Teknik medis & Fisika 32 (2010) 101-110

daftar isi yang tersedia di ScienceDirect

Teknik medis & Fisika

jurnal homepage: Sevier www.el. com / cari / medengphy

analisis gerak di delirium: Pendekatan diskrit dalam menentukan aktivitas fisik untuk tujuan
subtyping deliriummotoric

Alan Godfrey Sebuah . * . Richard Conway b . Maeve Leonard c . d . David Meagher c . d . Gearoid M. Ólaighin e . f
Sebuah Sekolah Sistem Teknik Universitas Reading, Reading RG6 6AX, Inggris Raya
b Biomedis Electronics Laboratorium, Departemen Teknik Elektronik dan Komputer, Universitas Limerick, Limerick, Irlandia
c Departemen Psikiatri, Rumah Sakit Regional Midwestern, Limerick, Irlandia
d Milford Hospice Palliative Care Center, Castletroy, Limerick, Irlandia
e Sekolah Teknik & Informatika, NUI Galway, University Road, Galway, Irlandia
f Pusat Nasional untuk Biomedical Engineering Science, NUI Galway, University Road, Galway, Irlandia

articleinfo abstrak

Pasal sejarah: Tujuan dari penelitian ini adalah untuk menentukan penggunaan dan kelayakan monitoring berbasis akselerometri dan untuk memeriksa multi-
Menerima Maret 2009 11
resolusi teknik analisis sinyal diskrit untuk menentukan subtipe motorik pada pasien dengan delirium DSM-IV. Empat puluh pasien berturut-turut
Diterima dalam bentuk direvisi 19 Oktober 2009
menerima perawatan paliatif (23 laki-laki, 17 perempuan, usia rata-rata ± standar deviasi 68,4 ± 11,9 tahun) dinilai dengan menggunakan 24-h
Diterima Oktober 21, 2009
monitoring berbasis accelerometer. Jumlah total waktu yang dihabiskan per aktivitas duduk / berbaring, berdiri dan steppingwere dihitung. Thiswas
dicapai melalui themultilevel dekomposisi dan rekonstruksi sinyal accelerometer dengan cara transformasi wavelet diskrit. Kedua direkonstruksi
Kata kunci:
perkiraan dan rincian transformwere diskrit digunakan untuk subtyping motorik. Hal ini dibandingkan dengan memonitor aktivitas divalidasi untuk
Kegiatan
tujuan validasi. Demografi dan klinis data per pasien juga dikumpulkan. Dari 40 pasien yang dipilih untuk akselerometri, lengkap 24-jam pembacaan
delirium
tersedia untuk 34 pasien dan analisis yang con fi ned ke grup ini. Dari 34 pasien yang dilibatkan, 25 memenuhi kriteria untuk delirium DSM-IV
Motorik subtyping
Accelerometer sementara 9 non-mengigau subjek perbandingan dengan diagnosa medis setara menerima perawatan dalam pengaturan yang sama. Disimpulkan
Diskrit transformasi wavelet bahwa akselerometri-basedmeasurement dari kohort mengigau dalam pengaturan paliatif adalah baik yang handal dan feasiblemethod dari
continuousmonitoring. Dari kegiatan yang dilakukan oleh pasien, periode berdiri terbukti themost diskriminatif dalam menentukan antara masing-
masing subtipe.

© 2009 IPEM. Diterbitkan oleh Elsevier Ltd All rights reserved.

1. Perkenalan
Delirium adalah sindrom neuropsikiatrik kompleks yang terjadi di 11-42% dari pasien rawat inap medis
umum [1] , Dan sampai 50% dari rumah sakit tua [2] . Hal ini terkait dengan morbiditas tinggi dan mortalitas
tetapi tetap understudied dengan sampai dua pertiga dari kasus yang hilang dalam praktek klinis [3] . Klinis
didefinisikan subtipe dapat mempromosikan pemahaman yang lebih baik dari delirium dengan
memungkinkan penelitian lebih bertarget patofisiologi dan pengobatan. Studi menunjukkan perbedaan yang
signifikan antara subtipe bermotor dalam kaitannya dengan tingkat keparahan gejala non-motor [4] , deteksi
[3] , etiologi [5] , patofisiologi [6,7] , Pengalaman pengobatan [8-10] dan prognosis
hanya 34% dalam studi terbaru di mana fokus pada gangguan motorik 'murni' bersama dengan analisis
gerak elektronik tujuan yang diidentifikasi sebagai cara untuk mengembangkan metode dengan
peningkatan keandalan dan validitas [12] . pekerjaan awal telah menyelidiki penerapan monitoring
berbasis accelerometer pada pasien dengan delirium [13] . Penggunaan akselerometri sebagai sarana
untuk memantau aktivitas pro fi les dari berbagai kelompok klinis telah didokumentasikan dengan baik
komersial dan diskrit perangkat berbasis accelerometer dan telah diuji di laboratorium, klinis dan rumah
tinggal lingkungan secara akurat merekam analisis gerak manusia, yaitu kegiatan sebagai duduk,
berbaring, berdiri dan melangkah [14-18] . kelompok belajar telah berkisar dari orang-orang dengan
penyakit seperti sakit punggung dan ulserasi vena penyakit jantung kronis [15,19,20] . Temuan-temuan
yang disajikan dalam studi ini telah berhasil menunjukkan theuse dari akselerometri untuk menentukan
aktivitas pro fi les dari kelompok-kelompok ini dan mengurangi aktivitas mereka / diubah dibandingkan
dengan kontrol yang sehat.

[9,11] . Namun, studi ini penuh dengan inkonsistensi metodologis, terutama mengenai bermotor
subtipe definisi. Kesesuaian di antara empat skema subtyping umum digunakan adalah

* Penulis yang sesuai. Tel .: +44 0 118 378 6271. Alamat email: ajgodfrey@reading.ac.uk (A. Godfrey).
1350-4533 / $ - melihat hal depan © 2009 IPEM. Diterbitkan oleh Elsevier Ltd All rights reserved.
doi: 10,1016 / j.medengphy.2009.10.012
Sebuah studi percontohan awal yang disajikan oleh Leonard et al. [13] telah menunjukkan bahwa
penggunaan akselerometri juga dapat disesuaikan untuk memberikan informasi yang berguna dalam
kelompok studi tertentu untuk analisis gerak manusia. Kelompok disajikan oleh Leonard adalah kasus
berturut-turut
 A. Godfrey et al. / Teknik Medis & Fisika 32 (2010) 101-110
ium DSM-IV [21] . Ini awal bekerja dengan Leonard et al.
meneliti hasil dari hasil accelerometer berdasarkan jumlah statis kegiatan / dinamis, jumlah waktu g
dihabiskan duduk, berbaring, berdiri, berjalan dan jumlah perubahan postur untuk delirium yping
motorik. Pilot yang menunjukkan potensi akselerometri di delirium subtyping tetapi terbatas na
jumlah pasien yang direkrut ( n = 3) dan koleksi terbatas data demografis. Penelitian saat ini ujuan
untuk menguji sejumlah besar pasien sementara juga memeriksa secara lebih rinci lebih ponen
kualitatif dan kuantitatif subtyping deliriummotoric [22] .
Penelitian sebelumnya byNaja fi et al. [23] analisis usedmulti-resolusi untuk menentukan periode
vitas untuk kegiatan manusia. teknik multi-resolusi yang digunakan adalah transformasi wavelet
rit (DWT). analisis waktu-frekuensi ini (transformasi wavelet) lebih cocok untuk sinyal
-stasioner seperti yang ditemui dalam gerakan manusia, di mana transformasi Fourier tradisional
al dalam resolusi waktu-frekuensi [23] . Naja fi dkk. menerapkan DWT pada berbagai skala
ggunakan perintah yang berbeda dari wavelet ibu Daubechies (db3 dan db4) untuk pengakuan
erhasilan kegiatan duduk, berbaring (telentang dan sisi), berdiri dan berjalan setelah rekonstruksi
al didekati (sinyal yang dihasilkan oleh gerakan kurang komponen frekuensi tinggi) pada populasi
ut usia (dibandingkan dengan pengamatan visual, sensitivitas> 90%). Metode yang sama
nakan oleh Naja fi dkk. [23] diadopsi dalam studi saat ini. Namun, untuk penentuan berjalan
ode yang berbeda menggunakan DWT digunakan. Metode yang diadopsi adalah salah satu yang
nakan oleh Barralon et al. [24] (Populasi lansia di sebuah institusi tua, 79 ± 7 tahun) yang
nakan seorang ibu Daubechies wavelet dengan dua osilasi utama (DB10), sebagai periode
alan setidaknya dua langkah
. Studi ini menyoroti penggunaan DWT sebagai metode yang cocok untuk kegiatan klasifikasi.
The DWT memproduksi komponen pendekatan (digunakan oleh Naja fi et al. Dan Barralon et al.) pi
juga rinci (frekuensi) komponen. Hal ini diselidiki dalam penelitian ini jika rincian (berbagai ponen
frekuensi) yang dihasilkan oleh aktivitas duduk, berbaring, dll juga bisa digunakan sebagai ysiswhen
aspek inhumanmotion ditentukan pada berbagai skala analisis DWT dan digunakan k subtipe pasien
motorically.
Tujuan dari makalah ini adalah untuk menyelesaikan analisis yang lebih cocok untuk tujuan
isis gerak manusia dan karenanya, delirium motorik subtyping. Sebuah metode yang cocok
ah diidentifikasi di DWT dan itu diusulkan bahwa thismethod bisa menyediakan komponen
kriptif harus diekstrak dari sinyal gerakan manusia ditangkap menggunakan akselerometri. Metode
g diusulkan ini akan memberikan analisis yang lebih komprehensif untuk delirium subtyping
orik. Oleh karena itu tujuan dari kertas akan menjadi sebagai berikut:
ntuk membangun validitas perangkat berbasis accelerometer diskrit
dengan activPAL yang TM memonitor dalam kelompok pasien ini; (2) untuk memeriksa
elationwith observedmotor perilaku accord-
ing untuk delirium-spesifik checklist;
ntuk menentukan apa aktivitas terbaik membedakan subtyp- motorik
ing dari dana reconstructedapproximationswithclearlyde fi ambang ned antara subtipe dan
ntuk menentukan apakah komponen rinci direkonstruksi dari
sinyal accelerometer dapat digunakan untuk subtipe pasien motorically.
ahan-bahan dan metode-metode
Penelitian ini dilakukan di Milford Hospice Palliative Care Center di Limerick, Irlandia. Empat
h pasien berturut-turut menerima perawatan paliatif dipilih untuk monitoring akselerometri.
laian klinis skala untuk ratedeliriumphenomenologyandseverity,
assessesmedicalmorbidity andetiology subtipe fi nemotor andde dilakukan pada akhir periode
accelerometrymonitoring dan mencakup 24 h sebelumnya. Semua obat yang diresepkan yang dicatat
termasuk benzodiazepin, opioid, antipsikotik, stimulan, antidepresan dan steroid.
2.1. Penjelasan dan persetujuan
Prosedur dan pemikiran untuk penelitian ini menjelaskan kepada semua pasien tetapi karena pasien
memiliki DSM-IV masuk deliriumat ke dalam penelitian itu dianggap bahwa banyak yang tidak mampu
memberikan persetujuan informedwritten. persetujuan komite etik diberikan untuk meningkatkan pasien
persetujuan assentwithproxy fromnext keluarga terdekat (jika mungkin) atau pengasuh bertanggung
jawab dalam accordancewith Pedoman theHelsinki untuk penelitian medis yang melibatkan subyek
manusia. Disepakati bahwa jika sewaktu-waktu selama penelitian jika perangkat monitoring dianggap
oleh pengasuh, keluarga, atau staf keperawatan untuk menyebabkan penderitaan atau ketidaknyamanan
dengan cara apapun bahwa mereka akan segera dihapus dan pemantauan dihentikan.
2.2. penilaian klinis
skala penilaian klinis digunakan dalam penelitian ini terdiri dari berikut ini.
2.2.1. DeliriumMotoric Checklist (DMC)
Motor subtypeswere diidentifikasi sesuai dengan skema subtyping baru kriteria froma berasal
dari elemen kunci dari metode sebelumnya dari Delirium Motorik Checklist (DMC) [12] . Ini terdiri dari
11 item (4 hiperaktif dan 7 hypoactive). subtipe motor dilambangkan sesuai dengan kehadiran dua
atau lebih item untuk subtipe hiperaktif dan / atau hypoactive, masing-masing. Hal ini sederhana,
singkat dan dapat dinilai oleh perawat [12] . Skema ini diklasifikasikan dalam makalah ini sebagai “ skema
3 ”.
2.2.2. Delirium Rating Scale-Revisi 98 (DRS-R98)
Delirium fenomenologi dan keparahan dinilai menggunakan Skala-Revisi-98 DeliriumRating (DRS-
R98). Item kepentingan tertentu dalam penelitian ini adalah DRS-R98motoric item # 7 dan # 8. tingkat
item tingkat ini agitasi motorik dan keterbelakangan, masing-masing, dan dapat allowmotor subtyping
dengan skor dua atau lebih di kedua kriteria bermotor subtipe menunjukkan.
2.2.3. Memorial Delirium Assessment Scale (MDAS)
The Memorial Delirium Assessment Jadwal (MDAS) adalah scalewitha rangeof 0-30designed
todiagnose 10itemclinician-dinilai dan menilai keparahan delirium pasien yang sakit inmedically,
termasuk orang-orang dengan kanker [25] . Item # 9 menunjukkan bermotor pro fi le dan
mendefinisikan bermotor subtyping.
2.2.4. Kognitif Uji untuk Delirium (CTD)
Fungsi kognitif dinilai dengan Uji kognitif untuk Delirium (CTD) [26] yang meliputi 5 neuropsikologi
domain-orientasi, perhatian, memori, pemahaman, dan kewaspadaan. Skor berkisar antara 0 dan 30 dengan
skor yang lebih tinggi menunjukkan fungsi kognitif yang lebih baik. CTD andal membedakan kondisi
neuropsikiatri delirium fromother termasuk demensia, skizofrenia dan depresi [27] .
2.2.5. Delirium Etiologi Checklist (DEC)
Delirium Etiologi Checklist [28] adalah alat terstruktur yang menggunakan semua sumber informasi
klinis untuk mendokumentasikan berbagai etiologi medis dan kemudian menerapkan pendekatan
tertimbang untuk setiap kategori potensi penyebab delirium tersebut. Setiap kategori etiologi dinilai
sebagai dikesampingkan (0), hadir tapi ternyata tidak kontributif (1), hadir dan mungkin iuran (2),
kemungkinan penyebab (3),
 A. Godfrey et al. / Teknik Medis & Fisika 32 (2010) 101-110
Gambar. 1. Penerapan perangkat accelerometer diskrit.
dan de fi nite penyebab (4) menurut penilaian klinis dari dokter utama berdasarkan riwayat klinis dan
investigasi. TheDEC memungkinkan untuk beberapa penyebab bersamaan sebagai kontribusi etiologi
untuk delirium.
2.2.6. Kemudahan Ward Skala Manajemen (EOWM)
Kemudahan Ward Skala Manajemen (EOWM) adalah daftar empat poin yang menguraikan
kemudahan yang pasien dapat dirawat oleh perawat pada unit, menunjukkan tingkat aktivitas (1 = tidak
ada masalah; 2 masalah = ringan dikelola dengan minimal intervensi / pengobatan; 3 = masalah moderat
memerlukan lebih dari obat minimal; 4 masalah = berat yang membutuhkan sedasi atau perawatan
khusus).
2.2.7. perangkat berbasis accelerometer diskrit
Setiap pasien mengenakan activitymonitor berbasis accelerometer diskrit terus menerus untuk
jangka waktu 24-jam. Diskrit memonitor aktivitas terdiri dari accelerometer dual-axis 1 sensor yang
diposisikan pada aspek lateral themid-paha, whichmeasuredvertical ( Sebuah vs)
dan mediolateral ( Sebuah Nona) percepatan. Situs ini lampiran dipilih, karena proksimal ke pusat massa
tubuh dan karena itu perwakilan terbaik dari keseluruhan gerakan tubuh. sensor ini terhubung ke (86g)
perangkat ringan Data-logging 2 yang mencatat data percepatan mentah pada frekuensi sampling 50Hz dan
pada resolusi 12 bit. Data loggerwas diposisikan di anterior paha dan kedua sensor dan data logger yang
diadakan di tempat dengan cara manset pakai 3 ( Gambar. 1 (Sebuah)). Data accelerometer mentah
disimpan ke memori removable internal Data logger ini cardanddownloaded ke komputer untuk analisis
setelah perekaman completionof. Sensor ditempatkan di atas divalidasi memonitor aktivitas komersial yang
tercatat dalam sinkronisasi untuk tujuan perbandingan.
2.2.8. kegiatan komersial setup monitor
Kegiatan monitor komersial yang digunakan adalah activPAL divalidasi TM Profesional 4 [ 18] dan
diadopsi dalam pekerjaan yang sama sebelumnya [29] . The activPAL TM diprogram melalui antarmuka
komputer dan jam internal disinkronkan dengan yang ada pada perangkat berbasis accelerometer diskrit.
The activPAL TM ( Gambar. 1 (B)) melekat langsung ke paha subjek, pertengahan jalan antara pinggul dan
lutut pada orientasi yang benar seperti yang digariskan oleh pedoman produsen bawah pakaian subjek.
Perangkat ini mudah melekat dengan produsen direkomendasikan
1 ADXL322, Analog Devices BV, Limerick, Irlandia.
2 Pemantauan biomedis Ltd, Wolfson Pusat, Glasgow G4 onw, UK.
3 Novaform Penurut perban, Midland Pembalut Limited, Tullamore, Offaly, Irlandia.
4 PAL Technologies Ltd, 141 St James Road, Glasgow G4 0LT, Skotlandia, UK.
PALstickies perekat TM dan ditutup dengan perban direkomendasikan tambahan untuk dukungan ekstra
(Medipore 3M bedah tape). Setelah menyelesaikan rekaman activPAL TM Data yang didownload melalui
antarmuka komputer dan diekspor ke Excel 5
spreadsheet untuk analisa lebih lanjut. Data ini mewakili jumlah waktu pasien menghabiskan duduk /
berbaring, berdiri dan melangkah.
2.3. Analisis data
Analisis data dilakukan oleh Cally writtenM spesifik MatLab ®
Program yang memanfaatkan toolbox wavelet 6 . Komponen prinsip analisis yang digunakan adalah
transformasi wavelet diskrit (DWT). Sarana dan standar deviasi dengan ambang batas juga digunakan
untuk menyoroti perubahan aktivitas (duduk / berbaring, berdiri, dll). Metode ini diterapkan pada data
accelerometer diskrit setelah selesainya perekaman. kali yang dihasilkan menghabiskan duduk /
berbaring, berdiri, dll, yang thencompared memantau toavalidatedactivity.
2.3.1. Signal Processing: the transformasi wavelet diskrit
Setelah menyelesaikan rekaman data percepatan mentah dari perangkat berbasis accelerometer
diskrit yang di-upload ke komputer dalam representasi ASCII. M MatLab ® Program pertama dikalibrasi
thedata dan removedanyoffset (Bagian 2.3.4 ). TheDWT diaplikasikan menggunakan toolbox wavelet.
transformasi Fourier digunakan untuk memberikan deskripsi keteraturan keseluruhan sinyal dan tidak
cocok untuk mengkarakterisasi distribusi temporal singularitas dan peristiwa transien [23] . The transformasi
wavelet diskrit, bagaimanapun, adalah teknik yang optimal untuk menggambarkan keteraturan lokal sinyal, x
(t), dan diuraikan dalam Persamaan. (1) sebagai representasi dari bentuk pemulihan. Sini k berhubungan
dengan Sebuah sebagai a = 2 k, b berhubungan dengan l sebagai b = 2 k l; dan d (k, l) adalah contoh dari
koefisien fi wavelet koe, W (a, b), pada titik-titik diskrit k dan l dengan wavelet ibu,
[30] :
Σ Σ∞
x (t) = ∞ d (k, l) 2 - k / 2 ( 2 - k t - l) (1)
k = -∞ l = -∞
Multi-resolusi diskrit transformasi wavelet (DWT) analisis mendekati sinyal pada resolusi yang
berbeda. Proses ini melibatkan membelah sinyal ke skala tinggi (frekuensi rendah) komponen yang
disebut pendekatan dan skala rendah (frekuensi tinggi) komponen yang disebut detail. Setelah
perkiraan untuk kegiatan ini ditentukan, mereka direkonstruksi dalam rangka untuk memiliki jumlah
yang sama sampel sebagai percepatan asli
5 Microsoft Corp, Redmond, WA, USA.
6 MathWorks Inc, 3 Apple Hill Drive, Natick, MA, USA.
 A. Godfrey et al. / Teknik Medis & Fisika 32 (2010) 101-110

al [23] . Rincian untuk skala yang sama juga direkonstruksi untuk memeriksa komponen frekuensi ait
dengan aktivitas ditentukan (duduk, berbaring, dll).

2. Postural dan aktivitas deteksi

Membedakan postur berbaring dan duduk dari berdiri dilakukan dengan mempertimbangkan ntasi
accelerometer dan menerapkan ambang batas yang sesuai. Dalam posisi berbaring dan uk langkah-
langkah accelerometer vertikal 0g ( g = - 9.8m / s s) sedangkan dalam posisi berdiri elerometer vertikal
sama - 1g. Kegiatan yang berbeda berbohong (terlentang, kanan dan kiri) dan iri dibedakan
berdasarkan orientasi yang sama dan ambang batas diterapkan pada elerometer mediolateral. Sinyal
pendekatan direkonstruksi di skala 7 dengan db4 ibu wavelet apkan untuk kedua percepatan vertikal
[23] dan percepatan mediolateral.

Aktivitas jalan kaki ditemukan dengan memeriksa pendekatan direkonstruksi dari Sebuah v dengan
erapkan DWT pada skala 7 dengan wavelet ibu DB10 [24] . Untuk mengidentifikasi tanda tangan alan,
standar deviasi dan mean dari pendekatan direkonstruksi diperiksa.

3. analisis komponen frekuensi

Pasien juga dinilai dengan analisis detail direkonstruksi. Rincian dari masing-masing pasien
alisis dan ambang batas diterapkan untuk mengekstrak minimum, maksimum, rentang dan
asi standar nilai. Nilai-nilai ini diekstraksi dari kedua sumbu vertikal dan mediolateral dari sensor
elerometer di bawah setiap kondisi DWT pada skala 3 dengan DB10 (berjalan) dan skala 7
gan db4 (duduk / berbaring dan berdiri).

4. Klasi fi generasi pohon kasi

Sebuah otomatis dihasilkan klasifikasi pohon (pohon keputusan) dihasilkan dengan ggunakan M Gambar. 2. Algoritma grafik aliran untuk delirium subtyping dengan kuantitatif (waktu yang dihabiskan
MatLab ® statistik Toolbox 1 dengan fungsi “pohon fi t”. Aturan untuk membelah sarkan pada salah duduk / berbaring, berdiri, dll) dan kualitatif (dan frekuensi komponen dilakukan selama duduk / berbaring,
satu pilihan standar indeks Gini ini [31] . Metode ini semakin terlihat untuk kelas esar dalam kumpulan berdiri, dll) penilaian.

data dan mencoba untuk mengisolasi dari

l1
ah waktu yang dihabiskan per aktivitas duduk / berbaring (telentang, kiri, kanan), berdiri dan berjalan (melangkah) yang diukur dengan perangkat berbasis accelerometer diskrit dan activPAL TM Profesional untuk pasien DSM-IV delirium ( n = 25).

elajar # Diskrit memantau berbasis accelerometer (menit) activPAL TM ( min)

Duduk / berbaring (telentang / Kiri / Kanan) Kedudukan melangkah Duduk / berbaring - Kedudukan melangkah

1178,3 (0.972,6 / 68,8 / 136,9) 138,6 101.7 1179,9 136,7 102,7

1371,9 (0978,6 / 209.8.0 / 181,9) 6.5 0,6 1237,5 7.1 0,4
1407,0 (1187,3 / 16,5 / 203,2) 3,5 0,1 1407,1 2,9 0.0
1420,1 (0.918,5 / 294,7 / 207,0) 19,3 0,3 1420,8 18,9 0,3
1440,0 (1439,7 / 0,3 / 0,0) 0.0 0.0 1440,0 0.0 0.0
1436,3 (1434,5 / 2.1 / 0.0) 3.6 0,2 1435,8 4.2 0.0
1429,7 (0.698,0 / 163.5 / 568,2) 8.7 1,7 1429,0 8,9 2.1
1354,6 (1133,7 / 220,9 / 0.0) 68.0 5.4 1359,6 63,5 5.9
1438,2 (1435,6 / 2,5 / 0,0) 1,9 0,1 1438,0 2.0 0.0
1425,3 (1057,9 / 269,3 / 98,1) 13.1 1.8 1424,9 12,6 2,5
1432,4 (1399,8 / 26.0 / 6.7) 4.0 0,7 1432,7 4.3 0.0
1438,2 (1359,2 / 16,0 / 63,1) 1.8 0,9 1437,6 1.8 0,7
1440,0 (1440,0 / 0.0 / 0.0) 0.0 0.0 1440,0 0.0 0.0
1171,0 (1134,1 / 30.3 / 6.6) 232,8 36,2 1169,6 233,1 37,3
1439,0 (1313,1 / 104.2 / 5.0) 12,7 5.1 1422,2 12.3 5.5
1400,1 (1396,7 / 3.4 / 0.0) 39,8 0,2 1399,0 40,9 0,2
1314,4 (1232,8 / 41,9 / 039,6) 124,0 2,5 1314,4 122,6 3.0
1440,0 (1440,0 / 0.0 / 0.0) 0.0 0.0 1440,0 0.0 0.0
1348,6 (1145,9 / 66,2 / 136,5) 0,4 0,5 1348,5 0,4 0,1
1398,8 (1398,8 / 0.0 / 0.0) 24,5 0,5 1399,7 23.8 0,5
1319,3 (1245,6 / 60,4 / 13,3) 16.0 2.6 1318,8 16.3 2,9
1321,4 (0.965,0 / 190.0 / 166,3) 88,0 28,8 1321,0 85.2 30,8
1339,5 (1235,2 / 78,4 / 25,9) 56,0 9.6 1337,4 55,5 12.1
0.878,5 (0.542,8 / 260.5 / 75.2) 293,4 99,8 0.878,9 292,4 100,7
1425,6 (1425,4 / 0.2 / 0.0) 2.0 0,3 1426,1 1,9 0.0
 A. Godfrey et al. / Teknik Medis & Fisika 32 (2010) 101-110

sisa data [32] . Kegiatan data dari pasien mudah subtyped digunakan untuk membangun dan melatih (B) Data dikalibrasi dan offset telah dihapus oleh M MatLab ® Program (Bagian 2.4 ).
pohon fi kasi klasifikasi untuk deliriumsubtyping. datawere sisanya pasien kemudian masukan ke pohon (C) Penerapan DWT untuk percepatan vertikal ( Sebuah vs) di skala
yang dihasilkan dan subtyped sesuai.
7 dengan ibu wavelet Daubechies order 4 diaplikasikan (db4). (D) Skala 7 perkiraan Sebuah vs dibangun
kembali (RA 27 s) ini memastikan bahwa sinyal didekati memiliki jumlah yang sama dari sampel sebagai sinyal
Program fl ow adalah: asli, x (t).

(A) Data dari sensor kinematik yang diupload ke komputer.

Gambar. 3. (a) percepatan khas (RA vs, g) pola dari duduk ke berdiri dan berdiri untuk duduk transisi diplot lebih banyak sampel. Tampil di angka adalah perkiraan direkonstruksi dan menghasilkan rincian frekuensi dari DWT sisik 7 (db4) (key: A = duduk atau berbaring telentang; B = berdiri; C =

mungkin berjalan). ( b) percepatan khas (RA vs, g) pola dari duduk ke berdiri, berdiri untuk duduk transisi dan periode berjalan yang diplot lebih banyak sampel. Tampil di angka adalah perkiraan direkonstruksi dan menghasilkan rincian frekuensi dari DWT sisik 3 (DB10) (key: A = duduk atau

berbaring telentang; B = berdiri; C = berjalan). ( c) percepatan khas (RA ml, g) pola dari berbaring postur. Berbaring telentang (atau duduk), berbaring kiri dan berbaring kanan diplot lebih banyak sampel. Tampil di angka adalah perkiraan direkonstruksi dan menghasilkan rincian frekuensi dari DWT

sisik 7 (db4) (key: D = supping / duduk; E = berbaring meninggalkan; F = berbohong kanan).

 A. Godfrey et al. / Teknik Medis & Fisika 32 (2010) 101-110
Gambar. 3. ( Lanjutan).
Kegiatan berbaring / duduk dan standingwere dievaluasi dari
sinyal direkonstruksi ini (RA 27 s).
Jika duduk / berbaring terdeteksi, yang DWT di skala 7 dengan db4 adalah
lanjut diterapkan pada percepatan frontal ( Sebuah Nona) untuk menentukan waktu yang dihabiskan
duduk / berbaring (berbaring ke kanan, terlentang / duduk, berbaring ke kiri).
Menerapkan DWT di skala 3 dengan DB10 untuk Sebuah vs diidentifikasi
berjalan. The direkonstruksi sinyal (RA 23 s) dianalisis dan ambang batas diterapkan untuk
enentukan waktu yang dihabiskan berjalan. (H) Rincian direkonstruksi dari DWT itu, dievaluasi
ada cor-
menanggapi timbangan untuk penentuan aktivitas seperti diuraikan di atas juga diperiksa.
Ambang batas kemudian diterapkan untuk analisis subtyping motorik diperpanjang.
Sebuah pohon fi kasi klasifikasi dibuat berdasarkan mudah didefinisikan
subtipe dan kelompok yang tersisa subtyped sesuai.
Program fl ow disorot di Gambar. 2 .
kalibrasi
The sensorswere calibratedprior topatient lampiran bymeasuring sinyal accelerometer dalam disi
yang terkendali. Hal ini dicapai dengan memutar sensor untuk memberikan sinyal output yang uai
dengan + 1g, 0g dan - 1g. M MatLab ® Program kemudian mengoreksi offset dalam data epatan
mentah dari pasien.
kontrol non-mengigau
Dari 40 pasien yang direkrut, mereka yang tidak memenuhi kriteria delirium DSM-IV juga dinilai
k membangun pola aktivitas perbandingan. Hasil ini juga disajikan.
asil
Empat puluh pasien yang dipilih untuk akselerometri. Dari jumlah tersebut, lengkap 24-jam
bacaan tersedia untuk 34 pasien dan analisis yang con fi ned ke grup ini. Alasan untuk non
ketersediaan data akselerometri adalah penghentian prematur pemantauan, kekhawatiran dari staf perawat
atau keluarga bahwa perangkat itu berpotensi menyebabkan kesulitan pasien dan perlunya prosedur medis
yang diperlukan penghapusan perangkat. Dari 34 pasien yang dilibatkan, 25 (16 laki-laki, 72,2 ± 10,2 tahun, 9
perempuan 68,0 ± 12,9 tahun) memenuhi kriteria untuk delirium DSM-IV sementara 9 (6 laki-laki, 67,5 ± 8,7
tahun, 3 perempuan 61,0 ± 18,5 tahun) adalah non-mengigau subjek perbandingan dengan diagnosa medis
setara menerima perawatan dalam pengaturan yang sama.
Gambar. 3 (A), (b) dan (c) menunjukkan pola khas dari percepatan pendekatan paha direkonstruksi
(RA ( vs) 23 dan RA ( ml) 23 s) dan reconstructeddetails, diharapkan untuk postur yang berbeda dari duduk /
berbaring telentang, berdiri, berjalan, berbaring kiri dan berbaring tepat. Dimana efisiensi dari DWT
yang telah ditunjukkan sebelumnya untuk menekan kebisingan dalam analisis gerakan postural [23] , Itu
digunakan di sini untuk menyoroti perbedaan dalam subtipe motorik tergantung pada perubahan durasi
aktivitas postural (jumlah waktu yang dihabiskan duduk / berbaring, berdiri dan melangkah) dengan
penggunaan perkiraan direkonstruksi dan kualitas dari setiap gerakan generik atau postural activityusing
yang reconstructeddetails. iswhere ini theDWT approachallows untuk clarityas lebih besar towhat
eachsignal mewakili dalam gerakan nyata.
3.1. Diskrit berbasis accelerometer validasi sistem
Tabel 1 menunjukkan total mencatat waktu untuk setiap aktivitas direkam untuk setiap pasien
DSM-IV delirium ( n = 25) menggunakan perangkat berbasis accelerometer diskrit dibandingkan
dengan activPAL yang TM aktivitas fisik memantau. Dua set data (yang disajikan di sini dalam waktu
dipantau per detik) menunjukkan sangat sedikit perbedaan dari inspeksi visual. Dari jumlah total waktu
dipantau, 590.8h (566.5h duduk / berbaring, 19,3-h berdiri, 5.0-h berjalan) yang diukur oleh sistem
diskrit berbasis accelerometer aktivitas penebangan dan 590.8h (566,6-h duduk / berbaring, 19.1-h
berdiri, 5.1-hwalking) asmeasured oleh activPAL TM. Kesamaan dalam waktu yang diukur per menit
antara dua sistem untuk semua pasien yang disertakan untuk
 A. Godfrey et al. / Teknik Medis & Fisika 32 (2010) 101-110 107

Meja 2
Aktivitas, demografi dan klinis data untuk pasien subtipe ned mudah de fi, Kelompok 1 ( n = 15).

Grup 1 Hiperaktif hypoactive Campur aduk

Umur (mean ± std. deviasi) 61,5 ± 9.9 71.0 ± 9.0 69,8 ± 10,6
Pria / wanita 2/2 4/1 3/3
Duduk (s) 72.158 ± 14.389 84.556 ± 2155 83.760 ± 2657
Berdiri (s) 7858 ± 7299 222 ± 322 784 ± 488
Melangkah (s) 3463 ± 3058 31 ± 43 58 ± 57
Jumlah obat 12,8 ± 4.6 12.0 ± 3.3 12,5 ± 3,5
Jumlah obat psikotropika 3.8 ± 1.0 2.8 ± 0,8 3.3 ± 1.2
skor Desember 2.0 ± 0.0 2.6 ± 0,5 2.8 ± 1.3
skor keparahan DRS-R98 16,5 ± 5.4 20,6 ± 7.7 21,8 ± 3.9
Total CTD 11,25 ± 7,5 12,6 ± 7.7 9.3 ± 7.2
EOWM 3,25 ± 0,5 2.4 ± 0,5 3.0 ± 0,6

tabel 3
Klasi hasil subtipe fi kasi pohon untuk Kelompok 2 ( n = 10) dengan skala penilaian yang sesuai mereka.

Belajar # DRS-R98 MDAS 3 Skema

11 Campur aduk Campur aduk hypoactive

12 hypoactive Campur aduk hypoactive
15 hypoactive Campur aduk hypoactive
16 hypoactive Campur aduk Campur aduk

17 Hiperaktif Campur aduk Hiperaktif

18 hypoactive Campur aduk hypoactive
20 hypoactive Campur aduk Campur aduk

21 Hiperaktif Hiperaktif Campur aduk

22 hypoactive Campur aduk Campur aduk

28 Campur aduk Campur aduk Hiperaktif

(Ditampilkan) menjadi periode berdiri, yang sesuai dengan pekerjaan sebelumnya [29] .

Sisanya DSM-IV data aktivitas delirium pasien (Group 2,

n = 10) kemudian masukan ke pohon fi kasi klasifikasi yang sama dan subtipe mereka dihasilkan dari dana
dikelompokkan treewas kasi dibandingkan dengan skala penilaian mereka sesuai, tabel 3 . Ada
Gambar. 4. Klasifikasi pohon untuk subtyping delirium berdasarkan jumlah kali kegiatan (s) dari duduk / berbaring, berdiri
dan melangkah. Berdiri diambil di sini sebagai aktivitas yang dominan untuk memisahkan subtipe.
kesepakatan 90% antara hasil klasifikasi pohon dan setidaknya satu dari skala penilaian yang sesuai. Pada
perbandingan individu antara klasifikasi pohon dan DRS-R98, MDAS dan 3 Skema ada 70%, 40% dan
40% perjanjian, masing-masing.

kegiatan duduk / berbaring, berdiri dan melangkah adalah 99%, 99% dan 97%, masing-masing.

Dengan demikian, ini menunjukkan korelasi yang tinggi antara perangkat berbasis accelerometer
diskrit dan monitor komersial sudah divalidasi untuk penilaian aktivitas [18] .
3.2. analisis pendekatan direkonstruksi
tabel 4 menunjukkan demografi, data klinis dan aktivitas untuk Grup 2 sebagai subtyped oleh
pohon klasifikasi.
Gambar. 5 (A), (b) dan (c) menunjukkan kotak plot yang dihasilkan untuk Grup 2 untuk kegiatan
duduk / berbaring, berdiri dan melangkah. Seperti dapat dilihat dari Gambar. 5 (B) (dan juga dari Gambar. 4
) Berdiri terbukti menjadi faktor yang paling membedakan antara subtipe, dengan batas yang jelas terlihat
antara subtipe.

Pasien dinilai berdasarkan pada perkiraan direkonstruksi dari DWT dan karenanya hasil total
waktu yang dihabiskan dalam aktivitas duduk / berbaring, berdiri dan melangkah yang diukur dengan
perangkat berbasis accelerometer diskrit dan sebagai divalidasi oleh monitor kegiatan komersial (Bagian tabel 4

3.1 ). Dari Tabel 1 dan diskrit sistem berbasis accelerometer, pasien yang mudah subtyped Aktivitas, demografi dan data klinis untuk Grup 2 menurut klasifikasi hasil fi kasi.

(diklasifikasikan menurut subtipe yang sama oleh semua tiga metode penilaian klinis), dikelompokkan
(Group 1, n = 15) dan aktivitas mereka, data demografi dan klinis yang disajikan,

Meja 2 .

Sebuah pohon fi kasi klasifikasi dibuat berdasarkan data kegiatan dari Grup 1 untuk mendefinisikan
masing-masing subtipe pasien, Gambar. 4 . (Ini adalah untuk dilakukan agar pohon fi kasi klasi akan
memiliki paling cocok fromwhich aktivitas data ke subtipe pasien lanjut otomatis. Data yang paling cocok
menjadi dari pasien-pasien di Grup 1 karena semua skala penilaian dinilai eachpatient baik sebagai
hiperaktif, hypoactiveormixed.) Theproportioncorrectlyclassi fi ed untuk ini groupwas sama dengan 87%.
Satu pasien hiperaktif dan satu pasien hypoactive yang tidak benar diklasifikasikan (subtyped) sebagai
campuran. Dari Gambar. 4 , Dapat dilihat bahwa aktivitas dominan untuk kemudahan subtyping
ditemukan
kelompok 2 Hiperaktif hypoactive Campur aduk
Umur (mean ± std. 80,7 ± 6.0 79,5 ± 9.3 62,3 ± 12,5
deviasi)
Pria / wanita 3/0 2/2 2/1
Duduk (s) 76.799 ± 5790 86.346 ± 63 83.237 ± 2574
Berdiri (s) 8495 ± 5029 55 ± 63 2168 ± 1313
Melangkah (s) 880 ± 1121 15 ± 25 296 ± 283
Jumlah obat 11.0 ± 2.0 8.3 ± 2,9 9.3 ± 2.1

Jumlah obat 3.7 ± 1,5 3.0 ± 0,8 3.0 ± 1.0

psikotropika

skor Desember 2.0 ± 1.0 2,5 ± 0,6 2.0 ± 1.0

skor keparahan 20,0 ± 8,5 18,8 ± 1.3 20,3 ± 7.1
DRS-R98
Total CTD 12.0 ± 10.4 11.0 ± 4.2 9.3 ± 10.1
EOWM 2.3 ± 1,5 2.0 ± 0.0 2.0 ± 1.0
 A. Godfrey et al. / Teknik Medis & Fisika 32 (2010) 101-110

Gambar. 6. Klasifikasi pohon untuk delirium subtyping berdasarkan komponen detail dari Grup 1. nilai maksimum dari
Sebuah ml skala 7 (db4) merupakan faktor dominan untuk memisahkan subtipe.

3.3. analisis rinci direkonstruksi

Detail (frekuensi tinggi / skala rendah) komponen DWT di berbagai skala untuk kegiatan duduk /
berbaring, berdiri dan melangkah juga digunakan untuk mengklasifikasikan subtipe. Minimum,
maksimum, jangkauan dan standar deviasi detail komponen yang masukan dari Grup 1 ( n = 15) untuk
membangun dan melatih pohon fi kasi klasifikasi dengan 73% dari pasien dari kelompok ini dengan benar
diklasifikasikan. Gambar. 6 menunjukkan klasifikasi pohon fi kasi diciptakan dari metode ini. pasien
hiperaktif tidak dibedakan dari subtipe campuran atau hypoactive, yang berarti “jenis” gerakan untuk
pasien hiperaktif tidak mudah didefinisikan dari subtipe lain.

3.4. Non-mengigau kontrol perbandingan

The non-mengigau kontrol ( n = 9) dinilai dengan sama

metodologi sebagai kohort mengigau tetapi tidak untuk komponen rinci sebagai metode ini gagal untuk
membedakan antara tiga subtipe (Bagian 3.3 ). tabel 5 menunjukkan kali yang dihasilkan aktivitas, data
demografi dan klinis dan hasil diklasifikasikan (dibandingkan dengan delirium subtipe), untuk kontrol
non-mengigau. Kelompok kontrol menunjukkan pola kegiatan yang serupa dengan campuran ( n = 6) dan
hiperaktif ( n = 3) subtipe.

tabel 5
Kegiatan, klasifikasi, data demografi dan klinis untuk kontrol non-mengigau.

bar. 5. ( a) boxplots untuk waktu yang dihabiskan duduk / berbaring untuk Grup 2. Ambang batas
-memisahkan semua subtipe campuran dan hypoactive. (B) boxplots untuk waktu yang dihabiskan berdiri untuk

2. Ambang batas jelas-memisahkan semua 3 subtipe (hiperaktif, hipoaktif andmixed). (C) boxplots untuk waktu dihabiskan loncatan
untuk Grup 2. Ambang batas jelas-memisahkan semua subtipe hiperaktif dan hypoactive.
kelompok kontrol
Umur (mean ± std. deviasi) 65.3 ± 12
Pria / wanita 6/3
Duduk (s) 77.520 ± 11.453
Berdiri (s) 4983 ± 6533
Melangkah (s) 2646 ± 5263
Jumlah obat 10,7 ± 2.7
Jumlah obat psikotropika 2.7 ± 1.4
 skor Desember -
skor keparahan DRS-R98 3.4 ± 5.8
Total CTD 24,7 ± 6.0
EOWM 1.0 ± 0.0

Klasifikasi subtipe
C.01 pasien Hiperaktif
C.02 pasien Campur aduk

C.03 pasien Campur aduk

C.04 pasien Hiperaktif

C.05 pasien Campur aduk

C.07 pasien Campur aduk

C.08 pasien Campur aduk

C.09 pasien Hiperaktif

C.10 pasien Campur aduk
 A. Godfrey et al. / Teknik Medis & Fisika 32 (2010) 101-110

4. Diskusi berbeda intensitas gerakan lebih dari 24 jam gagal jelas membedakan subtipe betweenmotoric dan
menunjukkan bahwa di berbagai intensitas (frekuensi) seberapa mirip “jenis” gerakan yang. Penelitian ini

Empat puluh kasus berturut-turut direkrut untuk studi ini dengan 30 pasien yang memenuhi juga menyoroti bagaimana gerakan bruto diamati dari pasien sesuai dengan intensitas gerakan dominan

persyaratan untuk delirium DSM-IV. Data accelerometer diperoleh dari pasien ini dinilai untuk pasien sebagai pengukuran dengan akselerometri.

berbagai aspek analisis gerakan manusia. The transformasi wavelet diskrit diaplikasikan pada berbagai
skala dengan wavelet ibu yang berbeda. Ambang batas yang diterapkan pada perkiraan direkonstruksi
untuk mengukur total waktu dipantau per pasien oleh sistem berbasis accelerometer diskrit. Temuan Sebuah kelompok kontrol direkrut berbasis di lingkungan klinis yang sama dan menerima dosis
tersebut divalidasi oleh perangkat monitoring kegiatan komersial terbukti, yang activPAL TM obat yang sama ditemukan memiliki pola aktivitas yang mirip dengan subtipe hiperaktif dan campuran.
Profesional, yang tercatat dalam sinkronisasi dengan monitor diskrit dengan kesalahan sesedikit 3%
antara perangkat.
4.1. Keterbatasan dan perkembangan masa depan

Sementara themedicationexposurewasmeasuredwedidnot memeriksa isu perubahan dosis baru-baru

ini, dosis setara, dan potensi akumulasi agen dengan panjang setengah-hidup terutama pada pasien dengan
gagal organ. pekerjaan lebih lanjut, yang melibatkan angka yang lebih besar dari populasi perawatan non-
Sebuah fi kasi klasifikasi treewas dibuat basedupon aktivitas themotoric ditentukan oleh diskrit
paliatif akan mengklarifikasi sejauh mana temuan ini dapat digeneralisasi untuk pasien mengigau pada
berbasis accelerometer memantau aktivitas divalidasi. Pasien yang digunakan untuk membuat pohon fi
umumnya.
kasi klasi (Group 1) adalah mereka mudah subtyped sesuai dengan skala penilaian mereka dengan 87%
dari mereka yang benar subtyped oleh pohon klasifikasi. methodwas ini kemudian diterapkan pada
kohort tersisa (Grup 2) dengan perjanjian 90% untuk ini secondgroupbetween yang dikelompokkan
Penggunaan DWT untuk mengukur aktivitas rekening kelompok yang diteliti untuk kegiatan yang
ermethod dan kombinasi dari skala penilaian (70% DRS-R98, 40% MDAS dan 3 Skema)). pasien yang
terarah dalam deskripsi,
subtyped dari kelompok kedua ini kemudian digunakan untuk membuat kotak plot untuk menyorot
yaitu kegiatan yang pasien koheren dan rela melakukan. Karena delirium menjadi sindrom
perbedaan yang jelas antara subtipe untuk kegiatan duduk / berbaring, berdiri dan melangkah
neuropsikiatrik yang kompleks, tidak semua aktivitas mungkin tujuan di alam. Oleh karena itu deteksi
berdasarkan metode yang digunakan untuk subtyping motorik.
tujuan dibandingkan gerakan non-tujuan akan mendefinisikan proses subtyping themotoric lebih baik
kembali dan menghilangkan periode aktivitas tujuan yang telanjang tidak berdampak pada patologi
delirium. Penggunaan skor EOWM mungkin lebih baik menyoroti gerakan tujuan di bangsal untuk
pasien mengigau, dengan skor EOWM tinggi dan tingginya tingkat aktivitas menunjukkan gerakan non-
tujuan. “Jenis” dari gerakan yang disarankan dalam makalah ini adalah luas dan tidak detail setiap sifat
biomekanis yang tepat. pekerjaan di masa depan harus memeriksa properti seperti kecepatan dan
jangkauan gerakan per subtipe motorik.

Rincian direkonstruksi dari signalswere accelerometer juga dianalisis untuk menentukan potensi
mereka untuk subtyping motorik pasien. Maksimum, minimum dan standar deviasi nilai-nilai dihitung
untuk setiap pasien. Komponen-komponen ini dihasilkan oleh pasien untuk kegiatan yang sesuai dari
duduk / berbaring, berdiri dan melangkah. Similarmethods dengan yang digunakan dalam analisis
pendekatan direkonstruksi digunakan untuk membuat pohon fi kasi klasifikasi untuk set data. Hanya dua
subtipe (campuran dan hypoactive) yang dibedakan dengan menggunakan teknik ini, dengan hanya 73% 5. Kesimpulan
dari pasien dengan benar diklasifikasikan.

Sebuah kelompok kontrol pasien non-mengigau juga dinilai. Pasien-pasien ini yang berbasis di
pengaturan klinis sama dengan kelompok mengigau digambarkan kegiatan serupa pro fi les untuk
orang-orang dari campuran / hiperaktif subtipe, tabel 5 . Kesamaan dalam kegiatan pro fi le adalah
tercermin dalam increasednumber dari psychotropicmedications diterima oleh subtipe campuran /
hiperaktif ( Tabel 2 dan 4 ) Agar mereka untuk mempertahankan aktif, tapi tidak berlebihan, tingkat
mobilitywhich diterima dalam pengaturan klinis (tingkat yang sama dengan kelompok kontrol).
Studi kami menggambarkan teknik baru untuk menentukan subtipe deliriummotoric dalam
pengaturan perawatan paliatif. Diskrit berbasis accelerometer memonitor aktivitas divalidasi terhadap
memonitor aktivitas komersial terbukti untuk digunakan sebagai ukuran kuantitatif aktivitas, dan
umumnya diterima oleh pasien. Komponen determinedby perangkat diskrit dan metode
theDWTmultiresolution berhasil (87% untuk pasien mudah subtyped dan 90% sisanya kohort dengan 2
atau lebih perjanjian skala penilaian) subtyped pasien motorically dalam patologi delirium, dengan
periode berdiri terbukti menjadi yang paling membedakan fitur untuk subtyping. Dengan demikian,
penelitian ini menunjukkan bahwa akselerometri andmeasurements sebagaimana ditentukan oleh
activitymonitor komersial sederhana (activPAL TM) adalah alat yang berguna untuk obyektif menilai
aktivitas seluruh tubuh untuk subtyping motorik dalam lingkungan klinis.

Dengan demikian, dari penelitian ini telah menunjukkan bahwa sistem berbasis accelerometer
diskrit berhasil dalam menentukan jumlah waktu per kegiatan bila dibandingkan dengan monitor
aktivitas sebelumnya divalidasi (activPAL TM). Selanjutnya, itu menunjukkan bahwa tingkat umum
aktivitas (jumlah waktu) diukur dari DWT direkonstruksi perkiraan berkorelasi dengan perilaku motorik
yang diamati untuk pasien yang mudah didefinisikan menurut delirium-spesifik daftar periksa, dengan
Ucapan Terima Kasih
87% benar diklasifikasikan. Periode aktivitas menghabiskan berdiri berasal dari perkiraan
direkonstruksi ditemukan mudah memisahkan semua 3 subtipe, dengan batas yang jelas didirikan, Buah
Penulis ingin mengucapkan terima kasih kepada staf dan pasien di Milford Hospice untuk
ara. 4 dan 5 (b) . Rincian direkonstruksi gagal untuk secara jelas membedakan antara tiga subtipe
dukungan mereka dan Analog Devices BV, Limerick, Irlandia, untuk penyediaan perangkat
motorik, ini menunjukkan bahwa jenis / intensitas gerakan tidak mudah berbeda di seluruh subtipe.
accelerometer. Para penulis ingin mengakui Dr. Faustina Hwang dan University of Reading atas
Hal ini lebih didukung dalam penelitian serupa oleh penulis yang sama, di mana wavelet kontinyu
dukungan mereka selama penyelesaian makalah ini.
transform (CWT) diadopsi untuk berbeda antara subtipe motorik pada gerakan keseluruhan [33] .
Dalam penelitian yang penulis menemukan bahwa

Konflik kepentingan

Tidak ada konflik yang menarik.

 A. Godfrey et al. / Teknik Medis & Fisika 32 (2010) 101-110
erensi
Siddiqi N, House A, Holmes J. Terjadinya dan hasil delirium di medis
di-pasien: tinjauan literatur sistematis. Umur dan Penuaan 2006; 35: 350-64. [2] Cole M. Delirium pada
pasien a lanjut. American Journal of Psychiatry Geriatric
2004; 12: 7-21.
Inouye S. Dilema delirium: kontroversi klinis dan penelitian tanpa memandang
ing diagnosis dan evaluasi delirium di rumah sakit pasien medis lansia. American Journal of Medicine 1994; 7:
278-88.
MeagherD, O'HanlonD, O'MahonyE, CaseyP, Trzepacz P. Relationshipbetween
gejala dan subtipe motorik delirium. Jurnal Neuropsychiatry dan ilmu saraf klinis 2000; 12: 51-6.
MeagherD, O'HanlonD, O'MahonyE, CaseyP, Trzepacz P. Relationshipbetween
etiologi dan fenomenologis pro fi le di delirium. Journal of Geriatric Psychiatry dan Neurology 1998; 11: 146-9.
Balan S, Leibowitz A, Zila S, Ruth M, Chana W, Yassica B, et al. relasi
antara subtipe klinis delirium dan tingkat urin 6-SMT. Journal of Neuropsychiatry dan Neuroscience Clinical 2003; 15: 363-6. [7]
Van der Cammen T, Tiemeier H, Engelhart M, Fekkes D. Abnormal neurotrans-
tingkat metabolit Mitter pada pasien Alzheimer dengan delirium. International Journal of Geriatric
Psychiatry 2006; 21: 838-43.
Meagher D, O'Hanlon D, O'Mahony E, Casey P, Trzepacz P. Penggunaan environ-
mental yang strategi andpsychotropicmedication di TATAkelola delirium. British Journal of Psychiatry
1996; 168: 512-5.
Marcantonio E, Ta T, Duthie E, Resnick N. Delirium keparahan dan psikomotorik
jenis: hubungan mereka dengan hasil setelah perbaikan patah tulang pinggul. Journal of American Geriatrics
Society 2002; 50: 850-7.
BreitbartW, TremblayA, GibsonC. Anopen percobaan olanzapine untuk pengobatan
delirium pada pasien kanker dirawat di rumah sakit. Psychosomatics 2002; 43: 175-82. [11] Olofsson
S, zner M, Valentine A, Baile W, Meyers C. Sebuah studi retrospektif
manajemen kejiwaan dan hasil delirium pada pasien kanker. Perawatan Pendukung pada Kanker 1996; 4:
351-7.
Meagher D, Moran M, Raju B, Gibbons D, Donnelly S, Saunders J, et al. Motor
Gejala IN100 kasus deliriumvs. kontrol: subtypingmethods comparisonof. Psychosomatics 2008; 49: 300-8.
Leonard M, Godfrey A, Silberhorn M, Conroy M, Donnelly S, Meagher D, et al.
analisis gerak dalam delirium: metode baru mengklarifikasi subtipe motorik. Neurocase 2007; 13: 272-7.
Culhane K, Lyons G, Hilton D, Rahmat P, Lyons D. jangka panjang mobilitas moni-
toring orang dewasa yang lebih tua menggunakan accelerometers dalam lingkungan klinis. Rehabilitasi klinis 2004;
18: 335-43.
Vandenberg-EmonsH, BussmannHBJ, Balka, Keijzer-OsterD, StamHJ. tingkat
kegiatan associatedwithmobility selama hidup sehari-hari inpatientswith gagal jantung kongestif
kronis asmeasuredwith sebuah “activitymonitor”. Terapi Fisik 2001; 81: 1502-1511.
Ni Scanaill C, Carew S, Barralon P, Noury N, Lyons D, Lyons GM. Sebuah tinjauan
pendekatan untuk mobilitas telemonitoring dari orang tua di lingkungan hidup mereka. Annals of
Biomedical Engineering 2006; 34: 547-63.
[17] Lyons G, Culhane K, Hilton D, Rahmat P, Lyons D. Penjelasan dari
accelerometer berbasis teknik monitoring mobilitas. Teknik medis & Fisika 2005; 27: 497-504.
[18] Godfrey A, Culhane K, Lyons G. Perbandingan kinerja
activPAL TM profesional aktivitas fisik logger untuk accelerometerbased memantau aktivitas diskrit. Teknik medis & Fisika 2006; 29: 930-
4. [19] Bussmann J, van de Laar Y, Neeleman M, Stam H. Ambulatory akselerometri
untuk mengukur perilaku motorik pada pasien setelah gagal kembali operasi: studi validasi. Nyeri 1998; 74:
153-61.
[20] Clarke-MoloneyM, Godfrey A, O'Connor V, Meagher H, Burke P, Kavanagh E, et
al.Mobility legulceration inpatientswithvenous. European Journal of Vascular dan Endovascular Bedah 2007;
33: 488-93. [21] American Psychiatric Association: Pedoman Diagnostik dan Statistik Mental
Gangguan. 4 ed. Washington, DC: AP Association; 2000. [22] Godfrey A, Conway R, Meagher D, Olaighin
G. Pengukuran langsung
gerakan manusia oleh akselerometri. Medis Mesin & Fisika 2008, doi: 10,1016 / j.medengphy.2008.09.005.
[23] Naja fi B, Aminian K, Paraschiv-Ionescu A, Loew F, Bula CJ, Robert P. Ambula-
Sistem tory untuk analisis gerak manusia menggunakan sensor kinematik: pemantauan aktivitas fisik
sehari-hari pada orang tua. Transaksi IEEE pada Biomedical Engineering 2003; 50: 711-23.
[24] Barralon P, Vuillerme N, Noury N. deteksi berjalan dengan sensor kinematik:
frekuensi dan perbandingan wavelet. Dalam: Prosiding 28 Tahunan Konferensi Internasional IEEE
badan pelaksana pemilu. 2006.
[25] Breitbart W, Rosenfeld B, Roth A, Smith M, Cohen K, Passik S. memo- The
rial skala penilaian delirium. Journal of Pain dan Manajemen Gejala 1997; 13: 128-37.
[26] Hart R, Levenson J, Sessler C. Validasi tes kognitif untuk delirium di
pasien ICU medis. Psychosomatics 1996; 37: 533-46. [27] Hart R, Terbaik A, Sessler C, tes kognitif Levenson
J. Disingkat untuk delirium.
Journal of Psychosomatics Penelitian 1997; 43: 417-23. [28] Meagher D, Moran M, Raju B, Gibbons
D, Donnelly S, Saunders J, et al.
Fenomenologi 100 kasus dewasa berturut-turut delirium dinilai menggunakan langkah-langkah standar.
British Journal of Psychiatry 2007; 190: 135-41. [29] GodfreyA, ConwayR, LeonardM, MeagherD, OlaighinG.
Aclassi sistem fi kasi
untuk delirium subtyping dengan penggunaan monitor mobilitas komersial. Kiprah & Postur 2009; 30: 245-52.
[30] Semmlow J. biosignal dan pengolahan gambar biomedis: Matlab appli berdasarkan kation. New York: Marcel-Dekker;
2004.
[31] Breiman L, Freidman J, Olshen R, Batu C. Klasifikasi dan regresi pohon.
Belmont, CA: Wadsworth International Group; 1984. [32] Parkka J, Ermes M, Korpipaa P, Mantyjarvi J,
Peltola J, Korhonen I. Kegiatan
klasifikasi menggunakan data realistis sensor fromwearable. Transaksi IEEE pada Teknologi Informasi dalam Biomedik 2006; 10: 119-
28. [33] Godfrey A, Conway R, Leonard M, Meagher D, Olaighin G. A berkelanjutan
transformasi wavelet dan fi metode kasi klasifikasi untuk delirium subtyping motorik. Transaksi IEEE
pada Syaraf Sistem dan Teknik Rehabilitasi 2009; 17: 289-307.