This research focuses on the analysing spontaneous infant movements using Hidden Markov Model (HMM) based analysis. While the usual research in this field addresses the lack of automated, scalable, and objective methods for assessing these movements to predict neurodevelopmental disorders such as cerebral palsy (CP), our research aims to analyse these movements from a more holistic perspective. The aim of our research is to utilize VI-HMMs to find out more about infant movement as well as find the optimal parameters for such models to enable futher research. This problem is significant and suitable for a Bachelor’s thesis due to its potential impact on understanding of early motor and neural development. Diagnosis and intervention for CP, a condition affecting 2 to 3 per 1000 live births is one of the clearest applications for this research. Early diagnosis and intervention can significantly improve outcomes for affected children, making this a critical area of study . The challenge lies in the complexity of accurately modeling and analyzing spontaneous movements, a task that has not been fully addressed due to the limitations in computational techniques and resources. The methodology involved using Variational Bayesian Inference Hidden Markov Models (VI-HMM) to analyze spatio-temporal sequences of infant movements. This approach was chosen for its ability to handle the multivariate and probabilistic nature of the data, providing a robust framework for identifying underlying patterns in the movements. The study utilized a dataset of infant movement sequences, extracting and normalizing various representations of the data for analysis. Evaluation was performed using cross-validation and information criteria to select the best models and states . We did not succeed in fulfilling our first goal, that being finding out more about infant movements themselves. We did however manage to fulfill our second goal, that being finding the optimal parameters. The main implications of this research is providing a foundation for future studies to build upon. It opens avenues for more complex and extensive analysis with larger datasets and more advanced computational techniques. The results can guide the development of automated screening tools that could be widely implemented in clinical settings, enhancing early diagnosis and intervention for neurodevelopmental disorders .

Denna forskning fokuserar på att analysera spontana spädbarnsrörelser med hjälp av Hidden Markov Model (HMM) baserad analys. Medan den vanliga forskningen inom detta område tar upp bristen på automatiserade, skalbara och objektiva metoder för att bedöma dessa rörelser för att förutsäga neuroutvecklingsstörningar som cerebral pares (CP), syftar vår forskning till att analysera dessa rörelser ur ett mer holistiskt perspektiv. Syftet med vår forskning är att använda VI-HMM för att ta reda på mer om spädbarns rörelser samt hitta de optimala parametrarna för sådana modeller för att möjliggöra vidare forskning. Detta problem är betydande och lämpligt för en kandidatuppsats på grund av dess potentiella inverkan på förståelsen av tidig motorisk och neural utveckling. Diagnos och intervention för CP, ett tillstånd som påverkar 2 till 3 per 1000 levande födda, är en av de tydligaste tillämpningarna för denna forskning. Tidig diagnos och intervention kan avsevärt förbättra resultaten för drabbade barn, vilket gör detta till ett kritiskt studieområde. Utmaningen ligger i komplexiteten i att noggrant modellera och analysera spontana rörelser, en uppgift som inte har åtgärdats helt på grund av begränsningarna i beräkningstekniker och resurser. Metodiken involverade att använda Variational Bayesian Inference Hidden Markov Models (VI-HMM) för att analysera spatio-temporala sekvenser av spädbarnsrörelser. Detta tillvägagångssätt valdes för dess förmåga att hantera datas multivariata och probabilistiska karaktär, vilket ger ett robust ramverk för att identifiera underliggande mönster i rörelserna. Studien använde en datauppsättning av spädbarns rörelsesekvenser, extraherade och normaliserade olika representationer av data för analys. Utvärderingen utfördes med hjälp av korsvalidering och informationskriterier för att välja de bästa modellerna och tillstånden. Vi lyckades inte uppfylla vårt första mål, att själva ta reda på mer om spädbarnsrörelser. Vi lyckades dock uppfylla vårt andra mål, nämligen att hitta de optimala parametrarna. Den huvudsakliga innebörden av denna forskning är att ge en grund för framtida studier att bygga vidare på. Det öppnar vägar för mer komplex och omfattande analys med större datamängder och mer avancerade beräkningstekniker. Resultaten kan vägleda utvecklingen av automatiserade screeningverktyg som skulle kunna implementeras brett i kliniska miljöer, vilket förbättrar tidig diagnos och intervention för neuroutvecklingsstörningar.