A comparison of lower extremity squat, lunge, and hip hinge kinematics between marker based and markerless motion capture systems
Notice bibliographique
Résumé
The resource-intensive nature of traditional marker-based motion capture systems limits opportunities for quantitative motion analysis. However, the advancement of markerless motion capture technology yields tremendous promise for accessible kinematic analyses beyond conventional research settings. This work compared the lower limb kinematics measured by a neural network-driven markerless motion capture system to those from a standard marker-based motion capture system during squat, hip hinge, and reverse lunge tasks. Fourteen adults performed three repetitions of each movement while being recorded simultaneously by two iPads and 17 infrared optical motion capture cameras. The mean peak cross-correlation values indicated high agreement for knee and hip flexion (>0.95) and poor agreement for hip adduction, knee varus, and internal rotation (<0.49) for all tasks; agreement for hip internal rotation and ankle flexion was task dependent (0.27–0.97). The average root mean square error indicated joint-specific offsets between systems, as values ranged from 6.43° to 12.32° for the knee, 11.25° to 17.35° for the hip, and 21.51° to 25.67° for the ankle. These findings suggest that, while the markerless system demonstrates the ability to capture gross motor patterns in the sagittal plane, further refinement of the underlying models is needed to improve the validity of the system’s measurements.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 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 ».