Name: Les analyses des données de trajectoire pour étudier lactivité piétonne lespace-temps (Vidéo) | JoVE Journal
Uploaded: 2013-02-25T12:03:00.000+00:00
Duration: 16 min 14 s
Description: Découvrez l'analyse spatiotemporelle des trajectoires piétonnes à partir de données GPS. Cette méthode permet de modéliser les activités humaines dans l'espace-temps pour l'aménagement urbain et la sécurité.

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

Ce travail est financé par le NIH 1R03AI090465.

1. Obtention de données <ol><li> Données de trajectoire peuvent être collectées avec les unités GPS de poche, GPS-enabled applications intelligentes de téléphone de suivi, ainsi que A-GPS (Assisted GPS) des dispositifs tels que celui utilisé dans notre étude, un dispositif commerciale des enfants tracker. </li><li> Données de trajectoire est généralement enregistré en termes de temps-latitude-longitude dossiers. Un intervalle de temps désirée doit être réglée en fonction des besoins de l&#39;application. Souvent, l&#39;intervalle le plus fréquent est souhaitée pour les études d&#39;activité spatio-temporelles. </li><li> Convertir les données en comma-separated values, ou. Csv avec des colonnes séparées pour les ID de l&#39;enregistrement, la latitude, la longitude et l&#39;heure, respectivement. Puis convertir les fichiers. Csv couramment utilisés dans les systèmes d&#39;information géographiques format de fichier (SIG) (c. ESRI shapefile 8). </li><li> Charger dans un fichier de formes de polygones de construction et un autre de la limite de la zone d&#39;étude avec l&#39;analyseur de trajectoire. Réglez le &quot;extrusion&quot; des bâtiments correctement pour une di 3Dsplay et l&#39;option &quot;extrusion&quot; et la &quot;transparence&quot; de la couche limite appropriée pour afficher un cube espace-temps 6, 9 avec la dimensions X, Y représentant l&#39;espace et la dimension z représentant le temps. </li></ol> 2. Pré-traitement <ol><li> Deux options sont disponibles pour le pré-traitement des données de trajectoire bruyants premières. On peut choisir à partir de la liste déroulante du menu de pré-traitement. </li><li> Si «interactif» est choisie, une projection 2D de la trajectoire 3D est créé pour faciliter la visualisation et la sélection. Manipuler l&#39;affichage 3D d&#39;examiner la trajectoire brute dans l&#39;espace et le temps. Identifier les erreurs dans les données en fonction de la forme, de la vitesse et / ou la topologie des segments de piste. Habituellement points de trace (sommets) à haute vitesse irréaliste ou changement de direction brusque signifier des erreurs. Sélectionnez-les et retirez-les trajectoires originales. Sélectionner et les supprimer soit de la trajectoire 3D ou sa projection 2D. </li><li> Un groupe de points de suivi avec hérissés shapes (figure 1) dans l&#39;espace et dans le temps d&#39;une durée de temps signifient des erreurs qui sont le plus probablement causée par endroits à l&#39;intérieur lorsque le signal GPS est faible. Si un groupe de ces points est sélectionné, le programme peut calculer le centroïde spatio-temporelle des points sélectionnés et ajuster la piste de passer par le centre de gravité. </li><li> Par ailleurs, si &quot;Automatique&quot; est choisi dans le menu de pré-traitement, régler l&#39;entrée et emplacements de sortie ainsi que des paramètres empiriques qui déterminent la vitesse anormalement élevée et tournant abrupt de points. Le programme recherche à travers les données de trajectoire chargés et s&#39;exécute automatiquement selon un algorithme qui imite l&#39;approche visuelle de détection d&#39;erreur. </li></ol> 3. Segmentation de la trajectoire et caractérisation espace d&#39;activités <ol><li> Segmentation trajectoire nécessite la couche de construction, de sorte que le fichier forme du bâtiment est chargé. </li><li> Cliquez sur l&#39;outil de segmentation dans la barre d&#39;outils pour lancer la fonction.Réglez l&#39;entrée et la sortie et le fichier localisé forme du bâtiment que la couche de référence. Utilisez les noms de construction pour marquer la trajectoire segmentée. L&#39;algorithme identifie les segments intérieurs selon des critères définis par défaut ou comme la vitesse, durée, etc de points de suivi, ainsi que la topologie de l&#39;espace par rapport aux bâtiments. </li><li> Cliquez sur l&#39;outil récapitulatif des activités spatiales pour charger et calculer des trajectoires segmentés attributs récapitulatifs sélectionnés pour caractériser l&#39;espace son activité, tels que l&#39;activité totale rayon, le rayon à une certaine période de temps, le ratio du temps total passé à l&#39;intérieur par rapport à l&#39;extérieur, et ainsi de suite. </li><li> Les attributs peuvent être exportés vers un tableur pour des utilisations de modélisation quantitative. </li></ol> 4. Surface Mapping densité <ol><li> Surface de densité montre la densité des activités dans l&#39;espace avec la dimension temporelle s&#39;est effondré. Trois options sont disponibles à partir de la liste déroulante du menu cartographie densité de surface. </li><li> Si l&#39;option &#39;Densité des pistes point »est sélectionné, remplissez la boîte de dialogue avec entrée et sortie d&#39;informations et de choisir d&#39;afficher soit en 3D ou 2D. Tous les sommets à partir des données de trajectoire sont utilisés pour calculer les densités noyau des points. Figure 2 montre une surface de densité. </li><li> Si la «densité chemin Track&quot; est sélectionné, l&#39;algorithme calcule et affiche la densité des trajectoires individuelles parcourues (figure 3). </li><li> Si l&#39;option «densité Re-échantillonné point» est sélectionné, l&#39;algorithme de ré-échantillonne les données de trajectoire en utilisant un intervalle de temps défini et les cartes des densités de points répartis uniformément dans le temps. Cette option est conçue pour les dispositifs de suivi qui collectent des points de suivi à intervalles irréguliers raison de la diversité de sensibilité des appareils sous diverses conditions physiques ou des trajectoires segmentés. Figure 4 montre les surfaces de densité 2D et 3D des trajectoires segmentés. </li><li> Si «focalisation temporelle» est sélectionné pour unny des options ci-dessus, en se concentrant temporel 10 peut être réalisée afin d&#39;examiner les modèles d&#39;activité à des périodes différentes. Par exemple, les surfaces de densité d&#39;activité à différents moments de la journée peuvent être visualisées pour faciliter l&#39;identification des points chauds à travers le temps (figure 5). </li></ol> 5. Estimation du volume de densité et de volume de rendu <ol><li> Visualisation volumique Densité utilise la notion d&#39;un cube espace-temps dans la visualisation des trajectoires. Le noyau de cette visualisation est la désagrégation de l&#39;espace en voxels 11. Notre approche pour visualiser le volume de densité première estimation du volume de la densité des voxels individuels par comptage du nombre de titres d&#39;espace-temps qui se croisent avec les voxels. On peut cliquer sur «calcul du volume Densité&quot; dans le menu de visualisation densité volumique pour cette étape. </li><li> Les trois mêmes options sont disponibles pour la visualisation de volume de densité que pour la visualisation de surface de densité. </li><li> «Rendu de volume» Cliquez sur Suivant pour lancer l&#39;interface du volume de visualisation 3D pour le rendu de volume interactif 12. En réglant le nombre de divisions le long de chaque axe, on peut examiner les grappes à différentes échelles. Un z-facteur sert à régler l&#39;exagération verticale pour une meilleure visualisation. Une couche de référence tels que les bâtiments peuvent être chargées à l&#39;aide de la visualisation ainsi. Les résultats de rendu de volume peut être ajustée de façon interactive par la manipulation de la fonction de transfert qui commande la mise en correspondance de densité de couleur. (Figure 6). </li></ol> 6. D&#39;autres analyses exploratoires de données (EDA) et visualisations <ol><li> Une procédure est disponible pour créer des séries d&#39;animation à afficher dans Google Earth. Rubrique «Autres», cliquez sur «Exporter vers un fichier KML pour EDA» pour accéder à cette procédure. Il crée un kml 13 fichier qui s&#39;ouvre dans Google Earth pour l&#39;animation interactive de la trajectoire. </li><li> On peut suivre la trajectoire à travel &#39;environnement en temps en faisant défiler le long de la ligne de temps dans Google Earth. </li><li> Une procédure est disponible pour visualiser les liens entre les lieux d&#39;intérêt grâce à «l&#39;analyse de connexion &#39;. Par exemple, les liens entre les différents bâtiments sur un campus universitaire sont tirées des données de trajectoire segmentés qui ont été recueillies par les élèves (figure 7). </li><li> Sur la base des connexions dérivées, les points chauds tels que les bâtiments avec le plus de trafic entrant ou sortant et les moyeux qui relient les endroits les plus trafiquées peuvent être identifiés. </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>

Aucun conflit d&#39;intérêt déclaré.

Nous avons utilisé complément d&#39;ArcGIS mécanisme de développer l&#39;interface. Toutes les opérations interactives ont été mises en œuvre en C + +. Tout le traitement automatique et des fonctions d&#39;analyse ont été développés en utilisant Python. Données AGPS ou les données GPS collectées par les piétons présente défi unique en prétraitement que les erreurs peuvent être massives en raison de la contiguïté des bâtiments et des arrêts fréquents à l&#39;intérieur. En outre, la mise au po...

<table border="1"><tbody><tr><td> Nom du réactif </td><td> Entreprise </td><td> Numéro de catalogue </td><td> Commentaires (optionnel) </td></tr><tr><td> WorldTracker GPRS </td><td> Suivi The World </td><td></td><td></td></tr><tr><td> Un ordinateur personnel pour l&#39;exécution de l&#39;analyse </td><td></td><td></td><td></td></tr><tr><td> Logiciel ArcGIS </td><td> ESRI </td><td></td><td></td></tr><tr><td> Extension Analyseur de trajectoire </td><td></td><td></td><td></td></tr></tbody></table>

les analyses des données de trajectoire pour étudier l&#39;activité piétonne l&#39;espace-temps

Trajectory Data Analyses for Pedestrian Space-time Activity Study

Il est bien connu que le mouvement humain dans les dimensions spatiales et temporelles a une influence directe sur la transmission de la maladie de 1-3. Une maladie infectieuse se propage habituellement par contact entre les individus infectés et réceptifs dans leurs espaces d&#39;activités qui se chevauchent. Par conséquent, tous les jours à mobilité activité d&#39;information peut être utilisé comme un indicateur pour mesurer l&#39;exposition aux facteurs de risque d&#39;infection. Cependant, une difficulté majeure et donc la raison pour manque d&#39;études sur la transmission des maladies infectieuses à l&#39;échelle micro résulter de l&#39;absence de données détaillées sur la mobilité individuelle. Auparavant, dans les transports et le tourisme de la recherche des données détaillées sur l&#39;activité spatio-temporelles souvent invoqués sur la technique journal l&#39;espace-temps, qui nécessite sujets activement enregistrer leurs activités dans le temps et dans l&#39;espace. Ceci est très exigeant pour les participants et la collaboration des participants influe grandement sur ​​la qualité des données 4. Modernetechnologies telles que le GPS et les communications mobiles ont rendu possible la collecte automatique des données de trajectoire. Les données recueillies, cependant, n&#39;est pas idéal pour la modélisation spatio-temporelles de l&#39;homme des activités, limitées par la précision des dispositifs existants. Il ya aussi pas d&#39;outil facilement disponible pour un traitement efficace des données pour l&#39;étude du comportement humain. Nous présentons ici un ensemble de méthodes et une approche intégrée ArcGIS Desktop basé sur une interface visuelle pour les analyses de pré-traitement et spatio-temporelle des données de trajectoire. Nous fournissons des exemples de la façon dont un tel traitement peut être utilisé pour modéliser l&#39;homme spatio-temporelles des activités, en particulier avec d&#39;erreur riches en données de trajectoire des piétons, qui pourraient être utiles dans les études de santé publique telles que la modélisation des maladies infectieuses de transmission. La procédure présentée comprend de pré-traitement de segmentation trajectoire, la caractérisation espace d&#39;activité, l&#39;estimation de la densité et de la visualisation, et quelques autres méthodes d&#39;analyse exploratoire. Pré-processing est le nettoyage de bruyants données de trajectoire premières. On introduit un visuel interactif de pré-traitement d&#39;interface et un module automatique. 5 trajectoire segmentation consiste à identifier les parties intérieures et extérieures de pré-traitées spatio-temporelles pistes. Encore une fois, à la fois visuelle et interactive de segmentation segmentation automatique sont pris en charge. Segmentés spatio-temporelles pistes sont ensuite analysées pour dériver des caractéristiques de l&#39;espace d&#39;activité tels que son rayon d&#39;action, etc estimation de densité et de visualisation sont utilisés pour examiner grande quantité de données pour modéliser la trajectoire des points chauds et des interactions. Nous démontrons la fois la cartographie de surface de densité 6 et le rendu de volume de densité 7. Nous incluons également une couple d&#39;autres analyses exploratoires de données (EDA) et des outils de visualisations, comme le soutien de Google animation de la Terre et de l&#39;analyse de connexion. La suite de l&#39;analyse ainsi que des méthodes visuelles présentées dans ce document peuvent être appliqués à toutes les données de trajectoire pour sétudes d&#39;activité pace-temps.

Données de trajectoire ont été recueillis par le bénévolat des étudiants de premier cycle de Kean University (New Jersey, États-Unis) au printemps 2010. Le but était d&#39;étudier les habitudes des étudiants qui ont attrapé la grippe (diagnostiqué par un médecin ou un auto-diagnostic) par rapport à ceux qui n&#39;en ont pas. Afin d&#39;illustrer les modalités et la procédure présentées dans ce document, nous avons pris les trajectoires collectées dans la zone du campus de banlieue afin de générer des résultats représent...

Une série de méthodes de traitement spatio-temporelles sont présentés pour analyser les données de trajectoire de l&#39;homme, comme celle recueillie à l&#39;aide d&#39;un GPS, dans le but de modélisation spatio-temporelles piétons activités.

Les analyses des données de trajectoire pour étudier l&#39;activité piétonne l&#39;espace-temps

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

L'objectif général de cette procédure est de modéliser les activités spatio-temporelles des piétons au moyen d'une analyse spatio-temporelle et de la visualisation de données de trajectoire humaine. Cela est réalisé en premier lieu en collectant des données détaillées de système de positionnement global, ou GPS, puis en chargeant ces données dans l'analyseur de trajectoires. La deuxième étape consiste à prétraiter et à segmenter les données de trajectoire.Ensuite, les espaces d'activité des individus sont caractérisés. La dernière étape consiste à examiner les schémas spatiotemporels à l'aide de la densité, de la cartographie en surface, de la densité, de la rendu volumétrique, ou des deux. Enfin, d'autres méthodes d'analyse exploratoire des données et visualisations sont utilisées pour révéler des schémas cachés supplémentaires dans les données.L'avantage principal de cette technique par rapport aux méthodes existantes, comme l'extension FGIS développée par SHNU pour l'analyse des trajectoires spatio-temporelles, réside dans le fait que nous ne fournissons pas seulement une interface pour la visualisation interactive des trajectoires, mais que nous nous concentrons également sur l

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

Research

Recherche

JoVE Journal

Biology

Biologie

Ce protocole est utilisé pour évaluer les variables spatiales et temporelles de la marche des patients neurologiques/orthopédiques et des personnes âgées au moyen d’un système de photocellules au sol récemment introduit.

Évaluation clinique de la démarche spatio-temporelles des paramètres chez les patients âgés et les adultes

Un protocole est présenté pour la caractérisation du comportement des piétons sur le terrain et la simulation de la réponse structurelle résultant. Field-tests démontrent que la stimulation in situ identifié et le taux de synchronisation entre les participants constituent un apport essentiel pour la simulation et la vérification des charges induites par l' homme.

Simulation des vibrations d&#39;origine humaine Basé sur l&#39;In-champ Piéton Comportement Caractérisé

Le but était de justifier l'utilisation optimale des techniques de collecte de données pour Nordic marche à pied et à l'analyse de la posture. Capture de mouvement en trois dimensions devrait être utilisé pendant de courte analyse de la durée (ie cycle de marche unique), tandis que accélérométrie devrait être utilisé plus longtemps analyse de la durée (c. -à -cycles répétés) comme une marche de 6 minutes de test.

Justifiant appropriées Techniques de capture de mouvement pour l&#39;évaluation de Nordic Walking Gait et Posture chez les personnes âgées

Ici, nous présentons un nouveau protocole pour mesurer la stabilité de position lors d’événements clés pendant le passage assis-debout-marche, en utilisant la distance entre le centre de pression et le centre de masse de l’ensemble du corps. Celle-ci était dérivée de la plate-forme de force et de la technologie de capture de mouvement tridimensionnelle. Le paradigme est fiable et peut être utilisé pour l’évaluation des personnes neurologiquement compromises.

Sit-to-stand-et-pied de 120% du genou Taille: Une nouvelle approche pour évaluer Dynamic posturale Indépendante de plomb-branche

Ce manuscrit décrit la méthode permettant de tester la validité concurrente des mesures cinématiques enregistrées par l’application smartphone par rapport à un système de capture de mouvement 3D dans le plan sagittal. Ce protocole permettra aux cliniciens de configurer des smartphones pour la capture vidéo des mouvements humains.

Analyse vidéo Mouvement Utilisation Smartphones (VIMAS): une étude pilote

Dans cette étude, une méthode d’analyse de clinicien de l’environnement démarche en trois dimensions, qui a été conçue pour être exécuté à la clinique de réadaptation, est présentée. La méthode se compose d’une méthode de mesure simplifiée et intuitives chiffres afin de faciliter la compréhension des résultats des cliniciens.

Méthode d’analyse clinique axé sur trois dimensions démarche d’évaluation des troubles de la démarche

Ce protocole décrit l’utilisation d’un simulateur de marche qui sert de méthode sûre et écologiquement valide pour étudier le comportement des piétons en présence de la circulation en mouvement.

Utilisation d’un simulateur de marche en réalité virtuelle pour enquêter sur le comportement des piétons

Cet article décrit le matériel et la méthode développés pour étudier l’organisation posturale de l’initiation à la marche. La méthode est basée sur des enregistrements de plate-forme de force et sur le principe direct de la mécanique pour calculer la cinématique du centre de gravité et du centre de pression.

Organisation posturale de l’initiation de la marche pour l’analyse biomécanique à l’aide d’enregistrements de plate-forme de force

Nous présentons un flux de travail à faible coût et sans marqueurs utilisant DeepLabCut pour quantifier la démarche et la locomotion spontanées chez des souris en mouvement libre. Ce protocole intègre l’acquisition vidéo à caméra unique, le suivi sans marqueur des repères anatomiques et l’extraction des paramètres locomoteurs spatiotemporels, offrant un cadre non invasif et accessible pour l’analyse du comportement moteur sans équipement spécialisé.

Un flux de travail à faible coût basé sur DeepLabCut sans marqueurs pour l’analyse spontanée de la démarche et de la locomotion chez des souris en mouvement libre

Test de sensibilité visuelle chez les lézards en utilisant un paradigme de conditionnement opérant, qui emploie la lecture vidéo de points aléatoires kinematograms et générés par ordinateur invertébrés.

Test sensibilité visuelle à la vitesse et la direction du mouvement chez les lézards

Découvrez l'analyse spatiotemporelle des trajectoires piétonnes à partir de données GPS. Cette méthode permet de modéliser les activités humaines dans l'espace-temps pour l'aménagement urbain et la sécurité.

Les analyses des données de trajectoire pour étudier l'activité piétonne l'espace-temps

Explorer plus de vidéos