Inter-session repeatability of markerless motion capture gait kinematics
Notice bibliographique
Résumé
Abstract The clinical uptake and influence of gait analysis has been hindered by inherent flaws of marker-based motion capture systems, which have long been the standard method for the collection of gait data including kinematics. Markerless motion capture offers an alternative method for the collection of gait kinematics that presents several practical benefits over marker-based systems. This work aimed to determine the reliability of lower limb gait kinematics from video based markerless motion capture using an established experimental protocol for testing reliability. Eight healthy adult participants performed three sessions of five over-ground walking trials in their own self-selected clothing, separated by an average of 8.5 days, while eight synchronized and calibrated cameras recorded video. 3D pose estimates from the video data were used to compute lower limb joint angles. Inter-session variability, inter-trial variability, and the variability ratio were used to assess the reliability of the gait kinematics. Relative to repeatability studies based on marker-based motion capture, inter-trial variability was slightly greater than previously reported for some angles, with an average across all joint angles of 2.2°. Inter-session variability was smaller on average than previously reported, with an average across all joint angles of 2.5°. Variability ratios were all smaller than those previously reported with an average of 1.2, indicating that the multi-session protocol increased the total variability of joint angles by only 20% of the inter-trial variability. These results indicate that gait kinematics measured using markerless tracking were less affected by multi-session protocols compared to marker-based motion capture.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».