Bewegingsanalyse als tool voor een automatische en objectieve differentiatie van twee bewegingsstoornissen bij kinderen met een dyskinetische vorm van hersenverlamming

Ellen

Van Wonterghem

Sophie

Gardyn

Wat als uw kind geboren wordt met een hersenverlamming? Wereldwijd worden 3 op 1000 kinderen geboren met een hersenverlamming, ook wel cerebrale parese (CP) genoemd. Afhankelijk van de uiting van deze aandoening worden deze kinderen onderverdeeld in verschillende groepen. 9 op 10 wordt geboren met een spastische vorm van hersenverlamming. Dyskinetische cerebrale parese (DCP) is de tweede grootste groep. Omwille van zijn beperkt voorkomen is onderzoek binnen deze laatste groep helaas beperkt. Desalniettemin werd de afgelopen jaren een positieve evolutie waargenomen binnen dit vakgebied.

Wat is dyskinetische cerebrale parese?

Dyskinetische cerebrale parese (DCP) is een zeldzame motorische aandoening met schade aan het ontwikkelende brein. DCP uit zich klinisch in onwillekeurige bewegingen en moeilijk gecontroleerde vrijwillige bewegingen, ten gevolge van abnormale en wisselende spierspanningen.

Dystonie (DYS) en choreoathetose (CA) zijn de twee gekende bewegingsstoornissen binnen de DCP populatie. DYS wordt gekenmerkt door abnormale hoeken in de gewrichten en CA door veelvoudig wringende bewegingen. Differentiatie en ernstbeoordeling van beiden zijn belangrijk in het doeltreffend toekennen van een correcte en gunstige behandeling. Het kan ook inzichten scheppen in het kennisluik rond de beperkt gekende aandoening, zijn therapie en toekomstverwachting. Echter, mede door de overeenkomsten en het gemengd voorkomen van beide bewegingsstoornissen, is differentiatie en evaluatie erg complex.

Meten is weten!

De differentiatie en evaluatie van DYS en CA is momenteel mogelijk met behulp van meetschalen, met de Dyskinesia Impairment Scale (DIS) als gouden standaard. Dergelijke meetschalen worden door experten gebruikt om op basis van videobeelden van het kind de ernst van DYS en CA te scoren. Een correcte beoordeling van de bewegingsstoornis gegrond op een individuele interpretatie van de gekende definities is echter erg moeilijk en klinisch minder praktisch. Om reden van het deels subjectief en tijdrovende aspect van deze schaal en de verwachte ervaring van de beoordelaars, richtte onderzoek zich recent op meer objectieve meetinstrumenten. Deze toestellen zijn in staat gedetailleerd en betrouwbaar bewegingskarakteristieken weer te geven kenmerkend voor een bepaalde bewegingsstoornis.

Binnen onze studie werd specifiek nagegaan of driedimensionale bewegingskarakteristieken van het bovenste lidmaat tijdens het reiken gebruikt kunnen worden om DYS en CA automatisch te gaan differentiëren.

De studieprocedure .

Twaalf kinderen met DCP namen deel in een studieprotocol bestaande uit drie taken: voorwaarts en zijwaarts reiken, en verticaal reiken en grijpen. De DIS-meetschaal werd gebruikt om DYS- en CA- aanwezigheid of afwezigheid te scoren in de onderarm. Tijdens deze reiktaken werden de bewegingen geregistreerd gebruikmakend van markers en sensoren. De plaatsing hiervan wordt weergegeven in Foto 1. Polsbeweging, voorarmversnelling en -hoeksnelheid werden vastgelegd en vervolgens afgeleid tot 144 bewegingsparameters.

Foto 1: Plaatsing markers en sensoren

Om deze data nauwkeurig, makkelijk en snel te verwerken werd gebruik gemaakt van machine learning technieken. Machine learning is een deel van artificiële intelligentie en is gebaseerd op het idee dat een wiskundige formule, ook wel algoritme genaamd, kan leren uit trainingsdata zonder hiervoor expliciet geprogrammeerd te zijn. Er werd geopteerd voor het support vector machine learning (SVM) classificatiemodel voor een optimale klinische differentiatie tussen DYS en CA.

De 144 bekomen bewegingsparameters werden samen met hun overeenstemmende DIS classificaties toegevoegd in het SVM model en gebruikt als trainingsdata. Na het trainen van het model werd de SVM geacht in staat zijn om op basis van bewegingsparameters zelf de klassen (DYS en/of CA) te kunnen voorspellen. De vooraf bepaalde DIS classificaties werden in dit trainingsproces gebruikt als referentie en afgetoetst tegen de voorspelde klassen van het SVM model om zo de kwaliteit van het model te bepalen.

Vervolgens vond een selectieprocedure plaats om de relevante bewegingsparameters te identificeren voor beide bewegingsstoornissen apart.

De bekomen resultaten

Resultaten wezen uit dat het SVM model met een redelijke nauwkeurigheid (74.58%) predictief onderscheid kan maken tussen aan- of afwezigheid van DYS en CA. Betere resultaten werden gevonden in een SVM model dat de bewegingsstoornissen apart gaat differentiëren. Identificatie van de aan- of afwezigheid van DYS of CA isrespectievelijk mogelijk met een 90.34% en 84.66% nauwkeurigheid. Ten slotte werden in deze studie typerende bewegingsparameters voor DYS en CA opgelijst.

Let’s make a change!

Deze studie was pionier in het valideren van een automatische differentiatie van DYS en CA tijdens functionele taken van het bovenste lidmaat. De veelbelovende resultaten kunnen betekenisvol zijn in het creëren van nieuwe inzichten en betere doelgerichte therapie met oog op het verbeteren van de functionele activiteiten en kwaliteit van leven van kinderen met DCP.

Bibliografie

[1] P. Rosenbaum, N. Paneth, A. Leviton, M. Goldstein, M. Bax, A report: The definition and classification of cerebral palsy April 2006, Developmental Medicine and Child Neurology 49(2) (2007) 8-14.

[2] E. Sellier, M.J. Platt, G.L. Andersen, I. Krägeloh‐Mann, J. De La Cruz, C. Cans, et al., Decreasing prevalence in cerebral palsy: a multi‐site European population‐based study, 1980 to 2003, Dev Med Child Neurol 58(1) (2016) 85-92.

[3] C. Cans, Surveillance of cerebral palsy in Europe: a collaboration of cerebral palsy surveys and registers, Developmental Medicine & Child Neurology 42(12) (2000) 816-824.

[4] C. Cans, H. Dolk, M. Platt, A. Colver, A. Prasauskiene, I. Krageloh-Mann, Recommendations from the SCPE collaborative group for defining and classifying cerebral palsy, Dev. Med. Child Neurol. 49(s109) (2007) 35-38.

[5] M. Bax, C. Tydeman, O. Flodmark, Clinical and MRI correlates of cerebral palsy: the European Cerebral Palsy Study, JAMA 296(13) (2006) 1602-1608.

[6] C. Cans, P. Guillem, C. Arnaud, F. Baille, J. Chalmers, McManus, et al., Prevalence and characteristics of children with cerebral palsy in Europe, Dev Med Child Neurol 44(9) (2002) 633-640.

[7] T.D. Sanger, M.R. Delgado, D. Gaebler-Spira, M. Hallett, J.W. Mink, Classification and definition of disorders causing hypertonia in childhood, 111(1) (2003) e89-e97.

[8] K. Himmelmann, E. Beckung, G. Hagberg, P. Uvebrant, Gross and fine motor function and accompanying impairments in cerebral palsy, Developmental Medicine & Child Neurology 48(6) (2006) 417-423.

[9] S.M. Reid, E.M. Meehan, D.S. Reddihough, A.R. Harvey, Dyskinetic vs Spastic Cerebral Palsy: A Cross- sectional Study Comparing Functional Profiles, Comorbidities, and Brain Imaging Patterns, Journal of Child Neurology 33(9) (2018) 593-600.

[10] M. Préel, G. Rackauskaite, M.L. Larsen, B. Laursen, J. Lorentzen, A.P. Born, et al., Children with dyskinetic cerebral palsy are severely affected as compared to bilateral spastic cerebral palsy, Acta Paediatr 108(10) (2019) 1850-1856.

[11] E. Monbaliu, M.-G. De La Peña, E. Ortibus, G. Molenaers, J. Deklerck, H. Feys, Functional outcomes in children and young people with dyskinetic cerebral palsy, Dev Med Child Neurol 59(6) (2017) 634- 640.

[12] E. Monbaliu, P. Cock, E. Ortibus, L. Heyrman, K. Klingels, H. Feys, Clinical patterns of dystonia and choreoathetosis in participants with dyskinetic cerebral palsy, Developmental Medicine & Child Neurology 58(2) (2016) 138-144.

[13] I. Krägeloh‐Mann, V. Horber, The role of magnetic resonance imaging in elucidating the pathogenesis of cerebral palsy: a systematic review, 2007, pp. 144-151.

[14] K. Himmelmann, V. Horber, J. De La Cruz, K. Horridge, V. Mejaski‐Bosnjak, K. Hollody, et al., MRI classification system (MRICS) for children with cerebral palsy: development, reliability, and recommendations, Developmental Medicine & Child Neurology 59(1) (2017) 57-64.

[15] R. Benini, L. Dagenais, M.I. Shevell, Normal Imaging in Patients with Cerebral Palsy: What Does It Tell Us?, The Journal of Pediatrics 162(2) (2013) 369-374.e1.

[16] S.M. Reid, C.D. Dagia, M.R. Ditchfield, J.B. Carlin, D.S. Reddihough, Population‐ based studies of brain imaging patterns in cerebral palsy, 2014, pp. 222-232.

[17] E. Monbaliu, K. Himmelmann, J.-P. Lin, E. Ortibus, L. Bonouvrié, H. Feys, et al., Clinical presentation and management of dyskinetic cerebral palsy, The Lancet Neurology 16(9) (2017) 741-749.

[18] S.J. Korzeniewski, G. Birbeck, M.C. Delano, M.J. Potchen, N. Paneth, A Systematic Review of Neuroimaging for Cerebral Palsy, 2008, pp. 216-227.

[19] A. Colver, C. Fairhurst, P.O.D. Pharoah, Cerebral palsy, The Lancet 383(9924) (2014) 1240-1249.

[20] A.I. Elkamil, G.L. Andersen, J. Skranes, T. Lamvik, T. Vik, Botulinum neurotoxin treatment in children with cerebral palsy: A population-based study in Norway, European Journal of Paediatric Neurology 16(5) (2012) 522-527.

[21] M.J. Barry, J.M. Vanswearingen, A.L. Albright, Reliability and responsiveness of the Barry–Albright Dystonia Scale, Developmental Medicine & Child Neurology 41(6) (1999) 404-411.

[22] R.E. Burke, S. Fahn, C.D. Marsden, S.B. Bressman, C. Moskowitz, J. Friedman, Validity and reliability of a rating scale for the primary torsion dystonias, Neurology 35(1) (1985) 73-77.

[23] P. Termsarasab, Medical treatment of dyskinetic cerebral palsy: translation into practice, Developmental Medicine & Child Neurology 59(12) (2017) 1210-1210.

[24] B. Dan, Cerebral palsy: science and clinical practice, London : Mac Keith Press2014.

[25] C.L. Comella, S. Leurgans, J. Wuu, G.T. Stebbins, T. Chmura, Rating scales for dystonia: A multicenter assessment, Movement Disorders 18(3) (2003) 303-312.

[26] R. Battini, G. Sgandurra, E. Petacchi, A. Guzzetta, R. Di Pietro, M.T. Giannini, et al., Movement Disorder-Childhood Rating Scale: Reliability and Validity, Pediatric Neurology 39(4) (2008) 259-265.

[27] E. Monbaliu, E. Ortibus, J. De Cat, B. Dan, L. Heyrman, P. Prinzie, et al., The Dyskinesia Impairment Scale: a new instrument to measure dystonia and choreoathetosis in dyskinetic cerebral palsy, Developmental Medicine & Child Neurology 54(3) (2012) 278-283.

[28] K. Stewart, A. Harvey, L.M. Johnston, A systematic review of scales to measure dystonia and choreoathetosis in children with dyskinetic cerebral palsy, Developmental Medicine and Child Neurology 59(8) (2017) 786-795.

[29] I. Vanmechelen, B. Dan, H. Feys, E. Monbaliu, Test-retest reliability of the Dyskinesia Impairment Scale: measuring dystonia and choreoathetosis in dyskinetic cerebral palsy, Developmental medicine and child neurology (2019).

[30] L. Pavone, J. Burton, D. Gaebler-Spira, Dystonia in Childhood: Clinical and Objective Measures and Functional Implications, Journal of Child Neurology 28(3) (2013) 340-350.

[31] E. Jaspers, H. Feys, H. Bruyninckx, A. Cutti, J. Harlaar, G. Molenaers, et al., The reliability of upper limb kinematics in children with hemiplegic cerebral palsy, Gait & Posture 33(4) (2011) 568-575.

[32] E. Jaspers, K. Desloovere, H. Bruyninckx, K. Klingels, G. Molenaers, E. Aertbelien, et al., Three- Dimensional Upper Limb Movement Characteristics in Children with Hemiplegic Cerebral Palsy and Typically Developing Children, Research in Developmental Disabilities: A Multidisciplinary Journal 32(6) (2011) 2283-2294.

[33] M. Coluccini, E.S. Maini, C. Martelloni, G. Sgandurra, G. Cioni, Kinematic characterization of functional reach to grasp in normal and in motor disabled children, Gait & Posture 25(4) (2007) 493- 501.

[34] F. Fitoussi, N. Maurel, A. Diop, E.M. Laassel, B. Ilharreborde, A. Presedo, et al., Upper extremity kinematics analysis in obstetrical brachial plexus palsy, Orthopaedics & Traumatology: Surgery & Research 95(5) (2009) 336-342.

[35] E. Jaspers, K. Desloovere, H. Bruyninckx, G. Molenaers, K. Klingels, H. Feys, Review of quantitative measurements of upper limb movements in hemiplegic cerebral palsy, Gait & Posture 30(4) (2009) 395-404.

[36] S. Summa, J. Tosi, F. Taffoni, L. Di Biase, M. Marano, A.C. Rizzo, et al., Assessing bradykinesia in Parkinson's disease using gyroscope signals, 2017, pp. 1556-1561.

[37] T. Hester, R. Hughes, D.M. Sherrill, B. Knorr, M. Akay, J. Stein, et al., Using wearable sensors to measure motor abilities following stroke, 2006, pp. 4 pp.-8.

[38] B. Knorr, R. Hughes, D. Sherrill, J. Stein, M. Akay, P. Bonato, Quantitative Measures of Functional Upper Limb Movement in Persons after Stroke, 2005, pp. 252-255.

[39] A. Parnandi, E. Wade, M. Matarić, Motor function assessment using wearable inertial sensors, 2010, pp. 86-89.

[40] S. Spasojević, T.V. Ilić, I. Stojković, V. Potkonjak, A. Rodić, J. Santos-Victor, Quantitative assessment of the arm/hand movements in Parkinson's disease using a wireless armband device, Frontiers in Neurology 8 (2017).

[41] E. Jaspers, H. Feys, H. Bruyninckx, J. Harlaar, G. Molenaers, K. Desloovere, Upper limb kinematics: Development and reliability of a clinical protocol for children, Gait & Posture 33(2) (2011) 279-285.

[42] H. Zhou, H. Hu, Human motion tracking for rehabilitation—A survey, Biomedical Signal Processing and Control 3(1) (2008) 1-18.

[43] A. Cutti, A. Giovanardi, L. Rocchi, A. Davalli, R. Sacchetti, Ambulatory measurement of shoulder and elbow kinematics through inertial and magnetic sensors, Medical & Biological Engineering & Computing 46(2) (2008) 169-178.

[44] O. Mayr, P. Tadayon, T. Felderhoff, Evaluation of inertial Sensors and optical measurement methods for head and shoulder angle motion analysis, Current Directions in Biomedical Engineering 5(1) (2019) 377-379.

[45] K. Lebel, P. Boissy, M. Hamel, C. Duval, Inertial Measures of Motion for Clinical Biomechanics: Comparative Assessment of Accuracy under Controlled Conditions - Effect of Velocity.(Research Article), PLoS ONE 8(11) (2013) e79945.

[46] T.D. Sanger, Arm Trajectories in Dyskinetic Cerebral Palsy Have Increased Random Variability, Journal of Child Neurology 21(7) (2006) 551-557.

[47] L.M. Gordon, J.L. Keller, E.E. Stashinko, A.H. Hoon, A.J. Bastian, Can Spasticity and Dystonia Be Independently Measured in Cerebral Palsy?, Pediatr Neurol 35(6) (2006) 375-381.

[48] B. Cuyvers, Translating movement intention into wheelchair commands for DCP patients, Catholic University Leuven, 2019.

[49] J. Pollentier, The development of an Instrumented Dystonia and Choreoathetosis Assessment (IDCA) protocol of upper limb movements in dyskinetic cer ebral palsy, Leuven : KU Leuven. Faculteit Bewegings- en Revalidatiewetenschappen, 2020.

[50] G. Wu, F.C.T. van Der Helm, H.E.J. Veeger, M. Makhsous, P. Van Roy, C. Anglin, et al., ISB recommendation on definitions of joint coordinate systems of various joints for the reporting of human joint motion—Part II: shoulder, elbow, wrist and hand, Journal of Biomechanics 38(5) (2005) 981-992.

[51] V. Rincon Montes, Y. Quijano, J.E. Chong Quero, D. Villanueva Ayala, J.C. Perez Moreno, Comparison of 4 different smoothness metrics for the quantitative assessment of movement's quality in the upper limb of subjects with cerebral palsy, IEEE, 2014, pp. 1-6.

[52] R. Pons, A. Vanezis, H. Skouteli, A. Papavasiliou, M. Tziomaki, D. Syrengelas, et al., Upper Limb Function, Kinematic Analysis, and Dystonia Assessment in Children With Spastic Diplegic Cerebral Palsy and Periventricular Leukomalacia, J Child Neurol 32(11) (2017) 936-941.

[53] N. Preston, A. Weightman, P. Culmer, M. Levesley, B. Bhakta, M. Mon-Williams, The Cerebral Palsy Kinematic Assessment Tool (CPKAT): feasibility testing of a new portable tool for the objective evaluation of upper limb kinematics in children with cerebral palsy in the non-laboratory setting, Disabil Rehabil Assist Technol 11(4) (2016) 339-344.

[54] F.E. Buma, J. van Kordelaar, M. Raemaekers, E.E.H. van Wegen, N.F. Ramsey, G. Kwakkel, Brain activation is related to smoothness of upper limb movements after stroke, Exp Brain Res 234(7) (2016) 2077-2089.

[55] M. Bennasar, Y.A. Hicks, S.P. Clinch, P. Jones, C. Holt, A. Rosser, et al., Automated Assessment of Movement Impairment in Huntington's Disease, IEEE Trans Neural Syst Rehabil Eng 26(10) (2018) 2062-2069.

[56] R.K. Mann, R. Edwards, J. Zhou, A. Fenney, M. Jog, C. Duval, Comparing movement patterns associated with Huntington’s chorea and Parkinson’s dyskinesia, Exp Brain Res 218(4) (2012) 639-654.

[57] E. Jaspers, D. Monari, G. Molenaers, H. Feys, K. Desloovere, U.L.E.M.A.—Upper limb evaluation in movement analysis: Open source custom made MATLAB based software, Gait & posture 39 (2013) S76- S77.

[58] S. Balasubramanian, A. Melendez-Calderon, E. Burdet, A Robust and Sensitive Metric for Quantifying Movement Smoothness, IEEE Trans Biomed Eng 59(8) (2012) 2126-2136.

[59] R. Liu, L. Peng, L. Tong, Y. Wu, A Novel Method for Parkinson's Disease Classification and Dyskinesia Quantification Using Wearable Inertial Sensors, IEEE, 2019, pp. 1022-1026.

[60] L.G. Portney, M.P. Watkins, Foundations of clinical research: applications to practice, 3rd ed., new int. ed. ed., Harlow : Pearson2014.

[61] H. Haberfehlner, L. Bonouvrie, M. Van der Krogt, J. Harlaar, A. Buizer, Objective assessment of dyskinesia in cerebral palsy based on markerless motion tracking from video recordings, Dev Med Child Neurol 62(S4) (2020) 39-40.

[62] E. Monbaliu, E. Ortibus, P. Prinzie, B. Dan, J. De Cat, P. De Cock, et al., Can the Dyskinesia Impairment Scale be used by inexperienced raters? A reliability study, Eur J Paediatr Neurol 17(3) (2012) 238-247.

[63] B.I. Goodlich, E.L. Armstrong, S.A. Horan, E. Baque, C.P. Carty, M.N. Ahmadi, et al., Machine learning to quantify habitual physical activity in children with cerebral palsy, Dev Med Child Neurol 62(9) (2020) 1054-1060.

[64] Y. Zhang, Y. Ma, Application of supervised machine learning algorithms in the classification of sagittal gait patterns of cerebral palsy children with spastic diplegia, Comput Biol Med 106 (2019) 33- 39.

[65] A.H. Butt, E. Rovini, C. Dolciotti, G. De Petris, P. Bongioanni, M.C. Carboncini, et al., Objective and automatic classification of Parkinson disease with Leap Motion controller, Biomed Eng Online 17(1) (2018) 168-168.

[66] S.S. Bidabadi, T. Tan, I. Murray, G. Lee, Tracking Foot Drop Recovery Following Lumbar-Spine Surgery, Applying Multiclass Gait Classification Using Machine Learning Techniques, Sensors (Basel) 19(11) (2019) 2542.

[67] S. Ray, A Quick Review of Machine Learning Algorithms, IEEE, 2019, pp. 35-39.

[68] J.-Y. Kim, G. Park, S.-A. Lee, Y. Nam, Analysis of Machine Learning-Based Assessment for Elbow Spasticity Using Inertial Sensors, Sensors (Basel) 20(6) (2020) 1622.

[69] B.T. Cole, P. Ozdemir, S.H. Nawab, Dynamic SVM detection of tremor and dyskinesia during unscripted and unconstrained activities, 2012 Annual International Conference of the IEEE Engineering in Medicine and Biology Society (2012) 4927-4930.

[70] I.G. Nica, B. Cuyvers, S. Bekteshi, S. Gakopoulos, h. Hallez, e. Monbaliu, et al., Classification of Involuntary Movements of the Distal Arm in Dyskinetic Cerebral Palsy Wheelchair Users with Inertial Sensors, (2019).

[71] T.D. Sanger, D. Chen, D.L. Fehlings, M. Hallett, A.E. Lang, J.W. Mink, et al., Definition and classification of hyperkinetic movements in childhood, 2010, pp. 1538-1549.

[72] L. Barcala, F. Politti, M.C. Artilheiro, D.S. Speciali, S.A. Garbelotti, J.C.F. Correa, et al., Adult dyskinetic cerebral palsy: Upper limb movement and muscle function, Acta Neurol Scand 139(6) (2019) 505-511.

[73] M.C. Artilheiro, J.C.F. Corrêa, V. Cimolin, M.O. Lima, M. Galli, W. de Godoy, et al., Three- dimensional analysis of performance of an upper limb functional task among adults with dyskinetic cerebral palsy, Gait Posture 39(3) (2013) 875-881.

[74] S.N. Kukke, L.A. Curatalo, A.C. de Campos, M. Hallett, K.E. Alter, D.L. Damiano, Coordination of Reach-to-Grasp Kinematics in Individuals With Childhood-Onset Dystonia Due to Hemiplegic Cerebral Palsy, Neural Systems and Rehabilitation Engineering, IEEE Transactions on 24(5) (2016) 582-590.

[75] C. Casellato, G. Zorzi, A. Pedrocchi, G. Ferrigno, N. Nardocci, Reaching and Writing Movements: Sensitive and Reliable Tools to Measure Genetic Dystonia in Children, J Child Neurol 26(7) (2011) 822- 829.

[76] F. Lunardini, M. Bertucco, C. Casellato, N. Bhanpuri, A. Pedrocchi, T.D. Sanger, Speed-Accuracy Trade-Off in a Trajectory-Constrained Self-Feeding Task: A Quantitative Index of Unsuppressed Motor Noise in Children With Dystonia, J Child Neurol 30(12) (2015) 1676-1685.

[77] T.D. Sanger, J. Kaiser, B. Placek, Reaching Movements in Childhood Dystonia Contain Signal- Dependent Noise, Journal of child neurology 20(6) (2005) 489-496.

[78] N. Malfait, T.D. Sanger, Does dystonia always include co-contraction? A study of unconstrained reaching in children with primary and secondary dystonia, Exp Brain Res 176(2) (2007) 206-216.

[79] R. Pons, T. Vanezis, N. Darras, Quantification of dystonia in a group of children with bilateral CP using 3D upper limb motion analysis parameters, Gait & posture 42 (2015) S18-S18.

[80] L.M. Gordon, J.L. Keller, E.E. Stashinko, A.H. Hoon, A.J. Bastian, Can Spasticity and Dystonia Be Independently Measured in Cerebral Palsy?, Pediatric Neurology 35(6) (2006) 375-381.

[81] F. Bove, G.D. Lazzaro, D. Mulas, F. Cocciolillo, D.D. Giuda, A.R. Bentivoglio, A role for accelerometry in the differential diagnosis of tremor syndromes, Functional neurology 33(1) (2018) 45-49.

[82] C. Duval, A. Fenney, M.S. Jog, The Dynamic Relationship Between Voluntary and Involuntary Motor Behaviours in Patients with Basal Ganglia Disorders, New York, NY: Springer New York, 2009, pp. 521- 534.

[83] D. Lukšys, G. Jonaitis, J. Griškevičius, Quantitative Analysis of Parkinsonian Tremor in a Clinical Setting Using Inertial Measurement Units, Parkinsons Dis 2018 (2018) 1683831-7.

[84] I. Vanmechelen, S. Bekteshi, M. Konings, H. Feys, K. Desloovere, J.M. Aerts, et al., Upper limb movement characteristics of children and youth with dyskinetic cerebral palsy – A sensor approach, Gait & posture 81 (2020) 377-378.

[85] J. Gour, R. Edwards, S. Lemieux, M. Ghassemi, M. Jog, C. Duval, Movement patterns of peak-dose levodopa-induced dyskinesias in patients with Parkinson's disease, Brain Res Bull 74(1) (2007) 66-74.

[86] S. Niku, J.M. Henderson, Toward quantification of athetotic movements by frequency spectrum analysis, J Biomech 18(1) (1985) 71-76.

[87] P.R. Burkhard, H. Shale, J.W. Langston, J.W. Tetrud, Quantification of dyskinesia in Parkinson's disease: Validation of a novel instrumental method, Mov Disord 14(5) (1999) 754-763.

[88] H. Dai, P. Zhang, T.C. Lueth, Quantitative assessment of parkinsonian tremor based on an inertial measurement unit, Sensors (Basel) 15(10) (2015) 25055-25071.

[89] S. Bekteshi, I. Vanmechelen, M. Konings, E. Ortibus, H. Feys, E. Monbaliu, Clinical Presentation of Spasticity and Passive Range of Motion Deviations in Dyskinetic Cerebral Palsy in Relation to Dystonia, Choreoathetosis, and Functional Classification Systems, Dev Neurorehabil 24(3) (2021) 205-213.

[90] J. Rice, P. Skuza, F. Baker, R. Russo, D. Fehlings, Identification and measurement of dystonia in cerebral palsy, Dev Med Child Neurol 59(12) (2017) 1249-1255.