ATHENA: Automatically Tracking Hands Expertly with No Annotations
Notice bibliographique
Résumé
Abstract Studying naturalistic hand behaviours is challenging due to the limitations of conventional marker-based motion capture, which can be costly, time-consuming, and encumber participants. While markerless pose estimation exists – an accurate, off-the-shelf solution validated for hand-object manipulation is needed. We present ATHENA (Automatically Tracking Hands Expertly with No Annotations), an open-source, Python-based toolbox for 3D markerless hand tracking. To validate ATHENA, we concurrently recorded hand kinematics using ATHENA and an industry-standard optoelectronic marker-based system (OptiTrack). Participants performed unimanual, bimanual, and naturalistic object manipulation and we compared common kinematic variables like grip aperture, wrist velocity, index metacarpophalangeal flexion, and bimanual span. Our results demonstrated high spatiotemporal agreement between ATHENA and OptiTrack. This was evidenced by extremely high matches (R 2 > 0.90 across the majority of tasks) and low root mean square differences (< 1 cm for grip aperture, < 4 cm/s for wrist velocity, and < 5-10° for index metacarpophalangeal flexion). ATHENA reliably preserved trial-to-trial variability in kinematics, offering identical scientific conclusions to marker-based approaches, but with significantly reduced financial and time costs and no participant encumbrance. In conclusion, ATHENA is an accurate, automated, and easy-to-use platform for 3D markerless hand tracking that enables more ecologically valid motor control and learning studies of naturalistic hand behaviours, enhancing our understanding of human dexterity.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,001 |
| 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 ».