优化和比较无标记和基于标记的动作捕捉方法用于手和手指运动分析
Valentin Maggioni1, Christine Azevedo-Coste1, Sam Durand1
1Contrôle Artificiel de Mouvements et de Neuroprothèses Intuitives (CAMIN), Institut National de Recherche en Informatique et en Automatique (INRIA), Centre d'Université Côte d'Azur, Université de Montpellier, 34090 Montpellier, France.
Sensors (Basel, Switzerland)
|February 26, 2025
概括
无标记运动捕捉用于手和手指运动跟踪在康复中显示出有前途. 谷歌MediaPipe API的准确性高于跳动控制器,这表明临床应用的潜力.
科学领域:
- 生物医学工程 生物医学工程
- 康复技术 康复技术 康复技术
- 人类运动分析 人类运动分析
背景情况:
- 精确跟踪手和手指的运动对于上肢康复评估至关重要.
- 手部解剖学的复杂性为精确的运动捕捉带来了挑战.
研究的目的:
- 对基于标记的方法来评估无标记的运动捕捉方法 (跳动控制器,谷歌MediaPipe API) 的性能.
- 通过整合数据处理算法和多个记录设备来提高无标记方法的精度.
主要方法:
- 15名健康参与者进行了五种不同的手动.
- 同时录制使用跳动控制器,谷歌MediaPipe API和基于标记器的系统.
- 在OpenSim软件中通过骨架手模型和反向动力学进行分析.
主要成果:
- 与Leap Motion Controller (平均RMSE14.7°) 相比,谷歌MediaPipe API实现了更高的准确性 (平均RMSE10.9°) 的结果.
- 无标记方法,特别是MediaPipe,在临床使用中显示出有希望的准确性.
结论:
- 无标记运动捕捉,特别是使用谷歌MediaPipe API,为在临床环境中评估手和手指运动提供了可行的和准确的替代方案.
- 进一步发展数据处理可以提高无标记器系统的精度,用于康复.
