Method Article

Caja de herramientas de captura de movimiento multimodal para un análisis mejorado de la coordinación intersegmental en niños con parálisis cerebral y en desarrollo típico

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

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

Este estudio presenta una caja de herramientas que combina tecnologías de captura de movimiento para analizar señales cinemáticas y cuantificar patrones coordinativos de cuerpo completo mediante gráficos ángulo-ángulo. Diseñada para superar los desafíos de los sistemas tradicionales basados en marcadores, la caja de herramientas apoya flexibilidad en entornos de investigación, clínica y campo, promoviendo la atención individualizada y las evaluaciones funcionales para niños con discapacidades motoras.

Abstract

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

Los sistemas de captura de movimiento basados en marcadores tridimensionales son el estándar de oro para evaluar patrones cinemáticos en el movimiento humano, ofreciendo una cuantificación precisa de las posiciones de segmentos y articulaciones. Sin embargo, los sistemas tradicionales basados en marcadores presentan varios desafíos, especialmente para niños con discapacidades neurológicas y anomalías del procesamiento sensorial, como las observadas en niños con parálisis cerebral. Estos desafíos dificultan el uso de marcadores cinemáticos y limitan los análisis detallados de los patrones de movimiento. Los avances recientes en sistemas de captura de movimiento sin marcador que utilizan estimación de poses humanas basada en aprendizaje profundo nos permitieron explorar alternativas rentables a los sistemas ópticos tradicionales y a los enfoques posteriores de procesamiento de datos. Se desarrolló una caja de herramientas integrada, combinando múltiples tecnologías de captura de movimiento: equipos cinemáticos de nivel de investigación, clústeres cinemáticos, unidades de medición inercial, sistemas tridimensionales (3D) sin marcadores y sistemas bidimensionales (2D) sin marcadores con cámaras comercialmente disponibles (a través de MediaPipe). Para este estudio actual, presentamos los resultados de la captura de movimiento basada en marcadores 3D frente a la captura de movimiento sin marcador 2D, el principal problema en los estudios biomecánicos de sujetos humanos, para describir patrones coordinativos mediante gráficos ángulo-ángulo cadera-rodilla. El enfoque del ciclograma fue seleccionado porque ofrece una métrica robusta y un marco fácilmente interpretable para analizar la coordinación mediante el movimiento acoplado entre segmentos del cuerpo. Dos niños con desarrollo típico y dos niños con parálisis cerebral realizaron un patrón de movimiento funcional, la tarea de sentarse para ponerse de pie. Los hallazgos aquí demostraron la viabilidad de integrar sistemas multimodales para análisis cinemáticos, proporcionando flexibilidad tanto para la investigación como para entornos clínicos. Además, el novedoso enfoque de código abierto presentado en este trabajo aborda los retos que plantean muchas poblaciones de pacientes que experimentan problemas de procesamiento sensorial, permitiendo un plan de atención avanzado e individualizado.

Introduction

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

Las evaluaciones de captura de movimiento cinemática tridimensional han ofrecido información fiable para cuantificar patrones de movimiento esperados y anormales. Esta información es crucial al diseñar los planes derehabilitación 1 y establecer enfoques de seguridad para la interacción del paciente con el equipo clínico (por ejemplo, 2,3). Al considerar niños con discapacidades inducidas por neurología, estas evaluaciones cinemáticas pueden mejorar la atención al abordar cambios en los patrones de coordinación en tareas funcionales distintas como lamarcha 4, la tarea 5 de sentarse a estar de pie y la extremidad superior alcanzarel nivel 6.

Aunque las evaluaciones cinemáticas tridimensionales (3D) se consideran el estándar de oro para un análisis preciso de capturade movimiento 7, la colocación de marcadores cinemáticos en la piel es un requisito para asegurar la cuantificación exacta de los movimientos de segmentos y articulaciones. Esta evaluación basada en marcadores requiere el conocimiento de puntos anatómicos específicos para quienes la realizan, junto con la tolerancia y aceptación de las cintas fijadas a la piel de los individuos que reciben la evaluación. Mientras que lo primero se puede aprender, lo segundo es un problema en varias poblaciones de pacientes. Por ejemplo, los niños con lesión cerebral o parálisis cerebral pueden presentar trastornos con el procesamiento de la informaciónsensorial 8,9,10. Este trastorno puede manifestarse como hipersensibilidad, impidiendo a clínicos e investigadores aplicar los marcadores cinemáticos en la piel de los niños, lo que, a su vez, puede dificultar la cuantificación de cambios en las capacidades de movimiento y un plan de atención individualizado y eficiente.

Además del problema de la colocación de marcadores en la piel de las poblaciones de pacientes, la mayoría de los sistemas de medición utilizados en estudios cinemáticos no son asequibles, se limitan a los laboratorios y solo están disponibles con personal altamente cualificado, lo que los hace poco prácticos para el uso clínico rutinario. Sin embargo, los avances actuales en la tecnología de captura de movimiento permiten diferentes enfoques para registrar datos cinemáticos. Por ejemplo, la estimación automática de postura humana mediante técnicas de aprendizaje profundo ha atraído la atención de los investigadores en visión por ordenador. Estas técnicas de captura de movimiento sin marcador pueden ofrecer una solución prometedora a los desafíos técnicos y prácticos asociados con el análisis de movimiento basado enmarcadores 11. En lugar de depender del seguimiento de marcadores, este enfoque utiliza redes neuronales entrenadas para estimar las posiciones de todo el hito12. Este desarrollo mejora la eficiencia y adaptabilidad general de la tecnología de reconocimiento de postura humana.

Está bien establecido que la relación cinemática entre los segmentos del cuerpo puede revelar mecanismos de control subyacentes que favorecen la variabilidad de los patrones de movimiento. Aunque se pueden usar varios métodos para medir la coordinación entre los segmentos13, los gráficos ángulo-ángulo (ciclogramas) permiten una cuantificación inherentemente interpretable del movimiento acoplado entre segmentos/articulaciones durante un marco temporalestipulado 14,15. Dado que muchos niños con parálisis cerebral experimentan dificultades al realizar patrones de movimiento de todo el cuerpo debido a un control motor selectivo deficiente16, seleccionamos investigar el simple pero con complejo controlsubyacente 17, movimiento de sentarse para estar de pie. El objetivo de este estudio fue demostrar la viabilidad de una caja de herramientas de código abierto que combinara tecnologías de captura de movimiento para facilitar evaluaciones cinemáticas de patrones coordinativos en niños con discapacidad.

En este trabajo, utilizaremos ciclogramas cadera-rodilla para demostrar la coordinación entre tronco/pelvis y segmentos muslo/vástago, utilizando las articulaciones de cadera y rodilla como acoplamientos intersegmentales representativos relevantes para la biomecánica de sentado a pie. Se seleccionó la coordinación cadera-rodilla porque captura el acoplamiento articular primario que impulsa la progresión vertical del centro de masas durante la tarea de sentar a estar de pie, un movimiento funcionalmente crítico para niños con discapacidad que a menudo dependen de estrategias compensatorias de extremidades inferiores debido a un control motor selectivoalterado que afecta a las sinergias articulares. La integración de diferentes tecnologías (es decir, desde equipos cinemáticos 3D de grado de investigación hasta cámaras comercialmente disponibles) en una única caja de herramientas de procesamiento permite flexibilidad de uso desde entornos de investigación hasta entornos de campo y clínicos. La caja de herramientas también permite evaluaciones cinemáticas detalladas cuando la colocación de marcadores no es factible debido a anomalías en el procesamiento sensorial en niños con discapacidad mediante funciones de procesamiento de señales de captura de movimiento sin marcadores.

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

Protocol

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

Este estudio se realizó como una serie de casos utilizando resultados representativos de cuatro niños para demostrar la viabilidad del protocolo en lugar de inferencia estadística. En este estudio participaron dos niños con desarrollo típico (varón de 4 años, 100 cm, 14,5 kg; varón de 10 años, 144 cm, 40,8 kg) y dos niños con parálisis cerebral, Sistema de Clasificación de la Función Motora Gruesa III (niña de 4 años, 93 cm, 13,8 kg; varón de 4 años, 102 cm, 16,7 kg). Los padres/tutores legales y los hijos proporcionaron consentimiento informado antes de participar, de acuerdo con nuestro protocolo de estudio aprobado por la Junta de Revisión Institucional (IRB-FY2024-33).

NOTA: Aunque este protocolo describe procedimientos tanto para sistemas de captura de movimiento basados en marcadores 3D como sin marcadores en 2D, el enfoque de este estudio está en la implementación del enfoque sin marcadores 2D, que representa la aplicación clínica y práctica central de este trabajo. La implementación principal del protocolo actual requiere un sistema de captura de movimiento basado en marcadores (mínimo 8 cámaras) para la adquisición de datos cinemáticos 3D, y una única cámara RGB (resolución mínima 1920 × 1080 píxeles, 50 Hz) posicionada perpendicular al plano sagital para captura 2D sin marcadores. El método es adecuado para entornos clínicos o de laboratorio controlados con iluminación adecuada (> 500 lux) y un mínimo de desorden de fondo. Para mejorar la robustez en entornos no ideales, la caja de herramientas vailá integra herramientas de preprocesamiento (por ejemplo, enmascaramiento en drawbox, recorte/redimensionamiento de vídeo) que permiten aislar al participante de distracciones de fondo o ajustar un encuadre de cámara subóptimo. Las principales limitaciones incluyen la menor precisión para el enfoque de cámara única y sin marcador para niños que muestran movimientos significativos fuera del plano, ya que este enfoque no puede capturar información de profundidad ni movimientos fuera del campo de visión de la cámara. Los usuarios deben asegurarse de que los participantes permanezcan dentro del volumen de captura predefinido y mantener la alineación del plano sagital durante la ejecución de la tarea para optimizar el rendimiento de seguimiento sin marcadores.

1. Comprobaciones previas a la prueba

  1. Enciende y calienta el sistema de cámara de captura de movimiento infrarroja y la cámara de vídeo. El sistema de captura de movimiento infrarroja requiere aproximadamente 30-60 minutos de calentamiento para alcanzar la estabilización térmica antes de la calibración y la recogida de datos. Verifica la frecuencia de muestreo a 100Hz (cámaras infrarrojas para sistema basado en marcadores) y 50Hz (cámara de vídeo para sistema sin marcadores).
  2. Limpia y/o cubre los objetos reflectantes del volumen de captura.

2. Colocación de la cámara

  1. Sistema basado en marcadores (sistema de cámara 3D)
    1. Cámaras de posición aproximadamente a 1,5-2,5 m del centro del área de movimiento, montadas a alturas que oscilan entre 0,5 y 2,5 m. Asegúrate de que las cámaras estén distribuidas uniformemente alrededor del volumen de captura para optimizar la visibilidad de los marcadores y minimizar la oclusión durante la tarea de sentado a pie. Alternar elevaciones de la posición de la cámara para mejorar la precisión de la triangulación y reducir la interferencia en línea de visión.
    2. Cada punto dentro del volumen objetivo (donde el hijo realizará la tarea) debe ser visible para al menos dos cámaras en todo momento, siguiendo las recomendaciones estándar para una captura óptima de datos en 3D. Definir el volumen de captura en función de la antropometría de los participantes pediátricos y la tarea evaluada.
      NOTA: El espacio de trabajo estaba centrado aproximadamente a 0,80 m sobre el suelo.
    3. Utiliza las herramientas de software del sistema basado en marcadores para refinar los tres ajustes ópticos principales (zoom, apertura, enfoque) y así asegurar bajos residuos de calibración y alta consistencia en el seguimiento de los marcadores entre los ensayos.
  2. Sistema sin marcador (cámara 2D)
    1. Colocar la cámara de vídeo lateralmente a 3,0 m del participante (o más cerca, cuando sea posible, siempre que se pueda ver todo el cuerpo del sujeto durante toda la tarea, desde sentarse hasta estar de pie), centrada a la altura de la pelvis cuando el participante está de pie, ortogonal al plano sagital.
    2. Nivela el eje óptico (sin rodar) y alinea la línea media de la imagen con la región central de la articulación de la cadera.
    3. Configura la cámara con parámetros de imagen fijos para todas las grabaciones.
      1. Establecer la región de adquisición en un área de interés de 1920 × 1200 px para definir la resolución efectiva. Utiliza un objetivo focal de 20 mm y mantén la apertura (suficiente contraste entre el entorno y el participante) constante durante todo el experimento.
      2. Ajusta la tasa de fotogramas a 50 Hz y fija la duración del obturador en 5 ms. Aplicar los siguientes ajustes de hardware y no modificarlos durante la recogida de datos: ganancia 9,998, gamma 0,4, nivel de negro 0, saturación 1.
      3. Desactiva todos los ajustes automáticos de exposición y balance de blancos para evitar el desplazamiento temporal en la apariencia de la imagen.
        NOTA: Para ajustar el enfoque, se puede usar un signo con una frase corta escrita en fuente Calibri, estilo negrita, tamaño 48, colocada donde el participante realizará la tarea. Dentro del campo de visión de la cámara, las letras deben ser nítidas, sin desenfoque visible.
    4. Al usar cualquier objetivo con distorsión perceptible, prepara un Charuco/tablero de ajedrez18,19 para calibración/desdistorsión (opcional para tareas estrictamente sagitales y estacionarias).
      NOTA: Tanto los sistemas de cámara de vídeo basados en marcadores como sin marcador utilizados se muestran en la Figura 1.

Figura 1
Figura 1: Primer plano de los dos sistemas de cámaras utilizados en este estudio. Se utilizó la cámara infrarroja del sistema cinemático 3D (izquierda), en la que 12 cámaras formaban el sistema para el enfoque basado en marcadores, y una cámara de vídeo (derecha) para el enfoque sin marcadores. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

3. Sincronización

NOTA: Este paso solo es necesario cuando se utilizan diferentes sistemas simultáneamente. La sincronización entre sistemas no es necesaria cuando se utiliza solo un sistema cinemático (2D o 3D).

  1. Conecta el LockLab (o unidad equivalente de control/sincronización) para enviar un disparo de lógica transistor-transistor (TTL) a ambos sistemas al inicio de cada prueba.
  2. Si no hay disparadores hardware disponibles, se utiliza un destello visible de diodo emisor de luz (LED) (método preferible) o un aplauso audible capturado por ambos sistemas para alinearlo posteriormente.

4. Calibración de volumen de captura (sistema basado en marcadores)

  1. Inspecciona visualmente el campo de visión de las cámaras (tanto infrarrojas como de vídeo) para eliminar objetos innecesarios de cada vista. En el software del sistema basado en marcadores, se enmascaran objetos reflectantes que no podían ser eliminados de la vista de la cámara (por ejemplo, otras cámaras).
  2. Realiza la calibración de varitas donde se realizará la tarea. Mueve la varita por todo el volumen de captura para asegurarte de que todo el espacio esté cubierto. Aceptar calibración solo si la precisión espacial ≤ 1 mm (residual medio).
    NOTA: Verifique que al menos tres cámaras visualicen simultáneamente la varita de calibración durante este procedimiento. Mueve la varita a través del volumen de captura a una velocidad que se aproxime al movimiento esperado en la tarea experimental: Para tareas de alta velocidad, mueve la varita rápidamente; Para movimientos lentos, barre la varita más despacio. Al final del pase de calibración, comprueba los indicadores de software para detectar si hay cámaras que no hayan capturado suficientes vistas de la varita y realiza movimientos adicionales dirigidos dentro de los campos de visión de esas cámaras antes de concluir la calibración. Los errores residuales tras la calibración de la varita suelen situarse entre 0,3 y 0,8 mm cuando el paso de la varita es suave, el volumen de captura está uniformadamente iluminado y todas las cámaras tienen una vista desobstruida.
  3. Establezca el origen volumétrico colocando la varita de calibración en la ubicación designada dentro del espacio de prueba definido. Define el plano del suelo según las instrucciones del fabricante.

5. Colocación de marcadores (sistema basado en marcadores)

  1. Coloca marcadores retroreflectantes según el modelo Plug-inGait 20, 21, 22 (Figura 2) realizado por un examinador entrenado.
  2. Verifica la visibilidad de los marcadores bilaterales de cadera, rodilla y tronco durante un breve movimiento de prueba antes de recoger la prueba estática (necesaria para sistemas basados en marcadores 3D).

Figura 2
Figura 2: Modelo de marcha plug-in adaptado para el presente estudio. El conjunto estándar de marcadores se aplicó para definir los segmentos de extremidades inferiores, pelvis, tronco y cabeza. Se eliminaron marcadores de las extremidades superiores para centrarse exclusivamente en la cinemática de la parte inferior del cuerpo y del tronco. Esta adaptación preserva la integridad del modelo original de cuerpo completo Plug-in Gait, excluyendo el movimiento del brazo del análisis. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

6. Cátedra y entorno

  1. Usa una silla sin brazos y ajusta la altura del asiento para que los ángulos de cadera y rodilla sean de ~90°, con los pies planos sobre el suelo. Registra la altura del asiento (cm) de cada participante.
  2. Proporcionar iluminación uniforme; Evita la retroiluminación y las oclusiones en la vista sagital. Asegúrate de un fondo uniforme y de alto contraste.

7. Instrucción y seguridad de los participantes

  1. Confirma que no se incluye información identificable con los archivos de registro (solo códigos alfanuméricos no identificables para cada participante).
  2. Para los ensayos de sentado a pie asegúrate de que los participantes estén al tanto de las instrucciones y protocolos adecuados.
    1. Instruye a los participantes en desarrollo típico (TD) a mantener las manos en la cadera.
    2. Para niños con parálisis cerebral (GMFCS III), proporcionar soporte manual según sea necesario para lograr una postura erguida sin comprometer la seguridad.
      NOTA: Aunque los pacientes pediátricos pueden requerir apoyo manual para garantizar la seguridad y la realización de las tareas, se debe tener cuidado para minimizar la oclusión de segmentos o marcadores corporales, ya que esto puede comprometer la calidad de los datos.
    3. Indica el movimiento verbalmente ("up") y permite una velocidad cómoda autoseleccionada durante las pruebas de sentado a pie de pie.

8. Adquisición por juicio

  1. Antes de capturar los ensayos dinámicos, captura un ensayo de calibración estática con el participante de pie en posición neutral, con los pies separados a la anchura de los hombros y los brazos a 90° de la abducción.
    1. Asegúrate de que todos los marcadores sean visibles para al menos dos cámaras; Verifica en el software de adquisición del sistema basado en marcadores que ≥ el 95% de los marcadores se detectan en todas las cámaras. Registro de 2-3 s. Un fotograma de perspectiva 3D debe tener todos los marcadores.
    2. En el software del sistema basado en marcadores, se aplica el modelo estático Plug-in Gait para definir centros articulares y sistemas de coordenadas segmentadas. Verifica el ajuste adecuado del modelo inspeccionando la visualización 3D del esqueleto y confirmando posiciones anatómicamente plausibles del centro articular.
      NOTA: Esta prueba estática proporciona los parámetros del modelo biomecánico necesarios para el procesamiento dinámico 3D posterior de la prueba. En este paso, será necesario introducir las medidas antropométricas del participante (por ejemplo, peso, altura, longitud de la pierna, etc.) en el software del sistema basado en marcadores. Cuando se necesita apoyo manual para pacientes pediátricos durante el ensayo estático, se debe tener cuidado para evitar la oclusión de marcadores, que puede comprometer la calidad de los datos.
  2. Registrar tres ensayos de sentado a pieen 23 ensayos por participante. El periodo de descanso entre ensayos puede ser necesario según se necesite por participante, ya que no es una tarea físicamente exigente.
  3. Utiliza una convención estandarizada de nombres de archivo que incluya grupo (por ejemplo, TD, CP), ID alfanumérico del participante y número de ensayo.
  4. En el software del sistema basado en marcadores, se reconstruyen las trayectorias de los marcadores usando el sistema de cámara calibrado.
    1. Etiqueta cada marcador según la nomenclatura del conjunto de marcadores Plug-in Gaita. Utiliza relleno automático de huecos (tamaño máximo de hueco: 10 fotogramas) para oclusiones breves.
    2. Verifica la precisión del etiquetado inspeccionando visualmente el esqueleto en perspectiva 3D. Una vez que todos los marcadores estén correctamente etiquetados y las trayectorias sean continuas, exporta el ensayo como un archivo .c3d para su análisis en la caja de herramientas de vailá .
  5. Guarda los datos ópticos como .c3d y los fotogramas de vídeo o transmite como archivos comprimidos sin pérdidas o de alta tasa de bits.

9. Procesamiento de datos

NOTA: La caja de herramientas vailá (v0.10.21)24 es multiplataforma (Windows, macOS, Linux) y requiere Python 3.12 o versiones posteriores. Los módulos de análisis sin marcadores (por ejemplo,MediaPipe 25) están optimizados para funcionar de forma eficiente en CPUs estándar, garantizando accesibilidad en entornos clínicos sin hardware especializado. Una GPU con CUDA es opcional y solo se utiliza si el usuario selecciona motores alternativos de alta velocidad (por ejemplo, YOLO-Pose) para un procesamiento más rápido. Para comandos de ejecución detallados, guías paso a paso y documentación completa, los usuarios son dirigidos a los recursos en línea y archivos de ayuda integrados de la caja de herramientas, disponibles en: https://github.com/vaila-multimodaltoolbox/vaila/tree/main/docs/modules/markerless-analysis.

  1. Enfoque basado en marcadores: En el software del sistema basado en marcadores, se procesan las pruebas estáticas y dinámicas. Aplicar el modelo de marcha dinámica con complemento a las trayectorias de marcadores etiquetadas (véase paso 7.4) para calcular la serie temporal del ángulo de la articulación.
    1. Exporta los datos procesados de la prueba como un archivo .c3d. Asegúrese de que las series temporales calculadas de ángulos articulares (por ejemplo, ángulos de cadera, rodilla y tobillo) estén incluidas en la exportación.
    2. Importa el archivo .c3d procesado en la caja de herramientas vailá usando la función vaila.load_c3d(). La caja de herramientas extrae automáticamente los datos precalculados de la serie temporal del ángulo de la unión del archivo.
    3. Aplica el filtro pasa-bajos deButterworth de 4 órdenes de retardo cero (corte de 6 Hz) a los datos de ángulo de la unión utilizando las funciones de filtrado integradas (como se describe en el paso 9.2.4 más abajo) para asegurar un procesamiento consistente con los datos sin marcadores.
    4. Análisis posteriores (por ejemplo, generación de ciclogramas, cálculo de métricas de coordinación) se realizan dentro de vailá.
  2. Enfoque sin marcadores: módulo de estimación de la postura de Load MediaPipe (v0.10.21) dentro de vailá. Establezca los siguientes parámetros: static_image_mode = Falso, model_complexity = 1-2 (usar el nivel 2 cuando los recursos GPU/CPU permitan mayor precisión), smooth_landmarks = Verdadero, min_detection_confidence = 0,6, min_tracking_confidence = 0,6.
    NOTA: Aquí se pueden utilizar marcos alternativos de estimación de poses, como OpenPose.
    1. Procesa cada fotograma de vídeo para extraer los puntos de referencia de MediaPipe 33 (Figura 3). Descartar tramas con confianza de detección por debajo del umbral o aplicar interpolación para datos faltantes.
      NOTA: MediaPipe detecta 33 puntos de referencia corporales, incluyendo puntos clave de rostro, torso y extremidades (Figura 3). Para el protocolo actual, solo se utilizaron los puntos de referencia del tronco y la parte inferior del cuerpo relevantes para el análisis de sentado a pie: Hombro [puntos de referencia 11 (hombro izquierdo) y 12 (hombro derecho)], Cadera [puntos de referencia 23 (cadera izquierda) y 24 (cadera derecha)], Rodilla [puntos de referencia 25 (rodilla izquierda) y 26 (rodilla derecha)], y Tobillo [puntos de referencia 27 (tobillo izquierdo) y 28 (tobillo derecho)]. Estos puntos de referencia se detectan automáticamente a partir del vídeo RGB y se estiman a partir de características visuales (en lugar de las posiciones retroreflectantes de los marcadores que se usan en el modelo Plug-in Gaita).
    2. Confirma que todos los puntos clave (hombro, cadera, rodilla, tobillo) se detectan con confianza ≥ 0,7.
    3. (Opcional) Si la distorsión de la lente es relevante, desdistorsiona los fotogramas usando parámetros de calibración (matriz de cámara y coeficientes de distorsión) antes de ejecutar MediaPipe.
    4. YOLO-Pose: En paralelo, carga el módulo YOLO-Pose integrado en vailá.
      1. Configura el modelo con pesos predeterminados para la detección humana de esqueletos (conjunto de puntos clave consistente con el formato COCO). Cada fotograma se procesa para detectar puntos clave esqueléticos usando la columna vertebral de YOLO, optimizada para un rendimiento robusto bajo desenfoque de movimiento, oclusión o fondos complejos.
      2. Aplica filtros de suavizado temporal para reducir el jitter entre tramas y alinea los puntos clave detectados con el sistema de coordenadas utilizado en MediaPipe.
      3. Para el filtro de suavizado temporal, aplicar un filtro Butterworth pasa-bajos de 4órdenes con una frecuencia de corte de 6 Hz (los movimientos de sentado a pie tienen contenido de frecuencia dominante por debajo de 5 Hz) a todos los datos de series temporales de ángulo de la articulación, tanto basados en marcadores como sin marcadores, para eliminar el ruido de alta frecuencia mientras se preserva la señal de movimiento.
      4. Implementa este filtro utilizando las funciones scipy.signal.butter() y scipy.signal.filtfilt() en Python, utilizando filtrado de fase cero hacia adelante hacia atrás para evitar desplazamientos temporales.
    5. Manejo de datos en vailá: Exportar trayectorias emblemáticas de ambas pipelines (MediaPipe y YOLO-Pose) en un formato estandarizado de .csv o .json. Almacena metadatos (número de trama, marca de tiempo, confianza en la detección) junto con las coordenadas clave. Esto garantiza la comparabilidad entre métodos y la reproducibilidad de los análisis.
  3. Definiciones de coordenadas y ángulos articulares: Define los ángulos de flexión de cadera y rodilla en el plano sagital con valores positivos para la flexión.
    1. Para datos sin marcadores, derivar centros/segmentos articulares a partir de hitos de MediaPipe (por ejemplo, cadera: proxy pelvis; rodilla: fémur-tibia; tronco: segmento hombro-cadera) y calcular ángulos sagitales usando un sistema de coordenadas articulares consistente.
      NOTA: Los ángulos articulares del plano sagital se calculan geométricamente a partir de las coordenadas 2D del punto de referencia. La caja de herramientas de vailá calcula el ángulo (θ) entre dos vectores segmentos (vector a y vector b) usando el arccoseno de su producto escalar: θ = arccos((a · b) / (|a| |b|)). La flexión de cadera se define como el ángulo entre el vector 'tronco' (vector que conecta los hitos de MediaPipe 11/12 [hombro] y 23/24 [cadera]) y el vector 'muslo' (vector que conecta 23/24 [cadera] y 25/26 [rodilla]). La flexión de la rodilla se define como el ángulo entre el vector 'muslo' (vector que conecta 23/24 [cadera] y 25/26 [rodilla]) y el vector 'caña' (vector que conecta 25/26 [rodilla] y 27/28 [tobillo]).
    2. Aplica la misma convención de signos y filtrado (si es necesario) a ambos enfoques para facilitar la comparación.
  4. Sincronización temporal: Alinear los datos de ambos enfoques usando la marca de tiempo del disparador LockLab; de lo contrario, alinea el primer fotograma visible de flash/clap entre los flujos de datos.
    1. Remuestrear series temporales, si es necesario, a una base temporal común antes de comparar.
  5. Define el ciclo de movimiento:
    1. Definir el ciclo de sentar a estar de pie desde el inicio de la inclinación hacia adelante del tronco (umbral positivo de velocidad angular del tronco) hasta la postura estable y erguida en niños que suelen desarrollarse (velocidad angular del tronco ~0 y extensión total de la rodilla) y, en niños con parálisis cerebral, postura estable y posición más alta del marcador cervical (sistema basado en marcadores).
    2. Para niños con parálisis cerebral, que pueden no lograr la extensión total (es decir, tronco alineado con la pelvis, cadera a 0° de flexión, rodillas totalmente extendidas), como se observa en los niños que suelen desarrollarse, definan el final del ciclo como la postura más erguida lograda consistente con el ensayo de estática de pie y confirmada mediante inspección visual para asegurar una postura estable antes del siguiente ensayo.
    3. No normalizar en el tiempo para los gráficos representativos; Informa de la duración real de la tarea por prueba. (Se pueden proporcionar análisis normalizados en el tiempo como suplemento, si se desea.)
  6. Cálculo y métricas de ciclogramas: Graficar los ángulos de cadera (eje x) frente a rodilla (eje y) para cada ensayo para generar ciclogramas cadera-rodilla.
    1. Ensayos y enfoques superpuestos (basados en marcadores vs. sin marcadores) para comparación visual.
    2. Calcular métricas sumarias opcionales: rangos de movimiento cadera/rodilla, área del lazo de la lazo, orientación del lazo (ángulo del eje principal) y longitud del camino.
    3. Exporta series temporales y métricas procesadas como .csv para análisis estadístico.

Figura 3
Figura 3: Los 33 puntos de referencia de MediaPipe. Para este estudio, utilizamos únicamente los puntos de referencia relevantes para la tarea de sentarse para estar de pie, específicamente los puntos 11 y 12 (hombros), 23 y 24 (caderas), 25 y 26 (rodillas) y 27 y 28 (tobillos). Por favor, haz clic aquí para ver una versión ampliada de esta figura.

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

Results

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

La caja de herramientas de código abierto basada en Python cuantificó con éxito los patrones de coordinación cadera-rodilla tanto de sistemas basados en marcadores como sin marcadores en participantes pediátricos durante la tarea de sentarse a ponerse de pie. Para proporcionar una comparación cuantitativa junto con los ciclogramas visuales, se presentan métricas resumen clave (rango de movimiento de cadera y rodilla) para los ensayos representativos en la Tabla 1. Los gráficos representativos ángulo-ángu...

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

Discussion

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

El objetivo de este trabajo fue demostrar la viabilidad y aplicación de una caja de herramientas multimodal de código abierto capaz de integrar sistemas de captura de movimiento basados y sin marcadores para analizar la coordinación corporal total en poblaciones pediátricas. En aplicaciones representativas, el protocolo produjo con éxito ciclogramas cadera-rodilla comparables entre sistemas basados en marcadores y sin marcadores en niños con desarrollo típico, al tiempo que destacaban si...

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

Disclosures

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

Los autores no tienen nada que revelar.

Acknowledgements

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

Queremos reconocer el apoyo financiero proporcionado (al PI: Cesar) por la Subvención de Investigación en Fisioterapia Pediátrica 2023 de la Fundación para la Investigación en Fisioterapia, el Fondo de Innovación en Investigación MedNexus y la subvención Eunice Kennedy Shriver del Instituto Nacional para la Salud Infantil y el Desarrollo Humano (1R03HD114548-01).

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Cámara FLIR BlackflySistemas FLIRModelo: BFS-U3-200S6C-CUsado para captura de movimiento 2D sin marcador (50 Hz, 1980 y épocas; 1200 px)
Cámara Hikvision PoEHikvisionN/AGrabación de vídeo alternativa para captura 2D sin marcador
Disparador hardware LockLabViconLockLabUtilizado para la sincronización temporal
Cámara Logitech C920LogitechCámara web HD Pro C920Cámara alternativa para consumidores para captura sin marcador
MediaPipeInvestigación en Googlev0.10.21Se usa para estimar poses 2D en tiempo real. Disponible en línea en https://ai.google.dev/edge/mediapipe/solutions/guide
Software OpenPoseUniversidad Carnegie Mellon / Comunidad OpenPoseVersión 1.7.0Utilizado para estimación de poses 2D en tiempo real
Modelo entero de paso enchufableViconModelo estándarUtilizado como modelo biomecánico para la colocación de marcadores anatómicos
Cámaras infrarrojas VeroViconSerie VeroUtilizado para captura de movimiento basada en marcadores 3D (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