Evaluating Lower Limb Kinematics Using Microsoft’s Kinect: A Simple, Novel Method
Notice bibliographique
Résumé
Purpose: Our aim was to evaluate the Microsoft Kinect sensor (MKS) as a markerless system for motion capture and analysis of lower limb motion, compare it with a state-of-the-art marker-based system (MBS), and investigate its accuracy in simultaneously capturing several lower limb joint movements on several planes while participants walked freely. Method: Participants were asked to walk while gait data were simultaneously recorded by both the MKS and the MBS. Software for analysing the Kinect data stream was developed using Microsoft Visual Studio and Kinect for Windows software development kits. Visual three-dimensional (3D) C-Motion software was used to calculate 3D joint angles of the MBS. Deviation of the joint angles calculated by the two systems was calculated using root-mean-square error (RMSE) on the basis of a designated formula. Results: The calculated RMSE average was <5° between the two systems, a level of difference that has practically no clinical significance. Conclusions: Quantitative measurements of the joint angles of the knee and hip can be acquired using one MKS with some accuracy. The system can be advantageous for clinical use, at the pre- and post-treatment stages of rehabilitation, at significantly lower costs. Further evaluation of the MKS should be performed with larger study populations.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».