Method Article

Multimodale Motion Capture Toolbox zur verbesserten Analyse der intersegmentalen Koordination bei Kindern mit Zerebralparese und typischerweise in Entwicklung

DOI:

10.3791/69604

⸱

December 16th, 2025

 ,  ,  , 
1Department of Physical Therapy, University of North Florida, 2School of Physical Education and Sport of Ribeirão Preto, University of São Paulo, 3Department of Clinical and Applied Movement Sciences, University of North Florida

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Studie stellt einen Werkzeugkasten vor, der Motion-Capture-Technologien kombiniert, um kinematische Signale zu analysieren und Ganzkörperkoordinationsmuster mit Winkel-Winkel-Diagrammen zu quantifizieren. Der Werkzeugkasten wurde entwickelt, um die Herausforderungen traditioneller markerbasierter Systeme zu meistern, und unterstützt Flexibilität in Forschungs-, klinischen und Feldkontexten und fördert individuelle Betreuung und funktionelle Bewertungen für Kinder mit motorischen Behinderungen.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dreidimensionale, markerbasierte Motion-Capture-Systeme sind der Goldstandard zur Bewertung kinematischer Muster in menschlicher Bewegung und bieten eine präzise Quantifizierung von Segment- und Gelenkpositionen. Traditionelle markerbasierte Systeme stellen jedoch mehrere Herausforderungen dar, insbesondere für Kinder mit neurologischen Beeinträchtigungen und sensorischen Verarbeitungsanomalien, wie sie bei Kindern mit Zerebralparese beobachtet werden. Diese Herausforderungen erschweren die Verwendung kinematischer Marker und schränken detaillierte Analysen von Bewegungsmustern ein. Jüngste Fortschritte bei markerlosen Motion-Capture-Systemen, die auf Deep-Learning-basierter Human-Pose-Schätzung basieren, ermöglichten es uns, kosteneffiziente Alternativen zu traditionellen optischen Systemen und den nachfolgenden Datenverarbeitungsansätzen zu erkunden. Ein integrierter Werkzeugkasten wurde entwickelt, der mehrere Motion-Capture-Technologien kombiniert: forschungsfähige kinematische Geräte, kinematische Cluster, Trägheitsmessgeräte, dreidimensionale (3D) markerlose Systeme und zweidimensionale (2D) markerlose Systeme mit kommerziell erhältlichen Kameras (über MediaPipe). Für diese aktuelle Studie präsentieren wir die Ergebnisse von 3D-markerbasierter versus 2D-markerloser Motion Capture, dem wichtigsten aktuellen Problem in biomechanischen Studien bei Menschen, um koordinative Muster über Hüft-Knie-Winkel-Diagramme zu beschreiben. Der Zyklogrammansatz wurde gewählt, weil er eine robuste Metrik und leicht interpretierbaren Rahmen zur Analyse der Koordination durch gekoppelte Bewegung zwischen Körpersegmenten bietet. Zwei typisch entwickelnde Kinder und zwei Kinder mit Zerebralparese führten ein funktionelles Bewegungsmuster aus, die Sitz-zu-Stehen-Aufgabe. Die hier genannten Ergebnisse zeigten die Machbarkeit, multimodale Systeme für kinematische Analysen zu integrieren, was Flexibilität für Forschungs- und klinische Umgebungen bietet. Darüber hinaus adressiert der neuartige Open-Source-Ansatz, der in dieser Arbeit präsentiert wird, die Herausforderungen vieler Patientengruppen mit sensorischen Verarbeitungsproblemen mit sich bringen und ermöglicht einen fortschrittlichen und individuellen Behandlungsplan.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dreidimensionale kinematische Motion-Capture-Bewertungen haben zuverlässige Informationen zur Quantifizierung erwarteter und abnormaler Bewegungsmuster geliefert. Solche Informationen sind entscheidend bei der Gestaltung von Rehabilitationsplänen1 und der Festlegung von Sicherheitsansätzen für die Patienteninteraktion mit klinischer Ausrüstung (z. B. 2,3). Bei der Betrachtung von Kindern mit neurologisch induzierten Beeinträchtigungen können diese kinematischen Untersuchungen eine verbesserte Versorgung bieten, indem sie Veränderungen der Koordinationsmuster bei verschiedenen funktionellen Aufgaben wie Gang4, Sitz-zu-Stehen-Aufgabe5 und oberer Extremität bis6 berücksichtigen.

Obwohl dreidimensionale (3D) kinematische Bewertungen als Goldstandard für eine genaue Motion-Capture-Analysegelten 7, ist die Platzierung kinematischer Marker auf der Haut Voraussetzung, um eine exakte Quantifizierung von Segment- und Gelenkbewegungen sicherzustellen. Diese markerbasierte Untersuchung erfordert das Wissen über spezifische anatomische Orientierungspunkte der Personen, die diese Untersuchung durchführen, sowie die Toleranz und Akzeptanz der auf der Haut befestigten Bänder der untersuchten Personen. Während Ersteres gelernt werden kann, ist Letzteres bei mehreren Patientengruppen ein Problem. Zum Beispiel können Kinder mit Hirnverletzung oder Zerebralparese Störungen bei der Verarbeitung sensorischer Informationenzeigen 8,9,10. Diese Erkrankung kann sich als Überempfindlichkeit entwickeln, die Kliniker und Forscher daran hindert, die kinematischen Marker auf die Haut der Kinder anzuwenden, was wiederum die Quantifizierung von Veränderungen in der Bewegungsfähigkeit und einen effizienten, individuellen Pflegeplan behindern kann.

Neben dem Problem der Markerplatzierung auf der Haut von Patientengruppen sind die meisten in Kinematikstudien verwendeten Messsysteme nicht erschwinglich, auf Laborräume beschränkt und nur mit hochqualifiziertem Personal verfügbar, was sie für den routinemäßigen klinischen Einsatz unpraktisch macht. Allerdings unterstützen aktuelle Fortschritte in der Motion-Capture-Technologie unterschiedliche Ansätze zur Erfassung kinematischer Daten. So hat beispielsweise die automatische Schätzung der menschlichen Haltung mittels Deep-Learning-Techniken die Aufmerksamkeit von Computer-Vision-Forschern erregt. Diese markerlosen Motion-Capture-Techniken könnten eine vielversprechende Lösung für technische und praktische Herausforderungen bieten, die mit markerbasierter Bewegungsanalyseverbunden sind. Anstatt sich auf die Verfolgung von Markierungen zu verlassen, verwendet dieser Ansatz trainierte neuronale Netze, um die Positionen des gesamten Landmarks12 abzuschätzen. Diese Entwicklung verbessert die Gesamteffizienz und Anpassungsfähigkeit der Human Posture-Erkennungstechnologie.

Es ist gut belegt, dass die kinematische Beziehung zwischen Körpersegmenten zugrundeliegende Kontrollmechanismen aufdecken kann, die die Variabilität der Bewegungsmuster unterstützen. Während verschiedene Methoden zur Messung der Koordination zwischen Segmenten13 verwendet werden können, ermöglichen Winkel-Winkel-Diagramme (Zyklogramme) eine von Natur aus interpretierbare Quantifizierung der gekoppelten Bewegung zwischen Segmenten/Gelenken über einen festgelegten Zeitraum14,15. Da viele Kinder mit Zerebralparese Schwierigkeiten bei der Ausführung von Ganzkörperbewegungsmustern aufgrund beeinträchtigter selektiver motorischerKontrolle 16 haben, entschieden wir uns, die einfache, aber komplex zugrundeliegende Kontrollbewegung17 des Sitz-zu-Stehen-Modus zu untersuchen. Ziel dieser Studie war es, die Machbarkeit eines Open-Source-Werkzeugkastens zu demonstrieren, der Motion-Capture-Technologien kombiniert, um kinematische Bewertungen koordinativer Muster bei Kindern mit Behinderungen zu ermöglichen.

In dieser Arbeit werden wir Hüft-Knie-Zyklogramme nutzen, um die Koordination zwischen Rumpf/Becken und Oberschenkel-/Shank-Segmenten zu demonstrieren, wobei Hüft- und Kniegelenke als repräsentative intersegmentale Kopplungen verwendet werden, die für die Sit-zu-Stand-Biomechanik relevant sind. Die Hüft-Knie-Koordination wurde gewählt, da sie die primäre Gelenkkopplung erfasst, die während der Sitz-zu-Stehen-Aufgabe die vertikale Progression des Massenmittelpunkts vorantreibt – eine funktional kritische Bewegung für Kinder mit Behinderungen, die aufgrund einer beeinträchtigten selektiven motorischen Kontrolleoft auf kompensatorische Untergliedmaßenstrategien angewiesen sind. Die Integration verschiedener Technologien (z. B. von forschungswürdigen 3D-Kinematikgeräten bis hin zu kommerziell verfügbaren Kameras) in einen einzigen Verarbeitungswerkzeugkasten ermöglicht eine Flexibilität bei der Nutzung von Forschungsumgebungen bis hin zu Feld- und klinischen Umgebungen. Der Werkzeugkasten ermöglicht zudem detaillierte kinematische Bewertungen, wenn die Platzierung von Markern aufgrund sensorischer Verarbeitungsanomalien bei Kindern mit Behinderungen durch markerlose Bewegungserfassungssignalverarbeitung nicht möglich ist.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Studie wurde als Fallserie durchgeführt, wobei repräsentative Ergebnisse von vier Kindern verwendet wurden, um die Machbarkeit des Protokolls statt statistischer Inferenz zu demonstrieren. Zwei typischerweise entwickelnde Kinder (männlich 4 Jahre, 100 cm, 14,5 kg; männlich 10 Jahre, 144 cm, 40,8 kg) und zwei Kinder mit Zerebralparese – Grobmotorisches Klassifikationssystem III (weiblich 4 Jahre, 93 cm, 13,8 kg; männlich 4 Jahre, 102 cm, 16,7 kg) nahmen an dieser Studie teil. Eltern/gesetzliche Erziehungsberechtigte und Kinder haben vor der Teilnahme gemäß unserem vom Institutional Review Board genehmigten Studienprotokoll (IRB-FY2024-33) informierte Zustimmung gegeben.

HINWEIS: Während dieses Protokoll Verfahren sowohl für 3D-markerbasierte als auch für 2D-markerlose Motion-Capture-Systeme beschreibt, liegt der Fokus dieser Studie auf der Umsetzung des 2D-markerlosen Ansatzes, der die zentrale klinische und praktische Anwendung dieser Arbeit darstellt. Die Kernimplementierung des aktuellen Protokolls erfordert ein markerbasiertes Motion-Capture-System (mindestens 8 Kameras) für die 3D-kinematische Datenerfassung sowie eine einzelne RGB-Kamera (Mindestauflösung 1920 × 1080 Pixel, 50 Hz), die senkrecht zur sagittalen Ebene für 2D-markerlose Aufnahmen positioniert ist. Die Methode eignet sich für kontrollierte klinische oder Laborumgebungen mit ausreichender Beleuchtung (> 500 Lux) und minimalem Hintergrundüberlastung. Um die Robustheit in nicht idealen Umgebungen zu verbessern, integriert die Vailá-Toolbox Vorverarbeitungswerkzeuge (z. B. Drawbox-Maskierung, Videozuschneiden/Größenänderung), die es den Nutzern ermöglichen, den Teilnehmer von Hintergrundablenkungen zu isolieren oder suboptimale Kameraausschnitte anzupassen. Wesentliche Einschränkungen umfassen eine geringere Genauigkeit beim Ein-Kamera-Ansatz ohne Marker für Kinder, die signifikante Bewegungen außerhalb der Ebene zeigen, da dieser Ansatz keine Tiefeninformationen oder Bewegungen außerhalb des Kamerasichtfelds erfassen kann. Nutzer sollten sicherstellen, dass die Teilnehmer im vordefinierten Erfassungsvolumen bleiben und während der Aufgabenausführung die Ausrichtung der sagittalen Ebene beibehalten, um die marklose Nachverfolgung zu optimieren.

1. Vorprüfungen vor dem Test

  1. Einschalten und erwärmen Sie das Infrarot-Motion-Capture-Kamerasystem sowie die Videokamera. Das Infrarot-Motion-Capture-System benötigt etwa 30–60 Minuten Aufwärmen, um die thermische Stabilisierung vor der Kalibrierung und Datenerfassung zu erreichen. Überprüfen Sie die Abtastrate bei 100 Hz (Infrarotkameras für markerbasierte Systeme) und 50 Hz (Videokamera für markerlose Systeme).
  2. Kläre und/oder decke reflektierende Objekte aus dem Aufnahmevolumen ab.

2. Kameraplatzierung

  1. Markierungsbasiertes System (3D-Kamerasystem)
    1. Positionskameras etwa 1,5–2,5 m vom Zentrum des Bewegungsbereichs entfernt und in Höhen von 0,5–2,5 m montiert. Stellen Sie sicher, dass die Kameras gleichmäßig über das Aufnahmevolumen verteilt sind, um die Sichtbarkeit des Markierers zu optimieren und Verschluss während der Sit-to-Stand-Aufgabe zu minimieren. Alternative Höhen der Kameraposition, um die Triangulationsgenauigkeit zu verbessern und Sichtlinienstörungen zu reduzieren.
    2. Jeder Punkt im Zielvolumen (an dem das Kind die Aufgabe ausführen wird) muss jederzeit für mindestens zwei Kameras sichtbar sein, gemäß den Standardempfehlungen für eine optimale 3D-Datenerfassung. Definieren Sie das Erfassungsvolumen anhand der anthropometrischen Leistungen der pädiatrischen Teilnehmer und der zu bewertenden Aufgabe.
      HINWEIS: Der Arbeitsbereich lag etwa 0,80 m über dem Boden.
    3. Nutzen Sie die Softwarewerkzeuge des markerbasierten Systems, um die drei wichtigsten optischen Einstellungen (Zoom, Blende, Fokus) zu verfeinern, um niedrige Kalibrierungsresiduen und eine hohe Konsistenz der Markierungsverfolgung über Versuche hinweg zu gewährleisten.
  2. Markierungsloses System (2D-Kamera)
    1. Platzieren Sie die Videokamera seitlich in 3,0 m Abstand vom Teilnehmer entfernt (oder näher, wenn möglich, solange der gesamte Körper des Probanden während der gesamten Aufgabe sichtbar ist, vom Sitzen bis zum Stehen), zentriert auf Beckenhöhe, wenn der Teilnehmer steht, orthogonal zur sagittalen Ebene.
    2. Nivelliere die optische Achse (keine Rollung) und richte die Bildmitte mit dem Hüftgelenkzentrum aus.
    3. Konfigurieren Sie die Kamera mit festen Bildparametern für alle Aufnahmen.
      1. Stellen Sie die Erwerbsregion auf ein Interessengebiet von 1920 × 1200 px fest, um die effektive Auflösung zu definieren. Verwenden Sie ein 20-mm-Brennweitenobjektiv und halten Sie die Blende (ausreichend Kontrast zwischen Umgebung und Teilnehmer) während des gesamten Experiments konstant.
      2. Stellen Sie die Bildrate auf 50 Hz ein und setzen Sie die Verschlusszeit auf 5 ms fest. Wenden Sie die folgenden Hardwareeinstellungen an und ändern Sie sie während der Datenerhebung nicht: Gewinn 9,998, Gamma 0,4, Schwarzstufe 0, Sättigung 1.
      3. Deaktiviere alle automatischen Belichtungs- und Weißabgleichseinstellungen, um zeitliche Abweichungen im Bildbild zu vermeiden.
        HINWEIS: Um den Fokus anzupassen, kann ein Schild mit einer kurzen Phrase in der Schrift Calibri, Stil fett, Größe 48, verwendet werden, an der Stelle des Teilnehmers die Aufgabe ausführen wird. Im Sichtfeld der Kamera sollten die Buchstaben scharf sein, ohne sichtbare Unschärfe.
    4. Bei Verwendung eines Objektivs mit spürbarer Verformung bereiten Sie ein Charuco/Checkerboard18,19 für Kalibrierung/Entzerrung vor (optional für streng sagittale, stationäre Aufgaben).
      HINWEIS: Sowohl markerbasierte als auch markerlose Videokamerasysteme sind in Abbildung 1 dargestellt.

Abbildung 1
Abbildung 1: Nahaufnahme der beiden in dieser Studie verwendeten Kamerasysteme. Die Infrarotkamera des 3D-Kinematiksystems (links) wurde verwendet, bei der 12 Kameras für den markerbasierten Ansatz und eine Videokamera (rechts) für den markerlosen Ansatz verwendet wurden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

3. Synchronisation

HINWEIS: Dieser Schritt ist nur erforderlich, wenn verschiedene Systeme gleichzeitig verwendet werden. Eine Synchronisation zwischen Systemen ist nicht notwendig, wenn nur ein einziges kinematisches (2D- oder 3D-) System verwendet wird.

  1. Schließen Sie das LockLab (oder eine gleichwertige Steuer-/Synchronisationseinheit) an, um zu Beginn jeder Prüfung einen Transistor-Transistor-Logik-(TTL)-Trigger an beide Systeme zu senden.
  2. Wenn keine Hardware-Trigger verfügbar sind, verwenden Sie einen sichtbaren Lichtdiodenblitz (LED) (bevorzugte Methode) oder einen hörbaren Klatsch, der von beiden Systemen aufgenommen wird, für spätere Ausrichtung.

4. Aufnahmevolumenkalibrierung (markerbasiertes System)

  1. Visuelle Inspektion des Sichtfelds der Kameras (sowohl Infrarot- als auch Videokameras), um unnötige Objekte aus jeder Ansicht zu entfernen. In der Marker-basierten Software maskiert man reflektierende Objekte, die nicht aus dem Kamerasichtfeld entfernt werden können (z. B. andere Kameras).
  2. Führen Sie die Kalibrierung des Stabs dort durch, wo die Aufgabe ausgeführt werden soll. Bewegen Sie den Zauberstab über das gesamte Aufnahmevolumen, um sicherzustellen, dass der gesamte Raum bedeckt ist. Kalibrierung wird nur akzeptiert, wenn die räumliche Genauigkeit 1 mm (mittlerer Residual) ≤.
    HINWEIS: Überprüfen Sie, dass während dieses Verfahrens mindestens drei Kameras den Kalibrierungsstab gleichzeitig betrachten. Bewegen Sie den Stab mit einer Geschwindigkeit durch das Fangvolumen, die der in der experimentellen Aufgabe erwarteten Bewegung entspricht: Für Aufgaben mit hoher Geschwindigkeit bewegen Sie den Stab schnell; Für langsamere Bewegungen schwingen Sie den Zauberstab langsamer. Am Ende des Kalibrierungsdurchgangs überprüfen Sie die Softwareindikatoren auf Kameras, die nicht genügend Ansichten des Zauberstabs aufgenommen haben, und führen weitere gezielte Bewegungen innerhalb des Sichtfelds dieser Kameras aus, bevor Sie die Kalibrierung abschließen. Restfehler nach der Stabkalibrierung liegen typischerweise zwischen 0,3 und 0,8 mm, wenn der Stabdurchlauf glatt ist, das Aufnahmevolumen gleichmäßig beleuchtet ist und alle Kameras ungehinderte Sicht haben.
  3. Stellen Sie den Volumenursprung ein, indem Sie den Kalibrierungsstab an den festgelegten Ursprungspunkt innerhalb des definierten Testbereichs legen. Definieren Sie die Bodenfläche gemäß den Anweisungen des Herstellers.

5. Markierungsplatzierung (markerbasiertes System)

  1. Platzieren Sie retroreflektierende Marker gemäß dem Plug-in Gait 20,21,22-Modell (Abbildung 2) durch einen geschulten Prüfer.
  2. Überprüfen Sie die Sichtbarkeit der beidseitigen Hüft-, Knie- und Rumpfmarker während einer kurzen Testbewegung vor der Aufnahme statischer Tests (erforderlich für 3D-Marker-basierte Systeme).

Abbildung 2
Abbildung 2: Plug-in-Gangmodell, angepasst für die vorliegende Studie. Der Standard-Markersatz wurde verwendet, um Untergliedmaßen-, Becken-, Rumpf- und Kopfsegmente zu definieren. Die Marker der oberen Gliedmaßen wurden entfernt, um sich ausschließlich auf die Kinematik des Unterkörpers und des Rumpfes zu konzentrieren. Diese Anpassung bewahrt die Integrität des ursprünglichen Plug-in-Gait-Ganzkörpermodells, während Armbewegungen aus der Analyse ausgeschlossen werden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

6. Vorsitz und Umgebung

  1. Verwenden Sie einen armlosen Stuhl und stellen Sie die Sitzhöhe so ein, dass Hüft- und Kniewinkeln ~90° sind, mit den Füßen flach auf dem Boden. Zeichnen Sie die Sitzhöhe (cm) für jeden Teilnehmer auf.
  2. Gleichmäßige Beleuchtung bereitstellen; Vermeiden Sie Gegenlicht und Okklusionen in der sagittalen Ansicht. Sorgen Sie für einen einheitlichen, kontrastreichen Hintergrund.

7. Teilnehmerschulung und Sicherheit

  1. Bestätigen Sie, dass keine identifizierbaren Informationen in den Aufnahmedateien enthalten sind (nur nicht identifizierbare alphanumerische Codes für jeden Teilnehmer).
  2. Bei Sit-to-Stand-Studien sollten die Teilnehmer die richtigen Anweisungen und das Protokoll kennen.
    1. Weisen Sie typisch entwickelnde (TD) Teilnehmer an, die Hände in die Hüften zu heben.
    2. Für Kinder mit Zerebralparese (GMFCS III) sollten Sie bei Bedarf manuelle Unterstützung bieten, um eine aufrechte Haltung zu erreichen, ohne die Sicherheit zu gefährden.
      HINWEIS: Obwohl pädiatrische Patienten manuelle Unterstützung benötigen können, um Sicherheit und Aufgabenabschluss zu gewährleisten, muss darauf geachtet werden, das Verschließen von Körpersegmenten oder Markern zu minimieren, da dies die Datenqualität beeinträchtigen kann.
    3. Führe die Bewegung verbal ("hoch") ein und erlaube während der Sit-to-Stand-Versuche eine selbst gewählte, angenehme Geschwindigkeit.

8. Erwerb der Prüfung

  1. Vor der Aufnahme der dynamischen Versuche wird eine statische Kalibrierungsstudie durchgeführt, bei der der Teilnehmer in neutraler Position steht, mit den Schultern auseinanderstehenden Füßen und den Armen in 90° Abduktion.
    1. Stellen Sie sicher, dass alle Markierungen für mindestens zwei Kameras sichtbar sind; Überprüfen Sie in der Erfassungssoftware des markerbasierten Systems, dass ≥ 95 % der Marker auf allen Kameras erkannt werden. Rekord für 2-3 S. Ein 3D-Perspektivrahmen muss alle Marker enthalten.
    2. In der Marker-basierten Systemsoftware wenden Sie das statische Plug-in-Gait-Modell an, um gemeinsame Zentren und Segmentkoordinatensysteme zu definieren. Überprüfen Sie die richtige Modellanpassung, indem Sie die 3D-Skelettvisualisierung inspizieren und anatomisch plausible Gelenkmittelpunktpositionen bestätigen.
      HINWEIS: Dieser statische Versuch liefert die biomechanischen Modellparameter, die für die nachfolgende Verarbeitung dynamischer 3D-Studien erforderlich sind. In diesem Schritt muss man die anthropometrischen Maße des Teilnehmers (z. B. Gewicht, Größe, Beinlänge usw.) in der Software des markerbasierten Systems eingeben. Wenn während der statischen Studie manuelle Unterstützung für pädiatrische Patienten erforderlich ist, muss darauf geachtet werden, eine Marker-Verschlusserscheinung zu vermeiden, die die Datenqualität beeinträchtigen kann.
  2. Rekord von drei Sit-to-Stand-Studien pro Teilnehmer. Die Ruhezeit zwischen den Prüfungen kann je nach Bedarf pro Teilnehmer sein, da dies keine körperlich anspruchsvolle Aufgabe ist.
  3. Verwenden Sie eine standardisierte Dateibenennungskonvention, einschließlich Gruppe (z. B. TD, CP), alphanumerischer Teilnehmer-ID und Testnummer.
  4. In der Software des markerbasierten Systems rekonstruiert man die Markerbahnen mit dem kalibrierten Kamerasystem.
    1. Beschrifte jeden Marker gemäß der Nomenklatur des Plug-in-Gait-Markers. Verwenden Sie automatische Lückenfüllung (maximale Spaltgröße: 10 Bilder) für kurze Verschlusse.
    2. Überprüfen Sie die Genauigkeit der Beschriftung, indem Sie das Skelett visuell aus 3D-Perspektive betrachten. Sobald alle Marker korrekt beschriftet und die Trajektorien kontinuierlich sind, exportieren Sie den Versuch als .c3d-Datei zur Analyse in die Vailá-Werkzeugkaste .
  5. Speichern Sie optische Daten als .c3d und Videoframes oder streamen sie als verlustfreie oder hochbitratige komprimierte Dateien.

9. Datenverarbeitung

HINWEIS: Die Vailá-Toolbox (v0.10.21)24 ist plattformübergreifend (Windows, macOS, Linux) und benötigt Python 3.12 oder neuer. Die markerlosen Analysemodule (z. B. MediaPipe25) sind optimiert, um effizient auf Standard-CPUs zu laufen, was eine Zugänglichkeit in klinischen Umgebungen ohne spezielle Hardware gewährleistet. Eine CUDA-fähige GPU ist optional und wird nur verwendet, wenn der Benutzer alternative Hochgeschwindigkeits-Engines (z. B. YOLO-Pose) für schnellere Verarbeitung auswählt. Für detaillierte Ausführungsbefehle, Schritt-für-Schritt-Anleitungen und vollständige Dokumentation werden Nutzer auf die Online-Ressourcen und integrierten Hilfedateien des Werkzeugkastens verwiesen, die verfügbar sind unter: https://github.com/vaila-multimodaltoolbox/vaila/tree/main/docs/modules/markerless-analysis.

  1. Markerbasierter Ansatz: In der Software des markerbasierten Systems werden die statischen und dynamischen Versuche verarbeitet. Wenden Sie das Dynamic Plug-in Gait-Modell auf die beschrifteten Markerbahnen an (siehe Schritt 7.4), um die Gelenkwinkel-Zeitreihe zu berechnen.
    1. Exportiere die verarbeiteten Studiendaten als .c3d-Datei. Stellen Sie sicher, dass die berechneten Gelenkwinkel-Zeitreihen (z. B. Hüfte-, Knie- und Knöchelwinkel) im Export enthalten sind.
    2. Importiere die verarbeitete .c3d-Datei mit der Funktion vaila.load_c3d() in die Vailá-Toolbox. Die Toolbox extrahiert automatisch die vorberechneten Zeitreihendaten für Gelenkwinkel aus der Datei.
    3. Wenden Sie den Butterworth-Tiefpassfilter der 4. Ordnung (6-Hz-Cutoff) mit den integrierten Filterfunktionen (wie in Schritt 9.2.4 unten beschrieben) auf die Gelenkwinkeldaten an, um eine konsistente Verarbeitung mit den markerlosen Daten sicherzustellen.
    4. Weitere Analysen (z. B. Zyklogrammgenerierung, Berechnung von Koordinationsmetriken) werden anschließend innerhalb von Vailá durchgeführt.
  2. Markerloser Ansatz: Load MediaPipe Pose Schätzungsmodul (v0.10.21) innerhalb von Vailá. Setzen Sie folgende Parameter: static_image_mode = Falsch, model_complexity = 1-2 (verwenden Sie Level 2, wenn GPU/CPU-Ressourcen eine höhere Genauigkeit erlauben), smooth_landmarks = True, min_detection_confidence = 0,6, min_tracking_confidence = 0,6.
    HINWEIS: Alternative Pose Estimation Frameworks wie OpenPose können hier verwendet werden.
    1. Bearbeiten Sie jedes Videobild, um die MediaPipe 33-Landmarken zu extrahieren (Abbildung 3). Verwerfen Sie Frames mit Erkennungskonfidenz unterhalb des Schwellenwerts oder wenden Sie Interpolation für fehlende Daten an.
      HINWEIS: MediaPipe erkennt 33 Körpermarken, darunter Gesichts-, Oberkörper- und Gliedmaßen-Schlüsselpunkte (Abbildung 3). Für das aktuelle Protokoll wurden nur die für die Sit-to-Stand-Analyse relevanten Rumpf- und Unterkörpermarken verwendet: Schulter [Landmarken 11 (linke Schulter) und 12 (rechte Schulter)], Hüfte [Landmarken 23 (linke Hüfte) und 24 (rechte Hüfte)], Knie [Landmarken 25 (linkes Knie) und 26 (rechtes Knie)] und Knöchel [Landmarken 27 (linker Knöchel) und 28 (rechter Knöchel)]. Diese Orientierungspunkte werden automatisch aus dem RGB-Video erkannt und werden anhand visueller Merkmale geschätzt (anstatt der retroreflektierenden Markierungspositionen, wie sie im Plug-in Gait-Modell verwendet werden).
    2. Bestätigen Sie mit Sicherheit ≥ 0,7, dass alle wichtigen Orientierungspunkte (Schulter, Hüfte, Knie, Knöchel) erkannt werden.
    3. (Optional) Wenn eine Objektivverzerrung relevant ist, verzerren Sie die Bildausschnitte mit Kalibrierungsparametern (Kameramatrix und Verzerrungskoeffizienten) vor dem Ausführen von MediaPipe.
    4. YOLO-Pose: Parallel laden Sie das YOLO-Pose-Modul, das in Vailá integriert ist.
      1. Konfigurieren Sie das Modell mit Standardgewichten für die Erkennung menschlicher Skelette (Keypoint-Einstellung entspricht dem COCO-Format). Jeder Frame wird mit dem YOLO-Backbone verarbeitet, um skelettartige Schlüsselpunkte zu erkennen, das für eine robuste Leistung unter Bewegungsunschärfe, Okklusion oder komplexen Hintergründen optimiert ist.
      2. Wenden Sie temporale Glättungsfilter an, um Frame-zu-Frame-Jitter zu reduzieren und erkannte Schlüsselpunkte mit dem für MediaPipe verwendeten Koordinatensystem auszurichten.
      3. Für den temporalen Glättungsfilter wenden Sie einen Butterworth-Tiefpassfilter der 4. Ordnung mit einer Cutoff-Frequenz von 6 Hz (Sitz-zu-Stand-Bewegungen haben dominante Frequenzinhalte unter 5 Hz) auf alle Zeitreihendaten der Gelenkwinkel, sowohl markerbasiert als auch markerlos, an, um hochfrequentes Rauschen zu entfernen und gleichzeitig das Bewegungssignal zu erhalten.
      4. Implementieren Sie diesen Filter mit den Funktionen scipy.signal.butter() und scipy.signal.filt() in Python, wobei Nullphasen-Vorwärts-Rückwärts-Filterung verwendet wird, um zeitliche Verschiebungen zu vermeiden.
    5. Datenverarbeitung in vailá: Exportiere wegweisende Trajektorien von beiden Pipelines (MediaPipe und YOLO-Pose) in einem standardisierten .csv- oder .json-Format. Speichern Sie Metadaten (Frame-Nummer, Zeitstempel, Erkennungssicherheit) zusammen mit Keypoint-Koordinaten. Dies gewährleistet Vergleichbarkeit zwischen verschiedenen Methoden und Reproduzierbarkeit der Analysen.
  3. Koordinatendefinitionen und Gelenkwinkel: Definieren Sie die Hüftbeugung in der sagittalen Ebene und die Kniebeugungswinkel mit positiven Werten für die Beugung.
    1. Für markerlose Daten leiten Sie Gelenkzentren/-segmente aus MediaPipe-Orientierungspunkten ab (z. B. Hüfte: Becken-Proxy; Knie: Oberschenkel-Tibia; Rumpf: Schulter-Hüft-Segment) und berechnen Sie sagittale Winkel mit einem konsistenten Gelenkkoordinatensystem.
      HINWEIS: Sagittalebene-Gelenkwinkel werden geometrisch aus den 2D-Orientierungskoordinaten berechnet. Die Vailá-Werkzeugkiste berechnet den Winkel (θ) zwischen zwei Segmentvektoren (Vektor a und Vektor b) anhand des Arkokosins ihres Skalarprodukts: θ = arccos((a · b) / (|a| |b|)). Hüftbeugung ist definiert als der Winkel zwischen dem 'Rumpf'-Vektor (Vektor, der MediaPipe-Landmarken 11/12 [Schulter] und 23/24 [Hüfte]) und dem 'Oberschenkel'-Vektor (Vektor, der 23/24 [Hüfte] und 25/26 [Knie] verbindet). Kniebeugung ist definiert als der Winkel zwischen dem "Oberschenkel"-Vektor (Vektor, der 23/24 [Hüfte] und 25/26 [Knie]) und dem "Stiel"-Vektor (Vektor, der 25/26 [Knie] und 27/28 [Knöchel] verbindet).
    2. Wenden Sie dieselbe Vorzeichenkonvention und Filterung (falls erforderlich) auf beide Ansätze an, um den Vergleich zu erleichtern.
  4. Zeitliche Synchronisation: Richten Sie Daten aus beiden Ansätzen mithilfe des LockLab-Trigger-Zeitstempels aus; ansonsten richten Sie den ersten sichtbaren Flash-/Clap-Frame über Datenströme hinweg.
    1. Zeitreihen, falls nötig, vor dem Vergleich auf eine gemeinsame Zeitbasis neu abtasten.
  5. Definieren Sie den Bewegungszyklus:
    1. Definieren Sie den Sit-to-Stand-Zyklus vom Beginn der vorwärts liegenden Rumpflehnung (positive Rumpf-Winkelgeschwindigkeitsgrenze) bis zur stabilen aufrechten Haltung für typischerweise entwickelnde Kinder (Rumpf-Winkelgeschwindigkeit ~0 und Knie-Vollstreckung) und bei Kindern mit Zerebralparese stabile aufrechte Haltung und höchste Position des zervikalen Markers (markerbasiertes System).
    2. Für Kinder mit Zerebralparese, die möglicherweise nicht die volle Streckung erreichen (d. h. Rumpf ausgerichtet mit dem Becken, Hüfte bei 0° Beugung, Knie vollständig ausgestreckt), wie es typischerweise bei Kindern beobachtet wird, wird das Ende des Zyklus als die aufrechteste Haltung definiert, die mit der statischen Stehende Studie vereinbar ist und durch eine visuelle Inspektion bestätigt wird, um vor dem nächsten Versuch eine stabile Haltung sicherzustellen.
    3. Zeitnormalisieren Sie nicht für die repräsentativen Diagramme; Geben Sie die tatsächliche Dauer der Aufgabe pro Versuch an. (Zeitnormalisierte Analysen können bei Bedarf als Ergänzung bereitgestellt werden.)
  6. Cyclogrammberechnung und Metriken: Zeichnen Sie Hüft- (x-Achse) vs. Knie- (y-Achse) Winkel für jeden Versuch dar, um Hüft-Knie-Zyklogramme zu erstellen.
    1. Überlagern Sie Versuche und Ansätze (markierungsbasiert vs. markierungslos) zum visuellen Vergleich.
    2. Berechnen Sie optionale Zusammenfassungsmetriken: Hüft-/Kniebewegungsbereiche, Schleifenfläche, Schleifenorientierung (Hauptachsenwinkel) und Weglänge.
    3. Exportieren Sie verarbeitete Zeitreihen und Metriken als .csv für statistische Analysen.

Abbildung 3
Abbildung 3: Die 33 Wahrzeichen von MediaPipe. Für diese Studie haben wir nur die für die Sitz-zu-Stehen-Aufgabe relevanten Orientierungspunkte verwendet, insbesondere die Orientierungspunkte 11 und 12 (Schultern), 23 und 24 (Hüften), 25 und 26 (Knie) sowie 27 und 28 (Knöchel). Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Open-Source-basierte Python-Toolbox quantifizierte erfolgreich Hüft-Knie-Koordinationsmuster sowohl aus markerbasierten als auch markerlosen Systemen bei pädiatrischen Teilnehmern während der Sit-to-Stand-Aufgabe. Um neben den visuellen Zyklogrammen einen quantitativen Vergleich zu ermöglichen, werden in Tabelle 1 wichtige zusammenfassende Kennzahlen (Hüfte- und Kniebewegungsumfang) für die repräsentativen Studien dargestellt. Repräsentative Winkel-Winkel-Diagramme von typischerweise entwickelnden Ki...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ziel dieser Arbeit war es, die Machbarkeit und Anwendung eines Open-Source-Multimodalen Werkzeugkastens zu demonstrieren, der markerbasierte und markerlose Motion-Capture-Systeme zur Analyse der Ganzkörperkoordination in pädiatrischen Populationen integrieren kann. In repräsentativen Anwendungen erzeugte das Protokoll erfolgreich Hüft-Knie-Zyklogramme, die zwischen markerbasierten und markerlosen Systemen bei typisch entwickelnden Kindern vergleichbar waren, und zeigte zudem Ähnlichkeite...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Autoren haben nichts offenzulegen.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Wir möchten die finanzielle Unterstützung (PI: Cesar) durch den Pediatric Physical Therapy Research Grant 2023 der Foundation for Physical Therapy Research, den MedNexus Research Innovation Fund und den Eunice Kennedy Shriver National Institute for Child Health and Human Development (1R03HD114548-01) anerkennen.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
FLIR Blackfly-KameraFLIR-SystemeModell: BFS-U3-200S6C-CVerwendet für 2D-markerlose Motion Capture (50 Hz, 1980 & mal; 1200 px)
Hikvision PoE-KameraHikvisionN/AAlternative Videoaufnahme für 2D-markerlose Aufnahmen
LockLab-Hardware-TriggerViconLockLabVerwendet für zeitliche Synchronisation
Logitech C920 KameraLogitechHD Pro Webcam C920Alternative Verbraucherkamera für markerlose Aufnahme
MediaPipeGoogle Researchv0.10.21Verwendet zur Echtzeit-Schätzung von 2D-Posen. Online verfügbar unter https://ai.google.dev/edge/mediapipe/solutions/guide
OpenPose-SoftwareCarnegie Mellon University / OpenPose GemeinschaftVersion 1.7.0Verwendet für die Echtzeit-2D-Posenschätzung
Plug-in-Gait-VollkarosseriemodellViconStandardmodellVerwendet als biomechanisches Modell für die anatomische Markierungsplatzierung
Vero-InfrarotkamerasViconVero-SerieVerwendet für 3D-markerbasierte Motion Capture (100 Hz)

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Tavernese, E., Paoloni, M., Mangone, M., Castelli, E., Santilli, V. Coordination between pelvis and shoulder girdle during walking in bilateral cerebral palsy. Clin Biomech. 32, 142-149 (2016).
  2. Cesar, G. M., Buster, T. W., Gonabadi, A. M., Burnfield, J. M. Muscle demand and kinematic similarities between pediatric-modified motor-assisted elliptical training at fast speed and fast overground walking:Real-world implications for pediatric gait rehabilitation. J Electromyogr Kinesiol. 63, 102639(2022).
  3. Burnfield, J. M., Cesar, G. M., Buster, T. W., Irons, S. L., Nelson, C. A. Kinematic and muscle demand similarities between motor-assisted elliptical training and walking:Implications for pediatric gait rehabilitation. Gait Posture. 51, 194-200 (2017).
  4. Swinnen, E., Van Goten, L., De Koster, B., Degelaen, M. Thorax and pelvis kinematics during walking, a comparison between children with and without cerebral palsy:A systematic review. NeuroRehabilitation. 38 (2), 129-146 (2016).
  5. Boonyong, S., Suriyaamarit, D. The effects of anterior seat inclination on movement time, mechanical work and kinematics during sit-to-stand in children with spastic diplegic cerebral palsy. Disabil Rehabil Assist Technol. 16 (5), 479-482 (2021).
  6. Aboelnasr, E. A., Hegazy, F. A., Altalway, H. A. Kinematic characteristics of reaching in children with hemiplegic cerebral palsy:A comparative study. Brain Inj. 31 (1), 83-89 (2017).
  7. Suo, X., Tang, W., Li, Z. Motion capture technology in sports scenarios:A survey. Sensors. 24 (9), 2947(2024).
  8. Thielen, H., Tuts, N., Welkenhuyzen, L., Huenges Wajer, I. M., Lafosse, C., Gillebert, C. R. Sensory sensitivity after acquired brain injury:A systematic review. J Neuropsychol. 17 (1), 1-31 (2023).
  9. de Sain, A. M., et al. Sensory hypersensitivity after acquired brain injury:The patient perspective. Disabil Rehabil. 46 (16), 3586-3593 (2024).
  10. Pavão, S. L., Rocha, N. A. Sensory processing disorders in children with cerebral palsy. Infant Behav Dev. 46, 1-6 (2017).
  11. Realtime multi-person 2D pose estimation using part affinity fields. Cao, Z., Simon, T., Wei, S. E., Sheikh, Y. Proc IEEE Conf Comput Vis Pattern Recognit, 2017, 1302-1310 (2017).
  12. Mathis, A., et al. DeepLabCut:Markerless pose estimation of user-defined body parts with deep learning. Nat Neurosci. 21 (9), 1281-1289 (2018).
  13. Dubois, A., et al. A guide to inter-joint coordination characterization for discrete movements:A comparative study. J Neuroeng Rehabil. 20, 132(2023).
  14. Saegner, K., et al. Inter-joint coordination with and without dopaminergic medication in Parkinson's disease:A case-control study. J Neuroeng Rehabil. 21, 118(2024).
  15. Hallemans, A., Aerts, P. Effects of visual deprivation on intra-limb coordination during walking in children (3-11 years) and adults:Thigh-shank and shank-foot angle-angle plots reveal modulation of loop shape with visual condition. Exp Brain Res. 198 (1), 95-106 (2009).
  16. Yun, G., Huang, M., Cao, J., Hu, X. Selective motor control correlates with gross motor ability, functional balance and gait performance in ambulant children with bilateral spastic cerebral palsy. Gait Posture. 99, 9-13 (2023).
  17. Park, E. S., et al. The characteristics of sit-to-stand transfer in young children with spastic cerebral palsy based on kinematic and kinetic data. Gait Posture. 17 (1), 43-49 (2003).
  18. Bradski, G. The OpenCV library. Dr Dobb's J Softw Tools. 120, 122-125 (2000).
  19. Garrido-Jurado, S., Muñoz-Salinas, R., Madrid-Cuevas, F. J., Marín-Jiménez, M. J. Automatic generation and detection of highly reliable fiducial markers under occlusion. Pattern Recognit. 47 (6), 2280-2292 (2014).
  20. Kadaba, M. P., Ramakrishnan, H. K., Wootten, M. E. Measurement of lower extremity kinematics during level walking. J Orthop Res. 8 (3), 383-392 (1990).
  21. Davis, R. B., Õunpuu, S., Tyburski, D., Gage, J. R. A gait analysis data collection and reduction technique. Hum Mov Sci. 10, 575-587 (1991).
  22. Vicon Motion Systems Ltd. Plug-in gait reference guide. , Vicon Motion Systems Ltd. Oxford. https://help.vicon.com/download/attachments/11378719/Plug-in%20Gait%20Reference%20Guide.pdf (2016).
  23. Romin, E., Lindgren, A., Rodby-Bousquet, E., Cloodt, E. Sit-to-stand performance in children with cerebral palsy: A population-based cross-sectional study. BMC Musculoskelet Disord. 25 (1), 460(2024).
  24. vailá: A multimodal toolbox for analysis and integration in biomechanics. Santiago, P. R. P., Chinaglia, A. G., Bedo, B. L. S., Mochida, L. Y., Cesar, G. M. Int Soc Biomech Conf, July 27-31, Stockholm, Sweden, , (2025).
  25. MediaPipe v0.10.21. , MediaPipe. Available at: https://pypi.org/project/mediapipe/ (2025).
  26. Kim, D., et al. Learning-based 3D human kinematics estimation using behavioral constraints from activity classification. Nat Commun. 16 (1), 3454(2025).
  27. Friedrich, M. U., et al. Validation and application of computer vision algorithms for video-based tremor analysis. NPJ Digit Med. 7 (1), 165(2024).
  28. Cappozzo, A., et al. Human movement analysis using stereophotogrammetry. Gait Posture. 21 (2), 186-196 (2005).
  29. Maas, S. A., Göcking, T., Stojan, R., Voelcker-Rehage, C., Kutz, D. F. Synchronization of neurophysiological and biomechanical data in a real-time virtual gait analysis system (GRAIL):A proof-of-principle study. Sensors. 24 (12), 3779(2024).
  30. Wade, L., Needham, L., McGuigan, P., Bilzon, J. L. Applications and limitations of current markerless motion capture methods for clinical gait biomechanics. PeerJ. 10, e13292(2022).
  31. Wade, L., et al. Examination of 2D frontal and sagittal markerless motion capture:Implications for markerless applications. PLoS One. 18 (11), e0293917(2023).
  32. Arbogast, K. B., et al. Consensus head acceleration measurement practices (CHAMP): Origins, methods, transparency and disclosure. Ann Biomed Eng. 50 (11), 1317-1345 (2022).
  33. Yang, J., Park, K. Improving gait analysis techniques with markerless pose estimation based on smartphone location. Bioengineering. 11 (2), 141(2024).
  34. Washabaugh, E. P., Shanmugam, T. A., Ranganathan, R., Krishnan, C. Comparing the accuracy of open-source pose estimation methods for measuring gait kinematics. Gait Posture. 97, 188-195 (2022).
  35. Lee, H., et al. Automated gait analysis based on a marker-free pose estimation model. Sensors. 23 (14), 6489(2023).
  36. Hundza, S. R., et al. Multi-view gait analysis by temporal geometric features of human body parts. Appl Sci. 14 (7), 2824(2024).
  37. Shvets, A., et al. Improving gesture recognition efficiency with MediaPipe and YOLO-Pose. Int Arch Photogramm Remote Sens Spatial Inf Sci. 48, 13-18 (2025).
  38. Gonabadi, A. M., Cesar, G. M., Buster, T. W., Burnfield, J. M. Effect of gap-filling technique and gap location on linear and nonlinear calculations of motion during locomotor activities. Gait Posture. 94, 85-92 (2022).
  39. Cesar, G. M., Buster, T. W., Burnfield, J. M. Cardiorespiratory fitness, balance and walking improvements in an adolescent with cerebral palsy (GMFCS II) and autism after motor-assisted elliptical training. Eur J Physiother. 22 (3), 124-132 (2020).
  40. Basystiuk, O., Rybchak, Z., Zavushchak, I., Marikutsa, U. Evaluation of multimodal data synchronization tools. Comput Des Syst Theory Pract. 6, 104-111 (2024).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Motion CaptureMarkerless Motion CaptureCerebral PalsyIntersegmental CoordinationHuman Movement AnalysisKinematic PatternsDeep Learning Pose EstimationInertial Measurement UnitsCyclogram ApproachSit To Stand Task

Related Articles