Wrist Posture Estimation Differences and Reliability Between Video Analysis and Electrogoniometer Methods
Notice bibliographique
Résumé
Objective The aim of this study was to determine the inter- and intrarater agreement of estimated wrist angles using video and to compare wrist angles from video analysis to electrogoniometers. Background Video analysis is used frequently in ergonomic assessments, but factors including parallax and complex angles may influence wrist angle estimates. Electrogoniometers are an alternative to video, but may not be reliable in complex postures. Given the limitations of each method, there is a need to determine the suitability of the measurement methods for field use. Method Ten participants performed frame-by-frame wrist (flexion–extension, radioulnar deviation) and forearm (pronation–supination) posture estimation for worker tasks from three camera views (top, side, and oblique). Workers were equipped with electrogoniometers to record wrist posture during the tasks. The video estimate data was compared between 2 days and to sensor data. Results Percent agreement between participants ranged from 53% to 81% across all ratings. Agreement was highest from the side view (66%, κ = 0.56) for flexion–extension and top view for radioulnar deviation (77%, κ = 0.52) and pronation–supination (69%, κ = 0.58). Video–electrogoniometer agreement was lower, with peak agreement from the top view for flexion–extension (57%, κ = 0.49) and radioulnar deviation (68%, κ = 0.30) and the oblique view for pronation–supination (53%, κ = –0.1). Conclusion Participant estimate agreement was moderate-substantial overall and aligns with previous reports. Disagreement between video and electrogoniometers may be attributed to camera angle and parallax effects and the small magnitude of wrist motions compared to other joints.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».