Multimodal Motion Capture Toolbox for Enhanced Analysis of Intersegmental Coordination in Children with Cerebral Palsy and Typically Developing
Notice bibliographique
Résumé
Three-dimensional marker-based motion capture systems are the gold standard for evaluating kinematic patterns in human movement, offering precise quantification of segment and joint positions. However, traditional marker-based systems pose several challenges, particularly for children with neurological disabilities and sensory processing abnormalities, such as those observed with children with cerebral palsy. These challenges hinder the use of kinematic markers and limit detailed analyses of movement patterns. Recent advancements in markerless motion capture systems utilizing deep learning-based human pose estimation allowed us to explore cost-effective alternatives to traditional optical systems and the subsequent data processing approaches. An integrated toolbox was developed, combining multiple motion capture technologies: research-grade kinematic equipment, kinematic clusters, inertial measurement units, three-dimensional (3D) markerless systems, and two-dimensional (2D) markerless systems with commercially available cameras (via MediaPipe). For this current study, we present the outcomes of 3D marker-based versus 2D markerless motion capture, the major ongoing issue in human subjects' biomechanical studies, to describe coordinative patterns via hip-knee angle-angle plots. The cyclogram approach was selected because it offers a robust metric and readily interpretable framework for analyzing coordination via coupled motion between body segments. Two typically developing children and two children with cerebral palsy performed a functional movement pattern, the sit-to-stand task. The findings here demonstrated the feasibility of integrating multimodal systems for kinematic analyses, providing flexibility for research and clinical settings. Moreover, the novel open-source approach presented in this work addresses the challenges posed by many patient populations experiencing sensory processing issues, allowing for an advanced and individualized plan of care.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».