Validation of a Markerless Motion Capture System for Human Movement Analysis
Notice bibliographique
Résumé
Three-dimensional human movement analysis is a widely used tool in clinical and research biomechanics to provide comprehensive 3D representations and quantification of individuals’ movement patterns, particularly gait. Marker-based optical motion capture is the current ‘gold standard’ for performing human movement analyses; however, these systems have several inherent issues that affect the accuracy and reliability of their data and limit the environments in which data can be collected. Markerless motion capture is a quickly evolving technology that has the potential to eliminate many of the issues associated with marker-based motion capture. This research aims to validate a deep neural network-based markerless motion capture system, Theia3D, against a current field-accepted marker-based motion capture system for human gait. Three studies were undertaken towards the validation of this technology: (i) a comparison of time- and distance-based gait parameter measurements obtained simultaneously by the markerless and marker-based motion capture systems; (ii) a comparison of kinematic measurements obtained simultaneously by both systems; and (iii) a multi-session study of the repeatability of kinematic measurements obtained by the markerless motion capture system. The results of these studies indicate that this markerless motion capture system can measure time- and distance-based gait parameters and gait kinematics with sufficient accuracy for use in research and clinical applications, and the kinematic measurements were more reliable than those previously reported for ‘gold standard’ marker-based motion capture systems. These findings indicate the markerless motion capture system is sufficiently accurate and reliable for use in clinical and research biomechanics and can potentially reduce the limitations previously associated with performing human movement analysis.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,000 | 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 ».