Estimating hip impact velocity and acceleration from video-captured falls using a pose estimation algorithm
Notice bibliographique
Résumé
Analyzing video footage of falls in older adults has emerged as an alternative to traditional lab studies. However, this approach is limited by the labor-intensive process of manually labeling body parts. To address this limitation, we aimed to validate the use of the AI-based pose estimation algorithm (OpenPose) in assessing the hip impact velocity and acceleration of video-captured falls. We analyzed 110 videos of 13 older adults (64.0 ± 5.9 years old) falling sideways in an experimental setting. By applying OpenPose to each video, we generated a time series of hip positions in the video, which were then analyzed using custom MATLAB code to calculate hip impact velocity and acceleration. These calculations were compared against ground truth measurements obtained from motion capture systems (VICON for hip impact velocity) and inertial measurement units (MC10 for hip impact acceleration). We examined the agreement between the ground truth and OpenPose measurements in terms of mean of absolute error (MAE), mean of absolute percentage error (MAPE), and bias (mean of error). Results showed that OpenPose had a good accuracy in estimating hip impact velocity with minimal bias (MAE: 0.17 ± 0.13 m/s, MAPE: 7.28 ± 5.21%; percent bias: - 1.27%). However, its estimation of hip impact acceleration (i.e., peak vertical hip acceleration at impact) showed poor accuracy (MAPE: 26.3 ± 19.4%), showing substantial underestimation in instances of high acceleration impacts (> 3.0 g). Further ANOVA analysis revealed OpenPose's ability to discern significant differences in hip impact velocity and acceleration based on the movement response utilized during the fall (e.g., stick-like fall, tuck-and-roll, knee block). This is the first study to validate the use of a pose estimation algorithm for identifying the hip impact kinematics in video-captured falls among older adults. Future validation studies involving diverse camera settings, fall contexts, and biomechanical parameters are warranted to extend this support for using pose estimation algorithms in this field.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».