Name: Los análisis de trayectoria de datos para el estudio de peatones Actividad espacio-tiempo (Video) | JoVE Journal
Uploaded: 2013-02-25T12:03:00.000+00:00
Duration: 16 min 14 s
Description: Aprenda a analizar trayectorias espaciotemporales de peatones mediante datos GPS y técnicas de visualización 3D. Este método computacional revela patrones ocultos en actividades humanas para planificación urbana.

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

Este trabajo está financiado por el NIH subvención 1R03AI090465.

1. Obtención de datos <ol><li> Trayectoria de datos se pueden recoger con unidades GPS portátiles, GPS habilitados para aplicaciones de rastreo de teléfonos inteligentes, así como A-GPS (GPS asistido) dispositivos como el empleado en nuestro estudio, un dispositivo secundario de seguimiento comercial. </li><li> Trayectoria de datos se suelen guardar en términos de registros de tiempo de latitud y longitud. Un intervalo de tiempo deseado debe establecerse en función de las necesidades de la aplicación. A menudo, el intervalo más frecuente es deseado para estudios de actividad de espacio-tiempo. </li><li> Convertir los datos en valores separados por comas, o. Csv con columnas separadas para los ID de registro, la latitud, la longitud y el tiempo, respectivamente. A continuación, convertir los archivos. CSV en uso común Sistemas de Información Geográfica (SIG), el formato de archivo (por ejemplo ESRI shapefile 8). </li><li> Cargar en un archivo de formas de polígonos edificio y otro de la frontera de la zona de estudio con el analizador de trayectoria. Establecer la &quot;extrusión&quot; de los edificios propiamente para un di 3Dsplay y establecer la &quot;extrusión&quot; y &quot;transparencia&quot; de la capa límite bien para mostrar un cubo de espacio-tiempo 6, 9 con la x, Y Dimensiones representan el espacio y la dimensión z representa el tiempo. </li></ol> 2. Pre-procesamiento <ol><li> Hay dos opciones disponibles para el pre-procesamiento de los datos ruidosos trayectoria primas. Uno puede elegir de la lista desplegable del menú de pre-procesamiento. </li><li> Si &#39;interactivo&#39; que se elija, una proyección 2D de la trayectoria 3D es creado para facilitar la visualización y selección. Manipular la pantalla 3D para examinar la trayectoria de crudo en el espacio y el tiempo. Identificar errores en los datos sobre la base de la forma, la velocidad y / o la topología de segmentos de pista. Generalmente los puntos de track (vértices) con una velocidad poco realista alto o cambio de dirección brusco significar errores. Seleccione y librarlas de las trayectorias originales. Seleccione y eliminarlos ya sea de la trayectoria 3D o su proyección 2D. </li><li> Un grupo de puntos de track con punta shapes (Figura 1) espacial y temporal de larga duración significan los errores que más probablemente causados ​​por instalaciones interiores donde la señal GPS es débil. Si un grupo de estos puntos es seleccionado, el programa puede calcular el centroide espacio-temporal de los puntos seleccionados y ajustar la pista para ir a través del centroide. </li><li> Alternativamente, si &#39;Automatic&#39; se elige en el menú de pre-procesamiento, ajuste la entrada y ubicaciones de salida, así como parámetros empíricos que determinan la velocidad de giro anormal alta y abrupta de puntos. El programa busca a través de los datos de trayectoria cargadas y se ejecuta automáticamente sobre la base de un algoritmo que imita el enfoque de detección de error visual. </li></ol> 3. Trayectoria Segmentación y caracterización de la actividad espacial <ol><li> Trayectoria segmentación requiere la capa de edificios, garantizando así el archivo de forma edificio está cargado. </li><li> Haga clic en la herramienta de segmentación en la barra de herramientas para iniciar la función.Ajuste la entrada y salida y encuentra el archivo de formas de construcción como la capa de referencia. Utilice los nombres de los edificios para marcar la trayectoria segmentada. El algoritmo identifica segmentos interiores basados ​​en criterios establecidos por defecto o como la velocidad, duración, etc de puntos de seguimiento, así como la topología espacial con relación a los edificios. </li><li> Haga clic en el espacio de actividad herramienta de integración para cargar en trayectorias segmentadas y calcular los atributos seleccionados resumen para caracterizar un espacio de actividad, como la radio actividad total, el radio en un determinado periodo de tiempo, la proporción del tiempo total empleado en interiores frente al aire libre, y así sucesivamente. </li><li> Los atributos se pueden exportar a una hoja de cálculo para aplicaciones de modelado cuantitativo. </li></ol> 4. Densidad de mapeo de la superficie <ol><li> Superficie de densidad muestra la densidad de las actividades en el espacio con la dimensión temporal contraído. Hay tres opciones disponibles en la lista desplegable del menú de densidad de mapeo de la superficie. </li><li> Si la opción &quot;Densidad de pista punto &#39;se selecciona, rellene el cuadro de diálogo con información de entrada y salida y optar por mostrar, ya sea en 3D o 2D. Todos los vértices de los datos de trayectoria se utilizan para calcular las densidades del núcleo de los puntos. Figura 2 muestra una superficie de densidad. </li><li> Si la &quot;densidad ruta Track &#39;se activa, el algoritmo calcula y muestra la densidad de caminos individuales viajó (Figura 3). </li><li> Si la opción &#39;densidad Re-muestreo punto&#39; se activa, el algoritmo vuelve a las muestras de los datos de trayectoria utilizando un intervalo de tiempo y mapas de la densidad de puntos distribuidos uniformemente en el tiempo. Esta opción está diseñado para dispositivos de seguimiento que recogen puntos de seguimiento en intervalos de tiempo irregulares debido a la variación de sensibilidad de los dispositivos bajo diversas condiciones físicas o trayectorias segmentados. Figura 4 muestra las superficies de densidad 2D y 3D de trayectorias segmentados. </li><li> Si &#39;Temporal centrada&#39; es seleccionada para unny de las opciones anteriores, temporal enfoque 10 se realizó para examinar los patrones de actividad en períodos de tiempo diferentes. Por ejemplo, las superficies de densidad de actividad en diferentes momentos de un día se puede visualizar para una fácil identificación de los puntos calientes a través del tiempo (Figura 5). </li></ol> 5. Densidad Estimaciones Volumen y Volumen Rendering <ol><li> Densidad de visualización volumen utiliza la noción de un cubo de espacio-tiempo como en la visualización de trayectorias. El núcleo de la visualización de los tales es el desglose de los voxels en el espacio 11. Nuestro enfoque para la visualización de volumen densidad primero estima el volumen de densidad en voxels individuales mediante el recuento del número de pistas de espacio-tiempo que se cruzan con los vóxeles. Uno puede hacer clic en &quot;calcular el volumen de densidad&quot; en el menú de visualización densidad de volumen para este paso. </li><li> Los mismos tres opciones están disponibles para visualización densidad de volumen como para la visualización de la densidad superficial. </li><li> Haga clic en Next &#39;rendering de volumen&#39; para iniciar la interfaz volumen de visualización 3D para la renderización de volumen interactivo 12. Al establecer el número de divisiones a lo largo de cada eje, se pueden examinar las agrupaciones en diferentes escalas. Un z-factor se utiliza para establecer la exageración vertical para una mejor visualización. Una capa de referencia, tales como los edificios se pueden cargar a ayudar a la visualización también. Los resultados de la representación de volumen se puede ajustar interactivamente mediante la manipulación de la función de transferencia que controla la asignación de densidad de color. (Figura 6). </li></ol> 6. Otros análisis exploratorio de datos (EDA) y visualizaciones <ol><li> Un procedimiento está disponible para crear series de animación que se mostrará en Google Earth. En &#39;Otros&#39;, haga clic en &quot;Exportar a KML para EDA &#39;para acceder a este procedimiento. Se crea un archivo kml 13 que se abre en Google Earth para la animación interactiva de la trayectoria. </li><li> Se puede seguir la trayectoria a travel el entorno en tiempo de desplazamiento a lo largo de la línea de tiempo en Google Earth. </li><li> Un procedimiento está disponible para visualizar las conexiones entre los lugares de interés a través de &quot;análisis de Conexión &#39;. Por ejemplo, las conexiones entre los diferentes edificios en un campus de la universidad se derivan de datos de trayectoria segmentados que fueron recogidos por los estudiantes (Figura 7). </li><li> Sobre la base de las conexiones derivadas, puntos de acceso, como los edificios con más tráfico saliente o entrante y hubs que conectan los lugares con más tráfico para su identificación. </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>

No hay conflictos de interés declarado.

Se utilizó complemento en el mecanismo de ArcGIS para desarrollar la interfaz. Todas las operaciones se llevaron a cabo utilizando interactivas C + +. Todo el procesamiento automático y funciones de análisis se desarrollaron usando Python. AGPS datos, o los datos recogidos por GPS peatonal presenta desafío único en el preprocesamiento ya que los errores pueden ser masivas debido a la adyacencia a los edificios y las frecuentes paradas interiores. Además, el enfoque de procesamiento previo no...

<table border="1"><tbody><tr><td> Nombre del reactivo </td><td> Empresa </td><td> Número de catálogo </td><td> Comentarios (opcional) </td></tr><tr><td> WorldTracker GPRS </td><td> Seguimiento del mundo </td><td></td><td></td></tr><tr><td> Una computadora personal para ejecutar el análisis </td><td></td><td></td><td></td></tr><tr><td> ArcGIS software </td><td> ESRI </td><td></td><td></td></tr><tr><td> Trayectoria Extensión Analizador </td><td></td><td></td><td></td></tr></tbody></table>

los análisis de trayectoria de datos para el estudio de peatones actividad espacio-tiempo

Trajectory Data Analyses for Pedestrian Space-time Activity Study

Es bien reconocido que el movimiento humano en las dimensiones espacial y temporal tiene influencia directa en la transmisión de enfermedades 1-3. Una enfermedad infecciosa generalmente se propaga a través de contacto entre personas infectadas y susceptibles en sus espacios de actividad superpuestas. Por lo tanto, la movilidad cotidiana-actividad de información se puede utilizar como un indicador para medir la exposición a factores de riesgo de infección. Sin embargo, una dificultad importante y por lo tanto la razón de la escasez de estudios sobre la transmisión de enfermedades infecciosas a escala micro derivarse de la falta de datos detallados de movilidad individual. Anteriormente, en el transporte y el turismo detallados de la investigación del espacio-tiempo los datos de actividad a menudo se basó en la técnica de diario del tiempo-espacio, que requiere que los sujetos para registrar activamente sus actividades en el tiempo y el espacio. Esto es muy exigente para los participantes y la colaboración de los participantes afecta en gran medida la calidad de los datos 4. Modernotecnologías como el GPS y las comunicaciones móviles han hecho posible la recopilación automática de datos de trayectoria. Los datos recogidos, sin embargo, no es ideal para el modelado de humanos de espacio-tiempo, las actividades limitadas por la precisión de los dispositivos existentes. Tampoco hay una herramienta disponible para un procesamiento eficiente de los datos para estudiar el comportamiento humano. Presentamos aquí una serie de métodos y un sistema integrado de ArcGIS desktop basado en interfaz visual para el análisis de pre-procesamiento y espacio-temporal de los datos de trayectoria. Proporcionamos ejemplos de cómo este tratamiento se puede utilizar para modelar humanos del espacio-tiempo actividades, especialmente con error ricos en datos peatonales trayectoria, que podrían ser útiles en los estudios de salud pública tales como el modelado de la transmisión de enfermedades infecciosas. El procedimiento presentado incluye pre-procesamiento, segmentación de trayectoria, la caracterización de la actividad espacial, la estimación de la densidad y la visualización, y algunos otros métodos de análisis exploratorios. Pre-procesamieng es la limpieza de ruidosos datos de trayectoria primas. Se introduce una visual interactiva pre-procesamiento de interfaz, así como un módulo automático. Trayectoria 5 segmentación consiste en la identificación de las partes interiores y exteriores de pre-procesado de espacio-tiempo seco. Una vez más, tanto la segmentación interactiva visual y segmentación automática son compatibles. Segmentados de espacio-tiempo pistas se analizan luego para derivar características de espacio de la propia actividad tales como la estimación actividad radio de densidad, etc y la visualización se utilizan para examinar gran cantidad de datos de trayectoria para modelar los puntos calientes y las interacciones. Demostramos tanto mapeo de la superficie ganadera 6 y renderizado densidad de volumen 7. También incluimos un par de otros análisis de datos exploratorios (EDA) y las herramientas visuales reducidas, como el apoyo animación Google Earth y análisis conexión. El conjunto de análisis, así como métodos visuales presentados en este documento se pueden aplicar a los datos de trayectoria para stiempo-ritmo estudios de actividad.

Trayectoria datos fueron recogidos por el voluntariado a los estudiantes de pregrado de la Universidad de Kean (Nueva Jersey, EE.UU.) en la primavera de 2010. El objetivo fue estudiar los patrones de actividad de los estudiantes que contrajeron la gripe (diagnosticada por el médico o por cuenta propia diagnostica-) en comparación con aquellos que no lo hicieron. Con el fin de ilustrar los métodos y procedimientos presentados en este trabajo tomamos las trayectorias recogidas en la zona del campus suburbano de generar re...

Un conjunto de métodos de procesamiento espaciotemporales se presentan para analizar los datos de trayectoria humanos, tales como la recogida usando un dispositivo GPS, con el fin de modelar peatonales de espacio-tiempo actividades.

Los análisis de trayectoria de datos para el estudio de peatones Actividad espacio-tiempo

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

El objetivo general de este procedimiento es modelar las actividades espaciotemporales de los peatones mediante el análisis espaciotemporal y la visualización de datos de trayectorias humanas. Esto se logra primero recolectando datos detallados del sistema global de posicionamiento o GPS y cargando los datos en el analizador de trayectorias. El segundo paso consiste en preprocesar y segmentar los datos de trayectoria.A continuación, se caracterizan los espacios de actividad de los individuos. El paso final consiste en examinar los patrones espacio-temporales mediante la densidad, el mapeo de superficies, la densidad, la representación volumétrica, o ambos. En última instancia, se utilizan otros métodos de análisis exploratorio de datos y visualizaciones para mostrar patrones ocultos adicionales en los datos.La principal ventaja de esta técnica frente a métodos existentes, como la extensión FGIS desarrollada por SHNU para analizar trayectorias espacio-temporales, es que no solo proporcionamos la interfaz para la visualización interactiva con trayectorias, sino que nos centramos en el método de procesamiento que limpia los datos de trayectoria de rutas, los segmenta, deriva propiedad

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

Research

Investigación

JoVE Journal

Biology

Biología

Este protocolo se utiliza para evaluar las variables espaciales y temporales de la marcha de pacientes neurológicos/ortopédicos y personas mayores mediante un sistema de fotocélulas de suelo recientemente introducido.

Evaluación clínica de los parámetros de la marcha en pacientes Spatiotemporal y Adultos Mayores

Un protocolo se presenta para la caracterización del comportamiento de peatones de campo y la simulación de la respuesta estructural resultante. La validación de campo demuestran que la in situ identificado la frecuencia de estimulación y la frecuencia de sincronización entre los participantes constituyen un insumo esencial para la simulación y verificación de las cargas inducidas por el hombre.

Simulación de vibraciones humanas inducida Basado en la calificó el comportamiento peatonal en el terreno

El objetivo era justificar el uso óptimo de las técnicas de recolección de datos para la marcha marcha nórdica y el análisis de la postura. Captura de movimiento en tres dimensiones debe utilizarse durante el análisis de duración corta (es decir, un solo ciclo de la marcha), mientras que el acelerómetro se debe emplear para el análisis de mayor duración (es decir, los ciclos repetidos) como una prueba de paseo de 6 minutos.

Corroboración Técnicas de captura de movimiento para la evaluación de la marcha y la postura de Nordic Walking en los adultos mayores

Aquí, presentamos un protocolo novedoso para medir la estabilidad posicional en eventos clave durante el sentarse para pararse y caminar utilizando la distancia del centro de presión a la distancia del centro de masa de todo el cuerpo. Esto se derivó de la plataforma de fuerza y la tecnología de captura de movimiento tridimensional. El paradigma es confiable y se puede utilizar para la evaluación de individuos neurológicamente comprometidos.

Sentado o de pie-y-pie de 120% Altura de la rodilla: Un nuevo enfoque para evaluar la dinámica postural control independiente de plomo-extremidad

Este manuscrito describe el método para probar la validez concurrente de las medidas cinemáticas registradas por la aplicación de teléfono inteligente en comparación con un sistema de captura de movimiento 3D en el plano sagital. Este protocolo permitirá a los médicos configurar teléfonos inteligentes para la captura de video del movimiento humano.

Análisis de vídeo Movimiento Usando teléfonos inteligentes (VIMAS): un estudio piloto

En este estudio, se presenta un método de análisis de marcha tridimensional ambiente clínico, que fue diseñado para realizarse en la clínica de rehabilitación. El método consiste en un método de medición simplificada y figuras intuitivas para facilitar la comprensión de los médicos de los resultados.

Método de análisis clínico orientado marcha tridimensional para evaluar trastorno de la marcha

Este protocolo describe el uso de un simulador de caminar que sirve como un método seguro y ecológicamente válido para estudiar el comportamiento de los peatones en presencia de tráfico en movimiento.

Uso de un simulador de caminata de realidad virtual para investigar el comportamiento de los peatones

Este artículo describe el material y el método desarrollado para investigar la organización postural de la iniciación de la marcha. El método se basa en registros de plataforma de fuerza y en el principio directo de la mecánica para calcular el centro de gravedad y la cinemática del centro de presión.

Organización postural de la iniciación de la marcha para el análisis biomecánico utilizando grabaciones de plataforma de fuerza

Presentamos un flujo de trabajo de bajo coste y sin marcadores utilizando DeepLabCut para cuantificar la marcha y locomoción espontáneas en ratones que se mueven libremente. Este protocolo integra la adquisición de vídeo con una sola cámara, el seguimiento sin marcador de hitos anatómicos y la extracción de parámetros locomotores espaciotemporales, proporcionando un marco no invasivo y accesible para el análisis del comportamiento motor sin equipos especializados.

Un flujo de trabajo de bajo coste sin marcadores basado en DeepLabCut para el análisis espontáneo de marcha y locomoción en ratones en movimiento libre

Pruebas de sensibilidad visual de las lagartijas con un paradigma de condicionamiento operante que utiliza la reproducción de vídeo de puntos aleatorios kinematograms e invertebrados generadas por ordenador.

Prueba de sensibilidad visual a la velocidad y dirección del movimiento en lagartos

Aprenda a analizar trayectorias espaciotemporales de peatones mediante datos GPS y técnicas de visualización 3D. Este método computacional revela patrones ocultos en actividades humanas para planificación urbana.

Los análisis de trayectoria de datos para el estudio de peatones Actividad espacio-tiempo

Explorar más videos