脳性麻痺および発達中の子どもにおけるセグメント間協調の解析強化のためのマルチモーダルモーションキャプチャツールボックス

Summary

本研究では、モーションキャプチャ技術を組み合わせたツールボックスを導入し、運動学的信号を解析し、角度-角度プロットを用いた全身の協調パターンを定量化します。従来のマーカーベースのシステムの課題を克服するために設計されたこのツールボックスは、研究、臨床、現場のあらゆる場面で柔軟性を支え、運動障害のある子どもたちに対する個別化されたケアと機能評価を推進します。

Abstract

三次元マーカーベースのモーションキャプチャシステムは、人間の動きにおける運動パターンを評価するゴールドスタンダードであり、節頭や関節の位置を正確に定量化します。しかし、従来のマーカーベースのシステムは、特に脳性麻痺の子どものように神経障害や感覚処理異常を持つ子どもたちにとっていくつかの課題を抱えています。これらの課題は運動学的マーカーの使用を妨げ、動きパターンの詳細な解析を制限しています。深層学習に基づくヒューマンポーズ推定を用いたマーカーレスモーションキャプチャシステムの最近の進展により、従来の光学システムやその後のデータ処理手法に代わるコスト効率の良い代替案を模索することができました。複数のモーションキャプチャ技術を組み合わせた統合ツールボックスが開発されました。研究用運動学機器、運動学クラスター、慣性測定ユニット、3次元(3D)マーカーレスシステム、2次元マーカーなしシステムと市販カメラ(MediaPipe経由)を組み合わせたものです。本研究では、ヒト被験者の生体力学的研究で現在進行中の主要な課題である3Dマーカーベースと2Dマーカーなしモーションキャプチャの結果を提示し、股関節-膝の角度角度プロットを通じて協調パターンを記述します。サイクログラム方式が選ばれたのは、身体のセグメント間の結合運動による協調を解析するための堅牢な計量的かつ解釈しやすい枠組みを提供するためです。発達正常の子ども2名と脳性まひの子ども2名が、機能的な運動パターンである「座って立つ課題」を実施しました。本研究の成果は、運動学解析にマルチモーダルシステムを統合する実現可能性を示し、研究や臨床現場に柔軟性を提供します。さらに、本研究で提示された新しいオープンソースアプローチは、感覚処理の問題を抱える多くの患者集団が直面する課題に対応し、高度かつ個別化されたケア計画を可能にします。

Introduction

三次元運動学的モーションキャプチャー評価は、予想される動きパターンや異常な動きパターンの定量化において信頼できる情報を提供してきました。このような情報は、リハビリテーション計画¹の設計や、患者が臨床機器と関わるための安全性アプローチを確立する際に極めて重要です(例:^2,3)。神経障害のある子どもを対象に、これらの運動学的評価は、歩行⁴、座立課題⁵、上肢到達⁶などの異なる機能的課題における協調パターンの変化に対応することで、ケアの向上を提供できます。

3次元(3D)運動学的評価は正確なモーション^{キャプチャ解析の}ゴールドスタンダードとされていますが、肌に運動学的マーカーを配置することは、セグメントや関節の動きを正確に定量化するために必要です。このマーカーベースの評価には、評価を行う人に特定の解剖学的ランドマークの知識と、評価を受ける個人の皮膚に貼り付けられたテープの許容範囲と受け入れが求められます。前者は学習可能ですが、後者は複数の患者集団で問題となっています。例えば、脳損傷や脳性麻痺の子どもは^{感覚情報の}処理に障害を示す^{ことがあります。}この障害は過敏症として現れることがあり、臨床医や研究者が子どもの皮膚に運動学的マーカーを適用することを妨げ、その結果、運動能力の変化の定量化や効果的な個別ケア計画の立てが妨げられることがあります。

患者集団の皮膚にマーカーを配置する問題に加え、運動学研究で使用される多くの測定システムは手頃な価格ではなく、実験室に限定されており、高度な資格を持つスタッフのみが利用できるため、日常的な臨床使用には実用的ではありません。しかし、現在のモーションキャプチャ技術の進歩により、運動学データの記録にはさまざまなアプローチが提供されています。例えば、ディープラーニング技術を用いた自動ヒューマンポーズ推定は、コンピュータビジョン研究者の間で注目を集めています。これらのマーカーレスモーションキャプチャ技術は、マーカーベースのモー^{ション分析に関連する}技術的および実用的な課題に対する有望な解決策を提供する可能性があります。マーカーの追跡に頼る代わりに、訓練されたニューラルネットワークを用いてランドマーク¹²全体の位置を推定します。この発展は、人間の姿勢認識技術の全体的な効率性と適応性を高めています。

身体の部位間の運動学的関係が、運動パターンの変動を支える根本的な制御メカニズムを明らかにできることはよく知られています。セグメント¹³間の配位を測定するためにいくつかの方法が用いられますが、角度-角度プロット(サイクログラム)は、指定された時間枠^14,15におけるセグメント/節合間の結合運動を本質的に解釈可能な定量化を可能にします。多くの脳性麻痺の子どもたちが選択^{運動制御障害}により全身の動きパターンを行う際に困難を経験するため、私たちは単純でありながら複雑な制御基盤を持つ¹⁷の座り立つ運動を調査することにしました。本研究の目的は、モーションキャプチャ技術を組み合わせたオープンソースツールボックスの実現可能性を示し、障害のある子どもたちの協調パターンの運動学的評価を促進することでした。

本研究では、股関節と膝のシクログラムを用いて、体幹/骨盤と太もも/脛節のセグメント間の協調性を示し、股関節と膝関節を座り立つ生体力学に関連する代表的な節間結合として用いています。股関節・膝の協調は、座って立つ課題において重心の垂直進行を駆動する主要な関節結合を捉えているため選ばれました。これは、選択^{的運動制御} の障害により関節の相乗効果が低下し、代償的な下肢戦略に頼ることが多い障害児にとって機能的に重要な動きです。研究用3Dキネマティック機器から市販カメラまで、さまざまな技術を一つの処理ツールボックスに統合することで、研究現場から現場や臨床環境まで柔軟に利用できます。また、障害のある子どもの感覚処理異常によりマーカー配置が困難な場合、マーカーレスモーションキャプチャ信号処理機能により詳細な運動学的評価も可能にします。

Protocol

本研究は、統計的推論ではなく、プロトコルの実現可能性を示すために4人の子どもの代表的な結果を用いた症例シリーズとして実施されました。本研究には、発達が典型的な子ども2名(男性4歳、身長100cm、体重14.5kg、男性10歳、身長144cm、体重40.8kg)と脳性麻痺の子ども2名(大動作機能分類システムIII、女性4歳、身長93cm、体重13.8kg、男性4歳、身長102cm、体重16.7kg)が参加しました。親・法定後見人および子どもは、機関審査委員会承認の研究プロトコル(IRB-FY2024-33)に従い、参加前にインフォームド・コンセント/同意を提供しました。

注:本プロトコルは3Dマーカーベースおよび2Dマーカーレスモーションキャプチャシステムの手順を記述していますが、本研究の焦点は2Dマーカーレスアプローチの実装にあり、これは本研究の臨床的および実践的な応用の核心です。現在のプロトコルのコア実装には、3D運動学データ取得用のマーカーベースのモーションキャプチャシステム(最低8台のカメラ)と、2Dマーカーレス撮影用に矢状面に垂直に配置された単一のRGBカメラ(最低解像度1920×1080ピクセル、50Hz)が必要です。この方法は、十分な照明(>500ルクス)と背景の雑音が最小限の管理された臨床または実験室環境に適しています。理想的でない環境での堅牢性を高めるために、 vailá ツールボックスは前処理ツール(例:ドローボックスのマスキング、動画のトリミング/サイズ変更など)を統合し、ユーザーが参加者を背景の気を散らす要素から隔離したり、最適でないカメラのフレーミングを調整したりできます。主な制約としては、単一カメラでマーカーなしのアプローチでは、明らかに平面外の動きを示す子どもたちの精度が低下します。この方法はカメラの視野外の奥行き情報や動きを捉えることができません。ユーザーは、参加者があらかじめ定められたキャプチャボリューム内に収まり、タスク実行中に矢状面の整列を維持してマーカーレストラッキングのパフォーマンスを最適化する必要があります。

1. 事前テストチェック

1. 電源を入れて赤外線モーションキャプチャカメラシステムとビデオカメラをウォームアップします。赤外線モーションキャプチャシステムは、キャリブレーションとデータ収集前に熱安定化に達するまでに約30〜60分のウォームアップが必要です。100Hz(マーカーベースの赤外線カメラ)と50Hz(マーカーなしシステム向けビデオカメラ)でのサンプリングレートを確認してください。
2. キャプチャボリュームから反射する物体を透明化または覆いましょう。

2. カメラの配置

1. マーカーベースシステム(3Dカメラシステム)
   1. 位置カメラは移動範囲の中心から約1.5〜2.5mの高さに設置され、0.5〜2.5mの範囲に設置されています。カメラを撮影ボリュームの周囲に均等に配置し、マーカーの視認性を最適化し、座って立つ作業中の遮蔽を最小限にしましょう。三角測量精度の向上と視線干渉の低減のためにカメラ位置の交互仰角。
   2. ターゲットボリューム内の各ポイント(子どもがタスクを行う場所)は、最適な3Dデータキャプチャの標準推奨に従い、常に少なくとも2台のカメラから見える必要があります。小児参加者の人体計測データと評価対象の課題に基づいて捕獲量を定義します。
      注:作業スペースは床から約0.80mの高さに位置していました。
   3. マーカーベースのシステムのソフトウェアツールを使って、ズーム、絞り、ピントの3つの主要な光学設定を細かくし、試験間でのキャリブレーション残差を低く、マーカー追跡の一貫性を高めます。
2. マーカーレスシステム(2Dカメラ)
   1. ビデオカメラは参加者から3.0mの横方向(または可能な限り、被験者の全身が見渡せる範囲で、座っている状態から立っている状態まで)に置き、立っている場合は骨盤の高さを中心に位置し、矢状面に直交します。
   2. 光学軸を水平に合わせ(ロールなし)、画像の中央線を股関節の中心領域に合わせます。
   3. すべての録画に対して固定イメージパラメータを設定してください。
      1. 取得領域を1920×1200ピクセルの関心領域に設定し、有効分解能を定義します。20mmの焦点レンズを使い、実験中は絞り(環境と参加者とのコントラストを十分に保つ)を一定に保ちます。
      2. フレームレートを50Hzに設定し、シャッター時間を5msに固定します。以下のハードウェア設定を適用し、データ収集中に変更しないでください:ゲイン9.998、ガンマ0.4、ブラックレベル0、彩度1。
      3. 画像の時間的なずれを防ぐために、すべての自動露出とホワイトバランス調整を無効にしてください。
         注意:フォーカス調整には、Calibriフォントで書かれた短いフレーズ、太字、サイズ48の看板を、参加者が課題を行う場所に配置できます。カメラの視野内で文字は鮮明で、ぼやけが見えないはずです。
   4. 目立つ歪みのあるレンズを使用する場合は、チャルコ/チェッカーボード^18,19を準備して校正・歪みを解消してください(純粋に矢状面の固定作業はオプション)。
      注:マーカー式およびマーカーなしの両方のビデオカメラシステムが図 1に示されています。

図1:本研究で使用された2つのカメラシステムのクローズアップ。 3Dキネマティックシステムの赤外線カメラ(左)が使用され、マーカーベースのアプローチには12台のカメラが構成され、マーカーなしアプローチには1台のビデオカメラ(右)が使用されました。 この図の拡大版はこちらをクリックしてご覧ください。

3. 同期

注意:このステップは異なるシステムを同時に使用する場合のみ必要です。単一の運動学的(2Dまたは3D)システムのみを使用する場合、システム間の同期は必要ありません。

1. 各試行開始時にLockLab(または同等の制御/同期ユニット)を接続し、トランジスタ-トランジスタロジスタロジック(TTL)トリガーを両システムに送信します。
2. ハードウェアトリガーがない場合は、可視光発光ダイオード(LED)フラッシュ(望ましい方法)か、両システムで録音された可聴拍手音を後で調整します。

4. キャプチャボリュームキャリブレーション(マーカーベースシステム)

1. カメラの視野角(赤外線カメラとビデオカメラの両方)を視覚的に点検し、不要な物体を各ビューから除去します。マーカーベースのシステムのソフトウェアでは、カメラの視界から外れない反射物体(例:他のカメラ)をマスクします。
2. 作業が行われる場所でワンドキャリブレーションを行います。ワンドをキャプチャボリューム全体に移動させて、スペース全体をカバーするようにしてください。空間精度が1 mm(平均残差)≤場合のみキャリブレーションを受け入れてください。
   注意:この手順中、少なくとも3台のカメラが同時にキャリブレーションワンドを監視していることを確認してください。実験課題で予想される動きに近い速度でワンドを捕獲体積内で動かします。高速作業では杖を素早く動かし、ゆっくり動く場合は、杖をゆっくりと掃くようにしましょう。キャリブレーション終了後、十分な映像を捉えられていないカメラのソフトウェアインジケーターを確認し、そのカメラの視野内で追加のターゲットワンド移動を行ってからキャリブレーションを完了します。ワンドキャリブレーション後の残留誤差は通常0.3〜0.8mmの範囲に落ちます。ワンドパスが滑らかで、撮影ボリュームが均一に照らされ、すべてのカメラが遮られていない視界が確保されている状態です。
3. キャリブレーションワンドを指定された試験空間内の指定原点に置いて体積原点を設定します。メーカーの指示に従ってフロアプレーンを定義してください。

5. マーカー配置(マーカーベースシステム)

1. 訓練を受けた試験官によるプラグイン歩行20,21,22モデル(図2)に従って後ろ反射マーカーを配置します。
2. 静的試験(3Dマーカーベースのシステムで必須)を収集する前に、短いテスト動作中に両側の股関節、膝、胴体のマーカーの可視性を確認してください。

図2:本研究に適応したプラグイン歩行モデル。 標準的なマーカーセットは、下肢、骨盤、胴体、頭部のセグメントを定義するために適用されました。上肢のマーカーは除去され、下半身と胴体の運動学に専念しました。この適応は、腕の動きを分析から除外しつつ、元のプラグイン歩行全体モデルの整合性を維持しています。 この図の拡大版はこちらをクリックしてご覧ください。

6. 講座と環境

1. 肘掛けなしの椅子を使い、座り高を調整して股関節と膝の角度が~90°になるようにし、足は床に平らにつけます。参加者ごとに座席の高さ(cm)を記録してください。
2. 均一な照明を提供すること;矢状面でのバックライトや遮断は避けてください。均一でコントラストの強い背景を確保しましょう。

7. 参加者指導と安全

1. 録音ファイルに特定可能な情報が含まれていないか確認してください(各参加者ごとに識別不能な英数字コードのみ)。
2. 座って立つ試験では、参加者が適切な指示とプロトコルを把握していることを確認してください。
   1. 通常発達段階(TD)の参加者には、手を腰に置くよう指示してください。
   2. 脳性麻痺(GMFCS III)の子どもには、安全を損なうことなく直立姿勢を取れるよう必要に応じて手動サポートを提供します。
      注意:小児患者は安全性と作業完了のために手動支援が必要な場合がありますが、体の部位やマーカーの閉塞を最小限に抑えるよう注意が必要です。これはデータの質を損なう可能性があるためです。
   3. 動きを口頭で「上」と呼び、座って立つ試練で自分で選んだ快適な速度を許容します。

8. 試験取得

1. 動的試験を撮影する前に、参加者が中立的な位置で足を肩幅に開き、腕を90°の外転角度で位置付ける静的な較正試験を撮影します。
   1. すべてのマーカーが少なくとも2台のカメラに見えるようにしてください。マーカーベースのシステムの取得ソフトウェアで、すべてのカメラで95%のマーカーが検出されている≥ことを確認してください。2〜3秒の記録。1つの3Dパースフレームにはすべてのマーカーが揃っている必要があります。
   2. マーカーベースのシステムのソフトウェアで、 プラグイン歩行の静的 モデルを適用して関節中心とセグメント座標系を定義します。3D骨格の可視化を確認し、解剖学的に妥当な関節中心位置を確認して、モデルの適合度を確認してください。
      注:この静的試験は、その後の3D動的試験処理に必要な生体力学モデルパラメータを提供します。この段階では、参加者の人体計測値(体重、身長、脚の長さなど)をマーカーベースのソフトウェアに入力する必要があります。静的試験中に小児患者に手動サポートが必要な場合、マーカー閉塞を避けるために注意が必要です。これはデータの質を損なう可能性があります。
2. 参加者1人あたり3回の座って立^つ試験を 記録する。試験間の休息期間は参加者ごとに必要とされるもので、身体的に負担が少ない作業です。
3. グループ(例:TD、CP)、参加者の英数字ID、試験番号を含む標準化されたファイル名の規則を用いましょう。
4. マーカーベースのシステムのソフトウェアでは、キャリブレーションされたカメラシステムを使ってマーカーの軌道を再構築できます。
   1. 各マーカーはプラグイン歩行マーカーセットの命名法に従ってラベル付けします。短い遮蔽には自動ギャップフィル(最大ギャップサイズ:10フレーム)を使いましょう。
   2. 骨格を3D視点で目視で確認してラベルの正確性を検証します。すべてのマーカーが正しくラベル付けされ、軌跡が連続したら、試行を.c3dファイルとしてエクスポートし、 vailá ツールボックスで解析します。
5. 光データを.c3dとして保存し、ビデオフレームやストリームはロスレスまたは高ビットレートの圧縮ファイルとして保存できます。

9. データ処理

注意: vailá toolbox(v0.10.21)²⁴ はクロスプラットフォーム(Windows、macOS、Linux)に対応しており、Python 3.12以降が必要です。マーカーレス解析モジュール(例:MediaPipe²⁵)は標準CPUで効率的に動作するよう最適化されており、専門ハードウェアなしでも臨床環境でのアクセス性を確保しています。CUDA対応GPUはオプションであり、ユーザーが高速処理のためにYOLO-Poseなどの代替高速エンジンを選択する場合にのみ使用されます。詳細な実行コマンド、ステップバイステップのガイド、完全なドキュメントについては、ツールボックスのオンラインリソースおよび統合ヘルプファイル(https://github.com/vaila-multimodaltoolbox/vaila/tree/main/docs/modules/markerless-analysis で閲覧可能です)へ案内されます。

1. マーカーベースのアプローチ:マーカーベースのシステムのソフトウェアでは、静的および動的試行を処理します。ラベル付けされたマーカーの軌跡にダイナミックプラグイン歩行モデルを適用して関節角度時系列を計算します(ステップ7.4参照)。
   1. 処理済みの試験データを.c3dファイルとしてエクスポートしてください。計算された関節角度の時系列(例:股関節、膝、足首の角度)がエクスポートに含まれていることを確認してください。
   2. 処理済みの.c3dファイルをvaila.load_c3d()関数を使ってvailáツールボックスにインポートします。ツールボックスは、事前に計算されたジョイント角時系列データをファイルから自動抽出します。
   3. 統合フィルタリング関数(下記ステップ9.2.4で説明)を用いて、4^次ゼロラグバターワースローパスフィルター(6Hzカットオフ)を結合角度データに適用し、マーカーレスデータとの一貫性を保ちます。
   4. その後、サイクログラム生成や調整指標の計算などの解析がヴァ イラ内で行われます。
2. マーカーレスアプローチ: vailá内でMediaPipe Pose estimation module(v0.10.21)をロード。以下のパラメータを設定してください:static_image_mode = False、model_complexity = 1-2(GPUやCPUリソースが高い場合はレベル2を使用)、smooth_landmarks = True、min_detection_confidence = 0.6、min_tracking_confidence = 0.6。
   注:OpenPoseのような代替ポーズ推定フレームワークもここで使用できます。
   1. 各ビデオフレームを処理してMediaPipe 33のランドマークを抽出します(図3)。検出信頼度が閾値以下のフレームを破棄するか、欠損データに対して補間を適用します。
      注:MediaPipeは顔、胴体、四肢のキーポイントを含む33のボディランドマークを検出します(図3)。現在のプロトコルでは、座って立つ分析に関連する胴体および下半身のランドマークのみが使用されました:肩[ランドマーク11(左肩)および12(右肩)]、ヒップ[ランドマーク23(左股関節)および24(右股関節)]、膝[ランドマーク25(左膝)および26ランドマーク(右膝)]、および足首[ランドマーク27(左足首)および28(右足首)]。これらのランドマークはRGBビデオから自動的に検出され、視覚的特徴から推定されます(プラグイン歩法モデルで使われるリトロリフレクティブマーカーの位置とは異なります)。
   2. 肩、股関節、膝、足首などの主要なランドマークが0.7≥自信を持って検出されているか確認してください。
   3. (任意)レンズ歪みが関係する場合は、MediaPipeを実行する前にキャリブレーションパラメータ(カメラマトリックスと歪み係数)を使ってフレームを歪みを解消します。
   4. YOLO-ポーズ:並列に、 vailáに統合されたYOLO-Poseモジュールをロードします。
      1. モデルを人間の骨格検出用のデフォルトの重み(COCOフォーマットに準拠したキーポイントセット)で設定してください。各フレームはYOLOバックボーンを用いてスケルタルキーポイントを検出するために処理されており、モーションブラー、オクルージョン、複雑な背景に対して堅牢な性能を最適化しています。
      2. 時間的平滑化フィルターを適用してフレーム間のジッターを減らし、検出されたキーポイントをMediaPipeで使用される座標系に整合させます。
      3. 時間平滑化フィルターとしては、6 Hzのカットオフ周波数を持つローパス4階バターワースフィルター(座って立つ動きは5 Hz未満で支配的な周波数成分を持つ)を、マーカーベース・マーカーなしのすべてのジョイント角度時系列データに適用し、高周波ノイズを除去しつつ動き信号を保持します。
      4. このフィルターは、Pythonの scipy.signal.butter() および scipy.signal.filtfilt() 関数を使い、0位相の前後フィルタリングで時間的シフトを回避して実装します。
   5. vailáのデータ処理:両パイプライン(MediaPipeおよびYOLO-Pose)から、標準化された.csvまたは.json形式でランドマーク軌跡をエクスポートします。メタデータ(フレーム番号、タイムスタンプ、検出信頼度)とキーポイント座標を保存します。これにより、手法間の比較可能性と解析の再現性が保証されます。
3. 座標定義と関節角:矢状面の股関節屈曲角と膝屈曲角を、屈曲に対して正の値で定義します。
   1. マーカーなしデータの場合、MediaPipeのランドマーク(例:骨盤代理、膝:大腿骨-脛骨、胴体:肩-股関節セグメント)から関節中心・セグメントを導出し、一貫した関節座標系で矢状角を計算します。
      注:矢状面のジョイント角は2次元のランドマーク座標から幾何学的に計算されます。 vailá ツールボックスは、2つのセグメントベクトル(ベクトルaとベクトルb)間の角度(θ)を、それらのドット積のアーコサインを用いて計算します:θ = arccos((a · b) / (|a| |b|))。股関節屈曲とは、「幹」ベクトル(MediaPipeのランドマーク11/12[肩]と23/24[股関節]をつなぐベクトル)と「太もも」ベクトル(23/24[股関節]と25/26[膝]をつなぐベクトル)との角度と定義されます。膝屈曲は、「太もも」ベクトル(23/24[股関節]と25/26[膝]をつなぐベクトル)と「シャンク」ベクトル(25/26[膝]と27/28[足首]をつなぐベクトル)の角度と定義されます。
   2. 比較を容易にするために、両方のアプローチに同じ符号の規則とフィルタリング(必要に応じて)を適用してください。
4. 時間同期:LockLabトリガータイムスタンプを使って両方の方法のデータを整合させます。そうでなければ、最初の可視化フラッシュ/クラップフレームをデータストリーム間で整列させます。
   1. 必要に応じて、比較前に共通の時間基準に再サンプリングします。
5. 運動サイクルの定義:
   1. 発達中の子ども(胴体角速度が正の場合)に対して、前方体幹の傾き(正の幹角速度閾値)から安定した直立姿勢までの座り立つサイクルを定義し、脳性麻痺の子どもでは安定した直立姿勢と頸椎マーカーの最高位置(マーカーベースシステム)を定義します。
   2. 脳性麻痺の子どもで、典型的に発達期の子どもに見られるような完全な伸展(体幹が骨盤と一直線、股関節が0度屈曲、膝が完全に伸ばされている)を達成できない場合、サイクルの終わりを静的立姿勢試験に一致し、目視検査で確認して次の試験前に安定した姿勢を確保すると定義します。
   3. 代表プロットに対して時間正規化はしないでください。実際の試行期間を報告してください。(必要に応じて、時間正規化解析も補助として提供可能です。)
6. サイクログラムの計算と指標:各試行でヒップ(x軸)と膝(y軸)の角度をプロットし、ヒップ・ニーのサイクログラムを生成します。
   1. 視覚比較のための重ね合わせ試験とアプローチ(マーカーベースと無マーカー)を比較。
   2. オプションの要約指標を計算します:股関節/膝の可動域、ループの面積、ループの向き(主軸角)、経路の長さ。
   3. 統計分析の.csvとして処理済みの時系列および指標をエクスポートします。

図3:MediaPipeの33のランドマーク。 本研究では、座って立つ課題に関連するランドマーク、特にランドマーク11と12(肩)、23と24(股関節)、25と26(膝)、27と28(足首)のみを用いました。 この図の拡大版はこちらをクリックしてご覧ください。

Results

このオープンソースのPythonベースのツールボックスは、小児参加者の座って立つ課題においてマーカーベースおよびマーカーなしの両方の股関節・膝の協調パターンを成功裏に定量化しました。視覚的サイクログラムと並行して定量的比較を行うため、代表試験の主要な要約指標(股関節および膝の可動域)を 表1に示しています。典型的に発達している子どもたちの代表的な角度-角度プロット(図4A,B)は、マーカーレスシステムの協調プロファイルを示し、ゴールドスタンダードの3Dマーカーベースのモーションキャプチャで得られたものと非常に一致しています。この一貫性は、提案された手法が規範的な全身協調戦略を高精度で捉えられることを確認し、制御条件下で確立された運動学的結果を再現するツールボックスの能力を検証しました。

脳性まひの子どもの代表的な結果は図4C,Dに示されています。予想通り、全体的な...

Discussion

本研究の目的は、マーカーベースとマーカーレスのモーションキャプチャシステムを統合し、小児集団における全身の協調を解析できるオープンソースのマルチモーダルツールボックスの実現可能性と応用を示すことでした。代表的な応用例として、このプロトコルは典型的に発達する子どもにおいてマーカーベースのシステムとマーカーなしのシステムで比較可能な股関節-膝のサイクログラムを成功裏に生成し、また、脳性麻痺の子どもにおける動きが矢状面外に伸びる際の類似点や不一致(例:胴体の横回転)も浮き彫りにしました。運動行動は年齢帯(例:5歳と10歳)や発達正常児童と脳性麻痺児の違いがあるため、意図的に2つの小児症例シリーズでツールボックスをテストしました。プロトコル内で重要なステップの一つは、参照系と記録ジオメトリの選択です。三次元マーカーを用いた光学モーションキャプチャは、代替手法を評価する基準として残っています^26,27。マルチモーダルデータストリームを統合し、アプローチ間での検証を...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
FLIRブラックフライカメラ	FLIRシステム	モデル:BFS-U3-200S6C-C	2Dマーカーレスモーションキャプチャ(50Hz、1980年代以降)に使用;1200 px)
ハイクビジョン PoE カメラ	ヒクビジョン	該当なし	2Dマーカーレスキャプチャのための代替ビデオ録画
LockLabハードウェアトリガー	ヴィコン	ロックラボ	時間同期に使用
ロジクール C920 カメラ	ロジクール	HD Pro ウェブカメラ C920	マーカーレス撮影のための代替消費者向けカメラ
メディアパイプ	Googleリサーチ	v0.10.21	リアルタイムの2Dポーズ推定に使用されます。オンラインで https://ai.google.dev/edge/mediapipe/solutions/guide
OpenPoseソフトウェア	カーネギーメロン大学/OpenPoseコミュニティ	バージョン 1.7.0	リアルタイムの2Dポーズ推定に使用
プラグイン式歩き型全身モデル	ヴィコン	標準モデル	解剖学的マーカー配置の生体力学モデルとして使用
Vero赤外線カメラ	ヴィコン	ヴェロシリーズ	3Dマーカーベースのモーションキャプチャ(100Hz)に使用