Caixa de Ferramentas de Captura de Movimento Multimodal para Análise Aprimorada da Coordenação Intersegmentar em Crianças com Paralisia Cerebral e em Desenvolvimento Típico

Summary

Este estudo apresenta uma caixa de ferramentas que combina tecnologias de captura de movimento para analisar sinais cinemáticos e quantificar padrões coordenativos de corpo inteiro com gráficos ângulo-ângulo. Projetado para superar os desafios dos sistemas tradicionais baseados em marcadores, o toolbox apoia flexibilidade em ambientes de pesquisa, clínicos e de campo, avançando o cuidado individualizado e as avaliações funcionais para crianças com deficiências motoras.

Abstract

Sistemas de captura de movimento baseados em marcadores tridimensionais são o padrão ouro para avaliar padrões cinemáticos no movimento humano, oferecendo quantificação precisa das posições de segmentos e articulações. No entanto, sistemas tradicionais baseados em marcadores apresentam vários desafios, especialmente para crianças com deficiências neurológicas e anormalidades no processamento sensorial, como as observadas em crianças com paralisia cerebral. Esses desafios dificultam o uso de marcadores cinemáticos e limitam análises detalhadas dos padrões de movimento. Avanços recentes em sistemas de captura de movimento sem marcadores, utilizando estimativa de pose humana baseada em aprendizado profundo, nos permitiram explorar alternativas econômicas aos sistemas ópticos tradicionais e às subsequentes abordagens de processamento de dados. Foi desenvolvida uma caixa de ferramentas integrada, combinando múltiplas tecnologias de captura de movimento: equipamentos cinemáticos de nível de pesquisa, clusters cinemáticos, unidades de medição inercial, sistemas tridimensionais (3D) sem marcadores e sistemas bidimensionais (2D) sem marcadores com câmeras comercialmente disponíveis (via MediaPipe). Para este estudo atual, apresentamos os resultados da captura de movimento baseada em marcadores 3D versus a captura de movimento sem marcador 2D, a principal questão contínua nos estudos biomecânicos de sujeitos humanos, para descrever padrões coordenativos por meio de gráficos ângulo-ângulo quadril-joelho. A abordagem do ciclograma foi escolhida porque oferece uma métrica robusta e uma estrutura facilmente interpretável para analisar a coordenação por meio do movimento acoplado entre segmentos do corpo. Duas crianças com desenvolvimento típico e duas crianças com paralisia cerebral realizaram um padrão funcional de movimento, a tarefa de sentar para ficar em pé. Os resultados aqui demonstraram a viabilidade de integrar sistemas multimodais para análises cinemáticas, proporcionando flexibilidade para pesquisas e ambientes clínicos. Além disso, a abordagem inovadora de código aberto apresentada neste trabalho aborda os desafios apresentados por muitas populações de pacientes que enfrentam problemas de processamento sensorial, permitindo um plano de cuidado avançado e individualizado.

Introduction

Avaliações tridimensionais de captura cinemática de movimento têm oferecido informações confiáveis na quantificação de padrões de movimento esperados e anormais. Essas informações são cruciais ao desenhar planos de^{reabilitação 1} e estabelecer abordagens de segurança para o envolvimento do paciente com equipamentos clínicos (por exemplo, ^2,3). Ao considerar crianças com deficiências induzidas por neurologia, essas avaliações cinemáticas podem oferecer cuidados aprimorados ao abordar mudanças nos padrões de coordenação em tarefas funcionais distintas, como^{marcha 4}, tarefa de sentar para ficar em^{pé 5} e extremidade superior alcançar^{o nível 6}.

Embora as avaliações cinemáticas tridimensionais (3D) sejam consideradas o padrão ouro para uma análise precisa de captura^{de movimento,} a colocação de marcadores cinemáticos na pele é um requisito para garantir a quantificação exata dos movimentos dos segmentos e das articulações. Essa avaliação baseada em marcadores exige conhecimento de pontos anatômicos específicos para quem realiza essa avaliação, além da tolerância e aceitação das fitas fixadas à pele dos indivíduos que recebem a avaliação. Enquanto o primeiro pode ser aprendido, o segundo é um problema em várias populações de pacientes. Por exemplo, crianças com lesão cerebral ou paralisia cerebral podem apresentar distúrbios no processamento da informação^{sensorial 8,9,10}. Esse distúrbio pode surgir como hipersensibilidade, impedindo clínicos e pesquisadores de aplicar os marcadores cinemáticos na pele das crianças, o que, por sua vez, pode dificultar a quantificação de mudanças nas capacidades de movimento e um plano de cuidado eficiente e individualizado.

Além da questão da colocação de marcadores na pele das populações de pacientes, a maioria dos sistemas de medição utilizados em estudos cinemáticos não é acessível, está confinada a espaços laboratoriais e está disponível apenas com pessoal altamente qualificado, tornando-os impraticáveis para uso clínico rotineiro. No entanto, os avanços atuais na tecnologia de captura de movimento suportam diferentes abordagens para registrar dados cinemáticos. Por exemplo, a estimativa automática da postura humana usando técnicas de aprendizado profundo tem atraído a atenção de pesquisadores de visão computacional. Essas técnicas de captura de movimento sem marcadores podem oferecer uma solução promissora para desafios técnicos e práticos associados à análise de movimento baseada em^{marcadores 11}. Em vez de depender do rastreamento dos marcadores, essa abordagem utiliza redes neurais treinadas para estimar as posições de todo o marco¹². Esse desenvolvimento aprimora a eficiência e adaptabilidade geral da tecnologia de reconhecimento de postura humana.

Está bem estabelecido que a relação cinemática entre os segmentos do corpo pode revelar mecanismos de controle subjacentes que apoiam a variabilidade dos padrões de movimento. Embora vários métodos possam ser usados para medir a coordenação entre os segmentos¹³, os gráficos ângulo-ângulo (ciclogramas) permitem uma quantificação inerentemente interpretável do movimento acoplado entre segmentos/juntas em um período de tempo^{estipulado 14,15}. Como muitas crianças com paralisia cerebral apresentam dificuldade ao realizar padrões de movimento do corpo inteiro devido ao controle motor seletivo^{comprometido 16}, optamos por investigar o movimento simples, porém com controle subjacente^{complexo 17}, do movimento sentado para ficar em pé. O objetivo deste estudo foi demonstrar a viabilidade de uma caixa de ferramentas de código aberto que combine tecnologias de captura de movimento para facilitar avaliações cinemáticas de padrões coordenativos para crianças com deficiência.

Neste trabalho, utilizaremos ciclogramas quadril-joelho para demonstrar a coordenação entre tronco/pelve e segmentos coxa/haste, utilizando as articulações do quadril e joelho como acoplamentos intersegmentais representativos relevantes para a biomecânica do sentar para o pé. A coordenação quadril-joelho foi selecionada porque captura o acoplamento articular primário que impulsiona a progressão vertical do centro de massa durante a tarefa de sentar para ficar em pé, um movimento funcionalmente crítico para crianças com deficiências que frequentemente dependem de estratégias compensatórias dos membros inferiores devido ao controle motor seletivo^{comprometido 16} que afeta as sinergias articulares. A integração de diferentes tecnologias (ou seja, desde equipamentos cinemáticos 3D de nível de pesquisa até câmeras comercialmente disponíveis) em uma única caixa de ferramentas de processamento permite flexibilidade de uso desde ambientes de pesquisa até ambientes de campo e clínicos. A caixa de ferramentas também permite avaliações cinemáticas detalhadas quando a colocação de marcadores não é viável devido a anomalias no processamento sensorial para crianças com deficiência, por meio de recursos de processamento de sinal de captura de movimento sem marcadores.

Protocol

Este estudo foi conduzido como uma série de casos usando resultados representativos de quatro crianças para demonstrar a viabilidade do protocolo, em vez de inferência estatística. Duas crianças em desenvolvimento típico (menino de 4 anos, 100 cm, 14,5 kg; menino de 10 anos, 144 cm, 40,8 kg) e duas crianças com paralisia cerebral, Sistema de Classificação da Função Motora Grossa III (menina de 4 anos, 93 cm, 13,8 kg; menino de 4 anos, 102 cm, 16,7 kg) participaram deste estudo. Pais/responsáveis legais e filhos forneceram consentimento/consentimento informado antes da participação, de acordo com nosso protocolo de estudo aprovado pelo Conselho de Revisão Institucional (IRB-FY2024-33).

NOTA: Embora este protocolo descreva procedimentos tanto para sistemas de captura de movimento 3D baseados em marcadores quanto para sistemas sem marcadores 2D, o foco deste estudo está na implementação da abordagem sem marcadores 2D, que representa a aplicação clínica e prática central deste trabalho. A implementação central do protocolo atual requer um sistema de captura de movimento baseado em marcadores (mínimo 8 câmeras) para aquisição de dados cinemáticos 3D, e uma única câmera RGB (resolução mínima 1920 × 1080 pixels, 50 Hz) posicionada perpendicularmente ao plano sagital para captura 2D sem marcadores. O método é adequado para ambientes clínicos ou laboratoriais controlados, com iluminação adequada (> 500 lux) e mínimo de bagunça de fundo. Para melhorar a robustez em ambientes não ideais, a caixa de ferramentas vailá integra ferramentas de pré-processamento (por exemplo, mascaramento de drawbox, corta/redimensionamento de vídeo) que permitem aos usuários isolar o participante de distrações de fundo ou ajustar o enquadramento subótimo da câmera. Limitações principais incluem a menor precisão da abordagem sem marcador de câmera única para crianças que exibem movimentos significativos fora do plano, já que essa abordagem não consegue capturar informações de profundidade ou movimentos fora do campo de visão da câmera. Os usuários devem garantir que os participantes permaneçam dentro do volume de captura predefinido e mantenham o alinhamento do plano sagital durante a execução da tarefa para otimizar o desempenho de rastreamento sem marcadores.

1. Verificações pré-teste

1. Ligue e aqueça o sistema de câmera de captura de movimento infravermelha e a câmera de vídeo. O sistema de captura de movimento infravermelho requer aproximadamente 30 a 60 minutos de aquecimento para alcançar a estabilização térmica antes da calibração e coleta de dados. Verifique a taxa de amostragem em 100Hz (câmeras infravermelhas para sistema baseado em marcadores) e 50Hz (câmera de vídeo para sistema sem marcadores).
2. Limpe e/ou cubra objetos refletivos do volume de captura.

2. Posicionamento da câmera

1. Sistema baseado em marcadores (sistema de câmera 3D)
   1. Câmeras de posição a aproximadamente 1,5-2,5 m do centro da área de movimento, montadas em alturas que variam de 0,5 a 2,5 m. Garanta que as câmeras estejam distribuídas uniformemente ao redor do volume de captura para otimizar a visibilidade dos marcadores e minimizar a oclusão durante a tarefa de sentar para ficar em pé. Elevações alternadas da posição da câmera para melhorar a precisão da triangulação e reduzir a interferência da linha de visão.
   2. Cada ponto dentro do volume alvo (onde a criança realizará a tarefa) deve ser visível para pelo menos duas câmeras o tempo todo, seguindo as recomendações padrão para captura ideal de dados 3D. Defina o volume de captura com base na antropometria dos participantes pediátricos e na tarefa avaliada.
      NOTA: O espaço de trabalho estava centralizado a aproximadamente 0,80 m acima do piso.
   3. Use as ferramentas de software do sistema baseado em marcadores para refinar as três principais configurações ópticas (zoom, abertura, foco) para garantir baixos resíduos de calibração e alta consistência de rastreamento de marcadores entre os ensaios.
2. Sistema sem marcadores (câmera 2D)
   1. Posicione a câmera de vídeo lateralmente a 3,0 m do participante (ou mais perto, quando possível, desde que todo o corpo do sujeito possa ser visto durante toda a tarefa, do assento até ficar em pé), centralizada na altura da pelve quando o participante estiver em pé, ortogonal ao plano sagital.
   2. Nivele o eixo óptico (sem rolamento) e alinhe a linha média da imagem com a região central da articulação do quadril.
   3. Configure a câmera com parâmetros de imagem fixos para todas as gravações.
      1. Defina a região de aquisição para uma área de interesse de 1920 × 1200 px para definir a resolução efetiva. Use uma lente focal de 20 mm e mantenha a abertura (contraste suficiente entre o ambiente e o participante) constante durante todo o experimento.
      2. Ajuste a taxa de quadros para 50 Hz e fixe a duração do obturador em 5 ms. Aplique as seguintes configurações de hardware e não as modifique durante a coleta de dados: ganho 9,998, gama 0,4, preto nível 0, saturação 1.
      3. Desative todos os ajustes automáticos de exposição e balanço de branco para evitar desvios temporais na aparência da imagem.
         NOTA: Para ajustar o foco, pode-se usar uma placa com uma frase curta escrita em fonte Calibri, estilo negrito, tamanho 48, colocada onde o participante realizará a tarefa. Dentro do campo de visão da câmera, as letras devem ser nítidas, sem desfoque visível.
   4. Ao usar qualquer lente com distorção perceptível, prepare um Charuco/^{Checkerboard 18,19} para calibração/desdistorção (opcional para tarefas estritamente sagitais, estacionárias).
      NOTA: Tanto sistemas de câmera de vídeo baseados em marcadores quanto sem marcadores usados são mostrados na Figura 1.

Figura 1: Close-up dos dois sistemas de câmeras usados neste estudo. A câmera infravermelha do sistema cinemático 3D (à esquerda) foi usada, na qual 12 câmeras compunham o sistema para a abordagem baseada em marcadores, e uma câmera de vídeo (à direita) foi usada para a abordagem sem marcadores. Por favor, clique aqui para ver uma versão ampliada desta figura.

3. Sincronização

NOTA: Esta etapa só é necessária quando se utiliza sistemas diferentes simultaneamente. A sincronização entre sistemas não é necessária quando se usa apenas um único sistema cinemático (2D ou 3D).

1. Conecte o LockLab (ou unidade equivalente de controle/sincronização) para enviar um gatilho de lógica transistor-transistor (TTL) para ambos os sistemas no início de cada teste.
2. Se os gatilhos de hardware não estiverem disponíveis, use um flash visível de diodo emissor de luz (LED) (método preferencial) ou um som sonoro capturado por ambos os sistemas para alinhamento posterior.

4. Calibração de volume de captura (sistema baseado em marcadores)

1. Inspecione visualmente o campo de visão das câmeras (tanto infravermelhas quanto de vídeo) para remover objetos desnecessários de cada visão. No software do sistema baseado em marcadores, mascaram objetos refletivos que não podem ser removidos da visão da câmera (por exemplo, outras câmeras).
2. Realize a calibração da varinha onde a tarefa será realizada. Mova a varinha por todo o volume de captura para garantir que todo o espaço esteja coberto. Aceitar calibração somente se a precisão espacial ≤ 1 mm (residual médio).
   NOTA: Verifique se pelo menos três câmeras visualizam simultaneamente a varinha de calibração durante este procedimento. Mova a varinha pelo volume de captura em uma velocidade que se aproxime do movimento esperado na tarefa experimental: Para tarefas de alta velocidade, mova a varinha rapidamente; Para movimentos mais lentos, varra a varinha mais devagar. Ao final da passagem de calibração, verifique os indicadores de software para quaisquer câmeras que não tenham capturado visualizações suficientes da varinha e realize movimentos direcionados adicionais da varinha dentro dos campos de visão dessas câmeras antes de concluir a calibração. Erros residuais após a calibração da varinha normalmente ficam entre 0,3 e 0,8 mm quando a passagem da varinha é suave, o volume de captura é uniformmente iluminado e todas as câmeras possuem visão desobstruída.
3. Defina a origem do volume colocando a varinha de calibração na localização designada dentro do espaço de teste definido. Defina o plano do piso de acordo com as instruções do fabricante.

5. Posicionamento de marcadores (sistema baseado em marcadores)

1. Coloque marcadores retrorefletivos de acordo com o modelo Plug-in^{Gait 20, 21, 22} (Figura 2) por um examinador treinado.
2. Verifique a visibilidade dos marcadores bilaterais do quadril, joelho e tronco durante um breve movimento de teste antes da coleta do teste estático (necessário para sistemas baseados em marcadores 3D).

Figura 2: Modelo plug-in da marcha adaptado para o presente estudo. O conjunto padrão de marcadores foi aplicado para definir membros inferiores, pelve, tronco e segmentos da cabeça. Marcadores dos membros superiores foram removidos para focar exclusivamente na cinemática da parte inferior do corpo e do tronco. Essa adaptação preserva a integridade do modelo original de corpo inteiro do Plug-in Gait, excluindo o movimento do braço da análise. Por favor, clique aqui para ver uma versão ampliada desta figura.

6. Cadeira e ambiente

1. Use uma cadeira sem braços e ajuste a altura do assento para que os ângulos do quadril e joelho fiquem ~90°, com os pés apoiados no chão. Registre a altura do assento (cm) de cada participante.
2. Fornecer iluminação uniforme; Evite a luz de fundo e as oclusões na visão sagital. Garanta um fundo uniforme e de alto contraste.

7. Instrução e segurança dos participantes

1. Confirme que nenhuma informação identificável está incluída nos arquivos de gravação (apenas códigos alfanuméricos não identificáveis para cada participante).
2. Para os testes de sentado para ficar em pé, certifique-se de que os participantes estejam cientes das instruções e protocolos adequados.
   1. Instrua participantes em desenvolvimento típico (TD) a manterem as mãos na cintura.
   2. Para crianças com paralisia cerebral (GMFCS III), forneça suporte manual conforme necessário para alcançar uma postura ereta sem comprometer a segurança.
      NOTA: Embora pacientes pediátricos possam precisar de suporte manual para garantir segurança e realização das tarefas, é necessário ter cuidado para minimizar a oclusão de segmentos ou marcadores do corpo, pois isso pode comprometer a qualidade dos dados.
   3. Indique o movimento verbalmente ("up") e permita uma velocidade confortável auto-selecionada durante os testes de sentar para ficar em pé.

8. Aquisição por julgamento

1. Antes de capturar os testes dinâmicos, capture um teste de calibração estática com o participante em posição neutra, com os pés afastados à largura dos ombros e os braços a 90° da abdução.
   1. Certifique-se de que todos os marcadores estejam visíveis para pelo menos duas câmeras; Verifique no software de aquisição do sistema baseado em marcadores que ≥ 95% dos marcadores são detectados em todas as câmeras. Recorde de 2-3 segundos. Um quadro em perspectiva 3D deve ter todos os marcadores.
   2. No software do sistema baseado em marcadores, aplique o modelo estático Plug-in Gait para definir centros articulares e sistemas de coordenadas segmentadas. Verifique o ajuste correto do modelo inspecionando a visualização 3D do esqueleto e confirmando posições anatômicamente plausíveis do centro das articulações.
      NOTA: Este teste estático fornece os parâmetros do modelo biomecânico necessários para o processamento dinâmico 3D subsequente. Nessa etapa, será necessário inserir as medidas antropométricas do participante (por exemplo, peso, altura, comprimento da perna, etc.) no software do sistema baseado em marcadores. Quando é necessário suporte manual para pacientes pediátricos durante o ensaio estático, é necessário ter cuidado para evitar a oclusão dos marcadores, que pode comprometer a qualidade dos dados.
2. Registro de três tentativas sentadas para ficar em^{pé em 23} participantes por participante. O período de descanso entre os testes pode ser necessário por participante, já que essa não é uma tarefa fisicamente desafiadora.
3. Use uma convenção padronizada de nomeação de arquivos incluindo grupo (por exemplo, TD, CP), ID alfanumérico do participante e número do teste.
4. No software do sistema baseado em marcadores, reconstrua trajetórias de marcadores usando o sistema de câmera calibrada.
   1. Rotule cada marcador de acordo com a nomenclatura do conjunto de marcadores Plug-in Gaita. Use preenchimento automático de lacunas (tamanho máximo da lacuna: 10 quadros) para oclusões breves.
   2. Verifique a precisão da rotulagem inspecionando visualmente o esqueleto em perspectiva 3D. Quando todos os marcadores estiverem corretamente rotulados e as trajetórias continuas, exporte o teste como um arquivo .c3d para análise na caixa de ferramentas vailá .
5. Salve os dados ópticos como .c3d e os quadros de vídeo ou transmita como arquivos comprimidos sem perdas ou de alta taxa de bits.

9. Processamento de dados

NOTA: A vailá toolbox (v0.10.21)²⁴ é multiplataforma (Windows, macOS, Linux) e requer Python 3.12 ou versões posteriores. Os módulos de análise sem marcadores (por exemplo,^{MediaPipe 25}) são otimizados para rodar eficientemente em CPUs padrão, garantindo acessibilidade em ambientes clínicos sem hardware especializado. Uma GPU habilitada para CUDA é opcional e só utilizada se o usuário selecionar motores alternativos de alta velocidade (por exemplo, YOLO-Pose) para processamento mais rápido. Para comandos de execução detalhados, guias passo a passo e documentação completa, os usuários são direcionados aos recursos online da toolbox e aos arquivos de ajuda integrados, disponíveis em: https://github.com/vaila-multimodaltoolbox/vaila/tree/main/docs/modules/markerless-analysis.

1. Abordagem baseada em marcadores: No software do sistema baseado em marcadores, processe os testes estáticos e dinâmicos. Aplique o modelo Dynamic Plug-in Gait às trajetórias dos marcadores rotuladas (veja passo 7.4) para calcular a série temporal do ângulo da junta.
   1. Exporte os dados processados do teste como um arquivo .c3d. Certifique-se de que as séries temporais calculadas do ângulo articular (por exemplo, ângulos de quadril, joelho e tornozelo) estejam incluídas na exportação.
   2. Importe o arquivo .c3d processado para a caixa de ferramentas vailá usando a função vaila.load_c3d(). A caixa de ferramentas extrai automaticamente os dados pré-calculados da série temporal do ângulo da junta do arquivo.
   3. Aplique o filtro passa-baixa^Butterworth zero-lag de ordem 4 (corte de 6 Hz) aos dados do ângulo da junta usando as funções de filtragem integradas (conforme descrito no passo 9.2.4 abaixo) para garantir um processamento consistente com os dados sem marcadores.
   4. Análises subsequentes (por exemplo, geração de ciclogramas, cálculo de métricas de coordenação) são então realizadas dentro do vailá.
2. Abordagem sem marcadores: módulo de estimativa Load MediaPipe Pose (v0.10.21) dentro do vailá. Defina os seguintes parâmetros: static_image_mode = Falso, model_complexity = 1-2 (use o nível 2 quando os recursos da GPU/CPU permitem maior precisão), smooth_landmarks = Verdadeiro, min_detection_confidence = 0,6, min_tracking_confidence = 0,6.
   NOTA: Frameworks alternativos de estimativa de pose, como o OpenPose, podem ser usados aqui.
   1. Processe cada quadro de vídeo para extrair os marcos do MediaPipe 33 (Figura 3). Descarte quadros com confiança de detecção abaixo do limiar ou aplique interpolação para dados faltantes.
      NOTA: O MediaPipe detecta 33 marcos corporais, incluindo pontos-chave do rosto, torso e membros (Figura 3). Para o protocolo atual, foram usados apenas os marcos do tronco e da parte inferior do corpo relevantes para análise de sentar para ficar em pé: Ombro [pontos de referência 11 (ombro esquerdo) e 12 (ombro direito)], Quadril [pontos de referência 23 (quadril esquerdo) e 24 (quadril direito)], Joelho [pontos de referência 25 (joelho esquerdo) e 26 (joelho direito)], e Tornozelo [marcos 27 (tornozelo esquerdo) e 28 (tornozelo direito)]. Esses marcos são detectados automaticamente pelo vídeo RGB e são estimados a partir de características visuais (em vez das posições retrorefletivas dos marcadores usadas no modelo Plug-in Gai).
   2. Confirme que todos os pontos de referência importantes (ombro, quadril, joelho, tornozelo) foram detectados com confiança ≥ 0,7.
   3. (Opcional) Se a distorção da lente for relevante, desdistorça os quadros usando parâmetros de calibração (matriz da câmera e coeficientes de distorção) antes de rodar o MediaPipe.
   4. YOLO-Pose: Em paralelo, carregue o módulo YOLO-Pose integrado em vailá.
      1. Configure o modelo com pesos padrão para detecção de esqueletos humanos (conjunto de pontos-chave consistente com o formato COCO). Cada quadro é processado para detectar pontos-chave esqueléticos usando a espinha dorsal YOLO, otimizada para desempenho robusto sob desfoque de movimento, oclusão ou fundos complexos.
      2. Aplique filtros de suavização temporal para reduzir o jitter quadro a quadro e alinhe os pontos-chave detectados com o sistema de coordenadas usado no MediaPipe.
      3. Para o filtro de suavização temporal, aplique um filtro Butterworth passa-baixa de^4ª ordem com frequência de corte de 6 Hz (movimentos de sentar para ficar em pé têm conteúdo dominante de frequência abaixo de 5 Hz) a todos os dados de séries temporais de ângulo da junta, tanto baseados em marcadores quanto sem marcadores, para remover ruído de alta frequência preservando o sinal de movimento.
      4. Implemente esse filtro usando as funções scipy.signal.butter() e scipy.signal.filtfilt() em Python, usando filtragem zero-phase forward-back para evitar deslocamentos temporais.
   5. Tratamento de dados em vailá: Exporte trajetórias marcantes de ambos os pipelines (MediaPipe e YOLO-Pose) em um formato padronizado .csv ou .json. Armazene metadados (número do quadro, carimbo de data, confiança na detecção) junto com coordenadas de pontos-chave. Isso garante comparabilidade entre métodos e reprodutibilidade das análises.
3. Definições de coordenadas e ângulos das articulações: Defina ângulos de flexão do quadril no plano sagital e do joelho com valores positivos para flexão.
   1. Para dados sem marcadores, derive os centros/segmentos articulares a partir de pontos de referência do MediaPipe (por exemplo, quadril: proxy pelve; joelho: fêmur-tíbia; tronco: segmento ombro-quadril) e calcule ângulos sagitais usando um sistema de coordenadas articulares consistente.
      NOTA: Os ângulos das articulações do plano sagital são calculados geometricamente a partir das coordenadas 2D do marco de referência. A caixa de ferramentas vailá calcula o ângulo (θ) entre dois vetores segmentais (vetor a e vetor b) usando o arccosseno do produto escalar deles: θ = arccos((a · b) / (|a| |b|)). Flexão do quadril é definida como o ângulo entre o vetor 'tronco' (vetor que conecta os marcos do MediaPipe 11/12 [ombro] e 23/24 [quadril]) e o vetor 'coxa' (vetor que conecta 23/24 [quadril] e 25/26 [joelho]). Flexão do joelho é definida como o ângulo entre o vetor 'coxa' (vetor que conecta 23/24 [quadril] e 25/26 [joelho]) e o vetor 'han' (vetor que conecta 25/26 [joelho] e 27/28 [tornozelo]).
   2. Aplique a mesma convenção de sinais e filtragem (se necessário) a ambas as abordagens para facilitar a comparação.
4. Sincronização temporal: Alinhar dados de ambas as abordagens usando o carimbo de data do gatilho LockLab; caso contrário, alinhe o primeiro quadro visível de flash/clap entre os fluxos de dados.
   1. Reamostre séries temporais, se necessário, para uma base de tempo comum antes das comparações.
5. Defina ciclo de movimento:
   1. Defina o ciclo de sentar para ficar em pé desde o início da inclinação do tronco para frente (limiar positivo de velocidade angular do tronco) até a postura ereta estável para crianças que normalmente desenvolvem (velocidade angular do tronco ~0 e extensão total do joelho) e, para crianças com paralisia cerebral, postura ereta estável e posição máxima do marcador cervical (sistema baseado em marcadores).
   2. Para crianças com paralisia cerebral, que podem não alcançar extensão total (ou seja, tronco alinhado com a pelve, quadril em flexão 0°, joelhos totalmente estendidos), como observado em crianças em desenvolvimento típico, defina o final do ciclo como a postura mais ereta alcançada consistente com o teste de pé estático e confirmada por inspeção visual para garantir uma postura estável antes do próximo estudo.
   3. Não normalize o tempo para os gráficos representativos; Relate a duração real da tarefa por tentativa. (Análises normalizadas no tempo podem ser fornecidas como suplementares, se desejado.)
6. Cálculo e métricas de ciclogramas: Plote ângulos do quadril (eixo x) vs. joelho (eixo y) para cada ensaio para gerar ciclogramas quadril-joelho.
   1. Testes e abordagens sobrepostas (baseados em marcadores vs. sem marcadores) para comparação visual.
   2. Calcule métricas resumidas opcionais: faixas de movimento quadril/joelho, área do loop, orientação do loop (ângulo do eixo principal) e comprimento do caminho.
   3. Exporte séries temporais processadas e métricas como .csv para análise estatística.

Figura 3: 33 marcos da MediaPipe. Para este estudo, utilizamos apenas os pontos de referência relevantes para a tarefa de sentar para ficar em pé, especificamente os marcos 11 e 12 (ombros), 23 e 24 (quadris), 25 e 26 (joelhos) e 27 e 28 (tornozelos). Por favor, clique aqui para ver uma versão ampliada desta figura.

Results

A caixa de ferramentas open source baseada em Python quantificou com sucesso padrões de coordenação quadril-joelho tanto de sistemas baseados em marcadores quanto sem marcadores em participantes pediátricos durante a tarefa de sentar para ficar em pé. Para fornecer uma comparação quantitativa junto com os ciclogramas visuais, métricas resumidas chave (Amplitude de Movimento do Quadril e Joelho) para os ensaios representativos são apresentadas na Tabela 1. Gráficos representativos ângulo-ângulo de criança...

Discussion

O objetivo deste trabalho foi demonstrar a viabilidade e aplicação de uma caixa de ferramentas multimodal de código aberto capaz de integrar sistemas de captura de movimento baseados e sem marcadores para analisar a coordenação corporal total em populações pediátricas. Em aplicações representativas, o protocolo produziu com sucesso ciclogramas quadril-joelho comparáveis entre sistemas baseados em marcadores e sem marcadores em crianças de desenvolvimento típico, além de destacar semelhan...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Câmera FLIR Blackfly	Sistemas FLIR	Modelo: BFS-U3-200S6C-C	Usado para captura de movimento 2D sem marcador (50 Hz, 1980 e épocas; 1200 px)
Câmera Hikvision PoE	Hikvision	N/A	Gravação de vídeo alternativa para captura 2D sem marcador
Gatilho de hardware LockLab	Vicon	LockLab	Usado para sincronização temporal
Câmera Logitech C920	Logitech	Câmera HD Pro C920	Câmera alternativa de consumo para captura sem marcador
MediaPipe	Google Research	v0.10.21	Usado para estimativa de poses 2D em tempo real. Disponível online em https://ai.google.dev/edge/mediapipe/solutions/guide
Software OpenPose	Universidade Carnegie Mellon / Comunidade OpenPose	Versão 1.7.0	Usado para estimativa de poses 2D em tempo real
Modelo full body plug-in gait	Vicon	Modelo padrão	Usado como modelo biomecânico para posicionamento de marcadores anatômicos
Câmeras infravermelhas Vero	Vicon	Série Vero	Usado para captura de movimento baseada em marcador 3D (100 Hz)