Estimating body segment parameters from three-dimensional human body scans
Notice bibliographique
Résumé
Body segment parameters are inputs for a range of applications. Participant-specific estimates of body segment parameters are desirable as this requires fewer prior assumptions and can reduce outcome measurement errors. Commonly used methods for estimating participant-specific body segment parameters are either expensive and out of reach (medical imaging), have many underlying assumptions (geometrical modelling) or are based on a specific subset of a population (regression models). Our objective was to develop a participant-specific 3D scanning and body segmentation method that estimates body segment parameters without any assumptions about the geometry of the body, ethnic background, and gender, is low-cost, fast, and can be readily available. Using a Microsoft Kinect Version 2 camera, we developed a 3D surface scanning protocol that enabled the estimation of participant-specific body segment parameters. To evaluate our system, we performed repeated 3D scans of 21 healthy participants (10 male, 11 female). We used open source tools to segment each body scan into 16 segments (head, torso, abdomen, pelvis, left and right hand, forearm, upper arm, foot, shank and thigh) and wrote custom software to estimate each segment's mass, mass moment of inertia in the three principal orthogonal axes relevant to the center of the segment, longitudinal length, and center of mass. We compared our body segment parameter estimates to those obtained using two comparison methods and found that our system was consistent in estimating total body volume between repeated scans (male p = 0.1194, female p = 0.2240), estimated total body mass without significant differences when compared to our comparison method and a medical scale (male p = 0.8529, female p = 0.6339), and generated consistent and comparable estimates across a range of the body segment parameters of interest. Our work here outlines and provides the code for an inexpensive 3D surface scanning method for estimating a range of participant-specific body segment parameters.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,003 |
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 ».