Gait tracking in dogs using DeepLabCut: A markerless machine learning approach for controlled settings
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
Analysing locomotion is critical for assessing canine health and diagnosing musculoskeletal conditions, yet traditional motion capture methods for dog gait analysis remain impractical in many clinical and industry settings. Markerless deep-learning approaches, such as DeepLabCut (DLC), offer a promising alternative, but their performance in gait analysis, particularly across diverse dog breeds, remains largely untested. In addition, the ability to automate aspects of gait parameter extraction from the resulting dataset, an important requirement for industry practitioners, is also widely untested. In this study, we trained a bespoke neural network on a 2100 training frames, for 2D markerless tracking on eight dog breeds and developed a scripted workflow for semi-automated gait parameter extraction. We calculated several temporal and kinematic variables, including duty factor and joint ranges of motion, comparing values of a widely studied breed (Labrador Retrievers) to literature data. Our model’s performance aligned with previous DLC studies, performing strongly on well-defined landmarks (E.g. nose, eye, carpal, tarsal), whilst struggling with less morphologically discrete locations (E.g. shoulder, hip). ANOVA results from our mixed model revealed a significant effect of body part on tracking performance (p = 0.003), yet no significant effect of breed (p = 0.828) and a small interaction effect between breed and body part (p = 0.049). Our semi-automated workflow successfully extracted gait parameters across our study breeds, though performance was highly dependent on the quality of underlying tracking data. Duty factor and stifle range of motion measures from our labradors showed good overlap with literature values, yet the broader distribution in our data highlighted important limitations in cross-study comparisons. These results suggest that a markerless deep-learning approach could provide a viable alternative to traditional motion capture for canine gait analysis, offering potential applications for both clinical and industry settings. • Extracted gait parameters from seven breeds of dog using a custom neural network. • Tracking performance varied significantly by landmark, but not by breed. • Large parts of gait parameter extraction process successfully automated from tracking output. • Our gait parameters were consistent with literature values for a benchmark study breed.
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 | 0,001 | 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) | 0,000 | 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