Name: Analizy danych trajektorii dla badania aktywności czasoprzestrzennej pieszych (Wideo) | JoVE Journal
Uploaded: 2013-02-25T12:03:00.000+00:00
Duration: 16 min 14 s
Description: Poznaj metody analizy trajektorii GPS do modelowania aktywności czasoprzestrzennej pieszych. Techniki wizualizacji gęstości i przestrzenno-czasowe ujawniają ukryte wzorce ruchu w danych przestrzennych.

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

Ta praca jest finansowana z grantu NIH 1R03AI090465.

1. Pobieranie danych
<ol>
 <li>Dane o trajektorii mogą być zbierane za pomocą ręcznych urządzeń GPS, aplikacji do śledzenia smartfonów z obsługą GPS, a także urządzeń A-GPS (wspomagany GPS), takich jak to zastosowane w naszym badaniu, komercyjne urządzenie do śledzenia dzieci.</li>
 <li>Dane o trajektoriach są zwykle zapisywane w postaci zapisów czasu, szerokości i długości geograficznej. Żądany przedział czasu należy ustawić w zależności od potrzeb aplikacji. Często najczęstszy interwał jest pożądany do badań aktywności czasoprzestrzennej.</li>
 <li>Przekonwertuj dane na wartości rozdzielane przecinkami lub .csv plików z osobnymi kolumnami odpowiednio dla identyfikatora rekordu, szerokości i długości geograficznej oraz godziny. Następnie przekonwertuj pliki .csv na powszechnie używany format plików Systemów Informacji Geograficznej (GIS) (np. plik shapeESRI 8).</li>
 <li>Załaduj plik shape z wielokątami budynków i kolejną granicą badanego obszaru za pomocą analizatora trajektorii. Ustaw "wyciągnięcie" budynków prawidłowo dla wyświetlania 3D i ustaw prawidłowo "wyciągnięcie" i "przezroczystość" warstwy granicznej, aby wyświetlić sześcian czasoprzestrzenny6, 9 z wymiarami x,y reprezentującymi przestrzeń i wymiarem z reprezentującym czas.</li>
</ol>
2. Przetwarzanie wstępne
<ol>
 <li>Dostępne są dwie opcje wstępnego przetwarzania zaszumionych surowych danych trajektorii. Można wybrać z listy rozwijanej menu przetwarzania wstępnego.</li>
 <li>W przypadku wybrania opcji "Interaktywny" tworzona jest projekcja 2D trajektorii 3D, która ułatwia przeglądanie i wybieranie. Manipuluj wyświetlaczem 3D, aby zbadać surową trajektorię w przestrzeni i czasie. Identyfikuj błędy w danych na podstawie kształtu, prędkości i/lub topologii segmentów torów. Zazwyczaj punkty trasy (wierzchołki) z nierealistyczną dużą prędkością lub nagłą zmianą kierunku oznaczają błędy. Wybierz je i usuń z oryginalnych trajektorii. Wybierz je i usuń z trajektorii 3D lub jej rzutowania 2D.</li>
 <li>Skupisko punktów trasy o kolczastych kształtach (rysunek 1) w przestrzeni i długim czasie trwania w czasie oznacza błędy, które najprawdopodobniej są spowodowane przez lokalizacje w pomieszczeniach, w których sygnał GPS jest słaby. Jeśli wybrana jest grupa tych punktów, program może obliczyć środek ciężkości czasoprzestrzennej wybranych punktów i dostosować ścieżkę tak, aby przechodziła przez środek ciężkości.</li>
 <li>Alternatywnie, jeśli z menu przetwarzania wstępnego wybrano opcję "Automatycznie", należy ustawić lokalizację wejścia i wyjścia, a także parametry empiryczne, które określają nienormalnie dużą prędkość i nagłe skręcanie punktów. Program przeszukuje załadowane dane trajektorii i uruchamia się automatycznie w oparciu o algorytm, który naśladuje podejście do wizualnego wykrywania błędów.</li>
</ol>
3. Segmentacja trajektorii i charakterystyka przestrzeni aktywności
<ol>
 <li>Segmentacja trajektorii wymaga warstwy budynku, więc upewnij się, że plik kształtu budynku jest załadowany.</li>
 <li>Kliknij narzędzie do segmentacji na pasku narzędzi, aby uruchomić funkcję. Ustaw dane wejściowe i wyjściowe oraz umieść plik kształtu budynku jako warstwę odniesienia. Użyj nazw budynków, aby oznaczyć trajektorię podzieloną na segmenty. Algorytm identyfikuje segmenty wewnętrzne na podstawie ustawionych lub domyślnych kryteriów, takich jak prędkość, czas trwania itp. punktów trasy, a także topologii przestrzennej w odniesieniu do budynków.</li>
 <li>Kliknij narzędzie do podsumowania przestrzeni aktywności, aby załadować trajektorie podzielone na segmenty i obliczyć wybrane atrybuty podsumowania, aby scharakteryzować przestrzeń aktywności, takie jak całkowity promień aktywności, promień w określonym przedziale czasu, stosunek całkowitego czasu spędzonego w pomieszczeniu do . na zewnątrz i tak dalej. </li>
 <li>Atrybuty można wyeksportować do arkusza kalkulacyjnego w celu modelowania ilościowego.</li>
</ol>
4. Mapowanie powierzchni gęstości
<ol>
 <li>Powierzchnia gęstości pokazuje gęstość działań w przestrzeni z zapadniętym wymiarem czasowym. Z listy rozwijanej w menu odwzorowania powierzchni zagęszczenia dostępne są trzy opcje.</li>
 <li>Jeśli wybrana jest opcja "Gęstość punktów trasy", wypełnij okno dialogowe informacjami wejściowymi i wyjściowymi, a następnie wybierz wyświetlanie w 3D lub 2D. Wszystkie wierzchołki z danych trajektorii są używane do obliczania gęstości skupisk punktów. Rysunek 2 przedstawia powierzchnię gęstości.</li>
 <li>W przypadku wybrania opcji "Gęstość ścieżki ścieżki" algorytm oblicza i wyświetla gęstość poszczególnych przebytych ścieżek (rysunek 3).</li>
 <li>W przypadku wybrania opcji "Gęstość punktów ponownie próbkowanych" algorytm ponownie próbkuje dane trajektorii przy użyciu ustalonego interwału czasu i odwzorowuje gęstości punktów rozłożonych równomiernie w czasie. Ta opcja jest przeznaczona dla urządzeń śledzących, które zbierają punkty śledzenia w nieregularnych odstępach czasu ze względu na różną czułość urządzeń w różnych warunkach fizycznych lub segmentowanych trajektoriach. Rysunek 4 przedstawia powierzchnie gęstości 2D i 3D trajektorii segmentowych.</li>
 <li>W przypadku wybrania opcji "Ustawianie ostrości czasowej" dla którejkolwiek z powyższych opcji, można przeprowadzić ogniskowanie czasowe10 w celu zbadania wzorców aktywności w różnych okresach czasu. Na przykład powierzchnie gęstości aktywności o różnych porach dnia mogą być wizualizowane w celu łatwej identyfikacji gorących punktów w czasie (rysunek 5).</li>
</ol>
5. Szacowanie objętości gęstości i renderowanie objętości
<ol>
 <li>Wizualizacja objętości gęstości wykorzystuje pojęcie sześcianu czasoprzestrzennego, tak jak w wizualizacji trajektorii. Istotą takiej wizualizacji jest dezagregacja przestrzeni na woksele11. Nasze podejście do wizualizacji gęstości, objętości najpierw szacuje objętość gęstości w poszczególnych wokselach, zliczając liczbę ścieżek czasoprzestrzennych, które przecinają się z wokselami. Na tym etapie można kliknąć opcję "Obliczanie objętości gęstości" w menu wizualizacji objętości gęstości.</li>
 <li>W przypadku wizualizacji objętości zagęszczenia dostępne są te same trzy opcje, co w przypadku wizualizacji powierzchni gęstości. </li>
 <li>Następnie kliknij "Renderowanie objętości", aby uruchomić interfejs wizualizacji objętości 3D do interaktywnego renderowania objętości12. Ustawiając liczbę podziałów wzdłuż każdej osi, można badać klastry w różnych skalach. Współczynnik Z służy do ustawiania przeskalowania pionowego w celu lepszej wizualizacji. Warstwa referencyjna, taka jak budynki, może być również wczytana w celu ułatwienia wizualizacji. Wyniki renderowania objętościowego można interaktywnie dostosowywać, manipulując funkcją transferu, która steruje odwzorowaniem od gęstości do koloru. (Rysunek 6).</li>
</ol>
6. Inne eksploracyjne analizy danych (EDA) i wizualizacje
<ol>
 <li>Dostępna jest procedura tworzenia seriali animowanych do wyświetlenia w programie Google Earth. W sekcji "Inne" kliknij "Eksportuj do KML dla EDA", aby uzyskać dostęp do tej procedury. Tworzy plik kml13, który otwiera się w programie Google Earth w celu interaktywnej animacji trajektorii.</li>
 <li>Można śledzić trajektorię, aby podróżować po środowisku w czasie, przewijając wzdłuż osi czasu w Google Earth.</li>
 <li>Dostępna jest procedura wizualizacji połączeń między interesującymi miejscami za pomocą "Analizy połączeń". Na przykład połączenia między różnymi budynkami na terenie kampusu uniwersyteckiego pochodzą z segmentowanych danych o trajektoriach, które zostały zebrane przez studentów (rysunek 7).</li>
 <li>Na podstawie pochodnych połączeń można zidentyfikować punkty zapalne, takie jak budynki o największym ruchu wychodzącym lub przychodzącym oraz węzły, które łączą miejsca o największym natężeniu ruchu.</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>

Nie stwierdzono konfliktu interesów.

Do stworzenia interfejsu wykorzystaliśmy mechanizm dodatków firmy ArcGIS. Wszystkie interaktywne operacje zostały zaimplementowane przy użyciu języka C++. Wszystkie funkcje automatycznego przetwarzania i analizy zostały opracowane przy użyciu języka Python.
Dane AGPS lub dane GPS zbierane przez pieszych stanowią wyjątkowe wyzwanie w przetwarzaniu wstępnym, ponieważ błędy mogą być ogromne ze względu na sąsiedztwo budynków i częste zatrzymywanie się w pomieszczeniach. Co więcej, przetwarzanie ws...

<table><tbody><tr><td>WorldTracker</td><td>GPRS Tracking The World</td><td></td><td></td></tr><tr><td>Komputer osobisty do uruchamiania analiz</td><td></td><td></td><td></td></tr><tr><td>Oprogramowanie ArcGIS</td><td>ESRI</td><td></td><td></td></tr><tr><td>Trajectory Analyzer Extension</td><td></td><td></td><td></td></tr></tbody></table>

analizy danych trajektorii dla badania aktywności czasoprzestrzennej pieszych

Trajectory Data Analyses for Pedestrian Space-time Activity Study

Powszechnie wiadomo, że ruch człowieka w wymiarze przestrzennym i czasowym ma bezpośredni wpływ na przenoszenie chorób1-3. Choroba zakaźna zazwyczaj rozprzestrzenia się poprzez kontakt między osobami zakażonymi i podatnymi w ich nakładających się na siebie przestrzeniach aktywności. W związku z tym informacje dotyczące codziennej mobilności i aktywności mogą być wykorzystywane jako wskaźnik do pomiaru narażenia na czynniki ryzyka zakażenia. Główną trudnością, a co za tym idzie powodem niedostatku badań nad przenoszeniem chorób zakaźnych w skali mikro, jest jednak brak szczegółowych danych dotyczących mobilności indywidualnej. Wcześniej w badaniach nad transportem i turystyką szczegółowe dane o aktywności czasoprzestrzennej często opierały się na technice dziennika czasoprzestrzennego, która wymaga od badanych aktywnego rejestrowania swoich działań w czasie i przestrzeni. Jest to bardzo wymagające dla uczestników, a współpraca ze strony uczestników ma ogromny wpływ na jakość danych4.
Nowoczesne technologie, takie jak GPS i komunikacja mobilna, umożliwiły automatyczne zbieranie danych o trajektoriach. Zebrane dane nie są jednak idealne do modelowania ludzkiej aktywności czasoprzestrzennej, ograniczonej dokładnością istniejących urządzeń. Nie ma również łatwo dostępnego narzędzia do efektywnego przetwarzania danych do badania zachowań ludzkich. Przedstawiamy tutaj zestaw metod i zintegrowany interfejs wizualny ArcGIS na komputery stacjonarne do wstępnego przetwarzania i analiz czasoprzestrzennych danych o trajektoriach. Podajemy przykłady, w jaki sposób takie przetwarzanie może być wykorzystane do modelowania ludzkiej aktywności czasoprzestrzennej, zwłaszcza z bogatymi w błędy danymi o trajektoriach pieszych, które mogą być przydatne w badaniach nad zdrowiem publicznym, takich jak modelowanie transmisji chorób zakaźnych.
Przedstawiona procedura obejmuje wstępne przetwarzanie, segmentację trajektorii, charakterystykę przestrzeni aktywności, szacowanie i wizualizację gęstości oraz kilka innych metod analizy eksploracyjnej. Przetwarzanie wstępne to czyszczenie zaszumionych surowych danych trajektorii. Wprowadzamy interaktywny wizualny interfejs wstępnego przetwarzania, a także moduł automatyczny. Segmentacja trajektorii5 polega na identyfikacji części wewnętrznych i zewnętrznych na podstawie wstępnie przetworzonych torów czasoprzestrzennych. Również w tym przypadku obsługiwana jest zarówno interaktywna segmentacja wizualna, jak i segmentacja automatyczna. Segmentowane ścieżki czasoprzestrzenne są następnie analizowane w celu uzyskania cech przestrzeni aktywności, takich jak promień aktywności itp. Szacowanie i wizualizacja gęstości są wykorzystywane do badania dużej ilości danych o trajektoriach w celu modelowania gorących punktów i interakcji. Demonstrujemy zarówno mapowanie powierzchni gęstości6, jak i renderowanie objętościowegęstości 7. Dołączamy również kilka innych eksploracyjnych analiz danych (EDA) i narzędzi do wizualizacji, takich jak obsługa animacji Google Earth i analiza połączeń. Zestaw metod analitycznych i wizualnych przedstawionych w tym artykule może być zastosowany do dowolnych danych trajektorii do badań aktywności czasoprzestrzennej.

Dane dotyczące trajektorii zostały zebrane przez studentów studiów licencjackich z Kean University (NJ, USA), którzy volunteered wiosną 2010 roku. Celem było zbadanie wzorców aktywności studentów, którzy zachorowali na grypę (zdiagnozowaną przez lekarza lub samodzielnie), w porównaniu do osób, które nie zachorowały. Aby zilustrować metody i procedury przedstawione w niniejszej pracy, wykorzystaliśmy trajektorie zebrane na obszarze przedmiejskiego kampusu w celu wygenerowania reprezentatywnych wyników. Trajektorie na obsz...

Zestaw metod przetwarzania czasoprzestrzennego jest prezentowany do analizy danych o trajektoriach człowieka, takich jak te zebrane za pomocą urządzenia GPS, w celu modelowania aktywności czasoprzestrzennej pieszych.

Analizy danych trajektorii dla badania aktywności czasoprzestrzennej pieszych

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

Ogólnym celem niniejszej procedury jest modelowanie aktywności czasowo-przestrzennych pieszych poprzez analizę spatiotemporealną i wizualizację danych o trajektoriach ludzkich. Jest to realizowane poprzez wstępne zebranie szczegółowych danych z globalnego systemu pozycjonowania (GPS) i wczytanie ich do analizatora trajektorii. Drugim krokiem jest wstępne przetwarzanie i segmentacja danych trajektorii.Następnie charakteryzuje się przestrzenie aktywności osobników. Ostatnim krokiem jest analiza wzorców czasoprzestrzennych za pomocą mapowania gęstości powierzchni, renderowania gęstości objętościowej lub obu tych metod. W końcowym etapie stosuje się inne metody eksploracyjnej analizy danych oraz wizualizacje, aby wykazać dodatkowe ukryte wzorce w danych.Główną zaletą tej techniki w porównaniu z istniejącymi metodami, takimi jak rozszerzenie FGIS opracowane przez SHNU do analizy trajektorii czasoprzestrzennych, jest to, że nie tylko zapewniamy interfejs do interaktywnej wizualizacji trajektorii, ale skupiamy się na metodzie przetwarzania, która oczyszcza dane trajektorii tras, segmentuje je, wyprowadza właściwości z danych TR oraz przeprowadza analizę eksploracyjną w celu odkrycia wzorc

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

Research

JoVE Journal

Biology

Biologia

Analizy danych trajektorii dla badania aktywności przestrzenno-czasowej pieszych

Ten protokół jest używany do oceny przestrzennych i czasowych zmiennych chodu pacjentów neurologicznych/ortopedycznych i osób starszych za pomocą niedawno wprowadzonego systemu fotokomórek opartych na podłodze.

Kliniczna ocena parametrów chodu czasoprzestrzennego u pacjentów i osób starszych

Przedstawiono protokół do charakterystyki zachowania pieszych w terenie i symulacji wynikającej z tego reakcji strukturalnej. Testy terenowe pokazują, że zidentyfikowane in situ tempo stymulacji i tempo synchronizacji między uczestnikami stanowią istotny wkład w symulację i weryfikację obciążeń wywołanych przez człowieka.

Symulacja drgań wywołanych przez człowieka w oparciu o scharakteryzowane zachowanie pieszych w terenie

Celem było uzasadnienie optymalnego wykorzystania technik zbierania danych do analizy chodu i postawy nordic walking. Trójwymiarowe przechwytywanie ruchu powinno być stosowane podczas analizy krótkotrwałej (tj. pojedynczego cyklu chodu), podczas gdy akcelerometria powinna być stosowana do analizy o dłuższym czasie trwania (tj. powtarzających się cykli), takich jak 6-minutowy test chodu.

Uzasadnienie odpowiednich technik przechwytywania ruchu do oceny chodu i postawy nordic walking u osób starszych

Tutaj prezentujemy nowatorski protokół do pomiaru stabilności pozycyjnej w kluczowych momentach podczas jazdy z pozycji siedzącej do stojącej i chodzącej, wykorzystując środek nacisku do odległości środka ciężkości całego ciała. Zostało to wyprowadzone z platformy siłowej i technologii trójwymiarowego przechwytywania ruchu. Paradygmat jest wiarygodny i może być wykorzystany do oceny osób z zaburzeniami neurologicznymi.

Siedzenie, stanie i chodzenie od 120% wysokości kolan: nowatorskie podejście do oceny dynamicznej kontroli postawy niezależnie od kończyny prowadzącej

Ten manuskrypt opisuje metodę testowania równoczesnej ważności pomiarów kinematycznych zarejestrowanych przez aplikację na smartfony w porównaniu z systemem przechwytywania ruchu 3D w płaszczyźnie strzałkowej. Protokół ten umożliwi lekarzom skonfigurowanie smartfonów do rejestrowania ruchu człowieka.

Wideoanaliza ruchu za pomocą smartfonów (ViMAS): badanie pilotażowe

Ten protokół opisuje użycie symulatora chodu, który służy jako bezpieczna i ekologicznie poprawna metoda badania zachowania pieszych w obecności ruchu ulicznego.

Wykorzystanie symulatora chodu w wirtualnej rzeczywistości do badania zachowań pieszych

To badanie badało biomechaniczne cechy zmiennych kinematycznych kończyn dolnych między początkową a końcową fazą biegu na bieżni 5 km. Dane kinematyczne kończyn dolnych 10 biegaczy zebrano za pomocą trójwymiarowego systemu przechwytywania ruchu na bieżni odpowiednio w fazie początkowej (0,5 km) i końcowej (5 km).

Analiza porównawcza kinematyki kończyn dolnych między początkową a końcową fazą biegu na bieżni na 5 km

Ten artykuł opisuje materiał i metodę opracowaną do badania organizacji posturalnej inicjacji chodu. Metoda opiera się na zapisach platformy siłowej i na bezpośredniej zasadzie mechaniki do obliczania kinematyki środka ciężkości i środka nacisku.

Posturalna organizacja inicjacji chodu do analizy biomechanicznej z wykorzystaniem nagrań platformy siłowej

Przedstawiamy niskonakładowy, bezznacznikowy proces za pomocą DeepLabCut do ilościowego określania spontanicznego chodu i lokomocji u myszy poruszających się swobodnie. Ten protokół integruje nagranie wideo z jedną kamerą, bezznacznikowe śledzenie punktów anatomicznych i wyodrębnianie parametrów lokomocji przestrzenno-czasowych, zapewniając nieinwazyjne i dostępne narzędzie do analizy zachowań motorycznych bez specjalistycznego sprzętu.

Tani niskokosztowy proces bez markerów oparty na DeepLabCut do analizy spontanicznego chodu i lokomocji u myszy poruszających się swobodnie

Testowanie wrażliwości wizualnej u jaszczurek przy operant paradygmat klimatyzacji, która zatrudnia odtwarzania wideo losowych punktów, kinematograms i generowanych komputerowo bezkręgowców.

Badania wizualne Wrażliwość na prędkość i kierunek ruchu w Jaszczurki

Poznaj metody analizy trajektorii GPS do modelowania aktywności czasoprzestrzennej pieszych. Techniki wizualizacji gęstości i przestrzenno-czasowe ujawniają ukryte wzorce ruchu w danych przestrzennych.

Analizy danych trajektorii dla badania aktywności czasoprzestrzennej pieszych

Przeglądaj więcej filmów