A 3D Camera User Interface for Wrist Angle Monitoring in Piano Performances
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Injuries are common over a performing musician’s career and wrist injuries are the most frequent site of pain for pianists. Although general recommendations insist on keeping wrists in a “neutral” position to avoid injury, this is rarely done in practice. Recent advances in motion capture technology may aid in raising students’ awareness of the propensity to use wrist positions outside of the recommended “neutral.” These technologies may be used to measure precise wrist positions in piano playing in order to set specific thresholds for avoiding injury. This paper discusses various advantages and limitations of motion capture technologies, including data visualization and usage within the music instrument pedagogy framework in order to define a set of requirements for an accessible motion-tracking system. A prototype of a dedicated image-processing-based system with a graphical user interface that meets these requirements is described. This system uses passive coloured markers and a standard 3D camera, encouraging use outside the traditional laboratory environment. Simple camera calibration options and basic hand tracking from aerial view images allow monitoring of wrist flexion/extension over short video recordings. Measurements are compared to flexion/extension thresholds recommended for typists to prevent carpal tunnel pressure, and moments of approaching or exceeding these thresholds are flagged to the user both in real time and in post-performance. Potential applications include monitoring the practice of short technical passages without restriction of instrument or location.
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.
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 | 0,007 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle