Optimizing MediaPipe for the assessment of hand trajectories using a touchscreen shape-tracing task
Notice bibliographique
Résumé
MediaPipe is an artificial intelligence-based system that offers a markerless, lightweight approach to motion capture. Yet, its optimal pipeline and accuracy against a known standard for investigations of upper-limb movements is unknown. We aimed to 1) determine optimal post-processing parameters for assessing hand/arm movements via MediaPipe, and 2) evaluate MediaPipe against a known standard. Participants (N = 4) performed one block (10 trials) of a touchscreen-based shape-tracing task. Trials were captured by a camera (GoPro Hero8, 30FPS), with videos cropped to 2sec clips (one trial per video). 1) Two clips were processed via MediaPipe to obtain x-y coordinate data of hand trajectories. The following post-processing parameters were applied: MediaPipe and touchscreen generated coordinates were resampled using spline interpolation (250 datapoints; original reference frames) and normalised. Following Procrustes transformations, root mean squared error (RMSE; primary outcome measure) was calculated for coordinates generated by MediaPipe vs. the touchscreen computer. RMSE decreased with post-processing (RMSEraw=103.3±7.71px, RMSEpost-processed=1.3±0.15px, d>1). 2) We applied our pipeline to 25 clips and conducted an equivalence test between coordinates generated by MediaPipe vs. the touchscreen computer. Preliminary findings indicate accuracy differed between MediaPipe and the touchscreen computer, but the true difference was between 0-2px (t(24) = -31.0, p < .001; mean RMSE=1.2, 90%CI[1.19, 1.27]). This work identifies key post-processing parameters for MediaPipe applied to evaluate upper-limb movements. Future work will quantify the extent to which MediaPipe differs from a known standard across the full dataset, overall informing applications of MediaPipe in investigations of upper-limb movement.
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 | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».