Name: Bahndaten Analysen für Fußgänger Raum-Zeit-Activity Study (Video) | JoVE Journal
Uploaded: 2013-02-25T12:03:00.000+00:00
Duration: 16 min 14 s
Description: Lernen Sie räumlich-zeitliche Analyseverfahren für Fußgänger-Trajektorien mit GPS-Daten. Diese Methode ermöglicht die Modellierung von Aktivitätsmustern und unterstützt Stadtplaner bei der Verbesserung der Fußgängersicherheit.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Diese Arbeit wird durch NIH 1R03AI090465 finanziert.

Ein. Abrufen von Daten <ol><li> Trajectory Daten können mit Handheld-GPS-Geräte, GPS-fähigen Smartphones Tracking-Anwendungen, sowie A-GPS (Assisted GPS)-Geräte wie die in unserer Studie beschäftigt, eine kommerzielle Kind tracker gesammelt werden. </li><li> Trajectory Daten werden normalerweise in Form von Zeit-Längen-und Breitengraden Datensätze gespeichert. Ein gewünschtes Zeitintervall sollte basierend auf Anwendung Bedürfnisse eingestellt werden. Oft ist die häufigste Intervall für Raum-Zeit-Aktivität Studien gewünscht. </li><li> Konvertieren der Daten in kommagetrennte Werte, oder. Csv-Dateien mit separaten Spalten für Datensatz-ID, Länge, Breite und Zeit sind. Dann wandeln die. Csv-Dateien in häufig verwendeten Geographic Information Systems (GIS) Dateiformat (zB ESRI Shapefile 8). </li><li> Laden in einem Shapefile des Gebäudes Polygone und einer anderen von der Grenze des Untersuchungsgebietes mit der Trajektorie Analysator. Stellen Sie die &quot;Extrusion&quot; der Gebäude richtig für eine 3D-dispreizen und die &quot;Extrusion&quot; und &quot;Transparenz&quot; der Grenzschicht richtig ein Raum-Zeit-cube 6, 9 mit der x, y Abmessungen repräsentieren Raum und die z-Dimension darstellt Uhrzeit anzuzeigen. </li></ol> 2. Pre-processing <ol><li> Zwei Optionen stehen zur Vorverarbeitung der lärmenden raw Flugbahn Daten verfügbar. Man kann aus der Dropdown-Liste der Pre-Processing-Menü wählen. </li><li> Wenn &#39;Interactive&#39; gewählt wird, wird ein 2D-Projektion der 3D-Trajektorie für die einfache Anzeige und Auswahl erstellt. Manipulieren der 3D-Anzeige, um die rohen Trajektorie in Raum und Zeit zu untersuchen. Identifizieren von Fehlern in den Daten über die Form, Geschwindigkeit und / oder Topologie der Spursegmente basiert. Normalerweise Spur Punkte (Eckpunkte) mit unrealistisch hohen Geschwindigkeit oder abrupte Richtungswechsel bedeuten Fehler. Wählen und entfernen Sie sie von den ursprünglichen Bahnen. Wählen und entfernen Sie sie entweder aus der 3D-Trajektorie oder seine 2D-Projektion. </li><li> Ein Cluster von Trackpunkte mit stacheligen shapes (Abbildung 1) räumlich und eine lange Dauer zeitlich bedeuten Fehler, die meisten möglicherweise von Innenräumen, wo GPS-Signal schwach ist verursacht werden. Wenn eine Gruppe von diesen Punkten ausgewählt wird, kann das Programm die Berechnung der raumzeitlichen Schwerpunkt der ausgewählten Punkten und stellen Sie die Spur durch den Schwerpunkt gehen. </li><li> Alternativ, wenn &#39;Automatisch&#39; aus dem Pre-Processing Menü gewählt wird, stellen Sie den Eingangs-und Ausgangs Standorten sowie empirische Parameter, die abnormal hohe Geschwindigkeit und abrupte Wendung Punkte zu bestimmen. Sucht das Programm durch den geladenen Trajektoriendaten und läuft automatisch basierend auf einem Algorithmus, der den visuellen Fehlererkennung Ansatz nachahmt. </li></ol> 3. Trajectory Segmentation &amp; Activity Raum Charakterisierung <ol><li> Trajectory Segmentierung erfordert den Aufbau Schicht, so sicherzustellen, dass die Gebäude Shape-Datei geladen wird. </li><li> Klicken Sie auf die Segmentierung in der Werkzeugleiste, um die Funktion zu starten.Stellen Sie den Eingang und Ausgang und befindet sich das Gebäude Shape-Datei als Referenz Schicht. Verwenden Sie die Gebäude Namen, um die segmentierten Flugbahn zu beschriften. Der Algorithmus identifiziert Innen Segmente am Set eingestellte Kriterien wie Geschwindigkeit, Dauer etc. der Trackpunkte sowie der räumlichen Topologie mit Bezug auf Gebäuden. </li><li> Klicken Sie auf die Aktionsfläche Verdichtung Werkzeug, um in segmentierten Bahnen laden und berechnen ausgewählten Zusammenfassung Attribute ein Tätigkeit Raum, wie Gesamtaktivität Radius Radius an einer bestimmten Zeit, das Verhältnis von insgesamt verbrachte Zeit drinnen vs Freien, und so weiter zu charakterisieren. </li><li> Die Attribute können in eine Tabellenkalkulation für die quantitative Modellierung Anwendungen exportiert werden. </li></ol> 4. Density Surface Mapping <ol><li> Dichte Oberfläche zeigt die Dichte der Aktivitäten im Raum mit der zeitlichen Dimension eingeklappt. Drei Optionen stehen aus der Dropdown-Liste der Dichte Oberflächen-Mapping-Menü zur Verfügung. </li><li> Wenn die &#39;Track-Dichte&#39; Option ausgewählt ist, im Dialog mit Ein-und Ausgabe von Informationen zu füllen, und wählen Sie in 2D-oder 3D anzuzeigen. Alle Ecken aus den Bahndaten werden verwendet, um Kernel-Dichte der Punkte zu berechnen. Abbildung 2 zeigt eine Dichte Oberfläche. </li><li> Wenn &#39;Track Weg Dichte &quot;ausgewählt ist, berechnet der Algorithmus und zeigt Dichte der einzelnen Pfade reiste (Abbildung 3). </li><li> Wenn die &#39;Re-abgetastet Punktdichte &quot;-Option ausgewählt ist, der Algorithmus re-Proben die Bahndaten mit einem festgelegten Zeitintervall und Karten die Dichten der Punkte gleichmäßig in der Zeit zu verbreiten. Diese Option ist für die Verfolgung von Geräten, die Tracking-Punkte sammeln in unregelmäßigen Zeitabständen aufgrund der unterschiedlichen Empfindlichkeit der Geräte unter verschiedenen physikalischen Bedingungen oder segmentierte Bahnen ausgelegt. Abbildung 4 zeigt die 2D-und 3D-Dichte Oberflächen von segmentierten Trajektorien. </li><li> Wenn &#39;Temporal Schwerpunkt&#39; wird für eine ausgewählteny der oben genannten Optionen können zeitliche Fokussierung 10 durchgeführt, um die Aktivität Muster an verschiedene Zeiträume zu untersuchen. Zum Beispiel kann Aktivitätsdichte Oberflächen zu unterschiedlichen Zeitpunkten in einem Tag visualisiert werden zur einfachen Identifikation von Hot-Spots in der Zeit (Abbildung 5). </li></ol> 5. Density Volume Schätzung und Volume Rendering <ol><li> Dichte Volumen Visualisierung verwendet den Begriff des Raum-Zeit-Würfel als in der Visualisierung von Trajektorien. Der Kern einer solchen Visualisierung ist die Aufschlüsselung der Raum in Voxel 11. Unser Ansatz zur Visualisierung Dichte Volumen ersten schätzt Dichte Volumen im einzelnen Voxel durch Zählen der Anzahl von Raum-Zeit-Spuren, die mit den Voxeln schneiden. Man kann &#39;Density Volumenberechnung&#39; unter der Dichte Volumen-Visualisierung klicken Sie im Menü für diesen Schritt. </li><li> Die gleichen drei Optionen sind für die Dichte Volumen-Visualisierung zur Verfügung wie für Dichte Oberfläche Visualisierung. </li><li> Anschließend klicken Sie &quot;Volume Rendering&quot;, um das 3D-Volumen-Visualisierung Schnittstelle für interaktive Volume Rendering 12 starten. Durch Einstellen der Anzahl der Teilungen längs jeder Achse, kann ein Cluster in unterschiedlichen Maßstäben zu untersuchen. Ein z-Faktor dient dazu, die vertikale Überhöhung zur besseren Visualisierung eingestellt. Ein Verweis Schicht wie den Gebäuden geladen Visualisierung sowie zu unterstützen. Die Ergebnisse der Volume-Rendering kann interaktiv durch die Manipulation der Transfer-Funktion, die die Zuordnung steuert von der Dichte der Farbe angepasst werden. (Abbildung 6). </li></ol> 6. Andere Exploratory Daten Analysen (EDA) und Visualisierungen <ol><li> Ein Verfahren zur Verfügung, um animierte Serie zu schaffen, um in Google Earth angezeigt werden. Unter &quot;Sonstiges&quot;, klicken Sie auf &quot;Export in KML für EDA&quot;, um diesen Vorgang zugreifen. Es schafft eine kml 13-Datei, die in Google Earth öffnet sich für interaktive Animation der Flugbahn. </li><li> Man kann folgen der Flugbahn zu travel die Umwelt in der Zeit durch Scrollen entlang der Zeitachse in Google Earth. </li><li> Ein Verfahren zur Verfügung, um Verbindungen zwischen Orten von Interesse durch &#39;Connection Analyse &quot;zu visualisieren. Beispielsweise werden Verbindungen zwischen verschiedenen Gebäuden auf einem Universitätscampus aus segmentierten Daten, die Trajektorie von Studenten (Abbildung 7) gesammelt wurden abgeleitet. </li><li> Basierend auf den abgeleiteten Verbindungen Hotspots wie dieser Gebäude mit den meisten eingehenden oder ausgehenden Datenverkehr und-Hubs, die meist besuchten Orte identifiziert werden können, zu verbinden. </li></ol>

<ol><li>Stoddard, S. T., Morrison, A. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+role+of+human+movement+in+the+transmission+of+vector-borne+pathogens%5BTitle%5D)+AND+%22PLoS+Negl.+Trop.+Dis%22%5BJournal%5D)">The role of human movement in the transmission of vector-borne pathogens.</a> PLoS Negl. Trop. Dis. 3 (7), e10(2009).</li>
<li>Morens, D. M., Folkers, G. K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+challenge+of+emerging+and+re-emerging+infectious+diseases%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">The challenge of emerging and re-emerging infectious diseases.</a> Nature. 430, 242-249 (2004).</li>
<li>Viboud, C., Bjornstad, O. N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Synchrony%2C+waves%2C+and+spatial+hierarchies+in+the+spread+of+influenza%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">Synchrony, waves, and spatial hierarchies in the spread of influenza.</a> Science. 312, 447-451 (2006).</li>
<li>Shoval, N., Isaacson, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+Application+of+tracking+technologies+to+the+study+of+pedestrian+spatial+behaviour%5BTitle%5D)+AND+%22The+Professional+Geographer%22%5BJournal%5D)">The Application of tracking technologies to the study of pedestrian spatial behaviour.</a> The Professional Geographer. 58 (2), 172-183 (2006).</li>
<li>Yu, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Spatio-temporal+GIS+design+for+exploring+interactions+of+human+activities%5BTitle%5D)+AND+%22Cartography+and+Geographic+Information+Science%22%5BJournal%5D)">Spatio-temporal GIS design for exploring interactions of human activities.</a> Cartography and Geographic Information Science. 33 (1), 3-19 (2006).</li>
<li>Kwan, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Interactive+geovisualization+of+activity-travel+patterns+using+three-dimensional+geographical+information+systems%3A+a+methodological+exploration+with+a+large+data+set%5BTitle%5D)+AND+%22Transportation+Research+Part+C%22%5BJournal%5D)">Interactive geovisualization of activity-travel patterns using three-dimensional geographical information systems: a methodological exploration with a large data set.</a> Transportation Research Part C. 8, 185-203 (2000).</li>
<li>Demšar, U., Virrantaus, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Space-time+density+of+trajectories%3A+exploring+spatio-temporal+patterns+in+movement+data%5BTitle%5D)+AND+%22International+Journal+of+Geographical+Information+Science%22%5BJournal%5D)">Space-time density of trajectories: exploring spatio-temporal patterns in movement data.</a> International Journal of Geographical Information Science. 24 (10), 1527-1542 (2010).</li>
<li>ESRI Shapefile Technical Description [Internet]. , Environmental Systems Research Institute, Inc. Available from:
		
	 <a target="_blank" href="http://www.esri.com/library/whitepapers/pdfs/shapefile.pdf">http://www.esri.com/library/whitepapers/pdfs/shapefile.pdf</a> (1998).</li>
<li>Kraak, M., Koussoulakous, A. A visualization environment for the space-time cube. Fisher, P. Proceedings of 11th International Conference on Developments in Spatial Data Handling, Berlin, , Springer. 189-200 (2004).</li>
<li>Visualizing spatial relationships among health, environmental, and demographic statistics: interface design issues. MacEachren, A. M., Polsky, C., et al. Proceedings of 18th International Cartographic Conference, , 880-887 (1997).</li>
<li>Levory, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Display+of+surfaces+from+volume+data%5BTitle%5D)+AND+%22IEEE+Computer+Graphics+and+Application%22%5BJournal%5D)">Display of surfaces from volume data.</a> IEEE Computer Graphics and Application. 8 (5), 29-37 (1998).</li>
<li>Drebin, R. A., Carpenter, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Volume+Rendering%5BTitle%5D)+AND+%22Computer+Graphics%22%5BJournal%5D)">Volume Rendering.</a> Computer Graphics. , (1998).</li>
<li>KML | OGC(R) [Internet]. , Open Geospatial Consortium, Inc. Available from:
		
	 <a target="_blank" href="http://www.opengeospatial.org/standards/kml/">http://www.opengeospatial.org/standards/kml/</a> (2012).</li>
<li>Lee, W., Krumm, J. Trajectory preprocessing. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aLee%2C+W+%22Computing+with+Spatial+Trajectories%22">Computing with Spatial Trajectories</a>. Zheng, Y., Zhou, X. , Springer, Bucher. 3-34 (2011).</li>
<li>Han, B., Comaniciu, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Sequential+kernel+density+approximation+and+its+application+to+real-time+visual+tracking%5BTitle%5D)+AND+%22IEEE+Transactions+on+Pattern+Analysis+and+Machine+Intelligence%22%5BJournal%5D)">Sequential kernel density approximation and its application to real-time visual tracking.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. , (2007).</li>
</ol>

Keine Interessenskonflikte erklärt.

Wir verwendeten Add-In Mechanismus der ArcGIS, um die Schnittstelle zu entwickeln. Alle interaktiven Funktionen implementiert wurden unter Verwendung von C + +. All die automatische Verarbeitung und Analyse-Funktionen wurden unter Verwendung von Python. AGPS Daten oder GPS-Daten von Fußgängerzone gesammelt präsentiert einzigartige Herausforderung in der Vorverarbeitung die Fehler können massiv sein aufgrund Nachbarschaft zu Gebäuden und häufige Innen stoppt. Darüber hinaus sollte der Schwerp...

<table border="1"><tbody><tr><td> Name des Reagenzes </td><td> Firma </td><td> Katalog-Nummer </td><td> Kommentare (optional) </td></tr><tr><td> WorldTracker GPRS </td><td> Tracking The World </td><td></td><td></td></tr><tr><td> Ein Personal Computer zum Ausführen der Analyse </td><td></td><td></td><td></td></tr><tr><td> ArcGIS-Software </td><td> ESRI </td><td></td><td></td></tr><tr><td> Trajectory Analyzer Erweiterung </td><td></td><td></td><td></td></tr></tbody></table>

bahndaten analysen für fußgänger raum-zeit-activity study

Trajectory Data Analyses for Pedestrian Space-time Activity Study

Es ist allgemein anerkannt, dass die menschliche Bewegung in den räumlichen und zeitlichen Dimensionen direkten Einfluss auf die Übertragung von Krankheiten 1-3 hat. Eine ansteckende Krankheit in der Regel breitet sich über den Kontakt zwischen infizierten und anfälligen Personen in ihren überlappenden Aktivitäten Räumen. Daher kann tägliche Mobilität-Aktivität Informationen als Indikator für die Exposition zu messen, um Faktoren der Infektion riskieren verwendet werden. Allerdings ergeben sich eine große Schwierigkeit und damit die Ursache für wenigen Studien von Infektionskrankheiten Transmission bei der Mikromaßstab vom Fehlen detaillierter individuellen Mobilität Daten. Zuvor im Transport-und Tourismus-Forschung detaillierte Raum-Zeit-Aktivitätsdaten oft auf dem Raum-Zeit-Tagebuch Technik, die Themen aktiv zu erfassen ihre Tätigkeiten in Raum und Zeit erfordert verlassen. Dies ist sehr anspruchsvoll für die Teilnehmer und die Zusammenarbeit der Teilnehmer beeinflusst die Qualität der Daten 4. ModerneTechnologien wie GPS und Mobilfunk möglich gemacht haben die automatische Sammlung von Bahndaten. Die gesammelten Daten ist jedoch nicht ideal für die Modellierung menschlichen Raum-Zeit-Aktivitäten, die von den Genauigkeiten von bestehenden Vorrichtungen beschränkt. Es gibt auch keine leicht verfügbaren Werkzeug zur effizienten Verarbeitung der Daten für das menschliche Verhalten Studie. Wir stellen Ihnen hier eine Reihe von Methoden und ein integriertes ArcGIS Desktop-basierte grafische Benutzeroberfläche für die Vorverarbeitung und raumzeitliche Analysen der Bahndaten. Wir bieten Beispiele, wie solche Verarbeitung kann verwendet werden, um menschliche Raum-Zeit-Aktivitäten zu modellieren, insbesondere mit Fehler-reiche Fußgängerzone Bahndaten werden, die nützlich sein könnten in der öffentlichen Gesundheit Studien wie Übertragung von Infektionskrankheiten Modellierung. Das vorgestellte Verfahren umfasst Pre-Processing, Flugbahn Segmentierung Aktionsraum Charakterisierung, Dichte-Schätzung und Visualisierung, und ein paar andere explorative Analyse-Methoden. Pre-processing ist die Reinigung der lärmenden raw Bahndaten. Wir stellen eine interaktive visuelle Pre-Processing-Schnittstelle sowie eine automatische Modul. Trajectory Segmentierung 5 beinhaltet die Identifikation von Indoor-und Outdoor Teile aus vorbearbeitete Raum-Zeit-Spuren. Auch hier sind sowohl interaktive visuelle Segmentierung und automatische Segmentierung unterstützt. Segmented Raum-Zeit-Spuren werden dann analysiert, um daraus Merkmale einer Tätigkeit Raum wie Aktionsradius usw. Dichte Schätzung und Visualisierung verwendet werden, um große Menge von Bahndaten zu Hot Spots und Interaktionen zu modellieren untersuchen. Wir zeigen sowohl Dichte Oberfläche Mapping 6 und Dichte Volume Rendering 7. Wir berücksichtigen auch ein paar andere explorative Datenanalyse (EDA) und Visualisierungen Tools wie Google Earth Unterstützung für Animationen und Anschluss Analyse. Die Suite der analytischen als auch visuelle Methoden in diesem Papier können auf alle Bahndaten für s angewendet werdenTempo-time activity Studien.

Bahndaten wurde durch ehrenamtliche Studenten von Kean University (NJ, USA) im Frühjahr 2010 gesammelt. Der Zweck war, Aktivitätsmuster von Studenten, die Influenza erwischt (diagnostiziert durch einen Arzt oder Selbst-Diagnose) im Vergleich zu denen, die nicht studieren. Um die Methoden und Verfahren in diesem Papier vorgestellten verdeutlichen haben wir die Bahnen innerhalb des S-Campus gesammelt, um repräsentative Ergebnisse zu generieren. Trajektorien innerhalb des Campus sind meist Fußgänger Bahnen, mit nur ein kle...

Eine Folge von Raumzeit-Verarbeitungsverfahren werden dargestellt, um die menschliche Trajektoriendaten, wie die Verwendung einer GPS-Einrichtung, zum Zweck der Modellierung Fußgängers Raumzeit Tätigkeiten gesammelten analysieren.

Bahndaten Analysen für Fußgänger Raum-Zeit-Activity Study

It is well recognized that human movement in the  spatial and temporal dimensions has direct influence on disease transmission1-3.  An infectious disease ...

Das übergeordnete Ziel dieses Verfahrens besteht darin, räumlich-zeitliche Aktivitäten von Fußgängern durch die räumlich-zeitliche Analyse und Visualisierung von menschlichen Trajektoriendaten zu modellieren. Dies wird zunächst durch die Erfassung detaillierter GPS-Daten (Global Positioning System) und das Laden der Daten in den Trajektorienanalysator erreicht. Der zweite Schritt besteht darin, die Trajektoriendaten vorzuverarbeiten und zu segmentieren.Als Nächstes werden die Aktivitätsräume von Individuen charakterisiert. Der letzte Schritt besteht darin, räumlich-zeitliche Muster entweder durch Dichte- und Oberflächenabbildung, Dichtedarstellung, Volumenrendering oder beides zu untersuchen. Letztendlich werden weitere Methoden der explorativen Datenanalyse und Visualisierungen verwendet, um zusätzliche verborgene Muster in den Daten aufzuzeigen.Der Hauptvorteil dieser Technik gegenüber bestehenden Methoden wie der FGIS-Erweiterung, die von SHNU zur Analyse von Raum-Zeit-Trajektorien entwickelt wurde, liegt darin, dass wir nicht nur eine Schnittstelle für die interaktive Visualisierung von Trajektorien bereitstellen, sondern uns auf die Verarbeitungsmethode konzentrieren, die die

trajectory-data-analyses-for-pedestrian-space-time-activity-study

Research

Forschung

JoVE Journal

Biology

Biologie

Dieses Protokoll wird verwendet, um räumliche und zeitliche Gangvariablen von neurologischen/orthopädischen Patienten und älteren Menschen mit Hilfe eines kürzlich eingeführten bodenbasierten Photozellensystems zu bewerten.

Klinische Bewertung der Spatiotemporal Gangparameter bei Patienten und ältere Erwachsene

Ein Protokoll ist für die Charakterisierung der in-field Fußgängerverhalten und die Simulation des resultierenden Strukturantwort dargestellt. Feldtests zeigen , dass die identifizierten in situ Stimulationsfrequenz und Synchronisationsrate unter den Teilnehmern bilden einen wesentlichen Input für die Simulation und Verifikation der vom Menschen verursachten Belastungen.

Simulation von Menschen verursachte Schwingungen Basierend auf dem Gekennzeichnet In-Bereich Fußgängerverhalten

Ziel war es, die optimale Nutzung von Techniken der Datenerhebung für Nordic-Walking-Gang- und Haltungsanalyse untermauern. Dreidimensionale Bewegungserfassung sollte während der kurzen Dauer - Analyse (dh einzelne Gangzyklus) verwendet werden, während Accelerometrie sollte für längere Dauer - Analyse (dh wiederholten Zyklen) wie ein 6 - Minuten - Gehtest verwendet werden.

Mauern entsprechende Motion Capture-Techniken für die Beurteilung der Nordic-Walking-Gang und Haltung in den älteren Erwachsenen

Hier präsentieren wir ein neuartiges Protokoll zur Messung der Positionsstabilität bei Schlüsselereignissen während des Sitzens, Aufstehens und Gehens unter Verwendung des Druckschwerpunkts zum Ganzkörper-Schwerpunktabstand. Diese wurde von der Force-Plattform und der dreidimensionalen Motion-Capture-Technologie abgeleitet. Das Paradigma ist zuverlässig und kann für die Beurteilung von neurologisch geschwächten Personen verwendet werden.

Sit-to-Stand-und-Fuß von 120% Kniehöhe: Ein neuartiger Ansatz zur Beurteilung Dynamische Postural Steuerung Unabhängig von Blei-Glied

Dieses Manuskript beschreibt die Methode, um die gleichzeitige Gültigkeit von kinematischen Messungen, die von der Smartphone-Anwendung aufgezeichnet werden, im Vergleich zu einem 3D-Motion-Capture-System in der Sagittalebene zu testen. Dieses Protokoll wird es Klinikern ermöglichen, Smartphones für die Videoaufzeichnung menschlicher Bewegungen einzurichten.

Video Bewegungsanalyse mit Smartphones (VIMAS): Eine Pilotstudie

In dieser Studie präsentiert eine Kliniker-freundliche dreidimensionale Gangart Analysemethode, die in der Reha-Klinik durchgeführt werden soll. Die Methode besteht darin, eine vereinfachte Messverfahren und intuitive Figuren Kliniker Verständnis der Ergebnisse zu erleichtern.

Klinische-orientierte dreidimensionale Gangart Analysemethode zur Bewertung der Gangart Störung

Dieses Protokoll beschreibt die Verwendung eines Gehsimulators, der als sichere und ökologisch gültige Methode dient, um das Verhalten von Fußgängern in Gegenwart von bewegtem Verkehr zu untersuchen.

Verwenden eines Virtual Reality Walking Simulators zur Untersuchung des Fußgängerverhaltens

Dieser Artikel beschreibt das Material und die Methode, die entwickelt wurden, um die posturale Organisation der Ganginitiation zu untersuchen. Das Verfahren basiert auf Kraftplattformaufzeichnungen und auf dem direkten Prinzip der Mechanik zur Berechnung der Schwerpunkt- und Druckschwerpunktkinematik.

Haltungsorganisation der Ganginitiierung für die biomechanische Analyse unter Verwendung von Kraftplattformaufzeichnungen

Wir präsentieren einen kostengünstigen, markerlosen Workflow mit DeepLabCut, um spontanen Gang und Fortbewegung bei frei bewegenden Mäusen zu quantifizieren. Dieses Protokoll integriert Einzelkamera-Videoaufnahme, markerlose Verfolgung anatomischer Orientierungspunkte und die Extraktion räumlich-temporaler Lokomotorikparameter und bietet so einen nicht-invasiven und zugänglichen Rahmen für die Analyse des motorischen Verhaltens ohne spezielle Ausrüstung.

Ein kostengünstiger, markerloser DeepLabCut-basierter Workflow für spontane Gang- und Lokomotionsanalyse bei frei bewegenden Mäusen

Testen visuelle Empfindlichkeit in Echsen mit einem operante Konditionierung, die Video-Wiedergabe von random-dot kinematograms und computer-generierte Wirbellosen beschäftigt.

Testen visueller Sensibilität für die Geschwindigkeit und Richtung der Bewegung in Lizards

Lernen Sie räumlich-zeitliche Analyseverfahren für Fußgänger-Trajektorien mit GPS-Daten. Diese Methode ermöglicht die Modellierung von Aktivitätsmustern und unterstützt Stadtplaner bei der Verbesserung der Fußgängersicherheit.

Bahndaten Analysen für Fußgänger Raum-Zeit-Activity Study

Weitere Videos entdecken