JP2021514721A - 異常運動の検出および補正のためのシステム及び方法 - Google Patents

Abstract

１人または複数のヒト被験者の異常運動または振戦を識別するためのシステムおよび方法。運動および／または筋電センサが、自発的および不随意運動を検出するために検出ハードウェアで利用される。そのような自発的および不随意運動検出から収集されたデータを、さらに処理し、ベースラインデータと比較して、異常運動を正常運動から識別し区別することができる。異常運動の識別は、神経変性疾患を示す可能性がある。

Description

関連出願
本出願は、ＰＣＴ出願であり、２０１８年２月２３日に出願された「ＳＹＳＴＥＭＳ ＡＮＤ ＭＥＴＨＯＤＳ ＦＯＲ ＤＥＴＥＣＴＩＯＮ ＡＮＤ ＣＯＲＲＥＣＴＩＯＮ ＯＦ ＡＢＮＯＲＭＡＬ ＭＯＶＥＭＥＮＴＳ」と題する米国特許仮出願第６２／６３４，４７４号の優先権および利益を主張するものであり、その全体が参照により本明細書に組み込まれる。

本技術は、ヒト被験者の異常運動の検出に関し、より詳細には、振戦、筋クローヌス、舞踏病、アテトーシス、バリズム、動作緩慢、その他などの異常運動の検出、測定、およびモニタに関する。

例えば、本態性振戦およびパーキンソン病などの運動疾患は、生活の質に深刻な悪影響を及ぼす可能性がある。そのような疾患は、食べること、着ること、書くこと、コンピュータを使用することなどの日常のタスクを実行する能力を低下させることがある。そのような疾患はまた、社会的な相互作用および機能に影響を与える可能性がある。加えて、多くの運動疾患は、主として、診断が、主観的で非定量的な基準の使用と、不連続の時間に実行されたテストに依存するという事実のために、互いに区別することが困難であることがある。被験者の運動パターンのこれらの瞬間的なスナップショットは、症状の病因に対処することを目的とするメカニズム研究にあまり適しておらず、クリニック訪問の間の期間中の変化を確実にモニタすることができない。その上、神経学的症状を患う多くの人々は、神経変性が生じた後まで神経科医を訪問せず、その時点で、多くの治療は効果が低下している。したがって、検出精度を向上させ、クリニックへの訪問の間、関連するパラメータを連続的にモニタできるようにし、振戦症状の発症前段階を検出するには、追加のツールが必要とされる。

１つまたは複数の実施形態において、デバイスは、ヒト被験者または患者の振戦または異常運動を検出する。異常運動の検出は、パーキンソン病などの神経変性疾患の症状である可能性がある。デバイスは、ヒト被験者に取り付けられるかまたはすぐ近くに位置付けることができる１つまたは複数のセンサを使用するように構成および設計される。センサは、ヒト被験者の筋肉運動を測定し、筋肉運動データを発生するための加速度計、ヒト被験者の筋肉によって発生された電気インパルスを測定し、電気インパルスデータを発生するための筋電センサ、およびヒト被験者の筋肉運動を測定し、筋肉運動データを発生するためのジャイロスコープのうちの１つまたは複数を含むことができる。いくつかの実施形態では、例えばコンピュータ実施される実行可能命令またはソフトウェアによる信号処理を、動き感知デバイスによって発生されたデータに適用して、異常運動を識別することができる。筋肉運動データおよび電気インパルスデータを所定のベースラインデータと比較して、ヒト被験者の異常運動が識別される。

１つまたは複数の実施形態では、ヒト被験者または患者の振戦活動または異常運動を測定するための方法が開示される。この方法は、ヒト被験者の筋肉運動を運動センサで検出するステップと、ヒト被験者の筋肉からの電気インパルスを筋電センサで検出するステップと、筋肉運動および電気インパルスに関連するデータを所定のベースラインデータと比較して、データ内の異常を識別するステップと、筋肉運動および電気インパルスに関連するデータ内の異常を分析して、ヒト被験者の異常運動を識別するステップとを含むことができる。いくつかの実施形態では、動き感知デバイスまたは検出ハードウェアの様々なセンサから収集されたデータに信号処理を適用して、異常運動を識別することができる。

１つまたは複数の実施形態では、コンピュータ実施方法は、実行可能命令により構成された１つまたは複数のコンピュータシステムの制御の下で、ヒト被験者またはユーザの意図した動きと不随意の動きの両方を入力センサで検出し、意図した動きと不随意の動きの両方に関連するデータを含む歪んだ命令信号を発生し、歪んだ命令信号を信号フィルタに送り、不随意の動きを取り除いた補正された命令信号を生成し、補正された命令信号をデバイスドライバに送る。このようにして、いくつかの実施形態では、この方法により識別された異常運動信号を使用して、動きベースコンピュータ入力から異常な信号を除去することができる。

本明細書で開示される検出デバイスおよび信号処理コンピュータプログラムまたはソフトウェアは、運動疾患の初期徴候がある個人を識別することができる。そのような技術は、パーキンソン病などの神経変性疾患を患うヒト被験者の生活の質を大幅に改善する可能性を有する。

人の異常運動の存在を識別するための方法の例示の実施形態の第１の流れ図である。 人の異常運動の存在を識別するための方法の例示の実施形態の第２の流れ図である。 異常運動検出システムの例示の実施形態の概略ブロック図である。 動き入力デバイスからの命令信号が異常運動フィルタを通過して、干渉する異常運動信号を除去し、その後、デバイスドライバによって解釈され得る例示の実施形態の概略ブロック図である。 異常運動を検出する方法を較正するための例示の実施形態の流れ図である。 本技術の一実施形態に従って実行された実験タスクで使用される色変化のランダムシーケンスのスクリーンショットを示す図である。 本技術の一実施形態に関連する実験の間に収集されたデータを分類する散布図である。 加速度計から収集されたデータの周波数対時間プロットおよび関連するスペクトル表現を示す図である。 ジャイロスコープから収集されたデータの周波数対時間プロットおよび関連するスペクトル表現を示す図である。 筋電センサから収集されたデータの周波数対時間プロットおよび関連するスペクトル表現を示す図である。 本技術の一実施形態による例示の実験手順の流れ図である。

異常運動には、振戦、筋クローヌス、舞踏病、アテトーシス、バリズム、動作緩慢、または潜在的な神経学的問題に関連するかもしくはそれを示す他の不随意運動が含まれ得る。患者の異常運動を識別し、異常運動のタイプを区別するには、時には、訓練された神経科医による神経学的評価が必要とされる。残念なことに、多くの人々は、深刻な神経変性が生じてしまい、治療の効果が低下するまで、神経科医を訪問しない。したがって、市販のデバイスで実行することができる自動化された手法は、リスクがある人々を識別し、医療を要求するように指導することができるので有益である。

十分な感度の自動化された手法はまた、神経科医による異常運動診断を支援するために使用されてもよい。異常運動（例えば、パーキンソン病、高齢者の最も一般的な形態の振戦など）の検出のための自動化された手法は、最新のスマートフォンで見出されるものなどの音声分析および加速度計の使用を含むことができる。運動は、多分ジャイロスコープの追加の使用とともに、加速度計などの運動センサを使用することによって検出することができる。異常運動を検出する（スマートフォンなどを介して）ために加速度計データを使用することは、運動の異常性の検出に依存しており、運動の異常性は、人の正常に機能する能力を既に妨げていることがあり、疲労または周囲環境によって混同されることがある。加速度計を使用した運動検出の方法は、加速測定として知られている。

電気インパルスを測定して、異常運動を示す筋肉運動を検出することができる。筋肉活動は電気インパルスを作り出すことができ、その電気インパルスを測定して、運動が視覚的にまたは加速度計によって検出されない場合でさえ筋肉運動を検出することができる。電気インパルスを検出して、腕の回転または拳の形成などの物理動作を識別することもできる。運動データに加えて電気インパルスデータを測定することによって、異常運動検出の感度および精度を大幅に向上させることができ、個人の疾患が軽いときの疾患経過の初期に異常運動検出を行うことができる。十分に感度の高い検出ハードウェアにより、異常運動の視覚的診断ができないことがある場合でさえ異常運動を検出することができる。電気インパルスの測定に基づく運動検出の１つの方法は、筋電図検査（ＥＭＧ）として知られている。

異常運動は、検出された電気インパルス信号と運動信号とを比較して、食い違いまたは非一貫性を識別することによって検出することができる。異常運動はまた、運動データ（加速度計などからの）と電気インパルス信号の両方から構築された動き信号を評価することによって検出することができる。異常運動検出に運動データと筋肉の電気インパルスデータとの両方を使用すると、異常運動検出の精度および感度が改善される。別々に使用されると、加速測定とＥＭＧの両方は、特定の振戦表現型の部分的な病像しか提供しない。加えて、両方の方法は、振戦が日常の機能に影響を与えるステージに患者が既に到達した後異常運動をテストするために使用されるので、単独で適用されると、いずれの方法の潜在能力も制限される。

本技術の実施形態によれば、加速測定およびＥＭＧは、再現可能で客観的で定量的な結果を生成するために、運動学的および電気インパルスパターンを測定するのに同時に使用することができる。加速測定評価とＥＭＧ評価の両方からのデータを組み合わせることによって、神経科医または他の臨床医が疾患の初期ステージを再現可能で客観的で定量的に識別することができるレベルまで、振戦検出の感度および精度を大幅に向上させることができる。本技術の利点には、特定の疾患の治療での早期介入を含めて多くのものがあり、それは、より良い治療結果をもたらして、臨床医を定期的に訪れることができないまたは訪れたくない患者に自立性を提供し、特定の振戦パターンを見出して補償し、それにより、潜在的に、疾患のある人々が、普通ならできないコンピュータの操作などのタスクを遂行するのを可能にする。加えて、早期検出は、臨床試験における患者配分基準の設計に役立つことによって、運動疾患に関する研究および理解を促進するのに役立つことができる。

運動および電気インパルスを検出するためのハードウェアまたはデバイスは、ユーザの腕または別の身体部分に着用することができる。検出ハードウェアは、実施形態によっては、ブレスレットとして着用することができる。検出ハードウェアは、３次元運動を感知すること、ならびに筋肉運動によって発生された小さい電気インパルスを検出することができる。ジャイロスコープおよび加速度計を使用して、３次元運動を追跡することができる。筋電センサは、例えばユーザに取り付けられた電極リード線と協同して、筋肉運動によって発生された小さい電気インパルスを検出することができる。検出ハードウェアは、いくつかの実施形態では、加速度計、筋電センサ、電極リード線、およびデータをコンピュータと通信する手段のうちの１つまたは複数を含むことができる。運動を検出するための、または筋肉運動によって発生された電気インパルスを検出するための他のセンサを使用することもできる。データは、有線接続、ワイヤレスローカルエリアネットワーク、Ｂｌｕｅｔｏｏｔｈ接続、または携帯電話リンクによることを含む多くの方法で検出ハードウェアからコンピュータと通信することができる。いくつかの実施形態では、検出ハードウェアは、カナダ、オンタリオ州、キッチナーのＴｈａｌｍｉｃ Ｌａｂｓ， Ｉｎｃ．によって開発されたＭＹＯデバイスからなることができる。

運動データおよび電気インパルスデータに基づいて、異常運動の初期徴候を検出することができる。信号分離アルゴリズムを使用して、パーキンソン振戦または他の種類の異常運動などの特定の病状に固有のいくつかのパターンを識別することができる。いくつかの実施形態のソフトウェア機能は、運動および／または電気インパルスデータをハードウェアから取得する手段と、そのデータを処理して異常運動を識別する手段と、最終データストリームから異常運動信号をフィルタ処理し、その後、それをコンピュータに送る手段との任意の組合せを含むことができる。

図１は、本開示のいくつかの実施形態で利用される異常運動を検出する１００ための方法の流れ図の例を示す。第１に、電気インパルスデータが検出される１０２こと、および運動データが検出される１０４ことの両方がある。検出１０２および１０４は、運動または電気インパルスの存在を識別することを含むことができ、実施形態によっては、運動または電気インパルスの方向、大きさ、周波数、または期間のうちのいずれかを測定することを含むことができる。いくつかの実施形態では、運動データ１０４および電気的なデータ１０２の検出は、運動と電気インパルスの両方を検出することができる単一物品の検出ハードウェアで達成することができる。いくつかの実施形態では、運動データ１０４の検出は、電気インパルス１０２の検出と違う別の物品の検出ハードウェアによって達成することができる。

検出１０４および１０２の運動データおよび電気インパルスデータは、様々な設定で検出することができる。ユーザが着用した検出ハードウェアは、通常の毎日のユーザ活動の過程における運動データおよび電気インパルスデータを受動的に検出することができる。いくつかの実施形態では、運動データおよび電気インパルスデータは、特に潜在的な異常運動を評価する目的で、指示したユーザ活動中に検出することができる。異常運動検出を容易にするために、運動指示をユーザに与えることができる。神経科医または他の医療専門家は、検出ハードウェアを着用しているユーザの動作を観察または指示することができる。ユーザは、異常運動の診断を目的に医療専門家にデータを提供するために、医療専門家への訪問の間医療専門家の指示に従って検出ハードウェアを着用することができる。いくつかの実施形態では、ユーザは、検出ハードウェアを着用している間に実行される動きに関する入力を提供することができる。

第２に、同じ時間枠からの検出された電気インパルスデータおよび検出された運動データを比較することができる１０６。筋肉運動からの検出された電気インパルスは、特定の検出された運動に相関させることができる。相関されたデータを比較することができる。筋肉からの電気インパルスは、運動直前に検出することができる。いくつかの筋肉運動は、既知のまたは予測可能な電気インパルスを生成することができる。検出されたデータとの比較１０６のために、いくつかの実施形態では、特定の筋肉活動および関連する電気インパルスを、検出された運動に基づいて予測することができる。電気インパルスデータの予測は、実施形態によっては、同じユーザまたは他のユーザからの以前に収集された運動データおよび電気インパルスデータに基づくことができる。電気インパルスデータの予測は、データ検出時にユーザがどんな運動（もしあれば）を意図していたかなどの検出された運動の既知の特性に基づくこともできる。

第３に、検出されたデータの不規則性または非一貫性を識別することができる１０８。いくつかの実施形態では、検出された電気信号が、検出された運動に基づいて予想された通りでない可能性のある事例を識別することができる。検出された運動に対する予想または予測された電気インパルスからの検出された電気インパルスの逸脱を測定することができる。運動に先立つ検出された電気インパルスデータにおける異常を検出することもできる。識別１０８での不規則性または非一貫性と見なすものは、いくつかの実施形態では、個々のユーザに対して違うように決定することができる。異常運動を示すユーザと異常運動を示さないユーザの両方から以前に収集されたデータを考慮して、検出されたデータが不規則性または非一貫性を反映しているかどうかを決定することができる。検出されたデータにおける不規則性の方向、大きさ、周波数、または期間も識別することができる１０８。いくつかの実施形態では、潜在的な異常運動（例えば、パーキンソン振戦など）を識別するために、検出されたデータに信号分離アルゴリズムを適用することができる。

第４に、識別された不規則性または非一貫性に基づいて、異常運動または潜在的な異常運動を識別することができる１１０。いくつかの実施形態では、異常運動または異常運動のパターンの識別１１０は、検出された運動で予想される電気インパルスからの検出された電気インパルスデータの変動に基づくことができる。検出された電気インパルスが、検出された運動に対して異常な筋肉活動を示す場合、異常運動が潜在的に存在することがある。検出された電気インパルスが、常に、検出されなかった運動に関連している場合、インパルスは、これまで加速度計または外観検査によって検出できていない異常運動または潜在的な異常運動を示すことができる。異常運動の識別１１０は、潜在的な異常運動、異常運動の確率、または神経科医によるフォローアップの必要性を識別することを含むことができる。異常運動が不規則性または非一貫性によって示されない場合、異常運動の識別１１０は、異常運動のないことを識別することを含むことができる。

異常運動間の相違は、検出された電気インパルスおよび運動データに基づいて識別することができる。異常運動は、電気インパルスデータにおける不規則性に相関して検出された運動の大きさ、期間、または周波数を識別することによって特徴付けることができる。異常運動はまた、電気インパルスデータにおける識別された不規則性の大きさ、期間、または周波数を識別することによって特徴付けることができる。いくつかの実施形態では、異常運動は、異常運動を示すデータが検出されたコンテキストに基づいて区別することができる。例えば、検出ハードウェアを着用しているユーザが安静にしているときに異常運動が示される場合、異常運動は、潜在的に、安静時振戦であるとして特徴付けることができる。ユーザが意志に基づく運動をしているときに異常運動が示される場合、異常運動は、潜在的に、企図時振戦であると特徴付けることができる。他の区別は、識別された異常運動の既知のコンテキストと、識別された異常運動の決定可能な特徴とに基づいて、識別された異常運動の間で行われてもよい。例えば、異常運動は、いくつかの実施形態では、振戦、筋クローヌス、舞踏病、アテトーシス、バリズム、動作緩慢、または潜在的な神経学的問題に関連するかもしくはそれを示す他の不随意運動のうちのいずれかとして識別することができる。

図２は、本開示のいくつかの実施形態で利用される異常運動を検出する１００ための方法の異なる流れ図の例を示す。第１に、電気インパルスデータが検出される１０２こと、および運動データが検出される１０４ことの両方がある。図２の方法のデータの検出１０２および１０４は、図１で上述した方法で達成することができる。データの検出１０２および１０４は、運動または電気インパルスの方向、大きさ、周波数、または期間のうちのいずれかを測定することを含むことができる。図１の方法に関して上述したように、データの検出１０２および１０４は、いくつかの実施形態では、単一物品の検出ハードウェアまたは多数の物品の検出ハードウェアによって達成することができる。同様に、異常運動検出のための運動データおよび電気インパルスデータは、図１で上述した設定および実施形態を含む様々な設定で検出することができる。

第２に、検出されたデータに基づいて、動き信号を作成することができる１１２。動き信号は、検出された運動と、筋肉活動からの検出された電気インパルスとの両方に関連する、結果として生じる動きを反映することができる。いくつかの実施形態では、動き信号作成１１２は、電気インパルスデータおよび運動データを識別することからなることができる。いくつかの実施形態では、筋肉活動を示す検出された電気インパルスに動き補正を適用することにより検出された運動を調節することによって、動き信号を作成することができる１１２。例えば、小さい筋肉活動が電気インパルスを介して検出される場合、小さい動きを推測することができ、検出された運動にまだ反映されていない場合、推測された動きを使用して、動き信号を調節および作成する１１２ことができる。検出された電気インパルスから推測する動きの量は、いくつかの実施形態では、同じユーザ、類似のユーザ、または他のユーザからの以前に収集したデータに基づいて決定することができる。検出された電気インパルスからの筋肉運動の指標を含めることによって、動き信号作成１１２は、いくつかの実施形態では、視覚的に検出されるのに十分な大きさの動きと視覚的に検出されるには十分な大きさでない動きの両方を含むことができる。

第３に、作成された動き信号を評価することができる１１４。動き信号の評価１１４は、動き信号内のパターンを分離するかまたは見つけることを含むことができる。動き信号の小さいまたは大きい不規則性を識別することができる。動きの進行における遅延または中断を信号で識別することもできる。いくつかの実施形態では、動き信号におけるパターンの方向、大きさ、周波数、および期間を評価することができる。動き信号の評価１１４は、以前に収集されたデータ、またはデータの異なるセットからの他の作成された動き信号と比較することを含むことができる。いくつかの実施形態では、動き信号は、異常運動の存在を示すことが分かっている以前に作成された動き信号と比較することができる。動き信号評価１１２は、検出ハードウェアを着用している間のユーザの既知の意図した動きなどの検出されたデータの既知のコンテキストの検討をさらに含むことができる。いくつかの実施形態では、信号分離アルゴリズムを動き信号に適用して、潜在的な異常運動（例えば、潜在的なパーキンソン振戦など）を見つけることができる。

第４に、作成された動き信号の評価に基づいて、異常運動の有無を識別することができる１１０。いくつかの実施形態では、異常運動の識別１１０は、動き信号で見出されたパターンを、異常運動に関連することが分かっている以前に作成された動き信号に見出されるパターンと比較することを含むことができる。いくつかの実施形態では、異常運動の識別１１０は、動きの不規則性、遅延、または中断を検出することを含むことができる。動き信号におけるパターンの大きさ、周波数、および期間などの特徴を使用して、異常運動を識別することができる１１０。異常運動を識別する１１０ために動き信号の評価に適用される基準は、個々のユーザに固有であってもよく、または異常運動に関連する動き信号の以前に分かっている特徴に基づいてもよい。いくつかの実施形態では、神経科医または医師は、作成された動き信号を使用して、他の診断ツールの使用の有無にかかわらず異常運動を識別することができる。

図１の方法で異常運動を識別することに関して説明したように、異常運動の識別１１０は、異常運動のタイプを区別することを含むことができる。例えば、異常運動は、いくつかの実施形態では、振戦、筋クローヌス、舞踏病、アテトーシス、バリズム、動作緩慢、または潜在的な神経学的問題に関連するかもしくはそれを示す他の不随意運動のうちのいずれかとして識別することができる。信号におけるパターンの周波数、大きさ、または期間を含む動き信号の特徴は、識別された異常運動の特性を示すことができる。動き信号に関連するユーザの動きに対して分かっているコンテキストを使用して、識別された異常運動を特徴付けることができる。異常運動の識別１１０は、異常運動が存在する確率または神経科医によるフォローアップの必要性を識別することをさらに含むことができる。上述のように、異常運動の識別１１０は、異常運動がないことの識別を含むことができる。

別個の流れ図で説明されているが、いくつかの実施形態では、異常運動を検出するための多数の方法１００を利用することができる。検出された電気インパルスおよび運動データの単一のセットは、図１の方法ではデータの比較１０６のために使用することができ、図２に記載された方法では動き信号の作成１１２のために使用することができる。異常運動検出は、図１および図２の方法に関連して説明した要素の組合せによって達成することができる。いくつかの実施形態では、異常運動は、検出された運動の予想された電気インパルスデータからの電気インパルスデータの逸脱と、作成された動き信号の特徴の評価との両方によって、識別し特徴付けることができる。同じ検出ハードウェアおよび処理手段を使用して、図１と図２の両方の方法を実行することができる。

データの比較１０６、動き信号の作成１１２、不規則性または非一貫性の識別１０８、動き信号の評価１１４、異常運動の識別１１０、および検出されたデータの他の操作は、いくつかの実施形態では、１つまたは複数のプロセッサで実行することができる。いくつかの実施形態では、ハードウェアプロセッサを使用して、検出されたデータの１つまたは複数の操作を実行することができる。検出ハードウェアからのデータは、少なくとも１つのプロセッサを含むパーソナルまたはハンドヘルドコンピュータに通信することができる。いくつかの実施形態では、検出されたデータのいくつかの操作は、検出ハードウェア内の１つまたは複数のプロセッサで行うことができる。流れ図の別個のステップで説明されているが、各ステップは同じプロセッサで実行されてもよく、または実施形態によっては多数のプロセッサが使用されてもよい。

図３は、異常運動検出システム２００の一実施形態の概略例を示す。異常運動検出システム２００は、運動および電気インパルス検出器２０２によって検出されたデータに異常運動検出モジュール２１０を適用することができる。異常運動検出モジュール２１０によって検出または識別された異常運動は、いくつかの実施形態では、フロントエンド２０４を通してユーザに提示することができる。データストア２０６は、ユーザデータの記録、識別された異常運動パターンに関するデータ、異常運動検出モジュール２１０からの異常運動検出データ、運動および電気インパルス検出器２０２からの検出された運動データもしくは電気インパルスデータ、検出されたデータもしくは異常運動の測定値、データのセット間の関係、他の医療データ、または異なるタイプのデータの組合せを維持することができる。

運動および電気インパルス検出器２０２は、筋肉活動によって発生された電気インパルスを検出することと運動を検出することの両方を可能にする検出ハードウェアとすることができる。運動および電気インパルス検出器２０２は、１つの物品の検出ハードウェアまたは多数の物品の検出ハードウェアを含むことができる。運動および電気インパルス検出器２０２は、単一物品の検出ハードウェアから構成することができる。いくつかの実施形態では、運動および電気インパルス検出器２０２は、多数の物品の検出ハードウェアから構成することができる。図示されていないが、いくつかの実施形態では、異常運動の音声分析をさらに異常運動検出システム２００に組み込んで、追加の異常運動検出能力を備えることができる。

異常運動検出モジュール２１０は、様々な方法を利用して、検出されたデータに基づいて異常運動を識別することができる。電気インパルスおよび運動検出器２０２によって検出された電気インパルスデータおよび運動データを異常運動検出モジュール２１０で評価または比較して、異常運動を検出することができる。異常運動検出モジュール２１０は、図１に記載された異常運動を検出するための方法を利用することができる。いくつかの実施形態では、異常運動検出モジュール２１０は、図２に記載された異常運動を識別するための方法を利用することができる。異常運動検出モジュール２１０は、さらに、図１および図２に記載された方法の要素の任意の組合せを含む異常運動を識別するための多数の方法を利用することができる。異常運動検出モジュール２１０は、１つまたは複数のプロセッサを含むことができる。いくつかの実施形態では、以前に識別された異常運動パターンなどのデータストア２０６に記録されたデータを異常運動検出モジュール２１０でさらに使用して、異常運動を識別することができる。

異常運動または異常運動なしが、異常運動検出モジュール２１０によって識別された後、ユーザは、いくつかの実施形態では、フロントエンド２０４を通して、検出された異常運動に関する情報にアクセスすることができる。フロントエンド２０４は、（可能性の中でもとりわけ）異常運動が検出された確率、識別された異常運動に関連した相関する運動データと電気信号データ、識別された異常運動のあり得る特性評価、または異常運動なしの表示を含む情報を提供することができる。異常運動検出モジュール２１０は、いくつかの実施形態では、異常運動を識別するために依拠されるデータの記述をフロントエンド２０４に供給することができる。上述のように、異常運動の識別のために依拠されるデータには、（可能性の中でもとりわけ）検出された運動データおよび電気インパルスデータ、検出された運動に関連した予想される電気インパルスデータ、異常運動に関連していることが分かっている運動データに関する以前に収集された電気インパルスデータ、または以前に評価された動き信号が含まれ得る。

フロントエンド２０４は、いくつかの実施形態では、ディスプレイモジュールを含むことができる。ディスプレイモジュールは、検出されたデータと、識別された異常運動または潜在的な異常運動との両方に関連する情報を表示することができる。ディスプレイモジュールは、データを表示するための１つまたは複数のスクリーンを含むことができる。ディスプレイモジュールは、いくつかの実施形態では、コンピュータディスプレイ、タブレットディスプレイ、またはスマートフォンディスプレイの一部とすることができる。いくつかの実施形態では、フロントエンド２０４は、ユーザまたは神経科医に情報を提供するためにオーディオ機能をさらに含むことができる。オーディオ機能は、異常運動の検出、またはユーザ指定の基準を満たす異常運動の検出に対する警報を含むことができる。

いくつかの実施形態では、ユーザは、フロントエンド２０４と対話して、どの結果または相関データを表示させるかを選択することができる。異常運動識別プロセスに関して表示される詳細のレベルは、異なるユーザに対して調節することができる。いくつかの実施形態におけるように、異常運動検出システム２００が異常運動の確度の個人評価に使用されている場合、フロントエンド２０４は、神経科医がフォローアップすべきかどうかの推奨とともに、異常運動検出のパーセント見込みの計算を行うことができる。異常運動検出システム２００が、異常運動を診断する際に神経科医または他の医療専門家を支援するために使用されている場合、さらなる詳細を表示することができる。ユーザは、いくつかの実施形態では、フロントエンド２０４と対話して、表示されているデータまたは結果に関して、表示される関心対象、信号処理、または時間部分を変更することができる。

運動および電気インパルス検出器２０２、フロントエンド２０４、データストア２０６、および異常運動検出モジュールは、ネットワーク２０８を通して互いに接続することができる。ネットワーク２０８は、ローカルエリアネットワーク、ワイドエリアネットワーク、有線ネットワーク、無線ネットワーク、ローカルバス、Ｂｌｕｅｔｏｏｔｈ接続、携帯電話ネットワークへの接続、またはそれらの任意の組合せを含むことができる。いくつかの実施形態では、システム２００の１つまたは複数の構成要素は、インターネットを介してシステム２００の別の構成要素に接続する。運動および電気インパルス検出器２０２、フロントエンド２０４、データストア２０６、および異常運動検出モジュール２１０が別個のモジュールとして描かれているが、実施形態によっては、各モジュールの機能はオーバーラップすることができる。いくつかの実施形態では、１つまたは複数のプロセッサが、運動および電気インパルス検出器２０２、フロントエンド２０４、データストア２０６、および異常運動検出モジュール２１０のうちの１つまたは複数によって利用されてもよい。

神経科医または他の医療専門家によって使用されるとき、本開示のいくつかの実施形態は、患者の異常運動のより正確で詳細な理解を可能にすることができる。上述のように、電気インパルスと運動検出の両方を使用して異常運動を検出するための方法は、異常運動の徴候を識別する際の感度をより高くすることができるが、その理由は、電気インパルスでしか示されない筋肉の小さい動きが外観検査で検出できないことがあるからである。患者が、神経科医への訪問の間、受動的な電気インパルスおよび運動検出の検出ハードウェアを着用しているいくつかの実施形態では、収集されたデータは、異常運動症状の進行をより正確に追跡することを可能にすることができる。患者の識別された異常運動または潜在的な異常運動の特徴が、さらに、神経科医によって追跡されて、異常運動症状がどれくらい進行しているかを決定するのを支援することができる。

いくつかの実施形態では、識別された異常運動または潜在的な異常運動の特徴を評価して、軽度認識疾患（ＭＣＩ）がパーキンソン病またはアルツハイマー病に進行するリスクを決定することができる。異常運動およびＭＣＩは両方ともパーキンソン病またはアルツハイマー病に進行するリスクを示すことができるが、示された異常運動を使用して、パーキンソン病またはアルツハイマー病を発病する可能性があるかどうかを区別することができる。本開示のいくつかの実施形態を用いて患者の異常運動の特徴を追跡することによって、神経科医は、ＭＣＩがアルツハイマー病に進行するリスクを評価することができる。ＭＣＩおよび異常運動がある患者の早期区別を可能にすると、治療の選択肢または有効性を高めることができ、患者の予後を改善する可能性がある。

いくつかの実施形態では、異常運動補正システムは、コンピュータを使用するユーザの能力に影響を与える特定の異常運動パターンを補償することができる。図４は、コンピュータへの動きベース入力をフィルタ処理して異常運動の歪みの影響を除去するための入力フィルタ処理システム３００の概略の例示の実施形態を示す。異常運動は、動き信号を歪ませることによって、動きベース入力をコンピュータに供給する人の能力に悪影響を与えることがある。特定の異常運動パターンを補正することによって、疾患のある人は、コンピュータを正確に具合よく操作することができる。

動きの形態のユーザ入力は、動き入力センサ３０２で検出することができる。動き入力センサ３０２は、動き入力デバイスの一部とすることができる。動き入力デバイスは、従来のコンピュータマウス、またはユーザによる物理的な動きをコンピュータへの命令に変換するデバイスを含むことができる。いくつかの実施形態では、検出ハードウェアはまた、動きベース入力をコンピュータに供給するように構成することができる。操作されたとき、動き入力センサ３０２は、命令としてユーザが意図した動きと、異常運動によって不本意に作成された動きの両方を含む歪んだ命令信号を発生することがある。

異常運動信号フィルタ３０６は、動き入力センサ３０２からの歪んだ命令信号３０４を受け取り、デバイスドライバへの補正された命令信号３０８を生成することができる。異常運動信号フィルタ３０６は、ソフトウェアとすることができる。いくつかの実施形態では、信号分離アルゴリズムが異常運動信号フィルタ３０６によって利用されて、歪んだ命令信号３０４内の異常運動パターンを検出することができる。異常運動信号フィルタ３０６は、異常運動に関連する識別されたパターンを利用して、検出された信号が異常運動に関連付けられるべきかどうかを識別することができる。識別された異常運動パターンは、ユーザの特定の異常運動パターン履歴からのもの、または一般的な識別された異常運動パターンからのものであり得る。一般的な識別された異常運動パターンが、特定のタイプまたは程度の異常運動があるユーザに固有なものである場合がある。異常運動パターンが、歪んだ命令信号３０４内で検出された後、異常運動信号フィルタ３０６によって、そのパターンを信号から除去することができる。異常運動信号フィルタ３０６は、いくつかの実施形態では、ベイズ論理を利用して、検出されたパターンが異常運動に関連している確率を決定することができる。いくつかの実施形態では、異常運動信号フィルタ３０６は、コンピュータ命令信号内の異常運動パターンを識別するために、他の発見的問題解決の方法を利用することができる。

補正された命令信号３０８は、動き入力センサ３０２からの命令と同様にデバイスドライバ３１０に送ることができる。動き入力センサ３０２を含む動き入力デバイスは、デバイスドライバ３１０に関連付けることができる。デバイスドライバ３１０は、コンピュータに取り付けることができる特定のタイプの関連デバイスを操作または制御するコンピュータプログラムとすることができる。デバイスドライバ３１０は、コンピュータバスまたは通信サブシステムを通して関連デバイスと通信することができる。呼出しプログラムがデバイスドライバ３１０内のルーチンを呼び出すと、デバイスドライバ３１０は関連デバイスにコマンドを発行することができる。関連デバイスがデバイスドライバ３１０にデータを送り返した後、デバイスドライバ３１０は、オリジナルの呼出しプログラム内のルーチンを呼び出すことができる。動き入力センサ３０２および関連する動き入力デバイスからデバイスドライバ３１０に送り返されたデータは、異常運動信号フィルタ３０６でフィルタ処理することができる。

動きベース命令によって操作される装置は、個人使用のためのパーソナルコンピュータとすることができる。いくつかの実施形態では、操作されるデバイスは、異常運動がある人によって少なくとも部分的に操作されるより大きいシステムの一部、例えば、産業環境におけるインタフェース、またはより大きいネットワークの一部であるオフィスコンピュータなどであり得る。異常運動信号フィルタ３０６は、１つまたは複数のプロセッサに収容されるか、またはそれを利用することができる。いくつかの実施形態では、異常運動信号フィルタは、動き入力デバイスの一部であるかまたは命令を受け取るコンピュータの一部である１つまたは複数のプロセッサを含むことができる。動き入力センサ３０２およびデバイスドライバ３１０は、異常運動信号フィルタ３０６を収容するかまたはそれによって利用されるプロセッサを含むことができる１つまたは複数のプロセッサに収容されるかまたはそれを利用することができる。

信号フィルタは、実施形態によっては、ユーザが臨床的異常運動に悩んでいない場合でさえ利用することができる。腹腔鏡手術などのいくつかの状況では、命令信号内の最小不随意筋肉運動雑音を識別して補正するフィルタは有用であり得る。非異常運動設定における信号補正は、実施形態によっては、雑音入力または意図的入力のいずれかとして関連付けることができる以前に記録された動き信号入力に基づくことができる。いくつかの実施形態では、大きさがより大きい場合に潜在的な異常運動を識別するのに使用できる同じ特徴は、異常運動のないユーザの命令信号雑音を識別するために使用することができる。

図５は、異常運動を検出する方法を較正するための例示の実施形態の流れ図を示す。最初に、対照患者および異常運動患者の各々からの運動を、検出ハードウェア４０２を使用して記録することができる。図５の検出ハードウェア４０２は、加速度計、筋電センサ、およびオプションとしてジャイロスコープを有するデバイスとすることができ、デバイスはヒト被験者の腕に着用されるように構成および設計される。但し、データの検出は、図１、図２、または図３に関連して上述した実施形態を含む多様な実施形態により達成することができる。次に、筋肉活動からの運動データおよび電気インパルスデータを収集することができる４０４。データ収集は、いくつかの実施形態では、１つまたは複数の検出ハードウェアによって検出されたデータをデータストアに移送することを含むことができる。

実施形態によっては信号−雑音分離アルゴリズムを使用することによって、異常運動がある個人により生成された特異なパターンを識別するために、データを処理することができる４０６。次いで、異常運動パターンを識別することができる４０８。いくつかの実施形態では、異常運動パターンを識別するための図１、図２、または図３に関連して説明した上述の方法のうちのいずれかを使用して、異常運動パターンを識別することができる。次に、多くの患者から収集されたデータを処理して、以前に識別された異常運動パターンから収集されたデータと比較することができる４１０。最後に、システムは、異常運動のある個人と異常運動のない個人を区別することができる４１２。

本明細書に示され記載された技術の開発の過程において、特定の実験が行われた。１つのそのような実験によれば、６人の振戦患者と３人の非振戦対照被験者が、研究のために選択された。振戦被験者も対照被験者も、認知疾患または他の神経変性疾患の現在または以前の病歴はなかった。振戦検出ハードウェアが各被験者に取り付けられた。ハードウェアは、１）３つのチャネルを使用してＧ単位の加速度を検出する加速度計、２）３つのチャネルを使用して度／秒単位の回転速度を提供するジャイロスコープ、および３）センサごとに１つを含む、８つのチャネルを介して−１２７から１２７の単位なし範囲内の電気活動を捕捉する８つの筋電センサのセットを備える筋電計を含んでいた。実験において、使用された特定の検出ハードウェアは、カナダ、オンタリオ州、キッチナーのＴｈａｌｍｉｃ Ｌａｂｓ， Ｉｎｃ．によって開発されたＭＹＯデバイスであったが、上述で参照した基準を含む任意の適切なデバイスを使用することができる。

最初に、検出ハードウェアが利き手の前腕に取り付けられた状態で、被験者は、着席位置で特定のタスクを実行するように求められた。次いで、検出ハードウェアが他方の手の前腕に取り付けられた状態で、タスクが繰り返された。第１のタスクは、ベースラインのデータを記録するために３０〜６０秒の間手を太ももに置いて安静にしていることであった。このタスクは、安静時振戦を評価した。第２のタスクは、腕を床と平行にまっすぐに伸ばし、手のひらを下向きにし（姿勢時振戦を測定するために）、３０〜６０秒の間にゆっくり連続的に人差し指を使って鼻に触るように肘を曲げた（運動時振戦を測定するために）。

第３のタスクは、手が紙に触れないようにしながら、単一点で始めて時計回りの方向に外側に広がるように、ペンを使用して白紙に螺旋を描くことであった。螺旋の図面は、振戦の振幅、周波数、および軸を評価する有用な手段であり、そしてまた、これらのパラメータは振戦のタイプを示すことができる。例えば、本態性振戦の患者は、螺旋の位置に関係なく一方向性振戦軸を有する可能性が大きい。本態性振戦の患者はまた、通常のサイズおよび間隔で螺旋を描く傾向がある。対照的に、ジストニア振戦の患者は多数の振戦軸を有する傾向があり、パーキンソン振戦の患者は、狭い間隔で小さい螺旋を描く傾向がある。このタスクは、各々の手で３回実行された。

第４に、被験者は、３×３パターン表に配列された１組の９つの灰色の正方形を表示するコンピュータスクリーンを見るように求められた。図６は、コンピュータスクリーンのスクリーンショットを示し、正方形１は色の青を表すために陰影をつけられており、一方、正方形２〜９は色が灰色である。ソフトウェアは、３秒ごとに一度に１つの正方形に対してランダムな順序の色の変化（例えば、灰色から青色に）を発生するように作成され、被験者は、正方形が灰色から青色に色が変わったとき、コンピュータマウスを使用して、各正方形を追跡し、指し示し、クリックするように求められた。このタスクは、３０〜６０秒間実行された。第４のタスクに関連するスクリーンは、１つの特定の実施形態では、灰色および青色の正方形を含むように説明されているが、実際には、正方形以外の他の形状がスクリーンに表示されてもよく、灰色および青色以外の色が表示されてもよい。

タスクの間およびタスクの完了後、検出ハードウェアからのデータは、信号が一貫した周波数範囲にとどまっている短い時間間隔にセグメント化され、データは、時間間隔ごとにスペクトログラムに変換された。特徴が、ＭａｔＣｏｎｖＮｅｔと呼ばれるツールボックスを使用して、スペクトログラムから抽出され、アルゴリズムのサポートベクトルマシン（ＳＶＭ）およびランダムフォレストにより分類された。サポートベクトルマシンは一種の機械学習アルゴリズムであり、それは、２つのカテゴリ（すなわち、振戦および振戦なし）に分類された訓練データのセットが与えられると、データを空間内の点としてマッピングし、２つのセットの点の間の距離を最大化しようとする。次いで、新しい例が、マッピングされ、データポイントが位置する側に対応するカテゴリにあると予測される。図７は、この概念を示す図形である。とりわけ、この手法は、画像分類および生物科学に有用である。

本明細書に記載された実験では、画像の区別のための機械学習技法を使用して、結果として生じる赤青緑（ＲＢＧ）表現を区別することを目的に、周波数対時間が画像としてプロットされた。図７においては、Ｈ₁は緑色ラインを表し、Ｈ₂は青色ラインを表し、Ｈ₃は赤色ラインを表す。赤色、青色、および緑色は、カラー画像を生成するために使用される可視光の３つの主要な波長の表示である。これらの３つのチャネルの使用は、プリンタインクの原色を表す４つのチャネルから色が作られるシアン−マゼンタ−イエロー−キー（ＣＭＹＫ）などのより特定の用途をもつ他の色空間とは対照的に、画像を格納および再生する最も一般的な方法である。

図８〜図１０は、それぞれ、加速度計、ジャイロスコープ、およびＥＭＧに関連し、各々の場合、タスク４（すなわち、手書きタスク）中に収集されたデータのプロットを示す。実際の適用では、多くの信号は非定常である。これは、信号の周波数ドメイン表現（スペクトル）が経時的に変化することを意味する。ほとんどの時変信号を、信号が各セクションで本質的に定常であるのに十分な短い時間間隔に分割することができる。時間−周波数分析は、最も一般には、信号をそれらの短い期間にセグメント化し、スライディングウィンドウにわたってスペクトルを推定することによって実行される。スペクトログラム関数は、高速フーリエ変換（ＦＦＴ）ベースのスペクトル推定を各スライディングウィンドウにわたって計算する。それにより、信号の周波数内容が経時的にどのように変化するかを視覚化することができる。そのような情報が、図８〜図１０に示されている。

ＭａｔＣｏｎｖＮｅｔは、画像分類、セグメンテーション、顔認識、およびテキスト抽出などのタスクのための多数の事前訓練された畳み込みニューラルネットワーク（ＣＮＮ）を含むコンピュータビジョンアプリケーション用ＣＮＮを実装するために、Ｏｘｆｏｒｄ Ｖｉｓｉｏｎ Ｇｅｏｍｅｔｒｙ Ｇｒｏｕｐによって作り出されたツールボックスである。振戦は個人によって異なるので、異なる個人の振戦を識別するために単純な識別アルゴリズムの代わりに機械学習アルゴリズムを使用することは有用である。いくつかの高度な機械学習アルゴリズムは、画像で動作し、画像内の対象物のタイプを認識することができる。本技術では、この手法を振戦検出に使用する。例えば、周波数対時間データは、画像としてプロットすることができる（Ｘ、Ｙ、Ｚ→ＲＢＧ）。次いで、機械学習技法を使用して、振戦の画像または表現を認識し、それを対照信号の画像または表現と区別することができる。本明細書に記載された実験では、ＭａｔＣｏｎｖＮｅｔを使用して、データから特徴を抽出した。これには、ｖｇｇ−ｆａｃｅ（３７レイヤ、２６２２フィーチャ）およびｉｍａｇｅｎｅｔ−ｖｇｇ−ｆ（２１レイヤ、１０００フィーチャ）が含まれていた。図８〜図１０は、いくつかの例示の結果を示す。

図８〜図１０の各々において、一番上のグラフは収集されたデータをプロットしており、時間はｘ軸で表され、特定のセンサ（すなわち、図８の加速度計、図９のジャイロスコープ、および図１０のＥＭＧ）の単位がｙ軸に表されている。中央のグラフは、一番上のグラフの派生物であり、周波数スペクトル（ｘ軸に示された）にわたる振幅（ｙ軸に示された）の分布を示す。図８〜図１０に示されるように、中央のグラフのデータは一貫した周波数範囲にとどまっている。最後に、一番下のグラフは、色スペクトログラム（グレイスケールで表された）であり、それにより、時間、周波数、および振幅を含む３つの測定値を一度に表示することができる。図示のように、時間および周波数は、それぞれ、ｘ軸およびｙ軸にプロットすることができ、一方、色または濃淡は、振幅または強度を表す。

次に、記録されたＥＭＧインパルスデータおよび運動学的データのすべてを処理し、概念実証アルゴリズムを発生するためにフォーマット化し、対照個人からの信号と振戦により臨床的に影響されている患者からの信号とを区別した。そうするために、本技術は、振戦検出のための機械学習手法を含む。具体的には、ソフトウェアは、実施形態によってはＥｘｃｅｌを使って時系列フォーマットで提供することができる振戦患者と非振戦患者の両方からのデータを採取し処理することができる。その後、ソフトウェアは、データをスペクトログラムに変換し、転移学習技法を使用してスペクトログラムから特徴を抽出することができる。図８（加速度計）および図９（ジャイロスコープ）に示されたスペクトルでは、振戦は約４〜６Ｈｚの間にスパイクを示していることに注目すべきである。図１０（ＥＭＧ）に示されたスペクトルでは、より大きいエネルギーがすべての帯域にわたって示されている。データがスペクトログラムに変換された後、次いで、ソフトウェアは、分類アルゴリズムを使用して特徴を分類し、例えば、１０分割クロスバリデーションを使用して評価することができる。

検出ハードウェアの初期のテストは、加速度計およびジャイロスコープ機能から集められた位置および運動データに大きく依存していたが、その理由は、これが、他の研究者によって首尾よく実証されており、それゆえに、良好な開始ベースラインを提供しているからであった。しかしながら、本研究で使用された特定の検出ハードウェアの１つの長所は、８リード線ＥＭＧセンサを含んでいることである。このＥＭＧセンサからのデータは、他のセンサよりも雑音が多く、その結果、最適化するのに時間がかかるが、しかし、生じた実際の運動および位置変化（加速度計およびジャイロスコープによって測定されるような）と、着用者の筋肉によって発生された電気インパルスとの間の比較をソフトウェアに行わせることもできる。これにより、ソフトウェアがデータを処理して、着用者が意図的な運動をしているときに生じている振戦運動とは対照的に、着用者が安静にしているときに生じている振戦運動を区別することができる。これらの異なるタイプの振戦は、それぞれ、安静時振戦および企図時振戦として知られており、神経科医が異なる振戦病状を区別して適切な治療を決定するのに役立つことができる。

上述のように、振戦を測定し分析するための運動学的データとＥＭＧデータの両方の測定および分析を含む上述の技術のさらなる利点には、以下のものが含まれる。１）異常な振戦を補償することができるソフトウェアにデータを提供して、疾患のある人々が、普通なら操作できないコンピュータを操作できるようにすること、２）臨床試験での配分基準を提供すること、３）臨床医の支援なしにデータ測定を遠隔で行うことができるので、健康プロバイダを定期的に訪問する必要性が低減されること、４）振戦の薬物治療への反応に関連するデータを提供すること、および５）無症候性振戦をパーキンソン病またはアルツハイマー病などの疾病に進行する可能性があるものと区別する手段を提供することによって、パーキンソン病またはアルツハイマー病などの特定の疾患の早期診断を行うこと。

図１１は、上述の例示の実験と一致する実験の一実施形態の概略例を示す。図示のように、対照データまたはベースラインデータと、実験中に振戦患者から収集されたデータとを含む、２組の患者データを最初に提供することができる。データのすべては、加速度計データ、ジャイロスコープデータ、およびＥＭＧデータからなることができる。データは、実証された一貫した周波数範囲（例えば、図８〜図１０のプロット図に示されたような）に基づいて、分析ウィンドウにグループ化することができる。その後、データは、図８〜図１０に示されたるものにやはり類似しているＲＧＢスペクトログラムに変換することができる。次いで、各患者の運動または振戦の特定の特徴を、例えば、ＭａｔＣｏｎｖＮｅｔを使用して抽出し、上述のように、例えばＳＶＭまたはランダムフォレストを使用して分類することができる。グループ間の分類を比較して、異なるタイプの運動を分析し、特定のタイプの振戦を識別するのを支援することができる。

本明細書で開示されたシステムおよび方法は、ハードウェア、ソフトウェア、ファームウェア、またはそれらの組合せで実施することができる。ソフトウェアは、汎用コンピュータ、専用プロセッサ、またはそれらの組合せでアルゴリズムを実施するように構成されたメモリ（例えば、固体メモリ（例えば、ＲＯＭ、ＥＥＰＲＯＭ、ＦＬＡＳＨ（登録商標）、ＲＡＭ）、光メモリ（例えば、ＣＤ、ＤＶＤ、ブルーレイディスクなど）、磁気メモリ（例えば、ハードディスクドライブ）などのような非一過性有形メモリ）に格納されたコンピュータ可読命令を含むことができる。例えば、プロセッサなどの１つまたは複数のコンピューティングデバイスは、本明細書で開示されたプロセスを実行するために、コンピュータ可読メモリに格納されたプログラム命令を実行することができる。ハードウェアは、状態機械、１つまたは複数の汎用コンピュータ、および／または１つまたは複数の専用プロセッサを含むことができる。いくつかの実施形態では、多数のプロセッサを使用することができ、実施態様によっては、プロセッサは、異なる場所（例えば、ネットワークを介して結合された）にあってもよい。特定のタイプのユーザインタフェースおよび制御部が、本明細書では例示のために記載されているが、他のタイプのユーザインタフェースおよび制御部が使用されてもよい。

本明細書で論じられた実施形態は、例として提供されており、様々な変形が、本明細書に記載された実施形態に対して行われてもよい。本開示において別の実施形態の文脈に記載されている特定の特徴はまた、単一の実施形態に組合せて組み込まれてもよい。逆に、単一の実施形態の文脈に記載されている様々な特徴は、多数の実施形態に別々にまたは様々な適切な副組合せで組み込まれてもよい。また、１つの組合せに関連して記載された特徴は、その組合せから削除されてもよく、様々な組合せおよび副組合せで他の特徴と組み合わされてもよい。様々な特徴が、本明細書で開示された例示の実施形態に追加されてもよい。また、様々な特徴が、本明細書で開示された例示の実施形態から省略されてもよい。

本出願は、ＰＣＴ出願であり、２０１８年２月２３日に出願された「ＳＹＳＴＥＭＳ ＡＮＤ ＭＥＴＨＯＤＳ ＦＯＲ ＤＥＴＥＣＴＩＯＮ ＡＮＤ ＣＯＲＲＥＣＴＩＯＮ ＯＦ ＡＢＮＯＲＭＡＬ ＭＯＶＥＭＥＮＴＳ」と題する米国特許仮出願第６２／６３４，４７４号の優先権および利益を主張するものであり、その全体が参照により本明細書に組み込まれる。

同様に、動作が、特定の順序で図面に図示または記載されているが、動作は、図示または記載されたものと異なる順序で実行されてもよい。図示されていない他の動作が、図示または記載された動作の前に、動作の後に、または動作と同時に組み込まれてもよい。特定の状況では、並列処理またはマルチタスキングが使用されてもよい。また、いくつかの場合には、図示または論じられた動作は、様々な組合せおよび副組合せを形成するために省略または再組み合わせされてもよい。

Claims (20)

1. ヒト被験者の振戦を検出するためのデバイスであって、前記デバイスが、
   前記ヒト被験者の筋肉運動を測定し、筋肉運動データを発生するための加速度計と、
   前記ヒト被験者の筋肉によって発生された電気インパルスを測定し、電気インパルスデータを発生するための筋電センサであり、前記筋肉運動データおよび前記電気インパルスデータは、前記ヒト被験者の異常運動を識別するために所定のベースラインデータと比較することが可能である、筋電センサと
   を含む、デバイス。
2. 前記ヒト被験者の筋肉運動を測定し、筋肉運動データを発生するためのジャイロスコープ
   をさらに含む、請求項１に記載のデバイス。
3. 前記デバイスが、前記ヒト被験者の腕に着用されように構成および設計される、請求項１または２に記載のデバイス。
4. 前記加速度計が、３次元筋肉運動を測定する、請求項１〜３のいずれか１項に記載のデバイス。
5. 前記デバイスが、筋肉運動データおよび電気インパルスデータをコンピュータに、有線接続、無線ネットワーク、Ｂｌｕｅｔｏｏｔｈ接続、または携帯電話リンクを介して、通信することができる、請求項１〜４のいずれか１項に記載のデバイス。
6. 前記筋電センサが、前記ヒト被験者に取り付けられた電極リード線を介して電気インパルスを検出する、請求項１〜５のいずれか１項に記載のデバイス。
7. ヒト被験者の振戦活動を測定するための方法であって、前記方法が、
   ａ）前記ヒト被験者の筋肉運動を運動センサで検出するステップと、
   ｂ）前記ヒト被験者の筋肉からの電気インパルスを筋電センサで検出するステップと、
   ｃ）前記筋肉運動および前記電気インパルスに関連するデータを所定のベースラインデータと比較して、前記データ内の異常を識別するステップと、
   ｄ）前記筋肉運動および前記電気インパルスに関連する前記データ内の前記異常を分析して、前記ヒト被験者の異常運動を識別するステップと
   を含む、方法。
8. ステップｃ）が、
   筋肉運動の前に前記ヒト被験者または他のヒト被験者の筋肉からの電気インパルスを検出するステップと、
   事前運動電気インパルスに基づいて、筋肉活動および関連する電気インパルスを予測するステップであり、そのような予測された筋肉活動および関連する電気インパルスが前記ベースラインデータを含む、予測するステップと
   をさらに含む、請求項７に記載の方法。
9. ステップｃ）が、
   前記検出された運動の特性に基づいて既知の筋肉運動データおよび電気インパルスデータを収集するステップと、
   前記収集された既知の筋肉運動データおよび電気インパルスデータに基づいて筋肉活動および関連する電気インパルスを予測するステップであり、そのような予測された筋肉活動および関連する電気インパルスが前記ベースラインデータを含む、予測するステップと
   をさらに含む、請求項７に記載の方法。
10. ステップｄ）が、
    前記所定のベースラインデータを基準として前記検出された筋肉運動および電気インパルスの逸脱または異常を識別するステップ
    をさらに含む、請求項７〜９のいずれか１項に記載の方法。
11. ステップｄ）が、
    既知の疾患に関連するアルゴリズムを前記検出された筋肉運動データおよび電気インパルスデータに適用して、前記ヒト被験者に前記既知の疾患が存在することを検証するステップ
    をさらに含む、請求項７〜１０のいずれか１項に記載の方法。
12. 前記既知の疾患が、パーキンソン病またはアルツハイマー病に関連する振戦、筋クローヌス、舞踏病、アテトーシス、バリズム、および動作緩慢を含む振戦からなる群から選択される、請求項１１に記載の方法。
13. 前記運動センサが、加速度計またはジャイロスコープ、あるいは加速度計とジャイロスコープの両方である、請求項７〜１２のいずれか１項に記載の方法。
14. 実行可能命令により構成された１つまたは複数のコンピュータシステムの制御の下で、
    ａ）ユーザの意図した動きと不随意の動きの両方を入力センサで検出するステップと、
    ｂ）前記意図した動きと前記不随意の動きの両方に関連するデータを含む歪んだ命令信号を発生するステップと、
    ｃ）前記歪んだ命令信号を信号フィルタに送るステップと、
    ｄ）前記不随意の動きを取り除いた補正された命令信号を生成するステップと、
    ｅ）前記補正された命令信号をデバイスドライバに送るステップと
    を含むコンピュータ実施方法。
15. 前記入力センサが、動き入力デバイスの一部であり、前記動き入力デバイスが、前記ユーザによる物理的な動きをコンピュータへの命令に変換する、請求項１４に記載の方法。
16. 前記動き入力デバイスがコンピュータマウスである、請求項１５に記載の方法。
17. 前記信号フィルタがコンピュータソフトウェアである、請求項１４〜１６のいずれか１項に記載の方法。
18. ステップｄ）が、
    異常運動に関連するパターンを識別するステップと、
    異常運動に関連する前記パターンを前記歪んだ命令信号と比較して、異常運動に関連する前記歪んだ命令信号の一部分を分離するステップと、
    異常運動に関連する前記歪んだ命令信号の前記一部分を前記信号の残りから分離して、前記補正された命令信号を発生するステップと
    をさらに含む、請求項１４〜１７のいずれか１項に記載の方法。
19. ステップｄ）が、
    ベイズ論理を利用して、異常運動に関連する検出されたパターンが異常運動に関連している確率を決定するステップ
    をさらに含む、請求項１８に記載の方法。
20. 前記デバイスドライバが、関連デバイスを制御するコンピュータプログラムである、請求項１４〜１９のいずれか１項に記載の方法。

Images