癲癇發作的臨床表現復雜多樣，其中超運動性發作（hyperkinetic seizures）和伴有手動自動癥的局灶性發作（focal seizures with manual automatisms）的鑒別診斷對癲癇灶定位至關重要。然而，傳統基于2D視頻腦電圖的視覺分析存在觀察者間差異大、運動量化不足等局限。德國慕尼黑大學癲癇中心與INESC TEC的研究團隊創新性地將3D運動捕捉技術引入癲癇研究領域，通過開發NeuroKinect系統實現了癲癇發作運動的客觀量化與可視化，相關成果發表在《Epilepsy》期刊。

研究采用Kinect v2設備采集20例癲癇發作（10例hyperkinetic，10例manual automatisms）的紅外-深度（IR-D）數據，通過半自動跟蹤算法獲取頭、雙手及軀干的3D坐標，計算速度（velocity）、加速度（acceleration）、急動度（jerk）等6項運動參數，并開發了3D軌跡重建和速度圖譜等新型可視化工具。

4.1.2.1 主要結果
定量分析顯示，hyperkinetic發作在所有感興趣區域（ROI）的平均速度顯著更高（如頭部0.62±0.28 vs 0.12±0.07 m/s，p=0.0003），加速度和急動度在多數ROI也顯著升高。4.1.2.2 次要結果 雖然運動范圍（movement extent）和位移（displacement）數值更大但未達統計學顯著性。4.2 發作持續時間 手動自動癥組的肢體自動癥持續時間顯著更長（80±38 vs 26±14秒，p=0.001）。4.3 3D可視化 創新性地實現了發作運動軌跡的三維重建與動態參數可視化（如圖3展示的手部運動路徑對比）。

該研究首次證實3D運動量化技術可有效區分不同癲癇發作類型，其核心價值在于：1）突破傳統2D分析丟失垂直維度運動的局限；2）為臨床爭議性發作分類提供客觀指標；3）可視化工具助力醫生直觀理解復雜運動模式。盡管存在夜間監測分辨率不足、需人工校正等限制，該方法為癲癇精準診療提供了新范式，未來可通過整合高清RGB數據與機器學習進一步提升自動化水平。