación de tecla a lo largo de al menos algo de la duración de tiempo, correspondiendo cada distribución de la pluralidad de distribuciones de pulsación de tecla a una porción de la duración de tiempo, y la determinación de una distribución de la pluralidad de distribuciones comprende identificar intervalos de tiempo entre eventos de pulsación de tecla que se producen dentro de una porción correspondiente de la duración de tiempo, y determinar una estabilidad de la función motora del usuario al menos en parte analizando al menos la primera distribución y la segunda distribución para determinar la variación de intervalos de eventos de pulsación de tecla a lo largo de la duración de tiempo.
Otro tipo de realización se refiere a un aparato que comprende una interfaz de usuario y un conjunto de circuitos de control configurado para realizar un método que comprende: recibir una secuencia de eventos de pulsación de tecla que indican que el usuario ha presionado al menos una porción de la interfaz de usuario a lo largo de una duración de tiempo; determinar una pluralidad de biofirmas indicativas de la función motora del usuario en diferentes momentos determinando, para una biofirma de la pluralidad de biofirmas, una pluralidad de distribuciones de intervalos de eventos de pulsación de tecla a lo largo de al menos algo de la duración de tiempo, correspondiendo cada distribución de la pluralidad de distribuciones de pulsación de tecla a una porción de la duración de tiempo; y monitorizar la función motora en el usuario haciendo un seguimiento de un estado de la función motora del usuario a lo largo del tiempo basándose en la comparación de una primera biofirma de la pluralidad de biofirmas con una segunda biofirma.
En algunas realizaciones, la comparación de la primera biofirma de la pluralidad de biofirmas con la segunda biofirma comprende identificar un primer nivel de estabilidad para la primera biofirma y un segundo nivel de estabilidad para la segunda biofirma y determinar una diferencia entre el primer nivel de estabilidad y el segundo nivel de estabilidad. En algunas realizaciones, determinar la diferencia entre el primer nivel de estabilidad y el segundo nivel de estabilidad indica una disminución en la estabilidad y el estado al que se le hace un seguimiento indica deterioro de la función motora del usuario a lo largo del tiempo. En algunas realizaciones, el conjunto de circuitos de control está configurado adicionalmente para emitir un informe relativo al estado al que se le hace un seguimiento para el usuario. En algunas realizaciones, el conjunto de circuitos de control está configurado adicionalmente para emitir un informe relativo al estado al que se le hace un seguimiento para un proveedor médico. En algunas realizaciones, la segunda biofirma es una biofirma de la pluralidad de biofirmas correspondiente a un momento anterior a la primera biofirma. En algunas realizaciones, la segunda biofirma está asociada con un segundo usuario que tiene una función motora que se identifica como no deteriorada.
En algunas realizaciones, la interfaz de usuario es una interfaz de usuario de un primer dispositivo de computación, el conjunto de circuitos de control es un componente de al menos un segundo dispositivo de computación diferente del primer dispositivo de computación, y el primer dispositivo de computación y el al menos un segundo dispositivo de computación están adaptados para comunicarse a través de al menos una red.
Otro tipo de realización se refiere a un método de caracterización de la función motora de un usuario analizando una entrada por parte del usuario a una interfaz de usuario de al menos un dispositivo de computación. El método comprende recibir una secuencia de eventos de pulsación de tecla que indican que el usuario ha presionado al menos una porción de la interfaz de usuario a lo largo de una duración de tiempo, determinar una pluralidad de biofirmas indicativas de la función motora del usuario en diferentes momentos determinando, para una biofirma de la pluralidad de biofirmas, una pluralidad de distribuciones de intervalos de eventos de pulsación de tecla a lo largo de al menos algo de la duración de tiempo, correspondiendo cada distribución de la pluralidad de distribuciones de pulsación de tecla a una porción de la duración de tiempo, y monitorizar la función motora en el usuario haciendo un seguimiento de un estado de la función motora del usuario a lo largo del tiempo basándose en la comparación de una primera biofirma de la pluralidad de biofirmas con una segunda biofirma.
En algunas realizaciones, el método comprende además identificar un deterioro en la función motora del usuario a lo largo del tiempo basándose en la monitorización de la función motora del usuario y comparar una caracterización de la función motora del usuario con caracterizaciones de la función motora asociadas con una pluralidad de estados y, cuando la caracterización de la función motora del usuario coincide con una caracterización asociada con un estado, almacenar una indicación de que el usuario puede tener el estado.
En algunas realizaciones, el método comprende además emitir un mensaje que contiene una indicación de que el usuario puede tener una función motora deteriorada. En algunas realizaciones, el método comprende además emitir un mensaje que indica que el usuario puede tener un trastorno neurológico. En algunas realizaciones, el método comprende además emitir un mensaje que indica que el usuario puede tener un estado de privación del sueño. En algunas realizaciones, emitir un mensaje que indica que el usuario puede tener un estado de intoxicación. En algunas realizaciones, el método comprende además emitir un mensaje que indica que el usuario puede tener un deterioro cognitivo. En algunas realizaciones, el método comprende además emitir un mensaje que indica que el usuario puede tener un estado de artritis. En algunas realizaciones, el método comprende además emitir un mensaje que indica que el usuario puede tener un estado de inercia del sueño.
Otro tipo de realización se refiere a un método para caracterizar un deterioro psicomotor en un usuario. El método comprende detectar una pluralidad de eventos de pulsación de tecla como tarea de fondo mientras el usuario está interaccionando con un dispositivo sensible al tacto, determinar intervalos de tiempo asociados con los eventos de pulsación de tecla y caracterizar un deterioro psicomotor en el usuario basándose en los intervalos de tiempo asociados con los eventos de pulsación de tecla.
Otro tipo de realización se refiere a un método para la detección precoz de una enfermedad neurológica en un usuario. El método comprende detectar una pluralidad de eventos de pulsación de tecla mientras el usuario está interaccionando con un dispositivo sensible al tacto, determinar intervalos de tiempo asociados con los eventos de pulsación de tecla e identificar la presencia de una enfermedad neurológica en el usuario antes del diagnóstico de síntomas físicos en el usuario.
Otro tipo de realización se refiere a un dispositivo electrónico que comprende una interfaz táctil para recibir una pluralidad de pulsaciones de tecla, un procesador configurado para recibir una entrada de usuario de la interfaz táctil sobre la pluralidad de pulsaciones de tecla, y un medio de almacenamiento que almacena instrucciones ejecutables por procesador que, cuando se ejecutan por el procesador, realizan un método que comprende determinar una pluralidad de distribuciones de intervalos de eventos de pulsación de tecla a lo largo de al menos algo de la duración de tiempo, correspondiendo cada distribución de la pluralidad de distribuciones de pulsación de tecla a una porción de la duración de tiempo, comprendiendo la pluralidad de distribuciones de intervalos de eventos de pulsación de tecla una primera distribución relativa a eventos de pulsación de tecla incluidos en una primera porción de la duración de tiempo y una segunda distribución relativa a eventos de pulsación de tecla incluidos en una segunda porción de la duración de tiempo, comprendiendo la determinación de una distribución de la pluralidad de distribuciones identificar intervalos de tiempo entre eventos de pulsación de tecla que se producen dentro de una porción correspondiente de la duración de tiempo; y analizar al menos la primera distribución y la segunda distribución para determinar la variación de intervalos de eventos de pulsación de tecla a lo largo de la duración de tiempo.
En algunas realizaciones, el dispositivo electrónico es un ordenador. En algunas realizaciones, el dispositivo electrónico es una tableta. En algunas realizaciones, el dispositivo electrónico es una pantalla táctil.
Breve descripción de los dibujos
No se pretende que los dibujos adjuntos estén dibujados a escala. En los dibujos, cada componente idéntico o casi idéntico que se ilustra en diversas figuras se representa mediante un número de referencia similar. Por motivos de claridad, puede que no cada componente esté identificado en cada dibujo. En los dibujos:
La figura 1 es un esquema de un sistema a modo de ejemplo que realiza una caracterización de la función motora de un usuario.
La figura 2 es un esquema que ilustra diferentes variables dinámicas de pulsación de tecla.
La figura 3A es un gráfico que ilustra una gráfica a modo de ejemplo de valores de tiempo de mantenimiento en función del tiempo.
Las figuras 3B-D son gráficos de distribuciones a modo de ejemplo de valores de tiempo de mantenimiento.
La figura 3E es una representación visual de una pluralidad de distribuciones a modo de ejemplo.
La figura 4 son representaciones visuales de pluralidades de distribuciones a modo de ejemplo que incluyen individuos tratados y no tratados con enfermedad de Parkinson y un individuo control.
La figura 5 son representaciones visuales de pluralidades de distribuciones a modo de ejemplo para individuos en un estado descansado y un estado de inercia del sueño.
La figura 6 son representaciones visuales de matrices de autosimilitud a modo de ejemplo para diferentes pluralidades de distribuciones.
Las figuras 7A-D son histogramas circulares que ilustran diferencias en un vector de característica para dos pluralidades de distribuciones diferentes correspondientes a individuos en estados descansado y de inercial del sueño.
Las figuras 7E y 7F son gráficas que ilustran la variación en dos características para diferentes pluralidades de distribuciones correspondientes a datos obtenidos de individuos durante el día y la noche en un estudio de inercia del sueño.
Las figuras 8A y 8B ilustran perfiles representativos para puntuaciones determinadas mediante un clasificador de aprendizaje automático para individuos con enfermedad de Parkinson e individuos control.
La figura 9 es un diagrama de bloques de un sistema informático a modo de ejemplo en el que pueden implementarse algunas realizaciones.
Descripción detallada
Los inventores han reconocido y apreciado que hacer funcionar una herramienta de diagnóstico para producir biofirmas indicativas de la función motora de una persona, tal como analizando eventos de pulsación de tecla para determinar una distribución de intervalos de eventos de pulsación de tecla, puede proporcionar un mecanismo mejorado para evaluar la función motora de esa persona y ayudar en el diagnóstico de deterioros neurológicos. Una herramienta de diagnóstico de este tipo puede evaluar una función motora de una persona a través del análisis de una secuencia de eventos de pulsación de tecla que indica teclas de teclado, tales como teclas de teclado físicas o de pantalla táctil, que la persona ha presionado a lo largo de un periodo de tiempo. Un evento de pulsación de tecla, tal como se usa en el presente documento, se refiere al acto de emplear dedos en un dispositivo de entrada mecánico (tal como botones) o superficies capaces de detectar tal interacción (tal como pantallas táctiles). En algunas realizaciones particularmente ventajosas, la secuencia de eventos de pulsación de tecla puede recogerse mientras la persona interacciona con múltiples aplicaciones diferentes que se ejecutan en un dispositivo de computación, tal como mientras la persona está usando un dispositivo de computación para realizar tareas no relacionadas con el diagnóstico del deterioro de la función motora.
La “función motora” de una persona se refiere a los modos en los que los músculos de la persona se mueven o modos en los que los músculos de una persona mueven las extremidades o los dedos de la persona. La función motora puede indicar una salud de una persona o, a la inversa, una variedad de estados que pueden existir en la persona, incluyendo trastornos neurológicos (por ejemplo, enfermedad de Parkinson, parkinsonismo, esclerosis lateral amiotrófica, formas de demencia tal como enfermedad de Alzheimer y deterioro cognitivo leve) que la persona puede estar sufriendo u otros deterioros neurológicos tales como lesión cerebral (por ejemplo, conmociones), enfermedades motoras tales como osteoartritis, estados psiquiátricos tales como trastornos de la personalidad, depresión, ansiedad, psicosis, trastornos de desarrollo, estados transitorios tales como intoxicación, fatiga, estrés y deshidratación. Por tanto, la monitorización de la función motora de una persona puede ayudar en el diagnóstico de estados que puedan dar como resultado una función motora deteriorada de la persona.
Por tanto, los inventores han reconocido y apreciado que, midiendo la función motora de una persona, puede evaluarse y/o diagnosticarse el estado neurológico de la persona. Por ejemplo, en un momento dado, la función motora de la persona puede compararse con una indicación previa de la función motora obtenida en un momento anterior para conseguir un grado de deterioro de la función motora. Adicional o alternativamente, la función motora de la persona puede compararse con la función motora de una persona de referencia, tal como una persona que se ha identificado como no deteriorada, para determinar un grado de deterioro de la función motora. De esta manera, la monitorización de la función motora de una persona y el estado de la persona relativo a la función motora de la persona puede realizarse a lo largo del tiempo como parte de la evaluación y/o el diagnóstico de estados tales como estados neurológicos, artritis, privación del sueño y/o intoxicación.
Los inventores han reconocido y apreciado que sería particularmente ventajoso si las herramientas de diagnóstico fueran capaces de identificar cambios en la función motora de manera prematura, lo que a su vez permitiría un examen prematuro de estados comprendidos dentro de los motores incluyendo estados neurodegenerativos, trastornos psicológicos y/o estados transitorios tales como intoxicación.
Los inventores han reconocido y apreciado adicionalmente que las pulsaciones de tecla de una persona mientras está tecleando en un teclado pueden proporcionar una indicación de la función motora de la persona. El término pulsación de tecla y teclado se usan por toda la solicitud para hacer referencia a la depresión física de teclas tal como en un teclado físico, así como el tacto de una pantalla táctil. Más particularmente, los inventores han reconocido y apreciado que la dinámica asociada con las pulsaciones de tecla de una persona puede ser indicativa de la función motora. A medida que una persona realiza una tarea de uso de teclado, esa persona presionará y liberará teclas individuales de un teclado o regiones de una pantalla táctil que están relacionadas con letras, números u otras funcionalidades. El análisis del ritmo asociado con la presión y liberación de teclas individuales o regiones de una pantalla puede proporcionar una indicación de la función motora de la persona. Por ejemplo, variables de tiempo específicas asociadas con la dinámica de pulsación de tecla, incluyendo el tiempo de mantenimiento, la latencia de presión, el tiempo de vuelo y/o la latencia de liberación, pueden verse influidas por la función motora de una persona y por tanto pueden, una vez analizadas, proporcionar una indicación de la función motora de esa persona. De esta manera, la entrada de usuario de una persona para una o más tareas de procesamiento puede analizarse para determinar características de la dinámica de pulsación de tecla de la persona y para evaluar la función motora de la persona.
Por tanto, los inventores han reconocido las ventajas de una herramienta de diagnóstico que analiza eventos de pulsación de tecla recogidos durante la operación de una persona de un dispositivo de computación para derivar variables de tiempo asociadas con la dinámica de pulsación de tecla y que analiza las variables de tiempo para evaluar la función motora de una persona. Monitorizando la entrada de usuario de la persona a lo largo del tiempo usando una herramienta de este tipo, puede hacerse un seguimiento de y pueden evaluarse los cambios en los intervalos de tiempo para determinar cambios potenciales en la función motora a lo largo del tiempo. La herramienta de diagnóstico puede analizar los intervalos de tiempo generando distribuciones de información de ritmo de pulsación de tecla en intervalos de tiempo, y compilando tales distribuciones de intervalos de ritmo para formar biofirmas que son indicativas de la función motora de una persona. El análisis de la información de ritmo expuesta dentro de una biofirma, y/o la comparación de biofirmas, pueden posibilitar que se evalúe de manera fiable una función motora.
Además, los inventores han reconocido y apreciado que tales datos sobre eventos de pulsación de tecla pueden recogerse mientras los individuos están interaccionando con sus dispositivos de computación personales, tales como ordenadores personales, teléfonos móviles, tabletas o asistentes personales digitales mientras realizan tareas rutinarias no relacionadas con el diagnóstico. Dado que los individuos interaccionan a menudo con dispositivos electrónicos en modos que requieren que se proporcione una entrada de usuario a través de eventos de pulsación de tecla, una herramienta de diagnóstico que monitoriza la dinámica de pulsación de tecla de una persona mientras la persona interacciona con un(os) dispositivo(s) de computación personal(es) puede tener una carga menor sobre los usuarios y posibilitar una monitorización más frecuente y consistente de la función motora de la persona que a través de vistas programadas a una instalación designada para evaluar la función motora, tal como una instalación médica. Esto puede permitir que se capturen y se analicen más datos a lo largo del tiempo. Por consiguiente, la caracterización de la función motora según las técnicas descritas en el presente documento puede proporcionar una indicación más prematura del deterioro de la función motora, tal como antes de la aparición de síntomas que indiquen un nivel mayor de deterioro en la función motora (por ejemplo, temblores o rigidez en personas con enfermedad de Parkinson), que la que está disponible con otras herramientas de diagnóstico. Esto puede permitir a su vez una intervención más prematura para el tratamiento de las causas de cualquier deterioro neurológico.
Otros dispositivos electrónicos pueden tener teclas físicas y/o virtuales que pueden recoger datos sobre eventos de pulsación de tecla tales como controladores remotos, electrodomésticos (por ejemplo, neveras, máquinas de café, microondas), máquinas y aparatos industriales, dispositivos electrónicos médicos y paneles de vehículos a motor (por ejemplo, sistema de entretenimiento, paneles de control, sistemas de posicionamiento global). Los eventos de pulsación de tecla recogidos de un dispositivo pueden usarse para monitorizar la función motora de una persona mientras la persona está realizando una tarea y/o haciendo funcionar el dispositivo sin alterar la funcionalidad del dispositivo. Como ejemplo, un panel de control de un vehículo a motor puede recoger eventos de pulsación de tecla relativos a la entrada de un conductor del vehículo a motor que pueden analizarse para proporcionar una indicación del deterioro de la función motora debido a un estado tal como un estado de fatiga o privación del sueño. Esto puede permitir una intervención para disuadir al conductor de hacer funcionar el vehículo a motor.
Por consiguiente, en el presente documento se describen realizaciones de una herramienta de diagnóstico para ayudar en la evaluación de la función motora de una persona analizando eventos de pulsación de tecla que resultan de la entrada por parte de una persona a un teclado, tal como un teclado físico o un teclado de pantalla táctil. En algunas realizaciones, el análisis realizado por la herramienta de diagnóstico puede incluir identificar información de tiempo asociada con eventos de pulsación de tecla relativos a una entrada de usuario e identificar intervalos de eventos de pulsación de tecla, tales como tiempo de mantenimiento y latencia de presión, a partir de la información de tiempo. La herramienta también puede calcular distribuciones (por ejemplo, histogramas o funciones de densidad de probabilidad) de intervalos de eventos de pulsación de tecla a lo largo de porciones de tiempo, que pueden ayudar en la identificación de variaciones en los intervalos de eventos de pulsación de tecla. Analizando diferentes características de las distribuciones, puede determinarse la variación entre las distribuciones y proporcionar una indicación de la función motora del usuario.
La ausencia de variación o una variación estrecha entre distribuciones puede indicar estabilidad en la función motora del usuario, mientras que una variación amplia entre las distribuciones puede indicar inestabilidad de la función motora del usuario. La variación entre diferentes distribuciones puede identificarse por el cambio de valores pico y/o la extensión de las distribuciones. Como ejemplo, pueden determinarse distribuciones de tiempos asociadas con un usuario que presiona teclas o una región de una pantalla o el “tiempo de mantenimiento” y la variación entre las distribuciones puede indicar una estabilidad de la función motora del usuario. En algunas realizaciones, las distribuciones pueden compararse entre sí para identificar un nivel de similitud entre las distribuciones indicativo de estabilidad de la función motora del usuario. Un conjunto de distribuciones adquiridas a lo largo de una duración de tiempo puede proporcionar una biofirma para una persona por toda la duración de tiempo.
En algunas realizaciones, el análisis realizado por la herramienta de diagnóstico puede incluir comparar conjuntos de distribuciones diferentes adquiridas en diferentes duraciones de tiempo para identificar cambios en la estabilidad de la función motora del usuario. En algunas realizaciones, un promedio de valores pico de un conjunto de distribuciones puede compararse con un promedio de valores pico de otro conjunto de distribuciones. Por ejemplo, un valor promedio para el tiempo de mantenimiento puede compararse entre dos conjuntos de distribuciones diferentes. Los dos conjuntos de distribuciones pueden determinarse para duraciones de tiempo separadas por días, meses o años. Un aumento en el tiempo de mantenimiento promedio puede indicar deterioro en la función motora de la persona, mientras que ningún cambio o un cambio pequeño en el tiempo de mantenimiento promedio puede indicar estabilidad en la función motora de la persona.
En algunas realizaciones, uno o más sensores pueden proporcionar datos adicionales usados para detectar otros aspectos relevantes para la función motora de un usuario. Un sensor puede ser un sensor incorporado integrado como parte de un dispositivo electrónico o un componente independiente en comunicación con un dispositivo electrónico. Las mediciones realizadas por uno o más sensores del dispositivo electrónico pueden proporcionar información adicional que puede ser complementaria a la información adquirida a través del análisis de eventos de pulsación de tecla. Un sensor puede medir el movimiento, la orientación, la posición, la presión de tecleado y/o diversas condiciones ambientales. Un sensor puede ser un acelerómetro, sensor de gravedad, giroscopio, sensor de vector rotacional, sensor de orientación, un magnetómetro, sensor de presión, termómetro, barómetro, micrófono, y/o fotómetro. Una herramienta de diagnóstico puede analizar datos de uno o más sensores (por ejemplo, datos de acelerómetro, datos de giroscopio, datos de presión de tecleado, datos de ubicación, datos de voz). En algunas realizaciones, el análisis realizado por la herramienta de diagnóstico puede incluir analizar información de uno o más sensores que está asociada con eventos de pulsación de tecla relativos a una entrada de usuario.
Ejemplos de herramientas de diagnóstico que funcionan según las técnicas explicadas anteriormente se describen a continuación, pero debe apreciarse que los ejemplos se proporcionan meramente con fines de ilustración y que son posibles otras implementaciones.
La figura 1 ilustra una realización a modo de ejemplo de un sistema 100 para evaluar la función motora de un usuario. El sistema 100 incluye una interfaz 104 de usuario que es un componente de y/o en comunicación con un dispositivo 106 de computación. Usando las técnicas descritas en el presente documento, el sistema 100 puede analizar las interacciones de un usuario con teclas o regiones de pantalla de la interfaz 104 de usuario.
Como se muestra en el ejemplo de la figura 1, la interfaz 104 de usuario puede incluir un teclado físico que tiene una pluralidad de teclas físicas. Como ejemplo, en los casos en los que el dispositivo 106 es un ordenador personal de sobremesa o portátil típico, la interfaz 104 puede incluir un teclado físico de tamaño completo que tiene teclas organizadas en un diseño de máquina de escribir (un diseño “QWERTY”) u otra disposición de teclas. Un teclado de este tipo puede ser, por ejemplo, un teclado externo como componente añadido que se conecta a otros componentes del dispositivo 106 de computación por medio de una conexión por cable y/o inalámbrica. En otros casos, el dispositivo 106 está implementado como otro dispositivo de computación, tal como un teléfono móvil, ordenador portátil o teléfono inteligente, y la interfaz 104 puede incluir en su lugar un teclado en miniatura integrado como parte del dispositivo 106 de computación. Como se conoce, un teclado se hace funcionar normalmente mediante las manos/los dedos de un usuario. El usuario 102 usaría sus dedos para activar teclas individuales del teclado tocándolas y/o presionándolas.
Aunque en la figura 1 se ilustra un teclado físico, debe apreciarse que las realizaciones no están limitadas al funcionamiento con un tipo particular de teclado o teclas. En algunas realizaciones, la interfaz 104 de usuario puede incluir una pantalla táctil en lugar de o además de un teclado físico. Una pantalla táctil incluye una presentación visual sobre la que un programa que se ejecuta en el dispositivo 106 de computación puede presentar información. Un usuario puede proporcionar una entrada tocando la pantalla, normalmente con los dedos del usuario o un lápiz óptico. La pantalla táctil responde a la entrada proporcionando una indicación de dónde se tocó la pantalla. El software de la interfaz 104 y/o el software 108 de control del dispositivo 106 de computación pueden correlacionar la indicación de dónde ha tocado el usuario la pantalla táctil con qué información estaba presentándose en ese momento. Dependiendo de la naturaleza del contacto con la pantalla táctil y/o la información presentada en la pantalla táctil en la ubicación de ese contacto, la salida de la pantalla táctil puede interpretarse de manera diferente. La pantalla táctil, por ejemplo, puede estar configurada con gráficos que representan teclas. Cuando el usuario toca la pantalla táctil en una ubicación ocupada por una presentación de una tecla, el dispositivo electrónico puede responder justo como lo haría a una entrada de usuario a través de un teclado que designa la misma tecla. Puede decirse que un ordenador configurado de este modo tiene un teclado virtual. Cuando hay un teclado virtual en la pantalla, un usuario puede seleccionar una tecla en el teclado tocando la ubicación de la tecla en la pantalla. Una aplicación puede interpretar la ubicación tocada como información de entrada de teclado, indicando que debe presentarse información de salida asociada con la tecla, tal como caracteres de texto como “B” o “L”. Adicionalmente, un usuario puede tocar una ubicación en la pantalla para seleccionar un enlace, tal como para abrir una aplicación o un enlace. El sistema operativo puede interpretar la ubicación tocada como información de navegación, indicando que debe presentarse información de salida asociada con el tacto de la ubicación particular.
Independientemente del tipo de interfaz de usuario, la interfaz 104 puede generar información que indica interacciones del usuario con la interfaz 104. Esa indicación puede pasarse de la interfaz 104 al software 108 de control, que puede estar implementado como parte de un sistema operativo, firmware u otro software de control adecuado para interaccionar con el hardware de dispositivo. El software 108 de control puede pasar entonces la indicación de la entrada a un programa 110 de aplicación que se ejecuta en el dispositivo 106 de computación. De esta manera, el usuario 102 puede proporcionar una entrada mientras está ejecutándose una aplicación o un proceso 110 en el dispositivo 106 de computación, que puede ser la entrada que el usuario 102 proporciona a la aplicación o al proceso 110.
En algunas realizaciones en las que los eventos de pulsación de tecla son la entrada de usuario a una aplicación o un proceso 110, la aplicación o el proceso 110 puede ser una aplicación de diagnóstico que solicita que el usuario 102 proporcione una entrada en forma de pulsaciones de tecla con el propósito de someter a prueba la función motora. En otras realizaciones que pueden ser particularmente ventajosas en algunos escenarios, la aplicación o el proceso 110 puede no estar relacionada/o con pruebas médicas y el diagnóstico, incluyendo no relacionada/o con pruebas de la función motora. En tales casos, la aplicación o el proceso 110 puede estar relacionada/o con la realización de una o más tareas de procesamiento en el dispositivo 106 de computación que son tareas personales o profesionales para el usuario 102, tal como navegar por Internet, edición de documentos u otro procesamiento de palabras, entrada de datos u otras aplicaciones. En algunas de tales realizaciones, la aplicación o el proceso 110 puede ser múltiples aplicaciones/procesos diferentes que no están relacionadas/os con pruebas médicas o el diagnóstico. En tales casos, la recogida y/o el análisis de la entrada de usuario pueden realizarse como proceso de fondo, mientras la(s) aplicación/aplicaciones o el/los proceso(s) 110 está(n) ejecutándose en el dispositivo 106 de computación.
Según las técnicas descritas en el presente documento, además de pasarse a la aplicación/el proceso 110, la información relativa a interacciones de un usuario con la interfaz 104 puede pasarse a un sistema 114 de caracterización de la función motora. En algunas realizaciones, el software 108 de control puede pasar la información sobre las interacciones con la interfaz 104 al sistema 114. En otras realizaciones, un módulo 112 puede recoger la información sobre la entrada de usuario del software 108 de control y/o la aplicación 110 y transmitir ocasional, periódica o continuamente (por ejemplo, a medida que se recibe la información) la información sobre la entrada de usuario al sistema 114. En algunas realizaciones, el módulo 112 puede recoger información sobre datos de medición de uno o más sensores integrados en el dispositivo 106 de computación o en comunicación con el dispositivo 106 de computación. En algunas realizaciones, el uno o más sensores pueden estar integrados en la interfaz 104 de usuario. Como ejemplo, sensores de presión como parte de una pantalla táctil pueden medir presión a medida que un usuario toca una ubicación de la pantalla táctil tal como una tecla virtual. El uno o más sensores pueden proporcionar información relativa al movimiento, la ubicación, la orientación, la voz y/o la presión de tecleado del usuario. El módulo 112 puede transmitir ocasional, periódica o continuamente (por ejemplo, a medida que se recibe la información) información del uno o más sensores al sistema 114. En algunas realizaciones, el módulo 112 puede ser un componente del software 108 de control (por ejemplo, un componente de un sistema operativo) o un componente de la aplicación 110, tal como un plug-in de la aplicación 110. Las realizaciones no están limitadas a implementar el módulo 112 de ninguna manera particular.
En el ejemplo de la figura 1, el sistema 114 de caracterización de la función motora incluye un analizador 116 de entrada de usuario y un analizador 118 de la función motora. El analizador 116 de entrada de usuario recibe datos relativos a una entrada de usuario del dispositivo 106. En algunas realizaciones, el analizador 116 de entrada de usuario puede recibir esos datos en forma de una secuencia de eventos de pulsación de tecla. Un evento de pulsación de tecla puede incluir información relativa a que un usuario presiona o suelta una tecla. Una secuencia de eventos de pulsación de tecla puede incluir solo eventos de presión, solo eventos de liberación o ambos. Los eventos de pulsación de tecla de la secuencia pueden formatearse como eventos de sistema operativo o eventos emitidos por un driver de dispositivo, y/o puede implementarse en otro formato que contenga otra información. Como tales, en realizaciones en las que el software 108 de control está implementado como sistema operativo, los eventos de pulsación de tecla pueden proporcionarse como salida del sistema 108 operativo e indicar que el usuario ha presionado una o más teclas o ha operado de otro modo una pantalla táctil.
En algunas realizaciones, la secuencia de eventos de pulsación de tecla puede incluir una secuencia de múltiples eventos de selección de tecla. Un evento de selección de tecla puede estar asociado con que un usuario presione teclas en un teclado, tal como un teclado físico o de pantalla táctil. El evento “de bajada de tecla” puede estar asociado con que un usuario presione una tecla física de un teclado físico o inicie el contacto con una pantalla táctil. Un evento “de subida de tecla” puede estar asociado con que un usuario suelte una tecla física de un teclado físico o termine el contacto con una pantalla táctil.
La secuencia de eventos de pulsación de tecla recibida por parte del analizador 116 de entrada de usuario puede indicar que el usuario ha presionado una o más teclas o la toca a lo largo de una duración de tiempo, y puede incluir información de tiempo para cada uno de los eventos de pulsación de tecla. El analizador 116 de entrada de usuario puede analizar la información de evento de pulsación de tecla, incluyendo la información de tiempo, de la secuencia como parte del análisis de la función motora de un usuario, tal como se describe en detalle a continuación.
Los resultados del análisis de eventos de pulsación de tecla producidos por parte del analizador 116 de entrada de usuario pueden proporcionarse a un analizador 118 de la función motora. El analizador 118 de la función motora puede analizar la información proporcionada por parte del analizador 116 de entrada de usuario y producir información indicativa de una función motora del usuario 102, que puede incluir una o más biofirmas para el usuario 102 y/o una o más distribuciones de intervalos de tiempo para eventos de pulsación de tecla. A partir del análisis de la(s) biofirma(s) y/o distribución/distribuciones, el analizador 118 de la función motora puede generar información sobre si el usuario 102 parece tener una función motora sana o si el usuario 102 parece tener una función motora deteriorada. El analizador 118 de la función motora puede también, en algunas realizaciones, estar configurado para producir indicaciones de uno o más estados que ese análisis de la secuencia de eventos de pulsación de tecla indica que el usuario 102 puede tener, que el analizador 118 puede emitir para su revisión por parte del usuario 102 y/o un médico que pueda diagnosticar al usuario 102.
El sistema 114 de caracterización de la función motora puede implementarse en cualquier forma adecuada. Aunque el sistema 114 de caracterización de la función motora se ilustra en la figura 1 como independiente del dispositivo 106 de computación, debe apreciarse que uno o más componentes del sistema 114 de caracterización de la función motora pueden formar parte del dispositivo 106 de computación y/o formar parte de uno o más de otros dispositivos de computación. En algunas realizaciones, por ejemplo, el sistema 114 de caracterización de la función motora puede implementarse como máquina autónoma individual, o puede implementarse mediante múltiples máquinas distribuidas que comparten tareas de procesamiento de cualquier manera adecuada, que es/son independiente(s) del dispositivo 106 de computación operado por parte del usuario 102. El sistema 114 de caracterización de la función motora puede implementarse como uno o más ordenadores; un ejemplo de un ordenador adecuado se describe a continuación. En algunas realizaciones, el sistema 114 de caracterización de la función motora puede incluir uno o más dispositivos de almacenamiento legibles por ordenador no transitorios, tangibles, que almacenan instrucciones ejecutables por procesador, y uno o más procesadores que ejecutan las instrucciones ejecutables por procesador para realizar las funciones descritas en el presente documento. Los dispositivos de almacenamiento pueden implementarse como medios de almacenamiento legibles por ordenador (es decir, medios legibles por ordenador no transitorios, tangibles) codificados con las instrucciones ejecutables por procesador; ejemplos de medios de almacenamiento legibles por ordenador adecuados se discuten a continuación.
Cada uno de los componentes de procesamiento del sistema 114 de caracterización de la función motora, incluyendo los analizadores 116, 118, pueden implementarse en software, hardware o una combinación de software y hardware. Los componentes implementados en software pueden comprender conjuntos de instrucciones ejecutables por procesador que pueden ejecutarse por el uno o más procesadores del sistema 114 de caracterización de la función motora para realizar la funcionalidad descrita en el presente documento. Cada uno del analizador 116 de entrada de usuario y del analizador 118 de la función motora puede implementarse como componente independiente del sistema 114 de caracterización de la función motora (por ejemplo, implementado mediante código de hardware y/o software que es independiente y realiza funciones dedicadas del componente), o cualquier combinación de estos componentes puede estar integrada en un único componente o un conjunto de componentes distribuidos (por ejemplo, puede estar integrado código de hardware y/o software que realiza dos o más de las funciones descritas en el presente documento, el rendimiento del código compartido puede estar distribuido entre dos o más módulos de hardware, etc.). Además, uno cualquiera del analizador 116 de entrada de usuario y del analizador 118 de la función motora puede implementarse como conjunto de múltiples componentes de software y/o hardware.
Aunque la realización a modo de ejemplo de la figura 1 representa el analizador 116 de entrada de usuario y el analizador 118 de la función motora implementados juntos en el sistema 114 de caracterización de la función motora, esto es solo un ejemplo; en otros ejemplos, cualquiera de o todos los componentes pueden estar implementados en una o más máquinas independientes, o partes de cualquiera de o todos los componentes pueden estar implementarse entre múltiples máquinas de un modo distribuido y/o en diversas combinaciones. Debe entenderse que cualquier componente de este tipo ilustrado en la figura 1 no está limitado a ninguna implementación y/o configuración de software y/o hardware particular.
Para facilitar la explicación, los ejemplos expuestos a continuación se describirán con referencia a los componentes del sistema 100 de la figura 1. Sin embargo, debe apreciarse que las realizaciones no están limitadas a operar en el entorno a modo de ejemplo de la figura 1 o en entornos similares.
Como se ha discutido anteriormente, en algunas realizaciones una evaluación de la función motora puede incluir un análisis de información de tiempo asociada con eventos de pulsación de tecla, tal como una secuencia de eventos recibidos por un analizador 116 de entrada de usuario. En algunas realizaciones, la información de tiempo puede producirse a partir del análisis de información de sello de tiempo asociada con cada evento de pulsación de tecla que indica un momento cuando un usuario ha presionado una tecla y cuando la salida de la interfaz 104 de usuario se recibió por el software 108 de control y/o se pasó al analizador 116 de entrada de usuario. En algunas realizaciones, el analizador 116 de entrada de usuario puede no recibir eventos de pulsación de tecla asociados con información de sello de tiempo y puede determinar por sí mismo información de tiempo a asociar con eventos de pulsación de tecla. Por ejemplo, en algunas realizaciones el analizador 116 de entrada de usuario puede recibir eventos de pulsación de tecla en tiempo real a medida que se generan los eventos en respuesta a una entrada de usuario a la interfaz 104 y puede asociar un tiempo con cada evento de pulsación de tecla a medida que se recibe el evento por parte del analizador 116 de entrada de usuario. La información de sello de tiempo puede estar en cualquier formato adecuado, incluyendo un tiempo absoluto tal como el momento del día o un tiempo relativo con respecto a un cierto punto en el tiempo tal como cuando el usuario empezó a proporcionar la entrada de usuario.
A partir de un análisis de información de sello de tiempo para eventos de pulsación de tecla de la secuencia, el analizador 116 de entrada de usuario puede identificar intervalos de tiempo para ciertos eventos de pulsación de tecla y/o entre ciertos eventos de pulsación de tecla. Los intervalos de tiempo pueden identificar duraciones de tiempo para los ciertos eventos de pulsación de tecla o entre eventos de pulsación de tecla. Los intervalos de tiempo pueden corresponder a variables de tiempo de dinámica de pulsación de tecla tales como tiempo de mantenimiento, tiempo de vuelo, latencia de presión y latencia de liberación. Otros intervalos de tiempo pueden identificar otros aspectos de ritmo de eventos de pulsación de tecla. En algunas realizaciones, los intervalos de tiempo pueden corresponder a que un usuario presione una primera tecla seguida de una segunda tecla antes de soltar la primera tecla. Los intervalos de tiempo pueden identificar duraciones de tiempo en las que el usuario está presionando dos teclas a la vez.
La figura 2 ilustra un esquema de posibles variables de tiempo que pueden identificarse mediante el analizador 116 de entrada de usuario. Por ejemplo, la entrada de usuario de un usuario que presiona teclas en un teclado o regiones en una pantalla táctil puede proporcionar una secuencia de eventos de subida de tecla y de bajada de tecla a lo largo del tiempo, como se muestra en la figura 2. Los intervalos de tiempo entre eventos de subida de tecla y de bajada de tecla pueden determinarse por el analizador 116 de entrada de usuario. En algunas realizaciones, un intervalo de tiempo de pulsación de tecla puede identificarse para un evento de pulsación de tecla, o entre dos eventos de pulsación de tecla que se refieren a que un usuario presione una tecla, tal como un evento de bajada de tecla y un evento de subida de tecla posterior. Un intervalo de tiempo de pulsación de tecla de este tipo puede denominarse “tiempo de mantenimiento” y puede hacer referencia al tiempo entre cuando el usuario presiona esa tecla y cuando el usuario suelta esa tecla. Adicional o alternativamente, un intervalo de tiempo de pulsación de tecla puede identificarse entre eventos de pulsación de tecla posteriores que se refieren a que un usuario cambie entre teclas, lo que puede denominarse “tiempo de vuelo”. Un intervalo de tiempo de pulsación de tecla de este tipo puede hacer referencia a un tiempo entre que un usuario suelte una tecla y presione la siguiente, y como tal puede corresponder a un tiempo entre un evento de subida de tecla y un evento de bajada de tecla posterior. En algunas realizaciones, un intervalo de tiempo de pulsación de tecla puede identificarse entre eventos de pulsación de tecla relativos a que un usuario presione una tecla seguido de presionar una tecla posterior. Un intervalo de tiempo de este tipo entre un evento de bajada de tecla y un evento de subida de tecla puede denominarse “latencia de presión”, mientras que un intervalo de tiempo entre un evento de subida de tecla y un evento de bajada de tecla puede denominarse “latencia de liberación.”
Otros intervalos de tiempo adecuados entre eventos de pulsación de tecla distintos de los intervalos de tiempo discutidos en la figura 2 pueden analizarse por el analizador 116 de entrada de usuario. Una secuencia de eventos de pulsación de tecla puede incluir eventos “de subida de tecla” adyacentes y/o eventos “de bajada de tecla” adyacentes. En algunas realizaciones, un intervalo de tiempo puede corresponder a una duración de tiempo entre un evento “de subida de tecla” y otro evento “de subida de tecla” que sigue inmediatamente al primer evento “de subida de tecla” en la secuencia, y/o dos eventos “de bajada de tecla” que son adyacentes de manera similar en la secuencia. Como ejemplo, un usuario puede presionar una tecla antes de soltar una tecla previa, creando una secuencia de eventos de pulsación de tecla con dos eventos “de bajada de tecla”, un siguiendo inmediatamente al otro en la secuencia. Esto puede corresponder, por ejemplo, a la pulsación por parte del usuario de dos teclas de una vez, tal como cuando un usuario golpea inadvertidamente dos teclas o cuando un usuario presiona y mantiene una tecla mientras está presionando otra tecla, tal como cuando el usuario está presionando una combinación de teclas, o cuando el usuario pretende golpear dos teclas en sucesión, pero golpea la siguiente tecla antes de soltar la primera tecla.
Los intervalos de tiempo de evento identificados por el analizador 116 de entrada de usuario pueden proporcionarse al analizador 118 de la función motora para caracterizar la función motora del usuario que proporciona la entrada de usuario. En algunas realizaciones, el analizador 118 de la función motora puede determinar distribuciones de intervalos de eventos de pulsación de tecla identificados por el analizador 116 de entrada de usuario. Una distribución puede ser cualquier representación adecuada de la variación de intervalos de eventos de pulsación de tecla a lo largo de un periodo de tiempo. En algunas realizaciones, una distribución puede ser un histograma e incluir recuentos de intervalos de eventos de pulsación de tecla dentro de ciertos rangos a lo largo de un periodo de tiempo. Un histograma puede construirse identificando un rango de valores para intervalos de eventos de pulsación de tecla a lo largo de un periodo de tiempo y dividiendo el rango en una serie de pequeños intervalos, que pueden denominarse “horquillas”. Para generar el histograma, el analizador 118 puede asignar cada aparición de un intervalo de eventos de pulsación de tecla a lo largo del periodo de tiempo a una de las horquillas, que es la horquilla que tiene un intervalo que coincide con el intervalo de ese evento de pulsación de tecla. El analizador 118 puede determinar entonces un número de apariciones para cada horquilla. Según la invención, la distribución es una función de distribución de probabilidad continua, en vez de un histograma discreto.
La función de distribución de probabilidad puede identificarse estimando una función basándose en un histograma resultante.
Un análisis a modo de ejemplo de eventos de pulsación de tecla para determinar una pluralidad de distribuciones de tiempo de mantenimiento mediante el analizador 118 de la función motora se ilustra en las figuras 3A-3E. La figura 3A ilustra la variación en los valores de tiempo de mantenimiento a medida que una persona está tecleando. Pueden determinarse valores de tiempo de mantenimiento individuales identificando intervalos de tiempo cuando una tecla está presionada. Pueden determinarse distribuciones de tiempo de mantenimiento para los periodos 301, 302 y 303 de tiempo. Las figuras 3B-D ilustran distribuciones a modo de ejemplo de valores de tiempo de mantenimiento como histogramas para los periodos 301, 302 y 303 de tiempo, respectivamente. En este ejemplo, la figura 3B ilustra un histograma que corresponde a una distribución de tiempos de mantenimiento dentro del periodo 301 de tiempo de la figura 3A, y el valor de tiempo de mantenimiento alto se muestra como recuento a la derecha del histograma en la figura 3B. De manera similar, el histograma ilustrado en la figura 3C corresponde a una distribución de tiempos de mantenimiento dentro del periodo 302 de tiempo de la figura 3A, y el histograma ilustrado en la figura 3D corresponde a una distribución de tiempos de mantenimiento dentro del periodo 303 de tiempo. Como se determinan distribuciones de tiempos de mantenimiento a lo largo de periodos de tiempo posteriores, pueden determinarse múltiples distribuciones mediante el analizador 118 de entrada de la función motora. Estas distribuciones pueden representarse en una serie, tal como se ilustra en la figura 3E, donde cada columna corresponde a valores de histograma determinados para un periodo de tiempo. En la figura 3E, la columna a la izquierda corresponde a los valores de histograma del periodo 301 de tiempo, la siguiente columna corresponde a los valores de histograma del periodo 302 de tiempo, y la columna posterior corresponde a los valores de histograma del periodo 303 de tiempo. De esta manera puede obtenerse un conjunto de distribuciones a lo largo de una duración de tiempo mientras un usuario está proporcionando una entrada de usuario. Los valores del conjunto de distribuciones pueden representarse como una matriz en la que o bien las filas o bien las columnas indicaban diferentes distribuciones. Como ejemplo, una matriz, K, que tiene j filas e i columnas puede incluir los valores ilustrados en la figura 3E, donde cada columna corresponde a una distribución diferente (por ejemplo, i=0 corresponde a la distribución del periodo 301 de tiempo, i=2 corresponde a la distribución del periodo 302 de tiempo, e i=3 corresponde a la distribución del periodo 303 de tiempo).
El análisis de valores de tiempo de mantenimiento se proporciona como ejemplo en las figuras 3A-3E. Debe reconocerse que pueden analizarse otros tipos de variables de tiempo, tales como tiempo de vuelo, latencia de presión y latencia de liberación, usando estas técnicas para determinar una pluralidad de distribuciones. Adicional o alternativamente, pueden determinarse otros tipos de distribuciones para ciertos periodos de tiempo, tales como distribuciones de probabilidad, para determinar una pluralidad de distribuciones.
Algunas realizaciones se refieren a analizar una pluralidad de distribuciones, tal como se ilustra en la figura 3E, para proporcionar una indicación de la función motora de un usuario. Los inventores han reconocido que la variación entre una pluralidad de distribuciones puede proporcionar una indicación de la función motora de una persona. La variación entre una pluralidad de distribuciones puede incluir la variación en un valor promedio para cada distribución de la pluralidad de distribuciones. La variación entre una pluralidad de distribuciones puede incluir también la variación en la extensión de distribución de la pluralidad de distribuciones. Mediante distribuciones de una pluralidad, o comparando una pluralidad de distribuciones con otra pluralidad de distribuciones, puede identificarse información relativa a un estado o estatus de la función motora de una persona. Cuando las distribuciones que se analizan están extendidas a lo largo de un periodo de tiempo, tal como a lo largo de un día, a lo largo de una semana, a lo largo de un mes o a lo largo de un año, u otro periodo de tiempo, una comparación puede proporcionar una indicación de cambios en el estado de la persona que corresponden a la progresión de un trastorno y/o la eficacia de un tratamiento. Adicional o alternativamente, el estado de una persona puede evaluarse comparando un conjunto de distribuciones basadas en la entrada de usuario proporcionada por la persona con un conjunto diferente de distribuciones basadas en la entrada de usuario proporcionada por otro individuo.
La figura 4 ilustra diferentes conjuntos a modo de ejemplo de distribuciones para un individuo control que tiene poco o ningún deterioro de la función motora (“control”), un individuo tratado diagnosticado con enfermedad de Parkinson (“EP tratado”) y un individuo no tratado diagnosticado con enfermedad de Parkinson (“EP no tratado”). Como se muestra en la figura 4, el conjunto de distribuciones para el individuo control está caracterizado por una variación limitada en la extensión y/o anchura de distribución entre las distribuciones, mientras que los conjuntos de distribuciones para el individuo con EP tratado y el individuo con EP no tratado tienen variaciones más amplias en extensión. Adicionalmente, un valor promedio puede identificarse para un conjunto de distribuciones y proporcionar una caracterización de la función motora de una persona. Como se muestra en la figura 4, el conjunto control de distribuciones tiene un valor promedio menor que los valores promedio para los conjuntos de EP tratado y no tratado de distribuciones. La figura 4 ilustra también que una variación limitada de las distribuciones para el individuo control puede indicar un alto nivel de estabilidad de la función motora del usuario, mientras que la variación más amplia de las distribuciones para los individuos con EP tratados y no tratados puede indicar un nivel más bajo de estabilidad de la función motora del usuario.
La figura 4 ilustra también que las distribuciones de intervalos de eventos de pulsación de tecla pueden proporcionar una indicación de la eficacia del tratamiento para un estado en la mejora de la función motora. Un cambio en la variación entre distribuciones (por ejemplo, extensión o anchura de distribución) a lo largo del tiempo puede proporcionar una indicación de un cambio en la función motora del usuario. Como se muestra en la figura 4, las distribuciones para un individuo no tratado tienen una extensión o anchura más amplia de las distribuciones que para una persona con enfermedad de Parkinson que está sometiéndose a tratamiento. Observando una disminución en la extensión de las distribuciones a lo largo del tiempo durante el transcurso del tratamiento, y el tratamiento puede evaluarse como que reduce los síntomas relacionados con enfermedad de Parkinson.
Ejemplos adicionales de conjuntos de distribuciones adquiridas a través de las técnicas discutidas anteriormente se proporcionan en la figura 5 que ilustra conjuntos de distribuciones para tres sujetos cada uno en un estado descansado y un estado de inercia del sueño. La inercia del sueño puede caracterizarse como un rendimiento cognitivo deteriorado tras despertarse. Los individuos en un estado de inercia del sueño pueden tener un deterioro motor reducido con respecto a cuando están en un estado descansado. Al tener un usuario realizando tareas de uso de teclado a lo largo de una duración de tiempo, pueden determinarse distribuciones de intervalos de tiempo. En la figura 5, las distribuciones de tiempos de mantenimiento se determinan cuando cada sujeto está en un estado descansado y un estado de inercia del sueño. Las variaciones entre las distribuciones pueden proporcionar una indicación de la función motora del sujeto. Como ejemplo, el sujeto 7 mientras está en un estado descansado tiene un conjunto de distribuciones con poca variación en la extensión entre las distribuciones en comparación con el conjunto de distribuciones para el sujeto 7 mientras está en un estado de inercia del sueño. La función motora del sujeto 7 en un estado de inercia del sueño puede determinarse que está deteriorada basándose en la comparación. Pueden realizarse comparaciones similares para ambos sujetos 2 y 11 para identificar un deterioro motor aumentado cuando los sujetos están en un estado de inercia del sueño.
Como parte de la comparación de una pluralidad de distribuciones con otra pluralidad de distribuciones, una o más características para una pluralidad distribuciones pueden identificarse para caracterizar las distribuciones. Una característica puede ser uno o más valores calculados a partir de una pluralidad de distribuciones y puede proporcionar una indicación de una característica relativa a la función motora de un usuario. En vez de comparar visualmente dos conjuntos de distribuciones, la una o más características pueden proporcionar una métrica cuantitativa para comparar. El análisis de una pluralidad de distribuciones mediante el analizador 118 de la función motora puede incluir identificar una o más características. Una característica puede proporcionar una indicación de un valor promedio de las distribuciones. Por ejemplo, pueden determinarse medianas de valores para cada distribución y un valor promedio de las medianas de valores para la pluralidad de distribuciones. Otra característica puede corresponder a la variación en una extensión de la pluralidad de distribuciones. Otra característica puede referirse a la similitud de distribuciones dentro de una pluralidad de distribuciones.
En algunas realizaciones, una característica puede incluir una o más características de al menos una porción de las distribuciones. Según la invención, la característica es una anchura de una distribución. Puede determinarse un valor promedio de una característica entre múltiples distribuciones. El valor promedio puede proporcionar una indicación de estabilidad de la función motora de un usuario. Como ejemplo, valores de tiempo de mantenimiento altos pueden corresponder a una función motora deteriorada. Adicionalmente, una característica puede proporcionar una indicación de la función motora de un usuario incluso cuando solo hay pocos puntos de datos disponibles a lo largo de un periodo de tiempo para una distribución. En algunas realizaciones, la identificación de una característica puede incluir calcular una mediana de valores para una distribución de intervalos de eventos de pulsación de tecla. Pueden calcularse múltiples medianas de valores para cada una de una pluralidad de distribuciones. La identificación de una característica puede incluir calcular un valor promedio promediando las medianas de valores para obtener una mediana de valores promedio para la pluralidad de distribuciones. En algunas realizaciones, una característica calculada a partir de una pluralidad de distribuciones puede ser un valor promedio de medianas de valores de tiempo de mantenimiento. Un valor promedio de medianas de tiempos de mantenimiento puede proporcionar una indicación de la función motora de un usuario dado que el deterioro motor tiende a corresponder a valores aumentados para el tiempo de mantenimiento. Cualquier tipo adecuado de característica de las distribuciones puede promediarse para proporcionar una indicación de la función motora de un usuario. En algunas realizaciones, una característica puede calcularse promediando valores pico de múltiples distribuciones de intervalos de eventos de pulsación de tecla.
Como ejemplo, un valor promedio, KP, de una mediana de valores para una pluralidad de distribuciones, K, que tiene z columnas puede calcularse basándose en la siguiente expresión matemática en la que K es una matriz que tieneicolumnas yjentradas en cada columna:
En algunas realizaciones, una porción de distribuciones puede usarse para determinar una o más características que pueden determinarse que se reducen incluyendo distribuciones con una cantidad insuficiente de información en el cálculo. En algunas realizaciones, una distribución puede seleccionarse para calcular una o más características basándose en la identificación de un número de elementos distintos de cero para la distribución y comparar el número de elementos distintos de cero con un número umbral. Si el número de elementos distintos de cero de una distribución es mayor que el número umbral, entonces la distribución puede incluirse como parte del cálculo de una característica para un conjunto de distribuciones.
Algunas realizaciones se refieren a calcular una característica que indica un grado de estabilidad entre una pluralidad de distribuciones. La estabilidad entre una pluralidad de distribuciones puede proporcionar una indicación de la función motora de un usuario, pudiendo indicar una inestabilidad más alta una función motora deteriorada. La identificación de una característica que proporciona una indicación de estabilidad entre distribuciones puede incluir comparar al menos una primera distribución con al menos una segunda distribución para obtener un grado de similitud. En algunas realizaciones, una característica puede identificarse comparando cada distribución de una pluralidad de distribuciones entre sí para obtener un grado de similitud entre la pluralidad de distribuciones. Puede usarse cualquier tipo adecuado de análisis para comparar una distribución con otra, incluyendo técnicas de correlación estadísticas (por ejemplo, correlación por pares), métricas de distancia, métricas de similitud y/u otras técnicas de comparación.
Una característica que indica un grado de estabilidad para una pluralidad de distribuciones puede determinarse calculando una matriz de autosimilitud para la pluralidad de distribuciones. En algunas realizaciones, una porción de la pluralidad de distribuciones puede usarse a la hora de calcular la matriz de autosimilitud. Puede usarse cualquier métrica de distancia adecuada a la hora de calcular una matriz de autosimilitud para una pluralidad de distribuciones. En algunas realizaciones, una métrica de distancia puede calcular una variación entre dos distribuciones identificando un valor que representa diferencias entre las dos distribuciones. Como ejemplo, una métrica de distancia usada para calcular una diferencia entre dos distribuciones puede ser d(x, y) = ||x - y||, donde x e y son vectores que representan las dos distribuciones. Una métrica de distancia para cada combinación de pares de distribuciones puede calcularse para determinar una matriz de autosimilitud. Un ejemplo de matriz de autosimilitud, S, se indica mediante la siguiente expresión matemática, donde Kt=n es la distribución de la pluralidad de distribuciones en el periodo de tiempo n y una métrica de distancia se calcula para cada entrada en la matriz de autosimilitud:
El grado de variación dentro de una matriz de autosimilitud puede indicar un grado de estabilidad para la pluralidad de distribuciones para un usuario. Más variación dentro de una matriz de autosimilitud puede indicarse mediante métricas de distancia más altas. Valores de métrica de distancia más altos pueden indicar también un deterioro de la función motora del usuario. En algunas realizaciones, la matriz de autosimilitud, S, se normaliza de modo que el rango de valores para la matriz de autosimilitud cubra un rango de valores escalares (por ejemplo, de 0 a 1). La figura 6 ilustra representaciones visuales de diferentes matrices de autosimilitud correspondientes a conjuntos de distribuciones basados en la entrada de usuario de tres sujetos diferentes, mientras está cada uno en un estado descansado y un estado de inercia del sueño. Las variaciones en la escala de grises indican un valor de cada métrica de distancia de 0 a 1, donde 0 indica que no hay variación.
Algunas realizaciones se refieren a una característica calculada sumando una o más métricas de distancia determinadas para la matriz de similitud, tal como la matriz de autosimilitud discutida anteriormente. Una característica de este tipo puede proporcionar una indicación global de un grado de similitud para una pluralidad de distribuciones correspondientes a la variación entre la pluralidad de distribuciones. Valores de métricas de distancia sumadas para conjuntos de distribuciones diferentes pueden compararse para proporcionar una indicación de cambio en la función motora de un usuario. Por ejemplo, un valor de métricas de distancia sumadas más alto puede proporcionar una indicación de una función motora de usuario deteriorada.
Debe apreciarse que pueden usarse otros tipos de características calculadas a partir de una pluralidad de distribuciones para proporcionar una indicación de la función motora de un usuario, y los aspectos de la presente solicitud no están limitados a las características a modo de ejemplo descritas en el presente documento.
Algunas realizaciones se refieren a determinar y comparar una pluralidad de distribuciones con otra pluralidad de distribuciones para evaluar la función motora de un individuo y/o monitorizar la función motora de un individuo. En algunas realizaciones, una o más características para una pluralidad de distribución pueden compararse con una o más características de otra pluralidad de distribuciones. Las dos pluralidades de distribuciones pueden ser del mismo individuo o de diferentes individuos. Una pluralidad de distribuciones pueden proporcionarse como control o referencia usadas para comparar la otra pluralidad de distribuciones. En algunos casos, la pluralidad de distribuciones control o de referencia pueden ser de un punto anterior en el tiempo que una pluralidad actual de distribuciones. Comparando una pluralidad de distribuciones con otra pluralidad de distribuciones, pueden identificarse cambios en una o más características, que pueden indicar un grado de las capacidades de función motora de un individuo. De esta manera, una pluralidad de distribuciones basadas en la entrada de usuario durante una duración de tiempo puede servir como biofirma para la función motora del usuario durante la duración de tiempo.
En algunas realizaciones, una o más características para una pluralidad de distribuciones pueden compararse con una o más características para otra pluralidad de distribuciones. Una diferencia entre una pluralidad de distribuciones y otra pluralidad de distribuciones puede identificarse basándose en la comparación de la una o más características para las dos pluralidades de distribuciones diferentes. En algunas realizaciones, una característica relativa a la extensión de distribución puede compararse entre una primera pluralidad de distribuciones y una segunda pluralidad de distribuciones, y un cambio en la función motora del usuario puede identificarse basándose en un resultado de la comparación. En algunas realizaciones, una puntuación indicativa de la función motora de un usuario puede calcularse basándose en la comparación de una o más características para las dos pluralidades de distribuciones diferentes.
Algunas realizaciones se refieren a representar una o más características para una pluralidad de distribuciones como vector incluyendo valores para la una o más características como componentes del vector. La comparación entre una primera pluralidad de distribuciones y una segunda pluralidad de distribuciones puede incluir calcular un primer vector para la primera pluralidad de distribuciones y un segundo vector para la segunda pluralidad de distribuciones. Una diferencia entre el primer vector y el segundo vector puede proporcionar una indicación de un cambio en la una o más características incluidas como componentes del primer vector y del segundo vector.
En algunas realizaciones, puede analizarse información sobre datos de medición de uno o más sensores tales como datos de movimiento, ubicación, orientación, voz y/o presión, y una característica relativa a los datos analizados puede proporcionar una indicación de la función motora de un usuario. Puede hacerse un seguimiento de una característica relativa a mediciones de sensor a lo largo del tiempo y puede combinarse con una o más características relativas a una pluralidad de distribuciones como parte de la evaluación de la función motora de un usuario. En algunas realizaciones, una característica relativa a mediciones de sensor puede incluirse como componente en una característica vector.
En algunas realizaciones, un vector de característica para una pluralidad de distribuciones puede incluir características relativas a un valor promedio de medianas de intervalos de eventos de pulsación de tecla para la pluralidad de distribuciones. Determinar el valor promedio puede incluir promediar una pluralidad de medianas de valores. Cada mediana de valores identifica una mediana del intervalo de eventos de pulsación de tecla para una distribución en una pluralidad de distribuciones. El vector de característica puede incluir también un grado de similitud para la pluralidad de distribuciones, tal como un valor calculado sumando métricas de distancia de una matriz de autosimilitud tal como se discutió anteriormente. Un primer vector que tiene valores correspondientes a al menos estas dos características de una primera pluralidad de distribuciones puede compararse con un segundo vector que tiene valores correspondientes a al menos estas dos características de una segunda pluralidad de distribuciones. Puede calcularse una diferencia entre el primer vector y el segundo vector y puede indicar un cambio en la función motora de un usuario. El primer vector y el segundo vector pueden basarse en una entrada de usuario del mismo usuario en diferentes momentos, proporcionando una indicación de un cambio en la función motora del usuario a lo largo del tiempo.
Un ejemplo ilustrativo del cálculo de vectores de característica se muestra con respecto a la figura 7 que representa gráficamente histogramas circulares que indican la variación en valor promedio de medianas (como componente x) y un valor sumado de métricas de distancia de una matriz de autosimilitud (como componente y). Las figuras 7A-D ilustran resultados experimentales para cuantificar la fatiga por medio de un protocolo de inercia del sueño. Los individuos se despertaron durante la noche para inducir inercia del sueño y se sometieron a prueba cuatro veces, dos veces durante el día y dos veces durante la noche. Cada prueba consistía en 15 minutos de teclear un texto diferente en diferentes ordenadores. Las figuras 7A y 7B ilustran una diferencia entre un vector de característica basado en datos de entrada de usuario cuando un individuo está en un estado descansado y un segundo vector de característica basado en datos de entrada de usuario cuando el individuo está en un estado de inercia del sueño. Una indicación de la diferencia entre los dos vectores se muestra mediante la línea 700 en la figura 7A y la línea 702 en la figura 7B. Las figuras 7C y 7D ilustran de poca a ninguna diferencia significativa cuando se comparan dos vectores de característica cuando el individuo está en un estado similar para ambos vectores de característica, tal como durante estados descansados como en la figura 7C y durante estados de inercia del sueño como en la figura 7D. Las figuras 7E y 7F representan gráficamente el valor promedio de medianas (a lo largo del eje x) y el valor sumado de métricas de distancia de una matriz de autosimilitud (a lo largo del eje y) para conjuntos de distribuciones diferentes de individuos durante el día (+) y la noche (O). Las figuras 7E y 7F ilustran una representación alternativa de los datos ilustrados en las figuras 7A-D. La figura 7E ilustra valores mayores para ambas características (es decir valor promedio de medianas y valor sumado de métricas de distancia) durante la noche que durante el día, indicando que estas características son representativas de función motora deteriorada debido a inercia del sueño. La figura 7F ilustra datos similares a los mostrados en la figura 7E, pero los datos están normalizados con respecto a un nivel de referencia para cada individuo. Las líneas en la figura 7E identifican cambios entre el día y la noche, ilustrando que ambas de estas características aumentan durante la noche cuando se despierta a los individuos para realizar tareas de uso de teclado.
En algunas realizaciones puede determinarse una puntuación para una pluralidad de distribuciones analizando uno o más cuantiles para una pluralidad de distribuciones. Un primer cuantil y un segundo cuantil pueden determinarse para una distribución de la pluralidad de distribuciones. Intervalos de eventos de pulsación de tecla en las distribuciones pueden identificarse como valores atípicos basándose en el primer cuantil. Un número de valores atípicos en la distribución pueden calcularse basándose en uno o más valores atípicos identificados en la distribución. El número de valores atípicos pueden normalizarse mediante un número de presiones de tecla para la distribución. Pueden calcularse una diferencia entre el primer cuantil y el segundo cuantil, una desviación estándar de los valores atípicos y un valor basado en parte de una covarianza de la pluralidad de distribuciones. Un vector de característica puede determinarse basándose en el número de valores atípicos, la diferencia entre los cuantiles primero y segundo, la desviación estándar de los valores atípicos y el valor basado en parte de la covarianza. En algunas realizaciones, un clasificador de aprendizaje automático o regresor (por ejemplo, máquina de vectores de soporte, árboles de decisión, red neuronal) puede emitir una puntuación aprendiendo ejemplos de vectores de característica representativos de diferentes niveles de deterioro motor y/o diferentes estados que pueden existir en una persona (por ejemplo, trastornos o deterioros neurológicos). La puntuación de salida puede obtenerse a lo largo del tiempo calculando el mismo vector de característica y aplicando el clasificador o regresor entrenado previamente. La puntuación de salida puede usarse para monitorizar cambios en la función motora de un usuario. Las figuras 8A y 8B ilustran perfiles representativos para puntuaciones determinadas mediante el clasificador de aprendizaje automático basados en individuos con enfermedad de Parkinson e individuos control.
La invención es útil en algunos aspectos para detectar cambios en la “función motora” de una persona con el fin de recoger información relativa a una variedad de estados que pueden existir en la persona, incluyendo trastornos neurológicos que la persona puede estar sufriendo u otros deterioros neurológicos tales como lesión cerebral (es decir conmociones), enfermedades motoras tales como osteoartritis, estados psiquiátricos tales como trastornos de la personalidad, depresión, ansiedad, psicosis, trastornos de desarrollo, estados transitorios tales como intoxicación, fatiga, estrés y deshidratación. Este tipo de información puede ser útil, por ejemplo, sola o en combinación con otros métodos de detección/de diagnóstico para ayudar a diagnosticar estados, identificar fases prematuras de enfermedad, detectar cambios en un estado influido por factores ambientales tales como medicina o terapia, detectar deterioros temporales asociados con el alcohol o drogas asociadas con síntomas psicomotores o fatiga, detectar avisos prematuros de accidente cerebrovascular u otras enfermedades debilitantes, en las que una intervención prematura es crítica.
La detección de enfermedad neurodegenerativa es una utilidad importante de los métodos y dispositivos de la invención. Las enfermedades neurodegenerativas abarcan una variedad de trastornos que implican una pérdida progresiva de estructura y/o función de neuronas en regiones afectadas del sistema nervioso, a menudo acompañada de pérdida neuronal. Muchas de las enfermedades neurodegenerativas que afectan al cerebro pueden conducir a demencia, un estado devastador en el que la pérdida de capacidades cognitivas afecta perjudicialmente a la vida diaria y a la función social.
Las enfermedades neurodegenerativas incluyen, pero no se limitan a, enfermedad de Parkinson, parkinsonismo, formas de demencia tales como enfermedad de Alzheimer o deterioro cognitivo leve, esclerosis múltiple, esclerosis lateral amiotrófica. Las enfermedades neurológicas incluyen, pero no se limitan a, esquizofrenia, trastorno bipolar, autismo, epilepsia y depresión. Los deterioros neurológicos incluyen lesión cerebral (por ejemplo, conmociones), enfermedades motoras tales como osteoartritis, estados psiquiátricos tales como trastornos de la personalidad, ansiedad, psicosis, trastornos de desarrollo, y estados transitorios tales como intoxicación, fatiga, estrés y deshidratación.
Los métodos y dispositivos descritos en el presente documento pueden usarse para detectar propiedades asociadas con estos trastornos, a menudo en fases más prematuras que en la que pueden detectarse las enfermedades mediante otros métodos. Si se detecta una enfermedad usando los métodos de la invención, la presencia de la enfermedad u otras propiedades tales como el subtipo o la fase o el grado de la enfermedad pueden evaluarse adicionalmente mediante métodos alternativos conocidos en la técnica. Alternativamente, si se detecta una enfermedad usando otra metodología, puede verificarse o caracterizarse adicionalmente usando los métodos de la invención. Un número de propiedades asociadas con estas enfermedades se conocen ampliamente en la técnica y pueden usarse para su caracterización adicional.
La enfermedad de Parkinson está caracterizada patológicamente por la presencia de cuerpos de Lewy citoplásmicos, componentes principales de los cuales son filamentos compuestos de la proteína neuronal alfasinucleína, en neuronas dentro del cerebro. Los agregados de alfa-sinucleína se han asociado con varias enfermedades neurológicas. Se han descrito un número de mutaciones puntuales dominantes en alfa-sinucleína que provocan enfermedad de Parkinson de aparición prematura familiar. La duplicación y la triplicación del gen de alfasinucleína, que conduce a la producción en exceso de alfa-sinucleína, se han vinculado también con la enfermedad de Parkinson de aparición prematura familiar. Estudiosin vitrohan demostrado que la alfa-sinucleína recombinante puede formar fibrillas de tipo cuerpo de Lewy que recapitulan las características ultraestructurales de los agregados de alfa-sinucleína aislados de pacientes con enfermedad de Parkinson. Se ha mostrado que ciertas mutaciones de alfa-sinucleína vinculadas a enfermedad de Parkinson aceleran el proceso de agregación. La enfermedad de Parkinson está caracterizada clínicamente por bradicinesia, rigidez, temblor en reposo y rigidez postural, una constelación de síntomas denominados comúnmente “parkinsonismo”. Los pacientes desarrollan frecuentemente deterioro cognitivo y depresión a medida que la enfermedad progresa. La mayoría de los síntomas motores pueden atribuirse a la degeneración de neuronas dopaminérgicas dentro de la sustancia negra parte compacta, un núcleo regulador clave de los circuitos ganglionares basales. Sin embargo, también pueden degenerarse varias de otras poblaciones neuronales no dopaminérgicas, incluyendo diversos núcleos autónomos y el locus cerúleo así como neuronas glutamatérgicas por toda la corteza cerebral.
La enfermedad de Alzheimer es un trastorno neurodegenerativo caracterizado por ovillos neurofibrilares y placas que contienen un péptido beta amiloide. Los pacientes con enfermedad de Alzheimer presentan una demencia progresiva, que puede manifestarse con deterioro en la memoria y las capacidades cognitivas. La escisión proteolítica de la proteína precursora de amiloide (APP) da como resultado la generación de un péptido beta amiloide que oscila normalmente entre 38 y 43 aminoácidos de longitud. El péptido beta amiloide 1-42 es particularmente propenso a la autoagregación y está ligado fuertemente al desarrollo de la enfermedad de Alzheimer.
Los métodos y dispositivos descritos en el presente documento pueden usarse también para evaluar la eficacia de un agente terapéutico o un supuesto agente terapéutico, detectando cambios en el estado o la progresión de la enfermedad. Los métodos y dispositivos pueden usarse también para evaluar o monitorizar el estado de la enfermedad. Los términos “evaluar”, “determinar”, “someter a ensayo” se usan de manera intercambiable en el presente documento para hacer referencia a cualquier forma de detección o medición de un cambio, e incluyen determinar si un cambio en el grado de enfermedad o estado, etc., está presente o no. El resultado de una evaluación puede expresarse en términos cualitativos y/o cuantitativos. La evaluación puede ser relativa o absoluta. La esclerosis lateral amiotrófica (ELA), también denominada enfermedad de Lou Gehrig, es una enfermedad neurológica progresiva, fatal. La ELA se produce cuando células nerviosas específicas en el cerebro y la médula espinal que controlan el movimiento voluntario se degeneran gradualmente y provoca que los músculos bajo su control se debiliten y se consuman, conduciendo a la parálisis. Actualmente no hay cura para la ELA; ni hay una terapia probada que prevenga o invierta el curso del trastorno.
Actualmente, la enfermedad de Parkinson se trata con varios compuestos y combinaciones diferentes, cuya eficacia en un paciente particular podría evaluarse adicionalmente usando los métodos de la invención. Levodopa (L-dopa), que se convierte en dopamina en el cerebro, se administra a menudo para restaurar el control muscular. Perindopril, un inhibidor de ACE que atraviesa la barrera hematoencefálica, se usa para mejorar las respuestas motoras de los pacientes a L-dopa. Carbidopa se administra con L-dopa con el fin de retardar la conversión de L-dopa en dopamina hasta que alcance el cerebro y también disminuye los efectos secundarios de L-dopa. Otros fármacos usados en el tratamiento de la enfermedad de Parkinson incluyen los imitadores de dopamina Mirapex (dihidrocloruro de pramipexol) y Requip (hidrocloruro de ropinirol) y Tasmar (tolcapona), un inhibidor de COMT que bloquea una enzima clave responsable de la rotura de levodopa antes de que alcance el cerebro.
El autismo (también denominado trastorno del espectro autista, o TEA) es un trastorno que deteriora gravemente el funcionamiento de los individuos. Está caracterizado por la autoabsorción, una capacidad reducida para comunicarse con o responder al mundo exterior, rituales y fenómenos compulsivos, y retardo mental. Los individuos autistas corren también un riesgo aumentado de desarrollar trastornos de convulsiones, tal como epilepsia. Aunque se desconoce la causa real del autismo, parece incluir uno o más factores genéticos, tal como se indica por el hecho de que la tasa de concordancia es mayor en gemelos monocigóticos que en gemelos dicigóticos, y puede implicar también factores inmunitarios y ambientales, tales como la dieta, químicos tóxicos e infecciones.
En algunos casos, el trastorno neurológico es un trastorno neuropsiquiátrico, que se refiere a estados o trastornos que están relacionados con el funcionamiento del cerebro y los procesos cognitivos o el comportamiento. Los trastornos neuropsiquiátricos pueden clasificarse adicionalmente basándose en el tipo de perturbación neurológica que afecte a las facultades mentales. El término “trastorno neuropsiquiátrico”, considerado en este caso como subconjunto de “trastornos neurológicos”, se refiere a un trastorno que puede caracterizarse generalmente por una o más crisis en el proceso de adaptación.
La invención es también útil para caracterizar o detectar enfermedades motoras o enfermedades musculoesqueléticas. Una “enfermedad motora” o “enfermedad musculoesquelética” tal como se usa en el presente documento se refiere a un trastorno que afecta a los músculos, las articulaciones, los tendones, los ligamentos y los nervios del cuerpo. Estas enfermedades incluyen, pero no se limitan a, osteoartritis, dolor de espalda, artritis reumatoide, osteoporosis, artritis séptica, gota, fibromialgia y lupus eritematoso sistémico (LES).
La osteoartritis (OA) es un trastorno común que da como resultado una reducción en la masa ósea, que afecta a más de 150 millones de personas a nivel mundial, convirtiéndola en una de las enfermedades más prevalentes en el mundo (OMS, 2009). La OA ataca a las articulaciones del cuerpo, afectando a la productividad ya la calidad de vida, y es extremadamente incapacitante para el paciente. Las terapias actuales solo proporcionan un alivio del dolor y de la inflamación a corto plazo, pero no proporcionan protección frente a la degeneración adicional inevitable de cartílago articular, el sello distintivo de la OA en fase terminal. Esto da como resultado una disfunción articular completa (incluyendo el deterioro del tejido óseo y otros tejidos blandos), conduciendo a la necesidad del paciente de una sustitución articular. Por tanto, es vital entender adicionalmente los mecanismos de la enfermedad OA y desarrollar agentes terapéuticos y sistemas de administración de fármacos eficaces para curarla. Además de detectar la OA en un paciente, los métodos de la invención pueden usarse para evaluar la eficacia de agentes terapéuticos putativos.
Las drogas y el alcohol pueden deteriorar la función motora. Este tipo de deterioro puede provocar problemas graves, tales como sobredosis, violencia, accidentes y choque de vehículos a motor. Los métodos y dispositivos de la invención pueden usarse para detectar niveles inaceptables de deterioro motor debido a la ingesta de drogas o alcohol.
Adicionalmente, diferentes personas reaccionan de manera diferente a diferentes tratamientos terapéuticos. Los métodos y dispositivos de la invención pueden usarse para monitorizar la reacción de pacientes individuales a un agente terapéutico particular. Detectando, por ejemplo, cambios en la función motora.
Un sistema de caracterización de la función motora según las técnicas descritas en el presente documento puede adoptar cualquier forma adecuada, ya que las realizaciones no están limitadas a este respecto. Una implementación ilustrativa de un sistema 900 informático que puede usarse en relación con algunas realizaciones se muestra en la figura 9. Uno o más sistemas informáticos tal como el sistema 900 informático pueden usarse para implementar cualquiera de las funcionalidades descritas anteriormente. El sistema 900 informático puede incluir uno o más procesadores 910 y uno o más medios de almacenamiento legibles por ordenador (es decir, medios legibles por ordenador no transitorios, tangibles), por ejemplo, un almacenamiento 920 volátil y uno o más medios 930 de almacenamiento no volátiles, que pueden estar formados de cualquier medio de almacenamiento de datos adecuado. El procesador 910 puede controlar la escritura de datos en y la lectura de datos del almacenamiento 920 volátil y el dispositivo 930 de almacenamiento no volátil de cualquier manera adecuada, ya que las realizaciones no están limitadas a este respecto. Para realizar cualquiera de las funcionalidades descritas en el presente documento, el procesador 910 puede ejecutar una o más instrucciones almacenadas en uno o más medios de almacenamiento legibles por ordenador (por ejemplo, almacenamiento 920 volátil y/o almacenamiento 930 no volátil), que pueden servir como medios legibles por ordenador no transitorios, tangibles, que almacenan instrucciones para la ejecución por parte del procesador 910.
Las realizaciones descritas anteriormente pueden implementarse de cualquiera de numerosos modos. Por ejemplo, las realizaciones pueden implementarse usando hardware, software o una combinación de las mismas. Cuando se implementa en software, el código de software puede ejecutarse en cualquier procesador o colección de procesadores adecuados, ya se proporcione en un único ordenador o distribuido entre múltiples ordenadores. Debe apreciarse que cualquier componente o colección de componentes que realice las funciones descritas anteriormente puede considerarse de manera genérica como uno o más controladores que controlan las funciones discutidas anteriormente. El uno o más controladores pueden implementarse de numerosos modos, tal como con hardware dedicado, o con hardware de uso general (por ejemplo, uno o más procesadores) que se programa usando microcódigo o software para realizar las funciones citadas anteriormente.
A este respecto, debe apreciarse que una implementación comprende al menos un medio de almacenamiento legible por ordenador (es decir, al menos un medio legible por ordenador no transitorio, tangible), tal como una memoria de ordenador (por ejemplo, unidad de disco duro, memoria flash, memoria de trabajo de procesador, etc.), un disquete, un disco óptico, una cinta magnética u otro medio legible por ordenador no transitorio, tangible, codificado con un programa informático (es decir, una pluralidad de instrucciones), que, cuando se ejecuta en uno o más procesadores, realiza las funciones discutidas anteriormente. El medio de almacenamiento legible por ordenador puede ser transportable de modo que el programa almacenado en el mismo pueda cargarse en cualquier recurso informático para implementar las técnicas discutidas en el presente documento. Además, debe apreciarse que la referencia a un programa informático que, cuando se ejecuta, realiza las funciones discutidas anteriormente, no está limitado a un programa de aplicación que se ejecuta en un ordenador central. Más bien, el término “programa informático” se usa en el presente documento en un sentido genérico para hacer referencia a cualquier tipo de código informático (por ejemplo, software o microcódigo) que pueda emplearse para programar uno o más procesadores para implementar las técnicas anteriores.
La fraseología y la terminología usadas en el presente documento son con el propósito de descripción y no deben considerarse como limitantes. El uso de “que incluye”, “que comprende”, “que tiene”, “que contiene”, “que implica” y variaciones de los mismos, pretende abarcar los elementos listados después y elementos adicionales. El uso de términos ordinales tales como “primero”, “segundo”, “tercero”, etc., en las reivindicaciones para modificar un elemento de reivindicación no connota por sí mismo ninguna prioridad, precedencia u orden de un elemento de reivindicación con respecto a otro ni el orden temporal en el que se realizan actos de un método. Los términos ordinales se usan meramente como etiquetas para distinguir un elemento de reivindicación que tiene un cierto nombre de otro elemento que tiene un mismo nombre (excepto por el uso del término ordinal), para distinguir los elementos de reivindicación.
La invención está limitada solo tal como se define mediante las siguientes reivindicaciones.
Claims (7)
1. Método de caracterización de la función motora de un usuario (102) analizando una entrada por parte del usuario a una interfaz (104) de usuario de al menos un dispositivo (106) de computación, comprendiendo el método:
recibir una secuencia de eventos de pulsación de tecla que indican que el usuario (102) ha presionado al menos una porción de la interfaz (104) de usuario a lo largo de una duración de tiempo;
caracterizado por:
determinar, mediante al menos un procesador (900), una pluralidad de distribuciones de probabilidad de intervalos de eventos de pulsación de tecla a lo largo de al menos algo de la duración de tiempo, correspondiendo cada distribución de probabilidad de la pluralidad de distribuciones de probabilidad a una porción de la duración de tiempo, comprendiendo la pluralidad de distribuciones de probabilidad de intervalos de eventos de pulsación de tecla una primera distribución de probabilidad relativa a eventos de pulsación de tecla incluidos en una primera porción de la duración de tiempo y una segunda distribución de probabilidad relativa a eventos de pulsación de tecla incluidos en una segunda porción de la duración de tiempo, comprendiendo la determinación de una distribución de probabilidad de la pluralidad de distribuciones identificar intervalos de tiempo entre eventos de pulsación de tecla que se producen dentro de una porción correspondiente de la duración de tiempo; y
determinar una estabilidad de la función motora del usuario al menos en parte analizando al menos la primera distribución de probabilidad y la segunda distribución de probabilidad para determinar la variación de intervalos de eventos de pulsación de tecla a lo largo de la duración de tiempo, comprendiendo el análisis de al menos la primera distribución de probabilidad y la segunda distribución de probabilidad: calcular al menos una característica de las distribuciones de probabilidad primera y segunda; y determinar la variación de la al menos una característica que es una anchura de distribución entre las distribuciones de probabilidad primera y segunda.
2. Método según la reivindicación 1, en el que:
la recepción de la secuencia de eventos de pulsación de tecla comprende recibir una secuencia de una pluralidad de eventos de selección de tecla; y
la identificación de intervalos de tiempo entre eventos de pulsación de tecla comprende identificar intervalos de tiempo entre eventos de selección de tecla de la pluralidad de eventos de selección de tecla.
3. Método según una cualquiera de las reivindicaciones 1-2, en el que:
la recepción de la secuencia de eventos de pulsación de tecla comprende recibir una secuencia de eventos de pulsación de tecla introducida por parte del usuario mientras interacciona con una pluralidad de diferentes aplicaciones (110) que se ejecutan en el al menos un dispositivo (106) de computación.
4. Método según una cualquiera de las reivindicaciones 1-3, que comprende además:
recibir una segunda secuencia de eventos de pulsación de tecla que indican que el usuario (102) ha presionado al menos una porción de la interfaz (104) de usuario a lo largo de una segunda duración de tiempo;
determinar, mediante el al menos un procesador (900), una segunda pluralidad de distribuciones de probabilidad de intervalos de eventos de pulsación de tecla a lo largo de al menos algo de una segunda duración de tiempo, correspondiendo cada distribución de probabilidad de la segunda pluralidad de distribuciones de probabilidad a una porción de la segunda duración de tiempo, comprendiendo la segunda pluralidad de distribuciones de probabilidad de intervalos de eventos de pulsación de tecla una tercera distribución de probabilidad relativa a eventos de pulsación de tecla incluidos en una primera porción de la segunda duración de tiempo y una cuarta distribución de probabilidad relativa a eventos de pulsación de tecla incluidos en una segunda porción de la segunda duración de tiempo, comprendiendo la determinación de una segunda distribución de probabilidad de la pluralidad de distribuciones de probabilidad identificar intervalos de tiempo entre eventos de pulsación de tecla que se producen dentro de una porción correspondiente de la segunda duración de tiempo; y
determinar una segunda estabilidad de la función motora del usuario (102) al menos en parte analizando al menos la tercera distribución de probabilidad y la cuarta distribución de probabilidad para determinar la variación de intervalos de eventos de pulsación de tecla a lo largo de la segunda duración de tiempo.
5. Método según la reivindicación 4, que comprende además:
identificar un cambio, si lo hay, en las funciones motoras del usuario entre la duración de tiempo y la segunda duración de tiempo comparando la pluralidad de distribuciones de probabilidad con la segunda pluralidad de distribuciones de probabilidad.
6. Al menos un medio de almacenamiento legible por ordenador que almacena instrucciones ejecutables por ordenador que, cuando se ejecutan, realizan un método de caracterización de la función motora de un usuario (102) analizando una entrada por parte del usuario (102) a una interfaz (104) de usuario de al menos un dispositivo (106) de computación, comprendiendo el método:
recibir una secuencia de eventos de pulsación de tecla que indican que el usuario (102) ha presionado al menos una porción de la interfaz (104) de usuario a lo largo de una duración de tiempo;
caracterizado por:
determinar, mediante al menos un procesador (900), una pluralidad de distribuciones de probabilidad de intervalos de eventos de pulsación de tecla a lo largo de al menos algo de la duración de tiempo, correspondiendo cada distribución de probabilidad de la pluralidad de distribuciones de probabilidad a una porción de la duración de tiempo, comprendiendo la pluralidad de distribuciones de probabilidad de intervalos de eventos de pulsación de tecla una primera distribución de probabilidad relativa a eventos de pulsación de tecla incluidos en una primera porción de la duración de tiempo y una segunda distribución de probabilidad relativa a eventos de pulsación de tecla incluidos en una segunda porción de la duración de tiempo, comprendiendo la determinación de una distribución de probabilidad de la pluralidad de distribuciones de probabilidad identificar intervalos de tiempo entre eventos de pulsación de tecla que se producen dentro de una porción correspondiente de la duración de tiempo; y
determinar una estabilidad de la función motora del usuario (102) al menos en parte analizando al menos la primera distribución de probabilidad y la segunda distribución de probabilidad para determinar la variación de intervalos de eventos de pulsación de tecla a lo largo de la duración de tiempo, comprendiendo el análisis de al menos la primera distribución de probabilidad y la segunda distribución de probabilidad: calcular al menos una característica de las distribuciones de probabilidad primera y segunda; y determinar la variación de la al menos una característica que es una anchura de distribución entre las distribuciones de probabilidad primera y segunda.
7. Sistema (100) para caracterizar la función motora de un usuario (102) analizando una entrada por parte del usuario (102) a una interfaz (104) de usuario de al menos un dispositivo (106) de computación, comprendiendo el sistema:
al menos un procesador (900) configurado para recibir una secuencia de eventos de pulsación de tecla que indican que el usuario (102) ha presionado al menos una porción de la interfaz (104) de usuario a lo largo de una duración de tiempo; y
al menos un medio de almacenamiento que almacena instrucciones ejecutables por procesador que, cuando se ejecutan mediante el al menos un procesador, realizan un método caracterizado por: determinar una pluralidad de distribuciones de probabilidad de intervalos de eventos de pulsación de tecla a lo largo de al menos algo de la duración de tiempo, correspondiendo cada distribución de probabilidad de la pluralidad de distribuciones de probabilidad a una porción de la duración de tiempo, comprendiendo la pluralidad de distribuciones de probabilidad de intervalos de eventos de pulsación de tecla una primera distribución de probabilidad relativa a eventos de pulsación de tecla incluidos en una primera porción de la duración de tiempo y una segunda distribución de probabilidad relativa a eventos de pulsación de tecla incluidos en una segunda porción de la duración de tiempo, comprendiendo la determinación de una distribución de probabilidad de la pluralidad de distribuciones de probabilidad identificar intervalos de tiempo entre eventos de pulsación de tecla que se producen dentro de una porción correspondiente de la duración de tiempo; y
determinar una estabilidad de la función motora del usuario (102) al menos en parte analizando al menos la primera distribución de probabilidad y la segunda distribución de probabilidad para determinar la variación de intervalos de eventos de pulsación de tecla a lo largo de la duración de tiempo, comprendiendo el análisis de al menos la primera distribución de probabilidad y la segunda distribución de probabilidad: calcular al menos una característica de las distribuciones de probabilidad primera y segunda; y determinar la variación de la al menos una característica que es una anchura de distribución entre las distribuciones de probabilidad primera y segunda.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201461969940P | 2014-03-25 | 2014-03-25 | |
| PCT/US2015/022581 WO2015148732A1 (en) | 2014-03-25 | 2015-03-25 | Apparatus and method for motor function characterization |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| ES2957212T3 true ES2957212T3 (es) | 2024-01-15 |
Family
ID=54188700
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES15770079T Active ES2957212T3 (es) | 2014-03-25 | 2015-03-25 | Aparato y método para la caracterización de la función motora |
Country Status (4)
| Country | Link |
|---|---|
| US (4) | US9867573B2 (es) |
| EP (2) | EP4275596A3 (es) |
| ES (1) | ES2957212T3 (es) |
| WO (1) | WO2015148732A1 (es) |
Families Citing this family (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ES2957212T3 (es) * | 2014-03-25 | 2024-01-15 | Massachusetts Inst Technology | Aparato y método para la caracterización de la función motora |
| US10423143B1 (en) * | 2016-06-16 | 2019-09-24 | Wavetech, LLC | Aerobic septic system health monitor and maintenance device, system, and method of its use |
| JP6986680B2 (ja) * | 2016-08-29 | 2021-12-22 | パナソニックＩｐマネジメント株式会社 | ストレスマネジメントシステム及びストレスマネジメント方法 |
| US11452652B1 (en) | 2016-11-28 | 2022-09-27 | Cerner Innovation, Inc. | Predicting and preventing caregiver musculoskeletal injuries |
| US10559387B2 (en) * | 2017-06-14 | 2020-02-11 | Microsoft Technology Licensing, Llc | Sleep monitoring from implicitly collected computer interactions |
| US10314521B2 (en) * | 2017-09-19 | 2019-06-11 | International Business Machines Corporation | User condition evaluation system through touch screen device usage pattern change |
| US11363970B2 (en) | 2017-10-10 | 2022-06-21 | Hunter Cronin | Hand-held dexterity testing apparatus |
| CN109717831B (zh) * | 2018-11-26 | 2020-06-30 | 中国科学院软件研究所 | 一种基于触控手势的非干扰式神经系统疾病辅助检测系统 |
| US11164319B2 (en) | 2018-12-20 | 2021-11-02 | Smith & Nephew, Inc. | Machine learning feature vector generator using depth image foreground attributes |
| CN109840932A (zh) * | 2019-01-23 | 2019-06-04 | 平安科技（深圳）有限公司 | 心脑血管疾病展示方法、装置、设备及存储介质 |
| US11514147B2 (en) * | 2019-12-30 | 2022-11-29 | EMC IP Holding Company LLC | Increasing security of a computing device based on determining a user's state of consciousness |
| WO2021158300A1 (en) * | 2020-02-03 | 2021-08-12 | nQ Medical, Inc. | Methods and apparatus for assessment of health condition or functional state from keystroke data |
| CN111329444A (zh) * | 2020-02-14 | 2020-06-26 | 桂林医学院附属医院 | 一种基于虚拟键盘的帕金森病情监测系统 |
| US12039539B2 (en) | 2020-07-16 | 2024-07-16 | Mastercard International Incorporated | System, method, and device for detecting that a user is intoxicated when processing payment card transactions |
| US10950352B1 (en) * | 2020-07-17 | 2021-03-16 | Prince Mohammad Bin Fahd University | System, computer-readable storage medium and method of deep learning of texture in short time series |
| US11436310B1 (en) * | 2020-07-20 | 2022-09-06 | Two Six Labs, LLC | Biometric keystroke attribution |
| EP4188203A4 (en) * | 2020-07-29 | 2024-07-31 | Univ Leland Stanford Junior | SYSTEMS AND METHODS FOR DIGITOGRAPHIC MEASUREMENT OF PARKINSON’S DISEASE |
| US12056289B2 (en) * | 2022-03-31 | 2024-08-06 | Rensselaer Polytechnic Institute | Digital penmanship |
| WO2024196387A1 (en) * | 2023-03-22 | 2024-09-26 | New Touch Digital, Inc. | Automated classification of severity of symptoms associated with neurodegenerative diseases |
Family Cites Families (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7392199B2 (en) | 2001-05-01 | 2008-06-24 | Quest Diagnostics Investments Incorporated | Diagnosing inapparent diseases from common clinical tests using Bayesian analysis |
| US7837472B1 (en) | 2001-12-27 | 2010-11-23 | The United States Of America As Represented By The Secretary Of The Army | Neurocognitive and psychomotor performance assessment and rehabilitation system |
| AU2003900035A0 (en) * | 2003-01-07 | 2003-01-23 | Monash University | Detecting subtle cognitive impairment |
| US7452336B2 (en) | 2003-09-06 | 2008-11-18 | Interactive Neuro Technology, Inc. | Interactive neural training device |
| JP4046078B2 (ja) * | 2003-12-10 | 2008-02-13 | ソニー株式会社 | 入力装置及び入力方法、並びに電子機器 |
| US7389917B2 (en) | 2005-02-15 | 2008-06-24 | International Business Machines Corporation | Enhancing web experiences using behavioral biometric data |
| US20070156029A1 (en) | 2005-12-31 | 2007-07-05 | Morris Margaret E | Discernment of human health through electronic system input/output devices |
| US8051468B2 (en) | 2006-06-14 | 2011-11-01 | Identity Metrics Llc | User authentication system |
| WO2007149341A2 (en) | 2006-06-14 | 2007-12-27 | Agent Science Technologies, Inc. | System to associate a demographic to a user of an electronic system |
| US8843754B2 (en) | 2006-09-15 | 2014-09-23 | Identity Metrics, Inc. | Continuous user identification and situation analysis with identification of anonymous users through behaviormetrics |
| US20090018407A1 (en) * | 2007-03-30 | 2009-01-15 | Searete Llc, A Limited Corporation Of The State Of Delaware | Computational user-health testing |
| US8233613B1 (en) * | 2007-05-22 | 2012-07-31 | Avaya Inc. | Monitoring key-press delay and duration to determine need for assistance |
| US20090002178A1 (en) | 2007-06-29 | 2009-01-01 | Microsoft Corporation | Dynamic mood sensing |
| US8346680B2 (en) | 2008-03-31 | 2013-01-01 | Intuit Inc. | Method and system for dynamic adaptation of user experience in an application |
| US8285658B1 (en) | 2009-08-25 | 2012-10-09 | Scout Analytics, Inc. | Account sharing detection |
| US10741287B2 (en) * | 2009-11-19 | 2020-08-11 | The Cleveland Clinic Foundation | System and method for motor and cognitive analysis |
| US9329699B2 (en) | 2010-10-22 | 2016-05-03 | Southern Methodist University | Method for subject classification using a pattern recognition input device |
| JP5507771B2 (ja) | 2011-01-07 | 2014-05-28 | エンパイア テクノロジー ディベロップメント エルエルシー | ユーザインタフェースを介する不満の定量化 |
| WO2012128952A2 (en) | 2011-03-18 | 2012-09-27 | Battelle Memorial Institute | Apparatuses and methods of determining if a person operating equipment is experiencing an elevated cognitive load |
| US8913116B2 (en) | 2012-01-11 | 2014-12-16 | Incontact, Inc. | Systems and methods of contact monitoring |
| US20140121559A1 (en) * | 2012-11-01 | 2014-05-01 | International Business Machines Corporation | Detecting cognitive impairment indicators |
| US9420970B2 (en) * | 2013-10-22 | 2016-08-23 | Mindstrong, LLC | Method and system for assessment of cognitive function based on mobile device usage |
| RU2581785C2 (ru) * | 2013-12-30 | 2016-04-20 | ХЕРЕ Глобал Б.В. | Способ и устройство для различения связанных со здоровьем состояний пользователя на основании информации о взаимодействии с пользователем |
| ES2957212T3 (es) | 2014-03-25 | 2024-01-15 | Massachusetts Inst Technology | Aparato y método para la caracterización de la función motora |
-
2015
- 2015-03-25 ES ES15770079T patent/ES2957212T3/es active Active
- 2015-03-25 EP EP23175620.6A patent/EP4275596A3/en active Pending
- 2015-03-25 WO PCT/US2015/022581 patent/WO2015148732A1/en active Application Filing
- 2015-03-25 US US14/668,945 patent/US9867573B2/en active Active
- 2015-03-25 EP EP15770079.0A patent/EP3122251B1/en active Active
-
2017
- 2017-12-07 US US15/834,339 patent/US10506979B2/en active Active
-
2019
- 2019-11-04 US US16/672,919 patent/US10959676B2/en active Active
-
2020
- 2020-10-28 US US17/082,130 patent/US11445980B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| EP4275596A3 (en) | 2024-04-03 |
| EP3122251B1 (en) | 2023-07-05 |
| US10959676B2 (en) | 2021-03-30 |
| US10506979B2 (en) | 2019-12-17 |
| US11445980B2 (en) | 2022-09-20 |
| US20150272504A1 (en) | 2015-10-01 |
| US9867573B2 (en) | 2018-01-16 |
| EP3122251A1 (en) | 2017-02-01 |
| EP3122251A4 (en) | 2018-03-07 |
| EP4275596A2 (en) | 2023-11-15 |
| US20180235548A1 (en) | 2018-08-23 |
| US20200060622A1 (en) | 2020-02-27 |
| WO2015148732A1 (en) | 2015-10-01 |
| US20210038159A1 (en) | 2021-02-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| ES2957212T3 (es) | Aparato y método para la caracterización de la función motora | |
| Cronberg et al. | Brain injury after cardiac arrest: from prognostication of comatose patients to rehabilitation | |
| Adams | High-accuracy detection of early Parkinson's Disease using multiple characteristics of finger movement while typing | |
| Ellis et al. | A validated smartphone-based assessment of gait and gait variability in Parkinson’s disease | |
| CA2967065C (en) | A system and a method for generating stress level and stress resilience level information for an individual | |
| JP6122130B2 (ja) | 脳機能障害評価方法、脳機能障害評価装置およびそのプログラム | |
| Amboni et al. | Gait analysis may distinguish progressive supranuclear palsy and Parkinson disease since the earliest stages | |
| Abrami et al. | Using an unbiased symbolic movement representation to characterize Parkinson’s disease states | |
| De Pauw et al. | Cervical sensorimotor control in idiopathic cervical dystonia: A cross‐sectional study | |
| JP2017140424A (ja) | 脳機能障害評価方法、脳機能障害評価装置およびそのプログラム | |
| Keren et al. | Quantification of daily-living gait quantity and quality using a wrist-worn accelerometer in Huntington's disease | |
| CN105078479B (zh) | 脑功能障碍评价装置 | |
| Wake et al. | Just let me check: The role of individual differences in self-reported anxiety and obsessive-compulsive features on subjective, behavioural, and physiological indices during a checking task | |
| JP7563984B2 (ja) | 情報処理速度を判定するためのデジタルクオリメトリックバイオマーカ | |
| EP3838142A1 (en) | Method and device for monitoring dementia-related disorders | |
| CN112770666A (zh) | 用于评估精神分裂症的数字生物标志物 | |
| Gala et al. | The digital signature of emergent tremor in Parkinson’s disease | |
| Maremmani et al. | Hands–feet wireless devices: Test–retest reliability and discriminant validity of motor measures in Parkinson's disease telemonitoring | |
| Diraco et al. | Clinical decision support system for multisensory stimulation therapy in dementia: a preliminary study | |
| Morais | Exploring the Usage of Text-Entry as a Digital Endpoint in Parkinson’s Disease | |
| Lee et al. | Biological motion perception is differentially predicted by Autistic trait domains | |
| US20220401010A1 (en) | Means and methods for assessing huntington's disease of the pre-manifest stage | |
| JP6466548B1 (ja) | 子供の精神病リスク早期スクリーニングシステム | |
| Sun et al. | Digital biomarkers for precision diagnosis and monitoring in Parkinson’s disease | |
| von Rosen et al. | Physical activity profiles in Parkinson’s |