Verification of skin‐based markers for 3‐dimensional kinematic analysis of the equine tarsal joint
Notice bibliographique
Résumé
REASONS FOR PERFORMING STUDY: Kinematic studies are usually based on tracking markers attached to the skin. However, complex joints, such as the tarsal joint, function in 3-dimensions (3D), and have therefore necessitated application of the invasive bone pin technique, limiting kinematic studies to the research laboratory. This study investigates the feasibility of using skin-based markers for 3D analysis of tarsal joint motion. HYPOTHESIS: Three-dimensional motions of the tarsal joint can be measured with an acceptable degree of accuracy using skin markers. METHODS: Retroreflective markers were attached over the tibial and metatarsal segments. Markers were tracked automatically at trot. Three-dimensional skin correction algorithms were used for correction of skin displacement, and 3D motions derived from the corrected (CSD) and uncorrected (USD) skin displacement were compared with data from a previous study in which those motions were described using bone-fixed markers (BFM) by correlation, root mean square errors (RMS) and shape agreement (SA) of the curves. RESULTS: The RMS of BFM and CSD were smaller than those of BFM and USD for all motions. The correlation coefficients of BFM and CSD were higher than those of BFM and USD. SA was good or fair for all motions except internal/external rotation and medial/lateral translation. CONCLUSIONS AND POTENTIAL RELEVANCE: With appropriate correction for skin movement relative to skeletal landmarks, skin markers can identify tarsal 3D motions for flexion/extension, abduction/adduction, cranial/caudal translation, and proximal/distal translation, allowing analysis and comparison of information between horses during swing and stance phases.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».