深度学习无标记器运动捕捉系统在空中坐期间的同时有效性和测试可靠性

科学领域:

• 生物力学 生物力学
• 人类运动分析 人类运动分析
• 数字健康技术 数字健康技术

背景情况:

• 基于标记器的光学运动捕捉对于理解人类运动至关重要,但耗时且劳动密集.
• 现有系统需要训练有素的操作人员和复杂的数据采集流程.
• 需要在生态环境中更容易获得和更有效的运动捕捉解决方案.

研究的目的:

• 开发和验证一个基于深度学习的3D无标记运动捕捉系统,名为"Ergo".
• 评估Ergo系统的并发有效性和测试-重新测试可靠性.
• 为了评估系统的性能与标准的基于标记器的关节动力学运动捕捉系统对比.

主要方法:

• 开发了"Ergo"系统,利用深度学习进行无标记的3D动作捕捉.
• 采集了使用Ergo和基于黄金标准标记器系统的空中坐运动数据.
• 分析了全身关节动力学,包括时间序列和峰值关节角度.

主要成果:

• 埃尔戈证明了时间序列联合角度的优秀一致性 (ICC = 0.88-0.99).
• 与黄金标准相比,峰值联合角度显示出极好的一致性 (ICC = 0.75-1.0).
• 对于Ergo测量 (ICC = 0.92-0.99) 的测试重复测试可靠性很高.

结论:

• 基于深度学习的无标记器Ergo系统实现了与基于标记器的黄金标准系统相提并论的准确性和可靠性.
• 埃尔戈提供了一个快速的 (5分钟数据收集/处理) 和可用的解决方案来捕捉运动.
• 该系统对各种用户和生态数字医疗保健环境具有高度可访问性.