Method Article

Boîte à outils de capture de mouvement multimodale pour une analyse améliorée de la coordination intersegmentaire chez les enfants atteints de paralysie cérébrale et en développement typique

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

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

Cette étude présente une boîte à outils combinant des technologies de capture de mouvement pour analyser les signaux cinématiques et quantifier les motifs coordonnés de tout le corps avec des graphiques angle-angle. Conçue pour surmonter les défis des systèmes traditionnels basés sur des marqueurs, cette boîte à outils favorise la flexibilité entre les milieux de recherche, cliniques et de terrain, faisant progresser des soins individualisés et des évaluations fonctionnelles pour les enfants avec des handicaps moteurs.

Abstract

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

Les systèmes de capture de mouvement tridimensionnels basés sur des marqueurs sont la référence pour évaluer les motifs cinématiques dans le mouvement humain, offrant une quantification précise des positions des segments et des articulations. Cependant, les systèmes traditionnels basés sur des marqueurs posent plusieurs défis, en particulier pour les enfants souffrant de troubles neurologiques et d’anomalies du traitement sensoriel, comme celles observées chez les enfants atteints de paralysie cérébrale. Ces défis entravent l’utilisation des marqueurs cinématiques et limitent les analyses détaillées des schémas de mouvement. Les avancées récentes dans les systèmes de capture de mouvement sans marqueurs utilisant l’estimation de la pose humaine basée sur l’apprentissage profond nous ont permis d’explorer des alternatives rentables aux systèmes optiques traditionnels et aux approches de traitement des données qui en ont découlé. Une boîte à outils intégrée a été développée, combinant plusieurs technologies de capture de mouvement : équipements cinématiques de niveau recherche, clusters cinématiques, unités de mesure inertielle, systèmes sans marqueurs tridimensionnels (3D), et systèmes sans marqueurs bidimensionnels (2D) avec des caméras disponibles dans le commerce (via MediaPipe). Pour cette étude actuelle, nous présentons les résultats de la capture de mouvement basée sur des marqueurs 3D versus la capture de mouvement sans marqueurs 2D, le principal problème récurrent dans les études biomécaniques chez les sujets humains, afin de décrire des motifs coordinatifs via des graphiques angle-angle hanche-genou. L’approche cyclogramme a été choisie car elle offre une métrique robuste et un cadre facilement interprétable pour analyser la coordination via le mouvement couplé entre segments du corps. Deux enfants au développement typique et deux enfants atteints de paralysie cérébrale ont effectué un schéma de mouvement fonctionnel, la tâche de position assise pour se tenir debout. Les résultats présentés ont démontré la faisabilité d’intégrer des systèmes multimodaux pour les analyses cinématiques, offrant ainsi une flexibilité pour la recherche et les contextes cliniques. De plus, l’approche open source novatrice présentée dans ce travail répond aux défis posés par de nombreuses populations de patients confrontées à des troubles du traitement sensoriel, permettant ainsi un plan de soins avancé et individualisé.

Introduction

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

Les évaluations de capture de mouvement cinématique en trois dimensions ont fourni des informations fiables pour quantifier les schémas de mouvement attendus et anormaux. Ces informations sont cruciales lors de la conception des plans de rééducation1 et de l’élaboration d’approches de sécurité pour l’engagement du patient avec le matériel clinique (par exemple, 2,3). Lorsqu’on considère les enfants atteints de troubles neurologiques, ces évaluations cinématiques peuvent améliorer les soins en abordant des changements de schémas de coordination dans des tâches fonctionnelles distinctes telles que lamarche 4, la tâche assis àdebout 5, et l’atteinte du membre supérieurniveau 6.

Bien que les évaluations cinématiques tridimensionnelles (3D) soient considérées comme la référence pour une analyse précise de capturede mouvement 7, le placement de marqueurs cinématiques sur la peau est une exigence pour garantir une quantification exacte des mouvements des segments et des articulations. Cette évaluation basée sur des marqueurs nécessite la connaissance de repères anatomiques spécifiques pour les personnes effectuant cette évaluation, ainsi que la tolérance et l’acceptation des rubans fixés à la peau des personnes ayant reçu l’évaluation. Si la première option peut être apprise, la seconde pose problème à plusieurs populations de patients. Par exemple, les enfants atteints de lésions cérébrales ou de paralysie cérébrale peuvent présenter des troubles liés au traitement des informations sensorielles 8,9,10. Ce trouble peut apparaître sous forme d’hypersensibilité, empêchant les cliniciens et chercheurs d’appliquer les marqueurs cinématiques sur la peau des enfants, ce qui, à son tour, peut entraver la quantification des changements dans les capacités de mouvement et un plan de soins individualisé efficace.

En plus du problème de la pose des marqueurs sur la peau des populations de patients, la plupart des systèmes de mesure utilisés dans les études cinématiques ne sont pas abordables, sont limités aux espaces de laboratoire et ne sont disponibles qu’avec du personnel hautement qualifié, ce qui les rend peu pratiques pour un usage clinique courant. Cependant, les avancées actuelles en matière de capture de mouvement permettent différentes approches d’enregistrement des données cinématiques. Par exemple, l’estimation automatique de la pose humaine utilisant des techniques d’apprentissage profond a attiré l’attention des chercheurs en vision par ordinateur. Ces techniques de capture de mouvement sans marqueurs peuvent offrir une solution prometteuse aux défis techniques et pratiques liés à l’analyse du mouvement basée surles marqueurs 11. Au lieu de s’appuyer sur le suivi des marqueurs, cette approche utilise des réseaux de neurones entraînés pour estimer la position de l’ensemble des12 repères. Ce développement améliore l’efficacité globale et l’adaptabilité de la technologie de reconnaissance de posture humaine.

Il est bien établi que la relation cinématique entre segments du corps peut révéler des mécanismes de contrôle sous-jacents soutenant la variabilité des schémas de mouvement. Bien que plusieurs méthodes puissent être utilisées pour mesurer la coordination entre les segments13, les graphiques angle-angle (cyclogrammes) permettent une quantification intrinsèquement interprétable du mouvement couplé entre segments/articulations sur une périodedéterminée 14,15. Comme de nombreux enfants atteints de paralysie cérébrale rencontrent des difficultés à effectuer des mouvements corporels complets en raison d’un contrôle moteur sélectif altéré16, nous avons choisi d’étudier le mouvement simple, mais avec un contrôle sous-jacentcomplexe 17, du mouvement assis pour se tenir debout. L’objectif de cette étude était de démontrer la faisabilité d’une boîte à outils open source combinant des technologies de capture de mouvement pour faciliter l’évaluation cinématique des schémas de coordination chez les enfants en situation de handicap.

Dans ce travail, nous utiliserons des cyclogrammes hanche-genou pour démontrer la coordination entre tronc/bassin et segments cuisse/tige, en utilisant les articulations hanche et genou comme couplages intersegmentaires représentatifs pertinents pour la biomécanique assis-debout. La coordination hanche-genou a été choisie car elle capture le couplage articulaire primaire qui entraîne la progression verticale du centre de masse lors de la tâche assis-debout, un mouvement fonctionnellement critique pour les enfants en situation de handicap qui s’appuient souvent sur des stratégies compensatoires des membres inférieurs en raison d’un contrôle moteur sélectif altéréaffectant les synergies articulaires. L’intégration de différentes technologies (c’est-à-dire des équipements cinématiques 3D de qualité recherche aux appareils photo disponibles dans le commerce) dans une seule boîte à outils de traitement permet une flexibilité d’utilisation entre les milieux de recherche et les environnements de terrain et cliniques. La boîte à outils permet également des évaluations cinématiques détaillées lorsque le placement des marqueurs n’est pas possible en raison d’anomalies du traitement sensoriel chez les enfants en situation de handicap, via des fonctions de traitement du signal par capture de mouvement sans marqueurs.

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

Protocol

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

Cette étude a été menée sous forme de série de cas à partir de résultats représentatifs de quatre enfants afin de démontrer la faisabilité du protocole plutôt que d’inférence statistique. Deux enfants en développement typique (garçon de 4 ans, 100 cm, 14,5 kg ; garçon de 10 ans, 144 cm, 40,8 kg) et deux enfants atteints de paralysie cérébrale, Système de classification de la fonction motrice globale III (fille de 4 ans, 93 cm, 13,8 kg ; garçon de 4 ans, 102 cm, 16,7 kg) ont participé à cette étude. Les parents/tuteurs légaux et les enfants ont donné leur consentement éclairé avant la participation, conformément à notre protocole d’étude approuvé par le Conseil d’Examen Institutionnel (IRB-FY2024-33).

REMARQUE : Bien que ce protocole décrive les procédures pour les systèmes de capture de mouvement basés sur des marqueurs 3D et sans marqueurs 2D, l’objectif de cette étude est mis en œuvre sur l’approche sans marqueurs 2D, qui représente l’application clinique et pratique centrale de ce travail. L’implémentation de base du protocole actuel nécessite un système de capture de mouvement basé sur marqueurs (minimum 8 caméras) pour l’acquisition de données cinématiques 3D, ainsi qu’une seule caméra RGB (résolution minimale 1920 × 1080 pixels, 50 Hz) positionnée perpendiculairement au plan sagittal pour une capture 2D sans marqueur. La méthode convient aux environnements cliniques ou laboratoires contrôlés avec un éclairage adéquat (> 500 lux) et un encombrement minimal en arrière-plan. Pour améliorer la robustesse dans des environnements non idéaux, la boîte à outils vailá intègre des outils de prétraitement (par exemple, masquage en boîte à dessin, recoupage/redimensionnement vidéo) qui permettent aux utilisateurs d’isoler le participant des distractions en arrière-plan ou d’ajuster un cadrage de caméra sous-optimal. Les principales limites incluent une précision réduite pour l’approche sans marqueur à caméra unique pour les enfants présentant des mouvements hors plan significatifs, car cette approche ne peut pas capturer d’informations de profondeur ou de mouvements en dehors du champ de vision de la caméra. Les utilisateurs doivent s’assurer que les participants restent dans le volume de capture prédéfini et maintiennent l’alignement du plan sagittal lors de l’exécution des tâches afin d’optimiser la performance de suivi sans marqueurs.

1. Contrôles préalables au test

  1. Allumez et réchauffez le système de caméra de capture de mouvement infrarouge et la caméra vidéo. Le système de capture de mouvement infrarouge nécessite environ 30 à 60 minutes de réchauffement pour atteindre la stabilisation thermique avant l’étalonnage et la collecte de données. Vérifiez la fréquence d’échantillonnage à 100 Hz (caméras infrarouges pour système basé sur marqueurs) et 50 Hz (caméra vidéo pour système sans marqueurs).
  2. Nettoyez et/ou couvrez les objets réfléchissants du volume de capture.

2. Placement de la caméra

  1. Système basé sur des marqueurs (système de caméra 3D)
    1. Des caméras de position situées à environ 1,5 à 2,5 m du centre de la zone de mouvement, montées à des hauteurs allant de 0,5 à 2,5 m. Assurez-vous que les caméras sont réparties uniformément autour du volume de capture afin d’optimiser la visibilité des marqueurs et de minimiser l’occlusion lors de la tâche assis-debout. Alternez les élévations de la position de la caméra pour améliorer la précision de la triangulation et réduire les interférences de ligne de visée.
    2. Chaque point dans le volume cible (où l’enfant effectuera la tâche) doit être visible par au moins deux caméras en permanence, suivant les recommandations standard pour une capture 3D optimale. Définir le volume de capture en fonction de l’anthropométrie des participants pédiatriques et de la tâche évaluée.
      REMARQUE : L’espace de travail était centré à environ 0,80 m au-dessus du sol.
    3. Utilisez les outils logiciels du système basé sur les marqueurs pour affiner les trois principaux réglages optiques (zoom, ouverture, mise au point) afin d’assurer de faibles résidus d’étalonnage et une forte cohérence du suivi des marqueurs entre les essais.
  2. Système sans marqueurs (caméra 2D)
    1. Placez la caméra vidéo latéralement à 3,0 m du participant (ou plus près, lorsque possible, tant que tout le corps du sujet est visible pendant toute la tâche, de la position assise à la position debout), centrée à la hauteur du bassin lorsque le participant est debout, orthogonale au plan sagittal.
    2. Nivelez l’axe optique (sans roulement) et alignez la ligne médiane de l’image avec la région centrale de l’articulation de la hanche.
    3. Configurez la caméra avec des paramètres d’image fixes pour tous les enregistrements.
      1. Fixez la région d’acquisition à une zone d’intérêt de 1920 × 1200 px pour définir la résolution effective. Utilisez un objectif focal de 20 mm et maintenez l’ouverture (suffisamment de contraste entre l’environnement et le participant) constante tout au long de l’expérience.
      2. Réglez la fréquence d’images à 50 Hz et fixez la durée de l’obturateur à 5 ms. Appliquez les réglages matériels suivants et ne les modifiez pas lors de la collecte des données : gain 9,998, gamma 0,4, niveau de noir 0, saturation 1.
      3. Désactivez toutes les modifications automatiques de l’exposition et de la balance des blancs pour éviter la dérive temporelle de l’apparence de l’image.
        REMARQUE : Pour ajuster la mise au point, un panneau peut être utilisé avec une courte phrase écrite en police Calibri, style gras, taille 48, placée à l’endroit où le participant accomplira la tâche. Dans le champ de vision de l’appareil, les lettres doivent être nettes, sans flou visible.
    4. Lorsque vous utilisez un objectif avec une distorsion notable, préparez un Charuco/Checkerboard 18,19 pour l’étalonnage/la dédistorsion (optionnel pour des tâches strictement sagittales et stationnaires).
      REMARQUE : Les systèmes de caméras vidéo basés sur des marqueurs et sans marqueurs utilisés sont montrés à la Figure 1.

Figure 1
Figure 1 : Gros plan des deux systèmes de caméras utilisés dans cette étude. La caméra infrarouge du système cinématique 3D (à gauche) a été utilisée, dans laquelle 12 caméras composaient le système pour l’approche basée sur des marqueurs, et une caméra vidéo (à droite) pour l’approche sans marqueur. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

3. Synchronisation

REMARQUE : Cette étape n’est nécessaire que lorsque l’on utilise différents systèmes simultanément. La synchronisation entre systèmes n’est pas nécessaire lorsqu’on utilise un seul système cinématique (2D ou 3D).

  1. Connectez le LockLab (ou l’unité de contrôle/synchronisation équivalente) pour envoyer un déclencheur transistor-transistor logique (TTL) aux deux systèmes au début de chaque essai.
  2. Si les déclencheurs matériels ne sont pas disponibles, utilisez un flash à diode électroluminescente (LED) visible (méthode préférable) ou un claquement audible capté par les deux systèmes pour un alignement ultérieur.

4. Étalonnage du volume de capture (système basé sur marqueurs)

  1. Inspectez visuellement le champ de vision des caméras (infrarouges et vidéo) pour éliminer les objets inutiles de chaque champ de vue. Dans le logiciel du système basé sur des marqueurs, masquent les objets réfléchissants qui ne pouvaient pas être retirés de la vue de la caméra (par exemple, d’autres caméras).
  2. Effectuez la calibration de la baguette là où la tâche sera effectuée. Déplacez la baguette dans tout le volume de capture pour vous assurer que tout l’espace est couvert. Accepter l’étalonnage uniquement si la précision spatiale ≤ 1 mm (résidu moyen).
    REMARQUE : Vérifiez qu’au moins trois caméras voient simultanément la baguette d’étalonnage pendant cette procédure. Déplacer la baguette à travers le volume de capture à une vitesse approximative du mouvement attendu lors de la tâche expérimentale : pour les tâches à haute vitesse, déplacer la baguette rapidement ; Pour des mouvements plus lents, balaie la baguette plus lentement. À la fin de la passe d’étalonnage, vérifiez les indicateurs logiciels pour détecter des caméras qui n’ont pas capturé suffisamment de vues de la baguette et effectuez des mouvements ciblés supplémentaires dans les champs de vision de ces caméras avant de conclure l’étalonnage. Les erreurs résiduelles après calibration de la baguette se situent généralement entre 0,3 et 0,8 mm lorsque le passage de la baguette est lisse, que le volume de capture est uniformément éclairé et que toutes les caméras ont une vue dégagée.
  3. Réglez l’origine du volume en plaçant la baguette d’étalonnage à l’emplacement d’origine désigné dans l’espace de test défini. Définissez le plan du plancher selon les instructions du fabricant.

5. Placement des marqueurs (système basé sur des marqueurs)

  1. Placez les marqueurs rétroréfléchissants selon le modèle Plug-inGait 20, 21, 22 (Figure 2) par un examinateur formé.
  2. Vérifiez la visibilité des marqueurs bilatéraux de la hanche, du genou et du tronc lors d’un court mouvement de test avant la collecte d’essai statique (requis pour les systèmes basés sur des marqueurs 3D).

Figure 2
Figure 2 : Modèle de marche à branche adapté pour la présente étude. L’ensemble standard de marqueurs a été appliqué pour définir les segments du membre inférieur, du bassin, du tronc et de la tête. Les marqueurs des membres supérieurs ont été retirés pour se concentrer exclusivement sur la cinématique du bas du corps et du tronc. Cette adaptation préserve l’intégrité du modèle original Plug-in Gait tout le corps tout en excluant le mouvement du bras de l’analyse. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

6. Président et environnement

  1. Utilisez un fauteuil sans accoudoirs et ajustez la hauteur du siège de façon à ce que les angles des hanches et des genoux soient de ~90°, avec les pieds à plat sur le sol. Notez la hauteur du siège (cm) de chaque participant.
  2. Assurer un éclairage uniforme ; Évitez le rétroéclairage et les occlusions dans la vue sagittale. Assurez-vous d’un fond uniforme et à fort contraste.

7. Instruction et sécurité des participants

  1. Confirmez qu’aucune information identifiable n’est incluse avec les fichiers d’enregistrement (seulement des codes alphanumériques non identifiables pour chaque participant).
  2. Pour les essais assis à debout, assurez-vous que les participants connaissent les instructions et protocoles appropriés.
    1. Instruisez les participants en développement typique (TD) de garder les mains sur les hanches.
    2. Pour les enfants atteints de paralysie cérébrale (GMFCS III), fournir un soutien manuel si nécessaire afin d’obtenir une position droite sans compromettre la sécurité.
      REMARQUE : Bien que les patients pédiatriques puissent nécessiter un accompagnement manuel pour assurer la sécurité et l’accomplissement des tâches, il faut veiller à minimiser l’obstruction des segments ou marqueurs du corps, car cela peut compromettre la qualité des données.
    3. Faites le mouvement verbalement (« up ») et permettez une vitesse confortable choisie par vous-même lors des épreuves assis à debout.

8. Acquisition par essai

  1. Avant de capturer les essais dynamiques, capturez un essai d’étalonnage statique avec le participant debout en position neutre, les pieds écartés à la largeur des épaules et les bras à 90° de l’enlèvement.
    1. Assurez-vous que tous les marqueurs sont visibles par au moins deux caméras ; Vérifiez dans le logiciel d’acquisition du système basé sur les marqueurs que ≥ 95 % des marqueurs sont détectés sur toutes les caméras. Record de 2-3 s. Un cadre en perspective 3D doit avoir tous les marqueurs.
    2. Dans le logiciel du système basé sur les marqueurs, appliquez le modèle statique Plug-in Gait pour définir les centres articulaires et les systèmes de coordonnées segmentaires. Vérifiez l’adéquation correcte du modèle en inspectant la visualisation 3D du squelette et en confirmant des positions anatomiquement plausibles du centre articulaire.
      REMARQUE : Cet essai statique fournit les paramètres du modèle biomécanique nécessaires pour le traitement ultérieur des essais dynamiques 3D. À cette étape, il faudra saisir les mesures anthropométriques du participant (par exemple, poids, hauteur, longueur de jambe, etc.) dans le logiciel du système basé sur les marqueurs. Lorsque le soutien manuel est nécessaire pour les patients pédiatriques pendant l’essai statique, il faut veiller à éviter l’occlusion des marqueurs, qui peut compromettre la qualité des données.
  2. Enregistrer trois essais assis pour se tenirdebout et 23 par participant. La période de repos entre les essais peut être adaptée aux besoins par participant, car ce n’est pas une tâche physiquement exigeante.
  3. Utilisez une convention standardisée de nommage de fichiers incluant le groupe (par exemple, TD, CP), l’identifiant alphanumérique du participant et le numéro d’essai.
  4. Dans le logiciel du système basé sur les marqueurs, reconstruisez les trajectoires des marqueurs à l’aide du système de caméra calibrée.
    1. Étiquetez chaque marqueur selon la nomenclature du jeu de marqueurs Plug-in Gate. Utilisez le remplissage automatique des espaces (taille maximale de l’espace : 10 images) pour de courtes occlusions.
    2. Vérifiez la précision de l’étiquetage en inspectant visuellement le squelette en perspective 3D. Une fois que tous les marqueurs sont correctement étiquetés et que les trajectoires sont continues, exportez l’essai sous forme de fichier .c3d pour analyse dans la boîte à outils vailá .
  5. Sauvegardez les données optiques sous forme .c3d et les images vidéo ou diffusez en flux sous forme de fichiers compressés sans perte ou à haut débit binaire.

9. Traitement des données

REMARQUE : La boîte à outils vailá (v0.10.21)24 est multiplateforme (Windows, macOS, Linux) et nécessite Python 3.12 ou une version ultérieure. Les modules d’analyse sans marqueurs (par exemple, MediaPipe25) sont optimisés pour fonctionner efficacement sur des processeurs standards, garantissant ainsi l’accessibilité dans des environnements cliniques sans matériel spécialisé. Un GPU compatible CUDA est optionnel et n’est utilisé que si l’utilisateur sélectionne des moteurs à haute vitesse alternatifs (par exemple, YOLO-Pose) pour un traitement plus rapide. Pour des commandes d’exécution détaillées, des guides étape par étape et une documentation complète, les utilisateurs sont orientés vers les ressources en ligne et les fichiers d’aide intégrés de la boîte à outils, disponibles à l’adresse : https://github.com/vaila-multimodaltoolbox/vaila/tree/main/docs/modules/markerless-analysis.

  1. Approche basée sur les marqueurs : Dans le logiciel du système basé sur les marqueurs, traitez les essais statiques et dynamiques. Appliquez le modèle de démarche dynamique plug-in aux trajectoires des marqueurs marqués (voir étape 7.4) pour calculer la série temporelle de l’angle de l’articulation.
    1. Exportez les données d’essai traitées sous forme de fichier .c3d. Assurez-vous que les séries temporelles calculées des angles articulaires (par exemple, angles de hanches, genoux, cheville) soient incluses dans l’exportation.
    2. Importez le fichier .c3d traité dans la boîte à outils vailá en utilisant la fonction vaila.load_c3d(). La boîte à outils extrait automatiquement les données précalculées de la série temporelle de l’angle de la jonction à partir du fichier.
    3. Appliquez le filtre passe-basButterworth de 4e ordre zéro (coupure de 6 Hz) aux données d’angle de joint en utilisant les fonctions de filtrage intégrées (comme décrit à l’étape 9.2.4 ci-dessous) pour assurer un traitement cohérent avec les données sans marqueurs.
    4. Des analyses ultérieures (par exemple, génération de cyclogrammes, calcul des métriques de coordination) sont ensuite effectuées dans le vailá.
  2. Approche sans marqueurs : module d’estimation de la pose Load MediaPipe (v0.10.21) dans vailá. Définissez les paramètres suivants : static_image_mode = Faux, model_complexity = 1-2 (utiliser le niveau 2 lorsque les ressources GPU/CPU permettent une meilleure précision), smooth_landmarks = Vrai, min_detection_confidence = 0,6, min_tracking_confidence = 0,6.
    REMARQUE : Des cadres alternatifs d’estimation de la pose, tels qu’OpenPose, peuvent être utilisés ici.
    1. Traiter chaque image vidéo pour extraire les repères MediaPipe 33 (Figure 3). Rejetez les trames avec une confiance de détection inférieure au seuil ou appliquez l’interpolation pour les données manquantes.
      REMARQUE : MediaPipe détecte 33 points de repère corporels, y compris les points clés du visage, du torse et des membres (Figure 3). Pour le protocole actuel, seuls les repères du tronc et du bas du corps pertinents pour l’analyse du « assis à debout » ont été utilisés : Épaule [repères 11 (épaule gauche) et 12 (épaule droite)], Hanche [repères 23 (hanche gauche) et 24 (hanche droite)], Genou [repères 25 (genou gauche) et 26 (genou droit)], et Cheville [repères 27 (cheville gauche) et 28 (cheville droite)]. Ces repères sont automatiquement détectés à partir de la vidéo RVB, et ils sont estimés à partir des caractéristiques visuelles (plutôt que des positions rétroréfléchissantes des marqueurs utilisées dans le modèle Plug-in Gai).
    2. Confirmez que tous les repères clés (épaule, hanche, genou, cheville) sont détectés avec une confiance ≥ 0,7.
    3. (Optionnel) Si la distorsion de l’objectif est pertinente, déformez les images à l’aide de paramètres d’étalonnage (matrice de caméra et coefficients de distorsion) avant d’exécuter MediaPipe.
    4. YOLO-Pose : En parallèle, chargez le module YOLO-Pose intégré dans vailá.
      1. Configurez le modèle avec des poids par défaut pour la détection humaine des squelettes (ensemble de points clés cohérent avec le format COCO). Chaque image est traitée pour détecter des points clés squelettiques à l’aide du dorsal YOLO, optimisée pour des performances robustes sous flou de mouvement, occlusion ou arrière-plans complexes.
      2. Appliquer des filtres de lissage temporel pour réduire la gigue d’image à image et aligner les points clés détectés avec le système de coordonnées utilisé pour MediaPipe.
      3. Pour le filtre à lissage temporel, appliquez un filtre Butterworth passe-bas de4e ordre avec une fréquence de coupure de 6 Hz (les mouvements assis-debout ont une fréquence dominante inférieure à 5 Hz) à toutes les données de séries temporelles d’angle joint, qu’elles soient basées sur un marqueur ou sans marqueur, afin d’éliminer le bruit haute fréquence tout en préservant le signal de mouvement.
      4. Implémentez ce filtre en utilisant les fonctions scipy.signal.butter() et scipy.signal.filtfilt() en Python, en utilisant un filtrage avant-arrière à phase zéro pour éviter les décalages temporels.
    5. Gestion des données en vailá : Exportez des trajectoires marquantes des deux pipelines (MediaPipe et YOLO-Pose) dans un format standardisé .csv ou .json. Stockez les métadonnées (nombre de trame, horodatage, confiance en détection) avec les coordonnées des points clés. Cela garantit la comparabilité entre les méthodes et la reproductibilité des analyses.
  3. Définitions de coordonnées et angles articulaires : Définir les angles de flexion de la hanche et du genou dans le plan sagittal avec des valeurs positives pour la flexion.
    1. Pour des données sans marqueurs, dérivez les centres/segments articulaires à partir des repères MediaPipe (par exemple, hanche : proxy bassin ; genou : fémur-tibia ; tronc : segment épaule-hanche) et calculez les angles sagittaux à l’aide d’un système de coordonnées articulaires cohérent.
      REMARQUE : Les angles d’articulation du plan sagittal sont calculés géométriquement à partir des coordonnées 2D des repères. La boîte à outils vailá calcule l’angle (θ) entre deux vecteurs segments (vecteur a et vecteur b) en utilisant l’arccosinus de leur produit scalaire : θ = arccos((a · b) / (|a| |b|)). La flexion de la hanche est définie comme l’angle entre le vecteur « tronc » (vecteur reliant les repères MediaPipe 11/12 [épaule] et 23/24 [hanche]) et le vecteur « cuisse » (vecteur reliant 23/24 [hanche] et 25/26 [genou]). La flexion du genou est définie comme l’angle entre le vecteur « cuisse » (vecteur reliant 23/24 [hanche] et 25/26 [genou]) et le vecteur « jambe » (vecteur reliant 25/26 [genou] et 27/28 [cheville]).
    2. Appliquez la même convention de signes et le même filtrage (si nécessaire) aux deux approches pour faciliter la comparaison.
  4. Synchronisation temporelle : aligner les données des deux approches en utilisant l’horodatage de déclenchement LockLab ; Sinon, alignez la première image flash/clap visible sur les flux de données.
    1. Rééchantillonnez les séries temporelles, si nécessaire, vers une base temporelle commune avant les comparaisons.
  5. Définissez le cycle de mouvement :
    1. Définir le cycle assis-debout depuis le début de l’inclinaison du tronc vers l’avant (seuil de vitesse angulaire positif) jusqu’à la posture stable et droite chez les enfants se développent typiquement (vitesse angulaire du tronc ~0 et extension complète du genou) et, pour les enfants atteints de paralysie cérébrale, une posture stable et la position maximale du marqueur cervical (système basé sur les marqueurs).
    2. Pour les enfants atteints de paralysie cérébrale, qui peuvent ne pas atteindre une extension complète (c’est-à-dire tronc aligné avec le bassin, hanche à 0° de flexion, genoux complètement étendus) comme observé chez les enfants en développement typique, définissez la fin du cycle comme la posture la plus droite obtenue conformément à l’essai statique debout, et confirmée par inspection visuelle afin d’assurer une posture stable avant le prochain essai.
    3. Ne normalisez pas dans le temps pour les graphiques représentatifs ; Rapportez la durée réelle de la tâche par essai. (Des analyses normalisées dans le temps peuvent être fournies en complément, si désiré.)
  6. Calcul et métriques de cyclogramme : tracez les angles de la hanche (axe x) par rapport au genou (axe y) pour chaque essai afin de générer des cyclogrammes hanche-genou.
    1. Essais et approches superposés (basés sur des marqueurs vs. sans marqueurs) pour une comparaison visuelle.
    2. Calculer des indicateurs résumés optionnels : plages de mouvement hanches/genoux, surface de boucle, orientation de la boucle (angle de l’axe principal) et longueur du chemin.
    3. Exportez les séries temporelles et métriques traitées comme .csv pour l’analyse statistique.

Figure 3
Figure 3 : Les 33 monuments de MediaPipe. Pour cette étude, nous n’avons utilisé que les repères pertinents à la tâche de se tenir debout, à savoir les repères 11 et 12 (épaules), 23 et 24 (hanches), 25 et 26 (genoux), et 27 et 28 (chevilles). Veuillez cliquer ici pour voir une version agrandie de cette figurine.

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

Results

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

La boîte à outils open source basée sur Python a réussi à quantifier les schémas de coordination hanche-genou, à la fois basés sur des marqueurs et sans marqueurs, chez des participants pédiatriques lors de la tâche assis-debout. Pour fournir une comparaison quantitative en parallèle des cyclogrammes visuels, les principales métriques résumées (amplitude de mouvement des hanches et genoux) pour les essais représentatifs sont présentées dans le tableau 1. Les graphiques angle-angle représentatifs d’enfant...

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

Discussion

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

L’objectif de ce travail était de démontrer la faisabilité et l’application d’une boîte à outils multimodale open source capable d’intégrer des systèmes de capture de mouvement basés et sans marqueurs pour analyser la coordination corporelle globale chez les populations pédiatriques. Dans des applications représentatives, le protocole a produit avec succès des cyclogrammes hanche-genou comparables entre les systèmes basés sur des marqueurs et les systèmes sans marqueurs chez les enfants ...

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

Disclosures

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

Les auteurs n’ont rien à divulguer.

Acknowledgements

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

Nous tenons à saluer le soutien financier apporté (au directeur principal : Cesar) par la subvention de recherche en physiothérapie pédiatrique 2023 de la Foundation for Physical Therapy Research, du MedNexus Research Innovation Fund, et de la subvention Eunice Kennedy Shriver National Institute for Child Health and Human Development (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
Caméra FLIR BlackflySystèmes FLIRModèle : BFS-U3-200S6C-CUtilisé pour la capture de mouvement 2D sans marqueur (50 Hz, années 1980 et à l’époque ; 1200 px)
Caméra Hikvision PoEHikvisionN/AEnregistrement vidéo alternatif pour la capture 2D sans marqueur
Détente matérielle LockLabViconLockLabUtilisé pour la synchronisation temporelle
Appareil photo Logitech C920LogitechHD Pro Webcam C920Appareil photo alternatif pour la capture sans marqueur
MediaPipeGoogle Researchv0.10.21Utilisé pour l’estimation de pose 2D en temps réel. Disponible en ligne sur https://ai.google.dev/edge/mediapipe/solutions/guide
Logiciel OpenPoseCommunauté de l’Université Carnegie Mellon / OpenPoseVersion 1.7.0Utilisé pour l’estimation de pose 2D en temps réel
Modèle full body Plug-in de la marcheViconModèle standardUtilisé comme modèle biomécanique pour le placement des marqueurs anatomiques
Caméras infrarouges VeroViconSérie VeroUtilisé pour la capture de mouvement 3D par marqueur (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