MétaCan
Menu
Retour à la cohorte
Enregistrement W4416605986 · doi:10.1186/s12984-025-01808-4

Using MediaPipe to track upper-limb reaching movements after stroke: a proof-of-principle study

2025· article· en· W4416605986 sur OpenAlexafffund
Vaidehi Wagh, Matthew W. Scott, Justin W. Andrushko, Christina B. Jones, Beverley C. Larssen, Lara A. Boyd, Sarah N. Kraeutner

Notice bibliographique

RevueJournal of NeuroEngineering and Rehabilitation · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueStroke Rehabilitation and Recovery
Établissements canadiensUniversity of British Columbia HospitalUniversity of British ColumbiaOkanagan University CollegeUniversity of British Columbia, Okanagan Campus
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésKinematicsTrunkUpper limbMovement (music)Motion captureUpper trunkStroke (engine)Range of motionWork (physics)

Résumé

récupéré en direct d'OpenAlex

Emerging work supports the use of artificial intelligence-based markerless motion capture systems to complement standardized clinical measures when assessing post-stroke motor recovery. MediaPipe Pose Landmarker is an open-sourced, machine learning tool, requiring only one camera, which can be used to track upper limb movements and quantify kinematics. Here we aimed to test the use-case of MediaPipe Pose Landmarker in tracking upper limb movements after stroke in a 2-dimensional cartesian coordinate space. Participants (N = 7, > 2 months after stroke, upper extremity portion of the Fugl-Meyer Assessment (FMA-UE) range of 40-66) engaged in five sessions of a previously established, semi-immersive, gamified reaching task, involving movements of the hand and arm. Movements at four time points (first and last block of session 1 and 5) were captured by a video camera, with videos processed through the MediaPipe Pose Landmarker pipeline to extract coordinates of effectors of interest and subsequently analyze kinematic outcomes (related to movements of the hand, shoulder, and trunk). Kinematics of the hand (mean palm speed, palm bivariate variable error; BVE, where a low BVE reflects greater consistency), shoulder (BVE), and trunk (BVE) were extracted for each individual, separately across time points. Exploratory analyses indicate increased mean palm speed and palm BVE across time points. Further, analyses suggest that shoulder and trunk movements may contribute to improvements in hand-related outcomes for some individuals. Overall, our findings provide support for the use of MediaPipe Pose Landmarker in tracking upper limb movements in individuals with motor impairment after stroke.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,309
Écart entre enseignants0,296 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of NeuroEngineering and RehabilitationMême sujetStroke Rehabilitation and RecoveryTravaux en français237 207