Sensores de visión comerciales y marcos de estimación de posturas basados en IA para el análisis de movimiento sin...

Área de la Ciencia:

• Biomecánica
• Análisis del movimiento humano
• Kinesiología

Sus antecedentes:

• Los sistemas tradicionales de captura de movimiento son precisos pero costosos y complejos.
• Las herramientas de análisis de movimiento sin marcador (por ejemplo, Kinect, OpenPose) ofrecen alternativas accesibles utilizando cámaras estándar.
• Estas herramientas permiten el análisis cinemático 2D y 3D para diversas aplicaciones.

Objetivo del estudio:

• Revisar la validez y fiabilidad de las tecnologías de captura de movimiento sin marcador.
• Para comparar estos sistemas con los métodos estándar en deportes y ejercicio.
• Discutir las configuraciones óptimas y las perspectivas futuras para el análisis de movimiento sin marcadores.

Principales métodos:

• Revisión de los estudios que evalúan los sistemas de captura de movimiento sin marcadores (comerciales y de código abierto).
• Análisis de la validez y fiabilidad de los datos en comparación con los sistemas tradicionales.
• Examen de las aplicaciones en deportes, entornos clínicos y juegos.

Principales resultados:

• Los sistemas sin marcadores 2D proporcionan soluciones rentables, pero luchan con los movimientos fuera del plano y los factores ambientales.
• Los marcos de código abierto (OpenPose, MediaPipe) son prometedores para la estimación de la postura en tiempo real.
• Los sistemas comerciales (Kinect, ZED) ofrecen opciones viables para la adquisición de datos cinemáticos en 3D.

Conclusiones:

• El análisis de movimiento sin marcadores es un campo de rápido avance con un potencial significativo.
• La integración de la IA y el aprendizaje automático para la estimación de la postura de 2D a 3D es clave para superar las limitaciones actuales.
• Estos avances apoyarán una adopción más amplia en la investigación cinemática y biomecánica.