Ein dynamisches, dynamisches visuelles Designprotokoll mit Bewegungsmerkmalen zur Übersetzung von verkörpertem Tai-Chi-Wissen in die Kommunikation über immaterielles Kulturerbe

Zusammenfassung

Dieses Protokoll beschreibt einen reproduzierbaren Workflow zur Erfassung, Analyse und Übersetzung verkörperter Tai-Chi-Bewegungen in dynamische visuelle Designs unter Verwendung markerloser Motion Capture und bewegungsbezogener visueller Kartierung, um die Kommunikation des bewegungsbasierten immateriellen Kulturerbes zu unterstützen.

Zusammenfassung

Dieses Protokoll beschreibt einen reproduzierbaren Workflow zur Übersetzung verkörperter Tai-Chi-Bewegungen in dynamische visuelle Designs, um die Kommunikation des bewegungsbasierten immateriellen Kulturerbes zu unterstützen. Als bewegungsbasierte kulturelle Praxis vermittelt Tai Chi Wissen durch Körperrhythmus, Flugbahn, Gewichtsverlagerung und Gleichgewicht – Aspekte, die oft schwer mit herkömmlichen statischen oder videobasierten Medien zu kommunizieren sind. Das Protokoll integriert markerlose Motion Capture, Bewegungsfeature-Extraktion und regelbasierte visuelle Kartierung, um Bewegungsmerkmale in dynamische visuelle Darstellungen zu verwandeln. Acht repräsentative Tai-Chi-Formen wurden mittels markerloser Motion Capture aufgezeichnet. Körperschlüsselpunkte wurden mit MediaPipe Pose extrahiert und analysiert, um Bewegungsmerkmale abzuleiten, darunter Bahnkrümmung, Bewegungsgeschmeidigkeit und Rhythmusstabilität. Diese Merkmale wurden systematisch durch ein bewegungsorientiertes, funktionsbasiertes visuelles Übersetzungsframework auf dynamische visuelle Variablen abgebildet. Um die Wirksamkeit des Ansatzes zu bewerten, verglich ein kontrolliertes Experiment mit 180 Teilnehmern drei Kommunikationsbedingungen: statische Grafiken, konventionelle Videos und bewegungsdatenbasierte dynamische visuelle Designs. Ergebnismaße umfassten Wissensgewinn, Bewegungserkennung, verkörpertes Verständnis und Verhaltensintentionen im Zusammenhang mit kulturellem Erhalt und -teilen. Die Analyse von 264 gültigen Bewegungssequenzen zeigte erhebliche Unterschiede in den Bewegungsmerkmaleprofilen zwischen Tai-Chi-Formen. Die dynamische visuelle Designbedingung übertraf die statischen grafischen und konventionellen Videobedingungen in Bezug auf Wissensgewinn, Bewegungsbedeutungserkennung und verkörpertes Verständnis deutlich (alle S. < 0,001). Strukturelle Modellierung zeigte zudem, dass wahrgenommene Designqualität die Erhaltung und Teilungsintentionen hauptsächlich durch verkörpertes Verständnis, ästhetisches Engagement und emotionale Resonanz beeinflusst. Dieses Protokoll bietet eine systematische Methode, um verkörpertes Bewegungswissen in dynamische visuelle Formen für die Kommunikation und Interpretation des bewegungsbasierten immateriellen Kulturerbes umzuwandeln.

Einleitung

Tai Chi, oder Taijiquan, ist eine traditionelle chinesische Bewegungspraxis, die Körperkoordination, kreisförmige Bewegungen, Gleichgewichtskontrolle und innere Regulierung integriert. Aufgenommen in die UNESCO-Repräsentative Liste des immateriellen Kulturerbes der Menschheit im Jahr 2020, beruht seine kulturelle Bedeutung stark auf lebendigen, verkörperten Performancen statt auf statischen materiellen Artefakten¹. Diese Anerkennung stellt eine methodische Herausforderung für die digitale Erbekommunikation dar: Wie kann bewegungsbasiertes Erbe übersetzt werden, ohne es auf statische Symbole, textuelle Erklärungen oder oberflächliche visuelle Motive zu reduzieren.

Konventionelle digitale Kommunikation basiert typischerweise auf statischem Text, Standbildern oder Standardvideoaufnahmen. Obwohl diese Formate die äußere Haltung oder chronologische Abfolge einer Form dokumentieren können, versäumen sie häufig die innere körperliche Logik – wie Gewichtsverschiebungen, Rhythmuskontrolle und Bewegungsverbindung –, durch die die Praxis kulturell bedeutsam wird. Jüngste Fortschritte in der Bewegungsanalyse ermöglichen die präzise Quantifizierung von Körper-Gelenk-Koordinaten und kinematischen Mustern mittels sensorbasierter oder markerloser Motion-Capture-Methoden ^2,3. Obwohl diese Technologien in der Bewegungserkennung und Trainingsinterventionen hervorragend sind, bleibt ihr Potenzial für visuelle kulturelle Kommunikation noch wenig erforscht. Ebenso setzen digitale Kulturerbeprojekte zwar zunehmend immersive Medien und datengetriebene Visualisierung, aber viele legen weiterhin Wert auf Präsentationsqualität statt auf strukturelle kulturelle Interpretation⁴.

Verkörperte Kognition bietet eine entscheidende Perspektive, um diese Lücke zu schließen. Aus dieser Perspektive wird das kulturelle Verständnis durch körperliche Wahrnehmung, sensorimotorische Simulation und Wahrnehmungs-Handlungs-Kopplung geprägt, anstatt nur durch visuelle Oberflächen^zu beobachten ^5,6,7. Bildende Kunst und kognitionswissenschaftliche Forschung legen zudem nahe, dass Abstraktion sonst unsichtbare physikalische Eigenschaften wahrnehmbar machen kann, wenn sie die strukturellen Beziehungen der Bewegung⁸ bewahrt. Studien zur interaktiven visuellen Kommunikation betonen, dass visuelle Anziehungskraft und Nutzererfahrung die öffentliche Beteiligung und die Erhaltungsintentionen beeinflussen⁹. Dennoch priorisieren immersive Medien in Kulturerbeprojekten oft ästhetische Anziehung, die Aufmerksamkeit erregen kann, aber die zugrundeliegende kulturelle Struktur nicht vermittelt⁷. Darüber hinaus birgt die Abstraktion von Bewegung in dynamische Bilder das Risiko, die wahrgenommene Authentizität zu schwächen, wenn sich die Designlogik von der ursprünglichen Praxis^löst. Daher erfordert die Übersetzung von verkörpertem Wissen in wahrnehmbare Formen eine rigorose, regelbasierte Designlogik, die auf empirischen Bewegungsdaten basiert und nicht auf rein intuitivem grafischem Stil.

Um die Lücke zwischen Bewegungsdaten und kultureller Interpretation zu überbrücken, präsentiert dieser Artikel ein reproduzierbares Protokoll zur Übersetzung verkörpertes Tai-Chi-Wissen in dynamisches visuelles Design. Das zentrale wissenschaftliche Ziel ist festzustellen, ob kinematische Merkmale, die aus Tai-Chi-Bewegungen gewonnen werden, als interpretierbare Designvariablen dienen können, die das öffentliche Verständnis der verkörperten kulturellen Bedeutung verbessern. Dementsprechend liefert die Studie einen bewegungsfunktion-basierten Übersetzungsworkflow, eine regelbasierte Abbildung zwischen Bewegungsmerkmalen und dynamischen visuellen Variablen sowie eine empirische Bewertung, die statische Grafiken, konventionelles Video und bewegungsdatenbasierte dynamische visuelle Gestaltung vergleicht.

Dieser datengetriebene Ansatz bietet deutliche Vorteile gegenüber alternativen Techniken¹¹. Im Gegensatz zu herkömmlichen Videoaufnahmen, die nur wörtliche Darstellungen bieten, oder rein dekorativen Animationen, denen kulturelle Verankerung fehlt, ordnet diese Methode extrahierte kinematische Merkmale (z. B. Bahnkrümmung, Glattheit, Rhythmusstabilität und Balance-Shift-Amplitude) direkt auf dynamische visuelle Variablen (z. B. kreisförmige Flusslinien, Animationsrhythmus und visuelle Schwerkraft) ab. Dieser Ansatz steht in Zusammenhang mit früheren Medienkunst-Erkundungen der Bewegungsvisualisierung, darunter Tobias Gremmlers auf Motion-Capture-basierter Kung Fu Motion Visualization, unterscheidet sich jedoch dadurch, dass explizite Feature-to-Visual Mapping-Regeln definiert und deren Kommunikationseffekte anhand einer kontrollierten Nutzerstudie¹² bewertet werden. Folglich bewahrt sie die empirische Struktur der Bewegung und macht deren zugrundeliegende Logik visuell zugänglich.

Schließlich ist dieses Protokoll besonders geeignet für Forschende der digitalen Geisteswissenschaften, Interaktionsdesigner und Kulturerbepraktiker, die bewegungsbasiertes immaterielles Kulturerbe digitalisieren und kommunizieren möchten. Das Framework unterscheidet sich von Labanotation, einem strengen Notationssystem zur Aufzeichnung von Bewegungswerten für fachkundige Interpretation und Erhaltung¹³. Im Gegensatz dazu übersetzt das vorliegende Protokoll gemessene Bewegungsmechaniken in dynamische visuelle Formen, die die öffentliche Interpretation, die kulturelle Weitergabe und den Erhalt des Kulturerbes unterstützen sollen. Durch die Nutzung eines zugänglichen, videobasierten, markerlosen Motion-Capture-Systems in Kombination mit standardisierten Datenverarbeitungs-Workflows können Forscher diesen Rahmen nicht nur für Tai Chi, sondern auch für andere verkörperte Praktiken anpassen und systematisch bewerten, wie bewegungsinformiertes Design kulturelle Kommunikationsergebnisse beeinflusst¹⁰.

Protokoll

Alle Methoden mit menschlichen Teilnehmern wurden gemäß institutionellen Richtlinien durchgeführt und vom Ethikausschuss für den Schutz der menschlichen Forschung der School of Design and Creativity, Guilin University of Electronic Technology (Genehmigungsnummer 2600AL0621), genehmigt. Vor der Datenerhebung wurde eine schriftliche informierte Zustimmung von allen Tai-Chi-Ausführenden und Teilnehmern der Nutzerbewertung eingeholt. Die Teilnehmer wurden darüber informiert, dass die Teilnahme freiwillig sei und anonymisierte Daten für Forschungs- und Publikationszwecke verwendet würden.

1. Studiensetting und Ausrüstungsvorbereitung

1. Bereiten Sie einen markierten 3 m × 3 m großen Motion-Capture-Bereich mit einem nicht reflektierenden Hintergrund und gleichmäßiger Beleuchtung in einem Design- und Digitalmedienlabor vor.
   HINWEIS: Der gesamte fünfstufige Arbeitsablauf zur Übersetzung verkörperter Tai-Chi-Bewegung in dynamische visuelle Kommunikation ist in Abbildung 1A dargestellt. Die von der Literatur abgeleitete methodische Kette, die das Protokoll unterstützt und einschließlich Bewegungsanalyse, kultureller Verbreitung, Usability-Bewertung und kognitiver Arbeitsbelastungsbewertung umfasst, ist in Tabelle 1 zusammengefasst.
2. Positionieren Sie zwei synchronisierte Digitalkameras, um jede Tai-Chi-Sequenz aus verschiedenen Blickwinkeln aufzuzeichnen. Platzieren Sie die Frontkamera etwa 3,5 m vom Zentrum des Aufnahmebereichs entfernt.
3. Positioniere die Seitenansichtskamera etwa 3,0 m vom Zentrum des Aufnahmebereichs entfernt. Beide Kameras auf Brusthöhe auf Stativen montieren, wie in Abbildung 2A gezeigt.
4. Konfigurieren Sie beide Kameras so, dass sie mit einer Auflösung von 1920 × 1080 Pixel und einer Bildrate von 30 Bildern/s aufnehmen. Verwenden Sie manuelle Belichtung und feste Fokuseinstellungen während der gesamten Datenerfassung.
5. Beleuchten Sie den Aufnahmebereich mit zwei diffusen LED-Panelleuchten, die etwa 45° vorne-links und vorne-rechts des Darstellers auf Brusthöhe positioniert sind. Halten Sie eine gleichmäßige, nichtreflektierende Beleuchtung bei 500 Lux mit einer neutralen Farbtemperatur von 5.600 K während der gesamten Datenerfassung aufrecht.
6. Synchronisieren Sie die beiden Kameras vor jedem Versuch mit einem sichtbaren zweihändigen Klatschen im Aufnahmebereich. Richten Sie die Aufnahmen anhand des ersten Bildes aus, das den Handkontakt zeigt, und überprüfen Sie, dass der Synchronisationsfehler bei 30 Bildern pro Sekunde kein Bild überschreitet.
7. Positionieren Sie die Frontkamera senkrecht zur Frontebene des Darstellers und positionieren Sie die Seitenkamera etwa 90° zur rechten Seite des Darstellers. Verwenden Sie feste Fokuseinstellungen und stellen Sie sicher, dass der gesamte Körper des Darstellers über den gesamten 3 m × 3 m langen Aufnahmebereich sichtbar bleibt, indem beide Kameras mit Bodenmarkern an den Grenzen des Aufnahmebereichs ausgerichtet werden.
8. Verwenden Sie einen schlichten, nicht reflektierenden Hintergrund und entfernen Sie reflektierende Objekte aus dem Aufnahmebereich. Vor der Aufnahme sollten Sie bestätigen, dass der Darsteller aus beiden Kameraansichten vollständig sichtbar ist, dass Schatten die Körperumrisse nicht verdecken und dass keine Möbel, Kabel oder Unbeteiligte die Bewegungsbahn verdecken.
9. Kalibrieren Sie den Aufnahmebereich zu Beginn jeder Aufnahmesitzung, indem Sie das markierte Bodengitter filmen und überprüfen, ob die Grenzen des Aufnahmebereichs in beiden Kameraansichten sichtbar sind. Da die Analyse markerloses Zwei-Ansichts-Video anstelle metrischer dreidimensionaler Rekonstruktion verwendete, bestand die Kalibrierung darin, Sichtausrichtung, Körpersicht und Skalennormalisierung mittels Schulterbreite zu überprüfen.
10. Speichere jede Aufnahme als MP4-Video von 1920 × 1080 Pixel und 30 Bilder/s mit H.264-Kompression. Namensdateien im Format M##_P##_T#_view.mp4, wobei M Bewegung, P Darsteller anzeigt, T Trials und Ansicht die Front- oder Seitenkamera.
11. Verarbeiten Sie die Bewegungsdaten auf einer Workstation, die in der Lage ist, die Programmierumgebung Python 3.11, die OpenCV-Computer-Vision-Bibliothek, die markerlose Pose-Schätzungspipeline MediaPipe Pose, die numerische Rechenbibliothek NumPy, die pandas-Datenmanagementbibliothek und die SciPy-Signalverarbeitungsbibliothek auszuführen. Erfassen Sie das Workstation-Modell, das Betriebssystem und die für die Datenverarbeitung verwendeten Softwarepaketversionen, um die rechnerische Reproduzierbarkeit sicherzustellen.
    HINWEIS: Der gesamte fünfstufige Arbeitsablauf zur Übersetzung der verkörperten Tai-Chi-Bewegung in dynamische visuelle Kommunikation ist in Abbildung 1A–E dargestellt.

Abbildung 1. Workflow zur Übersetzung der verkörperten Tai-Chi-Bewegung in dynamische visuelle Kommunikation. (A) Fünfstufiger Studien-Workflow, bestehend aus Tai-Chi-Bewegungsauswahl, videobasierter Motion Capture, Motion-Feature-Extraktion, regelbasierter visueller Übersetzung und Nutzerbewertung. (B) Acht ausgewählte Tai-Chi-Formen, die in der Studie analysiert wurden. (C) Bewegungsdatenverarbeitungspipeline, einschließlich synchronisierter Videoaufnahme, Posenschätzung, Trajektorienverarbeitung, Bewegungszyklus-Normalisierung und Merkmalextraktion. (D) Experimentelle Kommunikationsbedingungen: statische Grafik, konventionelles Video und bewegungsdatengetriebenes dynamisches visuelles Design. (E) Konzeptueller Rahmen, der wahrgenommene Kommunikationsdesignqualität, verkörpertes Verständnis, ästhetisches Engagement, emotionale Resonanz, Teilintention und Bewahrungsintention verbindet. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Referenz	Forschungsgebiet	Datenkette, die in früheren Arbeiten verwendet wurde	Statistische oder analytische Kette	Methodologische Implikationen für diese Studie	Datenkette, die in früheren Arbeiten verwendet wurde
Ho et al.2	Tai-Chi-Bewegungsanalyse	Tai-Chi-Bewegungen wurden mittels Körper-Gelenk-Koordinatenverfolgung aufgezeichnet, und die Positionen der oberen Gliedmaßen sowie Ellbogenwinkel wurden quantifiziert.	Quantitative und qualitative Bewegungsanalysen.	Unterstützt die Verwendung von Körper-Gelenk-Koordinaten, Flugbahnmerkmalen und kinematischen Indikatoren, um Tai-Chi-Bewegungen in analysierbare verkörperte Daten umzuwandeln.	Tai-Chi-Bewegungen wurden mittels Körper-Gelenk-Koordinatenverfolgung aufgezeichnet, und die Positionen der oberen Gliedmaßen sowie Ellbogenwinkel wurden quantifiziert.
Li et al.3	Anerkennung der Tai-Chi-Bewegung	Tai-Chi-Bewegungen wurden mithilfe von Trägheitseinheiten und Zeitreihenbewegungssignalen erfasst.	Temporale konvolutionelle, netzwerkbasierte Erkennung und Interventionsfeedback.	Unterstützt die Extraktion zeitlicher Bewegungsmerkmale, einschließlich Rhythmusstabilität, Beschleunigungsvariation und Bewegungssequenzstruktur.	Tai-Chi-Bewegungen wurden mithilfe von Trägheitseinheiten und Zeitreihenbewegungssignalen erfasst.
Yi et al.4	Verbreitung des digitalen immateriellen Kulturerbes	Nutzererfahrungsdaten wurden von Teilnehmern erhoben, die mit Erfahrungen des digitalen immateriellen Kulturerbes in Berührung kamen.	SmartPLS und die fuzzy-set qualitative vergleichende Analyse (fsQCA) wurden verwendet, um affektive Reaktionen und Disseminationsverhalten zu untersuchen.	Unterstützt den Kommunikationsrahmen, der digitale Erfahrung, emotionale Reaktion, kulturelle Identität und Verbreitungsintention verknüpft.	Nutzererfahrungsdaten wurden von Teilnehmern erhoben, die mit Erfahrungen des digitalen immateriellen Kulturerbes in Berührung kamen.
Brooke15	Benutzerfreundlichkeitsbewertung	Die Teilnehmer füllten nach der Interaktion mit dem System einen standardisierten 10-Item-Usability-Fragebogen aus.	Die System Usability Scale (SUS)-Werte wurden auf einer Skala von 0–100 berechnet.	Unterstützt die Messung der wahrgenommenen Nutzbarkeit der visuellen Kommunikationsschnittstelle.	Die Teilnehmer füllten nach der Interaktion mit dem System einen standardisierten 10-Item-Usability-Fragebogen aus.
Hart und Staveland16	Kognitive Arbeitsbelastungsbewertung	Die Teilnehmer bewerteten nach Abschluss der Aufgabe die Arbeitsbelastungsdimensionen.	Die NASA Task Load Index (NASA-TLX)-Werte wurden aus multidimensionalen Arbeitslastbewertungen berechnet.	Unterstützt die Bewertung, ob der bewegungsdatengetriebene, dynamische visuelle Prototyp das Nutzerverständnis verbessert, ohne eine übermäßige kognitive Arbeitsbelastung zu verursachen.	Die Teilnehmer bewerteten nach Abschluss der Aufgabe die Arbeitsbelastungsdimensionen.

Tabelle 1: Literaturbasierte methodologische Kette, die die vorliegende Studie unterstützt. Diese Tabelle fasst die wichtigsten Referenzen, Forschungsbereiche, Datenerfassungsansätze, analytische Methoden und methodischen Beiträge zusammen, die verwendet werden, um den Bewegungsanalyse-Workflow, das visuelle Übersetzungsrahmenwerk, die Usability-Bewertung und die kognitive Arbeitsbelastungsbewertung im aktuellen Protokoll zu informieren.

Abbildung 2. Videobasiertes Motion-Capture- und Motion-Feature-Extraktionsverfahren. (A) Motion-Capture-Anlage mit synchronisierten Front- und Seitenansichtskameras innerhalb eines markierten 3 m × 3 m langen Aufnahmebereichs. (B) Markerlose Pose-Schätzungsausgaben, die extrahierte Körpermarken aus Front- und Seitenansichtsaufnahmen zeigen. (C) Datenvorverarbeitungs-Workflow, einschließlich Wahrzeichen-Extraktion, Screening von fehlenden Bildern, Trajektorienglättung und temporaler Normalisierung. (D) Repräsentative rekonstruierte Bewegungsbahnen, abgeleitet von Schlüsselpunkten an oberen Gliedmaßen, Rumpf und Körpermitte. (E) Bewegungsmerkmale, die aus jeder Bewegungssequenz extrahiert werden, darunter Dauer, mittlere Geschwindigkeit, Spitzengeschwindigkeit, Trajektorienkrümmung, Glattigkeitsindex, Symmetrieindex, Balance-Shift-Amplitude und Rhythmusstabilität. (F) Exportierter Motion-Feature-Datensatz zur visuellen Übersetzung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

2. Auswahl der Tai-Chi-Bewegungen und Rekrutierung von Künstlern

1. Wählen Sie acht repräsentative Tai-Chi-Formen für die Bewegungserfassung aus, um verschiedene Kombinationen von Kreisbahn, Gewichtsübertragung, Streckung der oberen Gliedmaßen, Rumpfrotation, Gleichgewichtsübergang und Rhythmuskontrolle zu erfassen (Tabelle 2; Abbildung 1B).
   HINWEIS: Die ausgewählten Formen umfassen Eröffnungsform, Wolkenhände, Weißer Kranich breitet die Flügel aus, Mähne des Wildpferdes teilen, Bürstenknie und Drehschritt, Abstoßungsaffe, Fang den Schwanz des Vogels und Schließende Form. Diese Formen bilden eine technische Grundlage zur Analyse der Tai-Chi-Bewegung als verkörperte Bewegungsdaten².
2. Rekrutieren Sie Tai-Chi-Künstler und beziehen Sie sowohl erfahrene Ausbilder als auch fortgeschrittene Praktiker ein. Definieren Sie erfahrene Ausbilder als Personen mit mehr als fünf Jahren Lehr- oder Aufführungserfahrung und Fortgeschrittene als Personen mit mindestens einem Jahr regelmäßiger Praxis.
3. Überprüfen Sie alle potenziellen Darsteller auf ihre Berechtigung. Beziehen Sie Personen im Alter von 18 bis 60 Jahren ein, die in den letzten drei Monaten keine muskuloskelettale Verletzung nachweisen und alle ausgewählten Bewegungen ohne Unterbrechung ausführen können.
4. Holen Sie vor der Datenerhebung eine schriftliche informierte Zustimmung aller Darsteller ein.
5. Identifizieren Sie potenzielle Künstler über Universitäts-Tai-Chi-Dozenten, Campus-Praxisgruppen und lokale Praktikernetzwerke. Kontaktieren Sie die Kandidaten per E-Mail oder persönlich, prüfen Sie sie anhand der Zulassungskriterien und nehmen Sie nur diejenigen ein, die eine schriftliche informierte Einwilligung erteilt haben.
6. Rekrutieren Sie insgesamt 12 Künstler, darunter fünf erfahrene Ausbilder und sieben Fortgeschrittene. Verwenden Sie diese Probe, um die Bewegungssequenzen für die Vorverarbeitung und Feature-Extraktion zu erzeugen.
7. Wählen Sie Bewegungen aus dem 24-formigen vereinfachten Tai-Chi-Lehrplan im Yang-Stil, der häufig im öffentlichen Unterricht und kulturellen Demonstrationskontexten verwendet wird.
8. Wählen Sie die acht Formen durch Diskussionen zwischen dem Forschungsteam und den Tai-Chi-Ausbildern aus, um langsame Initiation, kreisförmige Bahn, asymmetrische Streckung, Vorwärtstransfer, Rumpfrotation, Rückwärtsrückzug, mehrstufige Kraftintegration und schließende Stabilisierung abzudecken. Verwenden Sie diese Kriterien, um sicherzustellen, dass die ausgewählten Formen die von den visuellen Übersetzungsregeln in Tabelle 2 vorgesehenen Bewegungsmerkmale widerspiegeln.
9. Rekord der Demografie und Trainingsmerkmale der Performer, darunter Alter, Geschlecht, Größe, Körpermasse, Handfertigkeit, Jahre Tai-Chi-Erfahrung sowie Ausbilder- oder Intermediate-Status.
10. Schließe Kandidaten aus, die neurologische Störungen, Gleichgewichtsstörungen, unkorrigierte Sehbeeinträchtigungen, kürzliche Operationen, Unfähigkeit, die vollständige Bewegungssequenz abzuschließen, oder jegliche Erkrankung, die sichere Teilnahme unangemessen macht, melden.
11. Es ist keine vorherige Erfahrung mit Motion-Capture-Studien oder digitalen Aufzeichnungsverfahren erforderlich. Erklären Sie vor der Anmeldung allen Darstellern den Aufnahme-Workflow und bestätigen Sie, dass sie sich wohlfühlen, aus zwei Kameraansichten aufgenommen zu werden.
12. Fügen Sie die Genehmigung für Videoaufnahme, markerlose Bewegungsanalyse, anonymisierte Datenspeicherung und Veröffentlichung aggregierter Ergebnisse in das ethisch genehmigte Einwilligungsverfahren ein.
13. Stellen Sie den Ausführenden den Lernplan, Aufnahmeanweisungen, Aufwärmanleitungen und Möglichkeiten zur Fragestellung vor der Aufnahme zur Verfügung.

Tai-Chi-Bewegung	Verkörperte Bewegungsfunktion	Kulturelle oder körperliche Bedeutung	Extrahierte Bewegungsindikatoren	Dynamische visuelle Übersetzungsregel
Eröffnungsform	Langsame Initiierung, vertikales Setzen und kontrolliertes Armheben	Anfang, Erdung und Regulation von Atem und Körperzustand	Dauer, Glattheitsindex, Rhythmusstabilität	Langsames Einblenden, allmähliche vertikale Ausdehnung und langsames Erscheinungsbild von Teilchen
Wolkenhände	Kontinuierliche kreisförmige obere Gliedmaßenbewegung und laterale Körperverschiebung	Zirkularität, Fluss, Kontinuität und Koordination zwischen Körper und Absicht	Trajektorienkrümmung, Balance-Shift-Amplitude, Glattheitsindex	Kreisförmige Strömungslinien, seitliche visuelle Gravitationsverschiebungen und kontinuierliche Partikelspuren
Weißer Kranich breitet Flügel aus	Asymmetrische Streckung der oberen Gliedmaßen, offene Haltung und Rotation des Rumpfes	Streckung, Offenheit und Gleichgewicht zwischen Auf- und Abwärtskräften	Symmetrieindex, Spitzengeschwindigkeit, Verschiebung der oberen Gliedmaßen	Split-Layer-Komposition, Aufwärtslichterweiterung und asymmetrische Transparenzübergänge
Die Mähne des Wildpferdes aufteilen	Vorwärtsschritt, Diagonalarmtrennung und Gewichtsverlagerung	Richtungsausdehnung, Kräfteverteilung und Vorwärtsabsicht	Gleichgewichtsverschiebungsamplitude, mittlere Geschwindigkeit, Trajektorienkrümmung	Diagonale Bewegungsbänder, ein vorwärts bewegendes visuelles Zentrum und geschichtete Bogenerweiterung
Knie-Bürst-Bürst-Stufe und Drehschritt	Koordinierte Schritte, Armberühren und Torso-Rotation	Schutz, Umleitung und koordinierte Unter- und Oberkörperkontrolle	Stammverschiebung, Symmetrieindex, Glättungsindex	Rotierendes Sichtfeld, tiefere Spuren und weichere Kantenübergänge
Abstoßungsaffe	Rückwärtsschritte, abwechselnde Armbewegungen und kontrollierter Rückzug	Rückzug ohne Kontrollverlust, Wechsel und Stabilität	Rhythmusstabilität, Schrittverschiebung, bilaterale Koordination	Wechselnde visuelle Pulse, rückwärts fließende Teilchen und gestaffelte Opazitätsrhythmen
Greifen Sie den Schwanz des Vogels	Sequentielle Schieb-, Schutz-, Roll-, Drücken- und Schließen-Aktionen	Integration mehrerer Tai-Chi-Kräfte und kontinuierlicher Körperlogik	Krümmung, Glattigkeit, Rhythmusstabilität, Amplitude der Balanceverschiebung	Mehrstufige Bogensequenzen, geschichtete Kraftwellen sowie progressive visuelle Kompression und Freigabe
Abschlussform	Langsamer Rücklauf, Armsenken und Körperstabilisierung	Vollendung, Rückkehr zur Ruhe und innere Beruhigung	Dauer, Glattheitsindex, Rhythmusstabilität	Allmähliches Ausblenden, visuelles Absinken nach unten und Teilchenkonvergenz zum Zentrum hin

Tabelle 2: Tai-Chi-Bewegungsmerkmale und entsprechende visuelle Übersetzungsregeln. Diese Tabelle fasst die verkörperten Bewegungsmerkmale, kulturelle oder körperliche Bedeutungen, extrahierte Bewegungsindikatoren und regelbasierte visuelle Übersetzungsabbildungen zusammen, die für die acht ausgewählten Tai-Chi-Formen verwendet wurden. Die aufgeführten Bewegungsindikatoren informierten die Generierung dynamischer visueller Variablen, die im motion-feature-gesteuerten Kommunikationsdesign-Framework verwendet werden.

3. Motion-Capture-Verfahren

1. Weisen Sie jeden Künstler an, vor der formellen Aufnahme ein 5-minütiges Aufwärmen und eine Eingewöhnungsrunde im Aufnahmebereich zu absolvieren.
2. Weist jeden Ausführenden an, jede der acht ausgewählten Tai-Chi-Formen dreimal in einem natürlichen Tai-Chi-Tempo auszuführen. Verwenden Sie kein Metronom oder eine von außen auferlegte Bewegungsgeschwindigkeit.
3. Zeichnen Sie zu Beginn jeder Prüfung eine visuelle Synchronisationsgestik auf, um die Ausrichtung von Front- und Side-View-Videos während der Vorbearbeitung zu erleichtern.
4. Weisen Sie jedem Prozess eine eindeutige Bewegungskennung zu. Fügen Sie die Nummer, den Bewegungstyp und die Testnummer in die Kennung ein.
5. Stellen Sie ein Ruheintervall von 10 Sekunden zwischen den Prüfungen vor. Bieten Sie eine längere Ruhezeit an, wenn ein Ausführender von Müdigkeit berichtet.
6. Wiederholen Sie einen Versuch einmal, wenn die Bewegung unterbrochen, außerhalb des markierten Fangbereichs ausgeführt wird oder durch einen offensichtlichen Aufzeichnungsfehler beeinträchtigt wird. Der vollständige Workflow für Bewegungsaufzeichnung und Feature-Extraktion ist in Abbildung 2 dargestellt.
   HINWEIS: Abbildung 2 zeigt den vollständigen Workflow für Bewegungsaufzeichnung und Feature-Extraktion. Nutzen Sie einen markerlosen, videobasierten Workflow, um eine reproduzierbare und kostengünstige Datenerfassungspipeline aufrechtzuerhalten, die für kulturelle Kommunikationsumgebungen geeignet ist, in denen tragbare Sensoren^{unpraktisch sind}.
7. Verwenden Sie ein standardisiertes 5-minütiges Aufwärmtraining, das aus sanften Bewegungsübungen für Nacken, Schulter, Rumpf, Hüfte, Knie und Knöchel besteht, gefolgt von langsamem Armheben und Gewichtsverlagerung. Beginnen Sie erst mit der formellen Aufnahme, wenn der Ausführende keine Unbehagen meldet und die Übungssequenz reibungslos abschließen kann.
8. Während der Eingewöhnung sollte jeder Künstler einen Übungsdurchgang der ausgewählten Formen im markierten Bereich absolvieren, während der Operator die Sichtbarkeit des Körpers in beiden Kameraansichten überprüft. Beenden Sie die Vertrautheit, wenn der Ausführende im Aufnahmebereich bleiben und den Aufnahmehinweisen ohne Unterbrechung folgen kann.
9. Definieren Sie das natürliche Tai-Chi-Tempo als das selbstgewählte Tempo, das der Ausführende normalerweise während des Lehrens oder Übens verwendet. Weisen Sie die Ausführenden an, nicht für die Kamera zu beschleunigen und eine Prüfung nur dann zu wiederholen, wenn das Tempo sichtbar unterbrochen oder nicht mit der Übungsrunde übereinstimmt.
10. Verwenden Sie unmittelbar vor der Bewegungseinleitung eine beihändige Klatschbewegung auf Brusthöhe als visuelle Synchronisationsgeste. Markiere das erste Handkontaktbild in beiden Videos und verifiziere die Synchronisation während der Vorverarbeitung.
11. Verwenden Sie das Identifikationsformat M##_P##_T#, wobei M die Bewegung, P die Nummer des Ausführenden und T die Versuchsnummer anzeigt. Zum Beispiel bezeichnet M02-P07-T3 die dritte Cloud Hands-Prüfung, die vom Ausführenden P07 durchgeführt wurde.
12. Beurteilen Sie Müdigkeit durch Selbstberichte, sichtbare Instabilität, verlangsamte Erholung oder Bitten um zusätzliche Ruhe. Gewähren Sie eine zusätzliche Ruhephase von 30–60 Sekunden, wenn ein Ermüdungsindikator beobachtet wird.
13. Erfassen Sie Bewegungen in der in Tabelle 2 aufgeführten festen Reihenfolge, um Konsistenz zwischen den Ausführenden zu gewährleisten und Bedienerfehler zu reduzieren. Randomisieren Sie die Bewegungsreihenfolge nicht, denn das Ziel ist die Extraktion von Bewegungsmerkmalen und nicht der Vergleich von Verhaltensbehandlungen.
14. Geben Sie vor jedem Versuch dieselbe Anweisung: Führen Sie die zugewiesene Tai-Chi-Form im üblichen Tai-Chi-Tempo aus, bleiben Sie im markierten Bereich und machen Sie weiter, bis die Form abgeschlossen ist. Lesen Sie die Anweisung aus einem vorbereiteten Skript, um Konsistenz zwischen den Darstellern zu gewährleisten.
15. Erlauben Sie eine sofortige Wiederholung für einen Versuch, der durch Unterbrechung, Okklusion oder Interpretenfehler beeinflusst ist. Wenn der wiederholte Versuch weiterhin unbrauchbar bleibt, dokumentiere den Versuch als ausgeschlossen und notiere den Ausschlussgrund im Vorbearbeitungsprotokoll.
16. Überprüfen Sie die Kamerastabilität, die Sicht des Aufnahmebereichs, die Beleuchtungskonsistenz und die Sichtbarkeit des Körpers vor jedem Aufnahmeblock und nach jeder Einstellung der Ausrüstung. Pausiere die Aufnahme und wiederhole die Setup-Prüfung, ob Schatten, Reflexionen oder Verschlüsse sichtbar sind.
17. Übertrage Videodateien direkt nach jeder Aufnahmesitzung in einen passwortgeschützten Projektordner und sichere sie auf ein separates Laufwerk. Überprüfen Sie die Dateiintegrität, indem Sie jede Front- und Side-View-Aufnahme öffnen und die Aufnahmezeit, die Frame-Kontinuität und die Dateinamenskonsistenz vor der Vorverarbeitung überprüfen.
18. Zugaufzeichnungsoperatoren verwenden dieselbe Setup-Checkliste, Dateinamensregeln, Synchronisationsverfahren und Testwiederholungskriterien. Weisen Sie einem Bediener die Kamera-Aufbau- und Aufnahmesteuerung zu und, wenn das Personal es erlaubt, einen zweiten Bediener für die Protokoll-Checkliste zuzuweisen.

4. Vorverarbeitung von Bewegungsdaten

1. Überprüfen Sie alle RAW-Videodateien auf Kamerastabilität, Sichtbarkeit des Gehäuses, Bildkontinuität und Synchronisation, bevor Sie weiterverarbeitet werden.
2. Importiere jedes Video in die Pose-Estimation-Pipeline und extrahiere 33 Körpermarken Bild für Bild mit der Pose-Estimation Pipeline, wie in Abbildung 1C und Abbildung 2B dargestellt. Exportiere die Orientierungskoordinaten jeder Bewegungssequenz als Komma-getrennte Wertdateien (CSV).
3. Verarbeiten Sie die exportierten Koordinatendaten in Python mithilfe der Computer-Vision-Bibliothek, der numerischen Rechenbibliothek, der Datenmanagement-Bibliothek und der Signalverarbeitungsbibliothek. Überprüfen Sie die Daten auf fehlende Frames, instabile Keypoint-Schätzungen und Körperverfolgungsfehler.
4. Eine Bewegungssequenz wird ausgeschlossen, wenn mehr als 15 % der Bilder fehlende oder instabile Keypoint-Schätzungen enthalten, wenn der Darsteller vor Abschluss der Bewegung stoppt, wenn der Körper außerhalb des markierten Aufnahmebereichs bewegt wird oder wenn die Kamera-Okklusion eine zuverlässige Trajektorienrekonstruktion verhindert.
5. Glätten Sie die Körper-Keypoint-Trajektorien der erhaltenen Sequenzen mit einem Butterworth-Filter vierter Ordnung mit einer Cutoff-Frequenz von 6 Hz als Teil des in Abbildung 2C dargestellten Vorverarbeitungs-Workflows.
6. Normalisieren Sie jede erhaltene Sequenz zeitlich auf 0 % bis 100 % des Bewegungszyklus, um den Vergleich zwischen Darstellern mit unterschiedlichen Bewegungsgeschwindigkeiten zu erleichtern.
7. Räumliche Koordinaten mit performerspezifischen Körperproportionen normalisieren. Verwenden Sie die Schulterbreite als primäre Skalierungsreferenz für Vergleiche der oberen Gliedmaßenbahnen und rekonstruieren Sie Bewegungsbahnen für die spätere Analyse (Abbildung 2D).
8. Weisen Sie zwei ausgebildete Codierer zu, die alle ausgeschlossenen Sequenzen unabhängig überprüfen, sowie eine zufällige Stichprobe von 20 % der erhaltenen Sequenzen. Klären Sie Meinungsverschiedenheiten durch Gespräche mit einem Tai Chi-Lehrer und bewerten Sie die Übereinstimmung zwischen den Gutachtern.
9. Führen Sie die Pose-Estimation-Pipeline innerhalb der Programmierumgebung aus und notieren Sie die genaue Paketversion und Modellkonfiguration in der Materialtabelle. Verwenden Sie das 33-Orientierungs-Ganzkörperposen-Modell, um für jedes Videobild Orientierungskoordinaten zu erzeugen.
10. Aktivieren Sie Landmark-Glättung und konfigurieren Sie die Pose-Schätzungs-Pipeline mit model_complexity = 1, min_detection_confidence = 0,50 und min_tracking_confidence = 0,50, sofern keine anderen validierten Einstellungen verwendet wurden. Wende identische Konfigurationsparameter sowohl auf Front- als auch Side-View-Videos an.
11. Inspizieren Sie jedes Video auf Codec-Kompatibilität und lesen Sie Bilder direkt mit der Computer-Vision-Bibliothek ohne räumliches Zuschneiden, wenn der gesamte Körper sichtbar ist. Trimmen Sie nur das Synchronisationssegment vor der Bewegungseinleitung und ungenutzte Frames nach Abschluss der Bewegung vor der Landmark-Extraktion.
12. Exportiere CSV-Dateien mit einer Zeile pro Bild und Spalten, die die Bewegungskennung, den Frameindex, den Zeitstempel, den Namen oder den Index des Wahrzeichens, die normalisierten x-, y- und z-Koordinaten sowie den Sichtbarkeitswert für jedes der 33 Körpermarken enthalten. Speichere Front- und Side-View-Dateien in separaten Ordnern mit identischen Bewegungskennungen.
13. Klassifizieren Sie eine Landmark-Schätzung als instabil, wenn ihr Sichtbarkeitswert unter 0,50 liegt, wenn sich die Koordinaten um mehr als drei mittlere absolute Abweichungen zwischen benachbarten Frames ändern oder wenn sich das Wahrzeichen außerhalb des sichtbaren Körperbereichs bewegt. Flag-Sequenzen zur Wiederholung, wenn instabile Landmarken wichtige Orientierungspunkte in oberen Gliedmaßen, Rumpf oder Hüftbereichen betreffen.
14. Erkennen Sie fehlende Frames durch Diskontinuitäten in Frame-Indizes oder Zeitstempeln sowie durch fehlende Landmark-Zeilen in den exportierten CSV-Dateien. Interpolieren Sie linear isolierte Lücken von weniger als fünf aufeinanderfolgenden Bildern, bevor Sie glätten. Sequenzen werden ausgeschlossen, wenn fehlende oder instabile Frames 15 % der Gesamtsequenz überschreiten.
15. Erkennen Sie Fehler bei der Körperverfolgung durch visuelle Inspektion und automatisierte Überprüfungen von links-rechts Landmark-Vertauschungen, unwahrscheinlichen Gelenkverschiebungen, plötzlichen Ganzkörperpositionsverschiebungen und Körperkoordinaten außerhalb des Erfassungsbereichs. Markiere betroffene Sequenzen für die Codierüberprüfung und schließe sie aus, wenn eine zuverlässige Trajektorienrekonstruktion nicht möglich ist.
16. Dokumentieren Sie alle ausgeschlossenen Sequenzen in einem Vorverarbeitungsprotokoll, das die Bewegungskennung, die Performer-Kennung, den Bewegungstyp, die Testnummer, den Ausschlussgrund, den Prozentsatz fehlender Schlüsselpunkte und die Entscheidung des Prüfers enthält. Behalten Sie die entsprechenden Felder für Sequenzstatus, fehlende Schlüsselpunkt-Prozentsatz und Prüfflagge während der gesamten Vorverarbeitung aufrecht.
17. Implementieren Sie den Butterworth-Tiefpassfilter vierter Ordnung mit den Funktionen scipy.signal.butter und scipy.signal.filtfilt, um eine Nullphasenfilterung jeder Koordinatenbahn durchzuführen. Verwenden Sie die Abtastrate von 30 Bildern pro Sekunde, um die Nyquist-Frequenz zu bestimmen und auf alle erhaltenen Sequenzen identische Filterparameter anzuwenden.
18. Definieren Sie die Bewegungsinitiierung als den ersten anhaltenden Anstieg der Handgelenks- oder Körperzentrumsgeschwindigkeit, die 5 % der sequenzspezifischen Spitzengeschwindigkeit nach der Synchronisationsgeste übersteigt. Definieren Sie den Bewegungsabschluss als den ersten Punkt nach der finalen Bewegungsphase, an dem die Geschwindigkeit mindestens 10 aufeinanderfolgende Frames unter diesem Schwellenwert bleibt.
19. Jede erhaltene Sequenz resample auf 101 gleichmäßig verteilte Zeitpunkte, die 0–100 % des Bewegungszyklus repräsentieren, indem die geglätteten Koordinatenbahnen interpoliert werden. Verwenden Sie die normalisierten Sequenzen für den Cross-Performer-Vergleich und die anschließende Bewegungsfeature-Extraktion.
20. Man misst die Schulterbreite als euklidische Entfernung zwischen den linken und rechten Schultermarken. Verwenden Sie den Medianwert über stabile Frames als performatspezifische Skalierungsreferenz und wenden Sie den resultierenden Skalierungsfaktor auf alle erhaltenen Versuche desselben Performers an.
21. Normalisieren Sie die Koordinaten mit den Gleichungen und , wobei x_c und y_c die Körperzentrum-Koordinaten darstellen und W_s die perforentspezifische Schulterbreite. Wenden Sie dasselbe Normalisierungsverfahren auf Oberglied-, Rumpf- und Körperzentrumsbahnen an.
22. Trainieren Sie Codierer anhand der vordefinierten Ausschlusskriterien, repräsentativer Mustervideos und einer Pilotüberprüfung vor der formellen Codierung. Erlauben Sie von Kodierern, vor der Überprüfung der Studiendaten eine konsistente Identifikation fehlender Schlüsselpunkte, Okklusions, Nachverfolgungsfehler und unterbrochener Leistungen nachzuweisen.
23. Wählen Sie die 20%-Retened-Sequence-Review-Stichprobe mittels stratifizierter Zufallsstichprobe nach Bewegungstyp aus, sodass jede Tai-Chi-Form dargestellt wird. Generiere die Zufallsstichprobe aus der gespeicherten Motion-Identifier-Liste vor der Überprüfung des Programmierers.
24. Berechnen Sie die Inter-Rater-Übereinstimmung mit Cohen' κ für Behalte-/Ausschlussentscheidungen und der prozentualen Übereinstimmung für Ausschlussgrundklassifikationen. Betrachten Sie κ-Werte ≥ 0,80 als akzeptabel, bevor Sie den gespeicherten Datensatz finalisieren.
25. Speichere alle Vorverarbeitungsskripte in einem veralteten Projektverzeichnis zusammen mit einer Anforderungsdatei, die die Programmierumgebung und die exakten Versionen der Pose-Estimation Pipeline, der Computer-Vision-Bibliothek, der numerischen Rechenbibliothek, der Datenmanagement-Bibliothek und der Signalverarbeitungsbibliothek dokumentiert. Zeichnen Sie nachfolgende Skriptänderungen in einem Änderungsprotokoll auf, bevor Sie die Feature-Extraktion erneut ausführen.
26. Führen Sie während der gesamten Vorverarbeitung Qualitätskontrollprotokolle, einschließlich Sequenzstatus, Prozentsatz fehlender Schlüsselpunkte, Review-Flags und Entscheidungen der Programmierer. Verwenden Sie diese Protokolle, um den Fortschritt von 288 aufgezeichneten Bewegungssequenzen zu 264 behaltenen Sequenzen nach Qualitätsscreening zu dokumentieren.

5. Bewegungs-Feature-Extraktion und visuelle Übersetzung

1. Berechnen Sie die Bewegungsdauer als die vergangene Zeit zwischen Bewegungsinitiierung und Abschluss. Berechnen Sie die mittlere Geschwindigkeit und die Spitzengeschwindigkeit aus der Verschiebung von oberen Glied- und Trunk-Schlüsselpunkten über aufeinanderfolgende Frames. Ziehen Sie Bewegungsdauer, Geschwindigkeit, Trajektorienkrümmung, Glattheit, Symmetrie, Gleichgewichtsverschiebungsamplitude und Rhythmusstabilitätsmerkmale heraus, wie in Abbildung 2E zusammengefasst.
2. Berechnen Sie die Bahnkrümmung aus der Zirkularität der oberen Gliedmaßenbewegungspfade. Die Bewegungsgeschmeidigkeit wird durch die Beschleunigung von Bild zu Bild abgeleitet.
3. Berechnen Sie die Symmetrie, indem Sie die Bewegungsmuster der linken und rechten Gelenke vergleichen. Schätzung der Amplitude der Gleichgewichtsverschiebung aus der horizontalen Verschiebung des Körperzentrums während des gesamten Bewegungszyklus.
4. Berechnen Sie die Rhythmusstabilität anhand der zeitlichen Variation der Geschwindigkeitsspitzen im Verlauf des Bewegungszyklus.
5. Jeder gültigen Sequenz werden Sie mit einer gewichteten Kombination aus Trajektorienkrümmung, Glattheit, Rhythmusstabilität und Balance-Shift-Amplitude einen visuellen Translationswert zugewiesen. Exportieren Sie den resultierenden Motion-Feature-Datensatz für die visuelle Übersetzung (Abbildung 2F).
6. Transformieren Sie die extrahierten Bewegungsmerkmale mithilfe eines regelbasierten visuellen Übersetzungssystems in dynamische visuelle Elemente. Verknüpfen Sie jede visuelle Variable mit einer bestimmten verkörperten Bewegungsfunktion mithilfe der in Abbildung 3A gezeigten Translationsmatrix.
7. Übersetzen Sie die hohe Trajektorienkrümmung in kreisförmige Strömungslinien und bogenförmige Teilchenpfade (Abbildung 3B). Übertragung höherer Rhythmusstabilitätswerte auf langsamere und regelmäßigere Pulsationsmuster (Abbildung 3C).
8. Übersetze größere Balance-Shift-Amplituden in sichtbare Bewegungen des visuellen Zentrums (Abbildung 3D). Übertragen Sie höhere Glattheitswerte auf kontinuierliche Gradientenübergänge und höhere Symmetriewerte auf gespiegelte oder gegenwärtige visuelle Kompositionen (Abbildung 3E).
9. Überprüfen Sie die Regeln für visuelle Übersetzung mit Tai Chi-Lehrern und Experten für visuelles Kommunikationsdesign. Bestätigen Sie, dass die visuellen Abbildungen die verkörperte Bewegungslogik bewahren und gleichzeitig dekorative Verzerrungen minimieren¹⁴. Ein repräsentativer, bewegungsfunktionsbasierter visueller Prototyp, der mit diesen Translationsregeln generiert wird, ist in Abbildung 3F dargestellt.
10. Verwenden Sie dieselben Bewegungsinitiations- und Bewegungs-Abschlusspunkte wie bei der zeitlichen Normalisierung für Dauerberechnungen. Berechnen Sie die Bewegungsdauer als (Endbild − Startbild)/30 Bilder/s und melden Sie das Ergebnis in Sekunden.
11. Berechnen Sie die Bild-zu-Bild-Geschwindigkeit mit der euklidischen Verschiebung aufeinanderfolgender Orientierungskoordinaten:
     
    Hier ist v_t die momentane Geschwindigkeit im Rahmen t, (x_t, y_t, z_t) sind die Orientierungskoordinaten im Bild t, (x_t−1, y_t−1, z_t−1) sind die Orientierungskoordinaten im vorherigen Rahmen, und Δt ist das Zeitintervall zwischen aufeinanderfolgenden Frames (1/30 s). Verwenden Sie geglättete, schulterbreiten-normalisierte Koordinaten und melden Sie die Geschwindigkeit in normalisierten Körperbreiteneinheiten pro Sekunde.
12. Beziehen Sie das linke und rechte Handgelenk, die Ellbogen, Schultern, Hüften und die berechnete Körperzentrumsbahn ein, wenn Sie die Geschwindigkeit der oberen Gliedmaßen und des Rumpfes schätzen. Verwenden Sie Handgelenks- und Ellbogenbahnen, um die Bewegung der oberen Gliedmaßen zu charakterisieren, sowie Schulter-Hüfte-Zentrumsbahnen, um die Rumpfbewegung und die gleichgewichtsbezogene Bewegung zu charakterisieren.
13. Schätzen Sie die Trajektorienkrümmung aus aufeinanderfolgenden Koordinatentripeln mit:
    
    Durchschnittliche Krümmungswerte über den normalisierten Bewegungszyklus und die Bahnen der oberen Gliedmaßen.
14. Quantifizieren Sie die Zirkularität als die min–max-normalisierte mittlere Krümmung der oberen Gliedmaßenbahnen über erhaltene Sequenzen. Höhere Werte deuten auf kontinuierlichere bogenförmige oder kreisförmige Bahnen und eine größere Eignung für eine visuelle Translation zirkulärer Flusslinien hin.
15. Berechnen Sie die Glattheit von Bild-zu-Bild-Beschleunigungsvariation nach Filterung mit einem invers-normierten Beschleunigungs-Variationswert, der auf 0–100 neu skaliert wird, für die Berichterstattung. Höhere Werte zeigen eine sanftere Bewegung mit weniger abrupten Beschleunigungswechseln.
16. Quantifizieren Sie die Symmetrie als eine Variante minus die normalisierte Differenz zwischen Wurzel-Mittelwert-Quadrat-Verhältnissen zwischen linken und rechten orientierungsweisen Bahnen nach zeitlicher Ausrichtung. Höhere Symmetriewerte deuten auf ausgewogenere bilaterale Bewegungsmuster hin.
17. Berechnen Sie das Körperzentrum als mittlere Position der linken Schulter, der rechten Schulter, der linken Hüfte und der rechten Hüfte für jeden Frame. Verwenden Sie die resultierende Körper-Zentrum-Trajektorie, um Körperverschiebung und Gleichgewichtsverschiebungsmerkmale zu schätzen.
18. Berechnen Sie die Balance-Shift-Amplitude als den Bereich der normalisierten horizontalen Körper-Zentrum-Verschiebung über den Bewegungszyklus:
     B = max (x′_Zentrum) − Min (x′_Zentrum)
    Höhere Werte deuten auf eine größere laterale oder anteroposteriore Gewichtsverlagerung hin, abhängig von der Kameraansicht.
19. Identifizieren Sie Geschwindigkeitsspitzen mit einem Peak-Detektionsverfahren, das auf das geglättete Geschwindigkeitsprofil angewandt wird, mit einer Mindestprominenz von 10 % der sequenzspezifischen Spitzengeschwindigkeit und einem Mindestabstand von fünf Frames. Visuelle Überprüfung der erkannten Spitzen für Sequenzen, die während der Vorverarbeitung markiert wurden.
20. Quantifizieren Sie die Rhythmusstabilität als eins minus den Variationskoeffizienten der Inter-Peak-Intervalle über den Bewegungszyklus hinweg und skalieren Sie das Ergebnis für die Berichterstattung auf 0–100 um. Höhere Werte deuten auf ein regelmäßigeres Timing zwischen den Bewegungsphasen hin.
21. Normalisieren Sie alle Bewegungsmerkmale vor der Kombination mittels Min–Max-Skalierung:
     
    Normalisiere jedes Merkmal unabhängig voneinander, sodass kein einzelnes Merkmal aufgrund seiner Messskala dominiert.
22. Berechnen Sie den visuellen Translationswert (VTS) als:
     VTS = 100 × (0,35C-Norm + 0,30S-Norm + 0,20R-Norm + 0,15B-Norm)
    Hier stehen C, S, R und B jeweils für Krümmung, Glattigkeit, Rhythmusstabilität und Balance-Shift-Amplitude. Höhere Bewertungen als größere Eignung für bewegungsbasierte dynamische visuelle Übersetzung interpretieren statt als überlegene Tai-Chi-Leistung.
23. Wähle Merkmalsgewichte durch fachkundige Diskussionen unter Tai-Chi-Lehrern und Forschern im visuellen Kommunikationsdesign aus, wobei Krümmung und Glättung mehr Gewicht beimpft, da diese Merkmale den sichtbaren Fluss und die Kontinuität am direktsten beeinflussen. Vergleiche die resultierenden Score-Rankings vor der Endanalyse mit Experteneinschätzungen zur Bewegungs-Optik-Eignung.
24. Führen Sie Bewegungsmerkmale-Extraktion in der Programmierumgebung mit der Computer-Vision-Bibliothek für die Frame-Handhabung, einer Pose-Schätzungs-Pipeline für die Orientierungs-Extraktion, numerischer Computing-Bibliothek und Datenmanagementbibliothek für Koordinatenverarbeitung sowie der Signalverarbeitungsbibliothek für Filterung und Signalanalyse durch. Archiviere die Analyseskripte, Paketversionen und exportierten CSV-Dateien mit dem Projektdatensatz.
25. Implementieren Sie den regelbasierten visuellen Übersetzungsworkflow in der TouchDesigner-Plattform für die visuelle Entwicklung mit normalisierten CSV-Bewegungsfunktionen als Parametereingaben und Adobe After Effects für das endgültige Compositing, wenn erforderlich. Importiere jeden Bewegungsmerkmalvektor, lege Bewegungsmerkmale auf vordefinierte visuelle Parameter zu, schaue die dynamische Ausgabe vor und exportiere den endgültigen visuellen Prototyp zur Benutzerbewertung.
26. Normalisierte Bewegungsfunktionen werden kontinuierlich visuellen Parametern zugeordnet und werden niedrige (<0,33), mittlere (0,33–0,66) und hohe (>0,66) Wertbereiche nur während der Designprüfung verwendet. Zum Beispiel erhöht eine höhere Krümmung den Lichtbogenradius und die Dichte der Flussleitungen, eine höhere Rhythmusstabilität reduziert Pulsationsunregelmäßigkeiten, und größere Balance-Shift-Amplituden erhöhen die visuelle Mittelpunktverschiebung.
27. Erzeugen Sie kreisförmige Strömungslinien und Partikelbahnen aus dem Krümmungsparameter, Pulsationstiming aus Rhythmusstabilität, visuelle Zentrumsbewegung aus Balance-Shift-Amplitude, Gradientenkontinuität durch Glattheit und spiegelnde Kompositionsstärke durch Symmetrie. Beibehalten Sie identische Farbpaletten, Hintergründe und Typografie über alle Prototypen hinweg, um Störungseffekte zu minimieren, die nicht mit bewegungsbezogenen Dynamiken zusammenhängen.
28. Wenden Sie während der Prototypengenerierung kontinuierlich visuelle Abbildungen an, sodass inkrementelle Unterschiede in Bewegungsmerkmalen proportionale Veränderungen im visuellen Verhalten hervorrufen. Verwenden Sie kategorische Bezeichnungen nur während der Expertenbewertung, um die Diskussion über die Eignung niedriger, mittlerer und hoher visueller Übersetzung zu erleichtern.
29. Überprüfen Sie die Übersetzungsregeln mit zwei Tai-Chi-Lehrern und zwei Experten für visuelle Kommunikationsdesign. Bewerten Sie die Ausrichtung von Bewegung und Merkmal, kulturelle Interpretierbarkeit, visuelle Klarheit und das Risiko dekorativer Verzerrungen und überarbeiten Sie die Übersetzungsregeln, bis ein Konsens erreicht ist.
30. Bewerten Sie die Erhaltung der verkörperten Bewegungslogik, indem Sie feststellen, ob jede visuelle Abbildung die in Tabelle 2 zusammengefassten Bewegungsmerkmale korrekt repräsentiert und ob Experten Ausrichtung und Interpretierbarkeit als akzeptabel bewerten. Überarbeite Abbildungen, die als dekorativ, irreführend oder unzureichend repräsentativ für die ursprünglichen Bewegungsmerkmale gelten, bevor die endgültigen visuellen Prototypen erstellt werden.

Abbildung 3. Regelbasierte Übersetzung von Tai-Chi-Bewegungsmerkmalen in dynamische visuelle Variablen. (A) Visuelle Translationsmatrix, die extrahierte Bewegungsmerkmale mit entsprechenden visuellen Variablen verknüpft. (B) Beispielübersetzung der Bahnkrümmung in kreisförmige Strömungslinien und Teilchenbahnen. (C) Beispielübersetzung von Rhythmusstabilität in Animationstiming und Pulsationsmuster. (D) Beispielübersetzung der Gleichgewichtsverschiebungsamplitude in die Bewegung des visuellen Zentrums und der gewichteten Komposition. (E) Beispiel für Übersetzung von Glattheit und Symmetrie in Gradientenkontinuität und kompositionelle Balance. (F) Repräsentativer dynamischer visueller Prototyp, erzeugt aus extrahierten Bewegungsmerkmalen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

6. Prototypenentwicklung und Benutzerbewertungseinrichtung

1. Entwickeln Sie drei Kommunikationsmaterialien für experimentelle Vergleiche: einen statischen grafischen Zustand, einen konventionellen Videozustand und einen bewegungsdatengetriebenen dynamischen visuellen Designbedingung, die vom visuellen Übersetzungssystem erzeugt wird (Abbildung 1D). Der resultierende, bewegungsdatengetriebene visuelle Prototyp ist in Abbildung 3F dargestellt.
2. Standardisieren Sie die drei Kommunikationsmaterialien hinsichtlich Belichtungsdauer, Informationsdichte, Reihenfolge der Bewegungspräsentation, Typografie und Farbpalette.
3. Rekrutieren Sie 180 berechtigte Teilnehmer im Alter von 18 bis 35 Jahren mit normalem oder korrigiertem Sehvermögen und ohne professionellen Tai-Chi-Lehrhintergrund. Zuweisen Sie die Teilnehmer zufällig den drei Kommunikationsbedingungen unter Verwendung eines 1:1:1-Zuteilungsverhältnisses (Tabelle 3).
4. Führen Sie die Nutzerbewertung in einem eigenen Interaktionsraum durch. Zeigen Sie alle experimentellen Materialien auf demselben 24-Zoll-Monitor und positionieren Sie die Teilnehmer etwa 70 cm vom Bildschirm entfernt.
5. Halten Sie bei allen experimentellen Bedingungen eine konstante Beleuchtung im Raum, den Schallpegel, die Sichtweite, die Bildschirmauflösung und die Belichtungsdauer aufrecht.
6. Erlauben Sie den Teilnehmern, das zugewiesene Material während einer 4-minütigen Expositionsphase zu überprüfen. Zeichnen Sie das Verhalten, Wiederholungsverhalten, Scrollverhalten und Interaktionsverhalten als Indikatoren für das Verhaltensengagement auf. Der konzeptionelle Bewertungsrahmen, der wahrgenommene Kommunikationsdesignqualität, verkörpertes Verständnis, ästhetisches Engagement, emotionale Resonanz, Teilintention und Bewahrungsintention verbindet, ist in Abbildung 1E dargestellt.
7. Erstelle den statischen grafischen Zustand als Abfolge von stillstehenden visuellen Paneelen, die die acht Tai-Chi-Formen, kurze, bewegungsbedeutende Etiketten und denselben erklärenden Text zeigen, der in den anderen Bedingungen verwendet wird. Exportiere die Panels mit 1920 × 1080 Pixeln und präsentiere sie während der 4-minütigen Belichtungszeit auf demselben Monitor.
8. Erstellen Sie den konventionellen Videozustand aus demselben aufgenommenen Tai-Chi-Quellmaterial, das in eine 4-minütige 1920-× 1080-Pixel-, 30 Bilder/s H.264-MP4-Sequenz geschnitten wird. Verwenden Sie nur konventionelles Videomaterial und Textbeschriftungen ohne bewegungsbasierte visuelle Überlagerungen.
9. Generiere die bewegungsdatengetriebene dynamische visuelle Designbedingung, indem du normalisierte Bewegungsfeature-Daten in die visuelle Entwicklungsplattform importierst, den in Schritt 5 beschriebenen Regelsatz anwendest und einen 4-minütigen Prototyp mit derselben Bewegungsreihenfolge und demselben erklärenden Text wie die anderen beiden Bedingungen exportierst.
10. Präsentieren Sie dieselben acht Tai-Chi-Formen in allen drei Bedingungen: Öffnende Form, Wolkenhände, Weißer Kranich breitet die Flügel aus, Mähne des Wildpferdes teilen, Knie bürsten und Drehschritt, Affe abstoßen, Vogelschwanz greifen und Schließende Form. Jede Bedingung enthält den Namen des Satzes, eine kurze Beschreibung seiner verkörperten Bedeutung und dieselbe Präsentationsreihenfolge.
11. Standardisieren Sie die Informationsdichte, indem Sie die Belichtungsdauer, die Anzahl der Bewegungen, die Bewegungsreihenfolge, die Anzahl der erklärenden Etiketten, die ungefähre Wortanzahl und den für jede Bewegung gewidmeten Bildschirmfläche abgleichen. Überprüfen Sie alle Materialien vor der Prüfung, um sicherzustellen, dass kein Zustand konzeptionelle Informationen enthält, die von den anderen fehlen.
12. Verwenden Sie unter allen Bedingungen dieselbe serifenlose Schriftart, Etikettenhierarchie, neutralen Hintergrund und zurückhaltende blau-graue Akzentpalette. Halte Textgröße, Label-Platzierung und Bewegungstitel konsistent, damit Gruppenunterschiede den Kommunikationsmodus widerspiegeln und nicht das unabhängige grafische Styling.
13. Rekrutieren Sie Teilnehmer zur Nutzerbewertung über Universitätsmailinglisten, Campus-Benachrichtigungen und Teilnehmerpools für Designkurse. Prüfen Sie interessierte Freiwillige hinsichtlich ihres Alters, Sehstatus, beruflicher Tai-Chi-Lehrhintergrund und ihrer Fähigkeit, die vollständige Evaluierungssitzung abzuschließen.
14. Setzen Sie eine Zielstichprobengröße von etwa 60 Teilnehmern pro Bedingung, um eine ausreichende statistische Kraft zur Erkennung mittelgroßer Unterschiede zwischen Gruppen im Wissensgewinn und im verkörperten Verständnis zu bieten. Die endgültig analysierte Stichprobe umfasste 180 Teilnehmer, verteilt auf die drei Bedingungen.
15. Erzeugen Sie die Allokationssequenz mittels computerbasierter Blockrandomisierung mit einem Zielverhältnis von 1:1:1 über die drei Bedingungen. Verbergen Sie den Zustand, bis das Zulassungsscreening und die Basismessungen abgeschlossen sind.
16. Erfassung von Teilnehmeralter, Geschlecht, bisheriger Tai-Chi-Vertrautheit, bisheriger Exposition mit immateriellem Kulturerbe, Design-Hintergrund, Visionsstatus und kulturellem Wissenswert vor dem Test. Nutzen Sie diese Variablen, um die Äquivalenz der Basislinien zwischen den experimentellen Gruppen zu bewerten.
17. Ausschließen Sie Personen mit professionellem Tai-Chi-Lehrhintergrund, unkorrigierter Sehbeeinträchtigung, selbstberichteten kognitiven oder neurologischen Erkrankungen, die das Verständnis beeinträchtigen könnten, vorheriger Teilnahme am Prototypendesignprozess oder unvollständigen Umfrage- oder Aufgabendaten aus.
18. Präsentieren Sie die Materialien auf einem Dell P2422H 24-Zoll-Monitor mit 1920 × Auflösung von 1080 Pixeln und einer Bildwiederholrate von 60 Hz. Halten Sie in allen Sitzungen identische Display-Helligkeits- und Farbeinstellungen bei und überprüfen Sie, dass der gesamte Reizbereich aus der 70-cm-Sichtweite sichtbar ist.
19. Halten Sie während aller Nutzerbewertungen eine stabile Innenbeleuchtung und vermeiden Sie direkte Blendung auf dem Monitor. Überprüfen Sie vor jeder Sitzung eine gleichmäßige Beleuchtung, minimale Hintergrundgeräusche und das Fehlen visueller Ablenkungen.
20. Geben Sie den Teilnehmern vor der Exposition standardisierte schriftliche und mündliche Anweisungen. Informieren Sie die Teilnehmenden, dass sie Wissens-, Erkennungs- und Nutzererfahrungsbewertungen unmittelbar nach dem Ansehen des zugewiesenen Kommunikationsmaterials durchführen werden.
21. Während der 4-minütigen Expositionsphase sollten die Teilnehmer die Bewegungsnamen, verkörperten Bedeutungen und visuellen Hinweise im zugewiesenen Material lernen. Geben Sie während der Expositionszeit keine zusätzlichen Erklärungen an.
22. Teilnehmende dürfen nur im Rahmen der zugewiesenen Bedingungen überprüfen, abspielen, scrollen oder interagieren: Still-Panel-Review für den statischen grafischen Zustand, Wiedergabesteuerung für den konventionellen Videozustand und feature-linked Interaktion für den bewegungsdatengetriebenen dynamischen visuellen Design-Zustand. Zeichnen Sie alle erlaubten Aktionen als Indikatoren für das Verhaltensengagement auf.
23. Zeichnen Sie Überprüfung, Wiedergabe, Scrollen und Interaktionsverhalten mit dem Ereignisprotokollsystem des Präsentationscomputers auf. Exportiere Teilnehmer-Protokolle als CSV-Dateien mit Teilnehmer-ID, experimenteller Bedingung, Verweilzeit(en), Übersichts-/Wiedergabeanzahl, Interaktionsklicks und freiwilliger Teilungsauswahl.
24. Definieren Sie die Verweilzeit als die gesamte Sicht- oder Interaktionszeit (Wiedergabezeiten), die Anzahl der Wiederholungen oder Wiedergabeaktionen als die Anzahl der wiederholten Aufrufe oder Wiederholungsaktionen und Interaktionsklicks als die Anzahl der vom Teilnehmer initiierten Auswahlen während der Exposition. Erfassen Sie die freiwillige Teilungsauswahl als binäres (Ja/Nein)-Ergebnis nach Abschluss der Bewertung.
25. Führen Sie unmittelbar vor und nach der Exposition eine 20-Punkte-Bewertung des kulturellen Wissens durch. Berechnen Sie den Wissensgewinn als Ergebnis nach dem Test minus das Ergebnis vor dem Test, wobei höhere Werte auf ein stärkeres kurzfristiges Lernen durch das zugewiesene Kommunikationsmaterial hinweisen.
26. Messen Sie die Bewegungserkennung, indem Sie die Teilnehmer bitten, jede Tai Chi-Form aus einer Liste der acht untersuchten Bewegungen zu identifizieren. Bewerten Sie die Antworten als richtig oder falsch und berechnen Sie die Erkennungsgenauigkeit auf Teilnehmerebene.
27. Messen Sie die Bewegungsbedeutungserkennung, indem Sie die Teilnehmer bitten, jede Bewegungsrepräsentation mit ihrer entsprechenden verkörperten Bedeutung abzugleichen (z. B. Zirkularität, Erdung, Balanceverschiebung oder Rückzug ohne Kontrollverlust). Zeigen Sie die Leistung als Prozentsatz der korrekt abgestimmten Items.
28. Messung des verkörperten Verständnisses mit Likert-ähnlichen Fragebogen, die die Wahrnehmung von Körperrhythmus, Gleichgewichtsübertragung, Flugbahn und Bewegungslogik der Teilnehmer bewerten. Durchschnittliche Item-Werte, sodass höhere Werte auf ein stärkeres wahrgenommenes verkörpertes Verständnis hinweisen.
29. Missen Sie emotionale Resonanz, ästhetisches Engagement, kulturelle Authentizität, Erhaltungsintention und Teilintention mit mehrfachen 7-Punkte-Likert-Skalen, die aus der digitalen Erbe und der Nutzererfahrungsliteratur adaptiert sind. Berechnen Sie jedes Konstrukt nach der Zuverlässigkeitsbewertung als Mittelwert der zurückbehaltenen Items. Bewertung der wahrgenommenen Usability mit der 10-Item-System-Usability-Skala (SUS)¹⁵.
30. Misse die kognitive Arbeitsbelastung mit dem NASA Task Load Index (NASA-TLX)¹⁶ nach Materialexposition und rechne den resultierenden Wert auf eine 0–100-Skala um. Niedrigere Werte deuten auf eine geringere wahrgenommene Arbeitsbelastung bei der Interpretation des Kommunikationsmaterials hin.
31. Führen Sie alle Fragebögen unmittelbar nach den Expositions- und Erkennungsaufgaben elektronisch auf dem Präsentationscomputer durch. Exportieren Sie Antworten unter Verwendung anonymisierter Teilnehmeridentifikatoren.
32. Überprüfen Sie die Antworten der Teilnehmer auf Vollständigkeit, doppelte Identifikatoren, unglaubwürdige Werte und fehlende Aufgabenergebnisse vor der statistischen Analyse. Ausschließen Sie unvollständige Sitzungen und behalten Sie die endgültig analysierte Stichprobe in Tabelle 3.
33. Speichern alle Teilnehmerdaten mithilfe anonymisierter Teilnehmerkennungen in passwortgeschützten Forschungsdateien, die nur dem Forschungsteam zugänglich sind. Entfernen Sie persönliche Identifikatoren vor der Analyse und bewahren Sie Studienunterlagen gemäß institutionellen Ethik und Datenmanagementrichtlinien auf.

Variable	Statische Grafikgruppe (n = 58)	Konventionelle Videogruppe (n = 60)	Dynamische Visuelle Designgruppe (n = 62)	Statistischer Test	p Wert
Alter (Jahre)	23.4 ± 3.8	23.7 ± 4.1	24.0 ± 3.9	Einweg-ANOVA	0.71
Weiblich, n (%)	33 (56.9)	35 (58.3)	37 (59.7)	Chi-Quadrat-Test	0.95
Designhintergrund, n (%)	19 (32.8)	21 (35.0)	22 (35.5)	Chi-Quadrat-Test	0.94
Frühere Tai-Chi-Vertrautheit (1–7)	2.8 ± 1.3	2.9 ± 1.4	3.0 ± 1.3	Einweg-ANOVA	0.68
Frühere Exposition für immaterielles Kulturerbe (1–7)	3.1 ± 1.4	3.2 ± 1.5	3.3 ± 1.4	Einweg-ANOVA	0.74
Vor dem Test kulturelle Wissenswertung (0–20)	6.7 ± 2.4	6.9 ± 2.6	6,8 ± 2,5	Einweg-ANOVA	0.91
Normales oder korrigiertes bis normales Sehen, n (%)	58 (100.0)	60 (100.0)	62 (100.0)	Fishers exakter Test	1
Beruflicher Tai-Chi-Lehrhintergrund, n (%)	0 (0.0)	0 (0.0)	0 (0.0)	Nicht anwendbar	—

Tabelle 3: Teilnehmercharakteristika und experimentelle Gruppenzuteilung. Basismerkmale der demografischen Merkmale, vorherige Tai-Chi-Vertrautheit, vorherige Exposition durch immaterielles Kulturerbe und Vor-Test-Kulturwissenswerte für Teilnehmer, die den statischen Grafik-, konventionellen Video- und dynamischen visuellen Designbedingungen zugeordnet sind. Die Daten werden als Mittelwert ± Standardabweichung oder n (%) präsentiert. Statistische Vergleiche wurden durchgeführt, um die Ausgangsäquivalenz zwischen den Gruppen zu bewerten.

Ergebnisse

Bewegungsmerkmale der ausgewählten Tai-Chi-Bewegungen
Insgesamt wurden 288 Tai-Chi-Bewegungssequenzen von 12 Ausführenden in acht ausgewählten Tai-Chi-Formen aufgezeichnet. Nach dem Ausschluss von Sequenzen mit unvollständiger Ausführung, übermäßig fehlenden Keypoint-Schätzungen, Kamera-Okklusion, instabiler Landmark-Verfolgung oder unterbrochener Leistung wurden 264 gültige Sequenzen für die Merkmalsextraktion beibehalten. Die Anzahl der gültigen Sequenzen reichte vo...

Diskussion

Diese Studie präsentiert und bewertet ein robustes, bewegungsfunktionsbasiertes Protokoll zur Übersetzung von verkörpertem Tai-Chi-Wissen in dynamisches visuelles Design. Das zentrale Ziel der Studie war zu bestimmen, ob empirisch extrahierte kinematische Merkmale in interpretierbare visuelle Variablen umgewandelt werden können, die die Vermittlung verkörperter kultureller Bedeutung verbessern. Die Ergebnisse zeigen, dass bewegungsbasierte Kommunikation über immaterielles Kulturerbe deut...

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
Adobe After Effects	Adobe Inc.	Adobe After Effects 2024 (v24.6)	Software für Motion Graphics und visuelle Effekte, das für die Komposition von endgültigen Prototypen verwendet wird, falls erforderlich.
Computer-Workstation	Dell Technologies	Precision 3660 Tower; Intel Core i7-12700 CPU; NVIDIA GeForce RTX 3060 GPU; 32 GB RAM; 1 TB SSD	Workstation, die für die Verarbeitung von Bewegungsdaten, Merkmalsextraktion, Generierung von Visualisierungen und statistische Analysen verwendet wird.
Dell 24-Zoll-Monitor	Dell Technologies	P2422H	Display-Monitor, der für das kontrollierte Benutzerbewertungsexperiment verwendet wird (1920 × 1080 Pixel, 60 Hz).
Digitale Videokamera	Sony Corporation	ILCE-7M4	Synchronisierte Front- und Seitenansichtskameras, die für die Bewegungserfassung verwendet werden (1920 × 1080 Pixel, 30 Bilder/s).
MediaPipe Pose	Google LLC	MediaPipe 0.10.14	Markerlose Posenschätzungspipeline mit dem 33-Landmark-Vollkörperposenmodell (model_complexity = 1, min_detection_confidence = 0,50, min_tracking_confidence = 0,50).
NumPy	NumPy Developers	NumPy 1.26.4	Numerische Rechenbibliothek, die für die Verarbeitung von Koordinaten und die Berechnung von Bewegungsmerkmalen verwendet wird.
OpenCV	OpenCV Team	OpenCV 4.9.0	Computer Vision-Bibliothek, die für die Videoverarbeitung, Frame-Extraktion und Vorverarbeitung verwendet wird.
Betriebssystem	Microsoft	Windows 11 Pro 23H2, 64-Bit	Betriebssystem, das für die Verarbeitung von Bewegungsdaten und die Generierung von Visualisierungen verwendet wird.
Pandas	Pandas Development Team	Pandas 2.2.2	Datenverwaltungsbibliothek, die für die Verarbeitung strukturierter Daten und CSV-Export verwendet wird.
Python	Python Software Foundation	Version 3.11	Programmierumgebungssprache, die für die Datenverarbeitungspipeline verwendet wird.
Randomisierungssoftware	Microsoft Corporation	Microsoft Excel für Microsoft 365, Version 2405	Wird verwendet, um die computerbasierte Blockrandomisierungssequenz für die Teilnehmerzuordnung zu generieren.
SciPy	SciPy Developers	SciPy 1.13.1	Signalverarbeitungsbibliothek, die für Butterworth-Filterung und Bewegungssignalanalyse verwendet wird.
Statistische Analysesoftware	IBM Corp.	IBM SPSS Statistics 29.0	Verwendet für Zuverlässigkeitsanalyse, Hypothesentests, Vermittlungsanalyse und Strukturgleichungsmodellierung.
Umfrage-Administrationsplattform	Qualtrics LLC	Qualtrics XM Web-Plattform (zugegriffen im Mai 2026)	Plattform zur elektronischen Verwaltung von Fragebögen und Erfassung von Teilnehmerantworten.
TouchDesigner	Derivative	TouchDesigner 2023.11880	Visuelle Entwicklungsplattform zur Generierung von bewegungsgesteuerten dynamischen Visualisierungen.
Stativ	Manfrotto	MK055XPRO3	Stativ, das zur Stabilisierung von Kameras während der Bewegungserfassung verwendet wird.
Videosynchronisationssoftware	Benutzerdefinierter Python/OpenCV-Workflow	OpenCV 4.9.0	Wird zur Synchronisation von Front- und Seitenansichtsaufnahmen während der Vorverarbeitung unter Verwendung des visuellen Klatschens verwendet.