相关实验视频
Updated: Jun 29, 2025
08:16
Movement Retraining using Real-time Feedback of Performance
Published on: January 17, 2013
13.4K
马的客观运动不对称性在无标记技术和基于传感器的系统之间是可比的
Anne S Kallerud1, Patrick Marques-Smith1, Helle K Bendiksen2
1Department of Companion Animal Clinical Sciences, Norwegian University of Life Sciences, Aas, Norway.
Equine veterinary journal
|April 3, 2024
概括
无标记的人工智能 (AI) 和惯性测量单元 (IMU) 系统在马匹中显示了可比的的检测. 两个IMU系统之间的协议是最强的,但AI分析的步骤较少,可能会限制其有效性.
科学领域:
- 马的生物力学和运动分析.
- 人工智能和传感器技术在动物健康中的应用.
背景情况:
- 一个新的无标记AI系统用于的检测是可用的,但缺乏与已建立的惯性测量单位 (IMU) 系统的广泛比较.
- 现场条件评估对于评估马匹的检测技术的实际实用性至关重要.
研究的目的:
- 在现场条件下使用无标记AI系统 (SleipAI; SL) 和两个IMU系统 (Equinosis Q Lameness Locator; LL, EquiMoves; EM) 进行非对称四肢分类的比较.
- 为了比较从这些客观系统和主观评估 (SE) 获得的规范化不对称性数据.
主要方法:
- 一项描述性临床研究,涉及52匹客户拥有的定期训练中的马.
- 在直线行走过程中收集数据,肢体被分类为对称或不对称.
- 统计分析包括威尔科克森的步骤比较测试,莱特的卡帕对评分器之间的可靠性,以及布兰德-阿尔特曼分析对正常化不对称数据的分析.
主要成果:
- 分析了41匹马的数据,其中大多数表现出轻微的不对称性.
- 与其他系统相比,EquiMoves (EM) 分析的步伐 (前肢和后肢) 显著更多.
- 在系统 (k=0.59前肢,0.44后肢) 之间观察到对称性分类的中等级别之间的协议,随着主观评估的纳入而下降. 对于规范化不对称数据,两种IMU系统 (LL和EM) 之间达成最强的协议.
结论:
- 客观的检测系统在现场条件下对不对称的肢体进行分类时显示出可比性,差异往往与定义的不对称值有关.
- SleipAI (SL) 系统分析的后肢步伐比LL和EM要少得多,这表明了潜在的限制.
- 在规范化不对称数据中,在Equinosis Q Lameness Locator (LL) 和EquiMoves (EM) 系统之间发现了最强的一致性.
