Refined shoulder kinematics via markerless bony landmark detection and acromial 3D shape using an RGB-D camera during hand-cycling
Notice bibliographique
Résumé
Abstract Biomechanical biofeedback has the potential to enhance rehabilitation by providing clinicians with objective evaluation of patient performances. As feedback systems often depend on expensive and sophisticated motion capture technologies, researchers explore computer vision-based alternatives. Existing methods suffer from substantial joint angle errors, particularly in the upper limb, and neglect the scapular movements. We developed an approach for detecting bony landmarks and performing refined upper-limb kinematics assessments using a single consumer-grade depth-sensing camera. Unlike other markerless methods, our model incorporates the scapula, offering comprehensive shoulder joint kinematics. Annotated images from eight participants were used to fine-tune a convolutional neural network, which was subsequently evaluated on a hand-cycling motion. Our method showed a strong agreement with a reference marker-based system, with 3D bony landmark detection errors averaging 5 mm. The resulting kinematics closely aligned with the reference system, maintaining acceptable joint angle errors (∼6.3°). Furthermore, the algorithm could provide real-time bony landmark positions and joint kinematics at a rate of 50 Hz. This study highlights the potential of using a single consumer-grade depth-sensing camera combined with an acromial 3D-shape to accurately estimate upper-limb kinematics through bony landmark detection, paving the way for more accessible clinical assessments.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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) | 0,001 | 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 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 ».