Fidgety movements in infants between 9-16 weeks gestational age are a reliable sign of typical motor development, while the absence of these movements is a strong indicator of cerebral palsy, as highlighted by Prechtl’s General Movement Assessment. Recent research in the field has been directed at developing automated computer-aided tools for detecting these movements, which arise spontaneously without influence from external stimuli. This study introduces a novel approach to this problem, focusing on high-dimensional topological structures in movements. In the setup, home-recorded videos of infants were processed using OpenPose, a human pose estimation software, which generated 25 markers for various points on the body frame-by-frame. From the resulting time series data, the magnitudes of velocity and acceleration for both hands and feet were extracted. These selected features were further examined through Persistent Homology, a popular tool in Topological Data Analysis. The topological features were translated to Persistence Landscapes and fed into a Random Forest classifier, reaching a 95% accuracy on an initial set of 20 records, ten with fidgety movements and ten without, and subsequently 70% accuracy on a second set of 40 randomly selected records, again with a balanced distribution of the two classes. With these results, it is evident that the topological structures of the data carry information that can be used for assessing the motor development of infants. However, more research is needed to conclude to what degree topological features may be useful.

Så kallade ”fidgety movements” hos spädbarn mellan vecka 9-16 gestationell ålder är ett tillförlitligt tecken på typisk motorisk utveckling, medan avsaknad av dessa rörelser är en stark indikator på cerebral pares, vilket framgår av Prechtls General Movement Assessment. Mycket av den senaste tidens forskning inom området har inriktats på att utveckla automatiserade datorstödda verktyg för att upptäcka dessa rörelser, som uppstår spontant utan påverkan från extern stimulus. Denna studie introducerar en ny metod för att lösa detta problem, med fokus på högdimensionella topologiska strukturer i rörelser. I studien bearbetades heminspelade videor av spädbarn med OpenPose - mjukvara för uppskattning av mänsklig pose, som genererade 25 markörer för olika punkter på kroppen bild för bild. Från den resulterande tidsseriedatan extraherades magnituden av hastighet och acceleration för både händer och fötter. Datan undersöktes vidare genom Persistent Homology, ett populärt verktyg inom topologisk dataanalys. De topologiska egenskaperna översattes till Persistence Landscapes och matades slutligen in i en Random Forest klassificerare som, baserat på de topologiska kvalitéerna, nådde en noggrannhet på 95% på en första uppsättning med 20 videoklipp; 10 med fidgety movements och 10 utan, därefter 70% noggrannhet på en andra uppsättning med 40 slumpmässigt utvalda videoklipp, igen med balanserad fördelning av båda klasser. Med dessa resultat är det uppenbart att de topologiska strukturerna i rörelsedata innehåller information som kan användas för att analysera spädbarns motoriska utveckling, även om mer forskning behövs för att säkerställa till vilken grad topologisk data kan vara användbart.