Conclusion or Illusion: Quantifying Uncertainty in Inverse Analyses From Marker-Based Motion Capture due to Errors in Marker Registration and Model Scaling
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Estimating kinematics from optical motion capture with skin-mounted markers, referred to as an inverse kinematic (IK) calculation, is the most common experimental technique in human motion analysis. Kinematics are often used to diagnose movement disorders and plan treatment strategies. In many such applications, small differences in joint angles can be clinically significant. Kinematics are also used to estimate joint powers, muscle forces, and other quantities of interest that cannot typically be measured directly. Thus, the accuracy and reproducibility of IK calculations are critical. In this work, we isolate and quantify the uncertainty in joint angles, moments, and powers due to two sources of error during IK analyses: errors in the placement of markers on the model (marker registration) and errors in the dimensions of the model's body segments (model scaling). We demonstrate that IK solutions are best presented as a distribution of equally probable trajectories when these sources of modeling uncertainty are considered. Notably, a substantial amount of uncertainty exists in the computed kinematics and kinetics even if low marker tracking errors are achieved. For example, considering only 2 cm of marker registration uncertainty, peak ankle plantarflexion angle varied by 15.9°, peak ankle plantarflexion moment varied by 26.6 N⋅m, and peak ankle power at push off varied by 75.9 W during healthy gait. This uncertainty can directly impact the classification of patient movements and the evaluation of training or device effectiveness, such as calculations of push-off power. We provide scripts in OpenSim so that others can reproduce our results and quantify the effect of modeling uncertainty in their own studies.
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.
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 | 0,001 | 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 découle