How Different Marker Sets Affect Joint Angles in Inverse Kinematics Framework
Notice bibliographique
Résumé
The choice of marker set is a source of variability in motion analysis. Studies exist which assess the performance of marker sets when direct kinematics is used, but these results cannot be extrapolated to the inverse kinematic framework. Therefore, the purpose of this study was to examine the sensitivity of kinematic outcomes to inter-marker set variability in an inverse kinematic framework. The compared marker sets were plug-in-gait, University of Ottawa motion analysis model and a three-marker-cluster marker set. Walking trials of 12 participants were processed in opensim. The coefficient of multiple correlations was very good for sagittal (>0.99) and transverse (>0.92) plane angles, but worsened for the transverse plane (0.72). Absolute reliability indices are also provided for comparison among studies: minimum detectable change values ranged from 3 deg for the hip sagittal range of motion to 16.6 deg of the hip transverse range of motion. Ranges of motion of hip and knee abduction/adduction angles and hip and ankle rotations were significantly different among the three marker configurations (P < 0.001), with plug-in-gait producing larger ranges of motion. Although the same model was used for all the marker sets, the resulting minimum detectable changes were high and clinically relevant, which warns for caution when comparing studies that use different marker configurations, especially if they differ in the joint-defining markers.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,017 | 0,109 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».