DeepLabCut的定制训练模型和步态分析的精细化功能

科学领域:

• 生物力学 生物力学
• 计算机视觉 计算机视觉
• 人类运动分析 人类运动分析

背景情况:

• 基于标记器的动作捕捉是精确的,但成本昂贵,环境受限.
• 无标记的姿势估计提供了生态,不引人注目的人类运动数据采集.
• OpenPose (OP) 和DeepLabCut (DLC) 是流行的无标记系统,用于运动分析.

研究的目的:

• 为了比较OpenPose和DeepLabCut对人类运动评估的无标记系统的性能.
• 为了评估DeepLabCut中定制培训和改进功能的有效性,用于步态分析.
• 为运动研究确定准确,低成本的替代传统运动捕捉的替代方案.

主要方法:

• 40名健康的受试者在5米长的步道上行走,带着力量平台和摄像头.
• 使用OpenPose (OPPT),预训练的DeepLabCut (DLCPT) 和定制训练的DeepLabCut (DLCCT) 来收集步行参数.
• 结果与力量平台数据作为参考系统进行了验证.

主要成果:

• 经过定制训练的DeepLabCut (DLCCT) 在经过预先训练的DLC (DLCPT) 和OpenPose (OPPT) 上表现优越.
• DLC 改进功能进一步提高了无标记机动评估的准确性.
• 定制培训和改进对于优化DeepLabCut对步态分析的姿势估计至关重要.

结论:

• DeepLabCut,特别是随着定制培训和改进,是用于运动分析的高效无标记器解决方案.
• 这项研究提供了对DLC培训的重要见解,以在运动评估中获得最佳性能.
• 临床医生和从业者可以利用这些发现进行超越实验室设置的准确,负担得起的运动分析.