Markerless Pixel-Based Pipeline for Quantifying 2D Lower Limb Kinematics During Squatting: A Preliminary Validation Study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background/Objectives: Marker-based motion capture remains widely used for lower limb kinematics due to its high precision, although its application is often constrained by elevated operational costs and the requirement for controlled laboratory environments. Markerless methods, such as MediaPipe offer a promising alternative for extending biomechanical analyses beyond traditional laboratory settings, but evidence supporting their validity in controlled tasks is still limited. This study aimed to validate a pixel-based markerless pipeline for two-dimensional kinematic analysis of hip and knee motion during squatting. Methods: Ten healthy volunteers performed three squats with a maximum depth of 90°. Kinematic data were collected simultaneously using marker-based and markerless systems. For the marker-based method, hip and knee joint angles were calculated from marker trajectories within a fixed coordinate system. For the markerless approach, a custom pixel-based pipeline was developed in MediaPipe 0.10.26 to compute bidimensional joint angles from screen coordinates. A paired t-test was conducted using Statistical Parametric Mapping, and maximum flexion values were compared between systems with Bland–Altman analysis. Total range of motion was also analyzed. Results: The markerless pipeline provided valid estimates of hip and knee motion, despite a systematic tendency to overestimate joint angles compared to the marker-based system, with a mean bias of −17.49° for the right hip (95% LoA: −51.89° to 16.91°). Conclusions: These findings support the use of markerless tools in clinical contexts where cost and accessibility are priorities, provided that systematic biases are taken into account during interpretation. Overall, despite the systematic differences, the 2D MediaPipe-based markerless system demonstrated sufficient consistency to assist clinical decision-making in settings where traditional motion capture is not available.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle