Method Article

Serebral Palsili ve Tipik Gelişim Sürecinde Çocuklarda Segmentlerarası Koordinasyonun Gelişmiş Analizi İçin Multimodal Hareket Yakalama Araç Kutusu

DOI:

10.3791/69604

⸱

December 16th, 2025

 ,  ,  , 
1Department of Physical Therapy, University of North Florida, 2School of Physical Education and Sport of Ribeirão Preto, University of São Paulo, 3Department of Clinical and Applied Movement Sciences, University of North Florida

In This Article

Summary

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

Bu çalışma, kinematik sinyalleri analiz etmek ve tüm vücut koordinasyon desenlerini açı-açı grafikleriyle niceltmek için hareket yakalama teknolojilerini birleştiren bir araç kutusu tanıtmaktadır. Geleneksel işaretleyici tabanlı sistemlerin zorluklarını aşmak için tasarlanmış olan bu araç kutusu, araştırma, klinik ve saha ortamlarında esnekliği destekler, motor engelli çocuklar için bireysel bakım ve fonksiyonel değerlendirmeleri ilerletir.

Abstract

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

Üç boyutlu işaretleyici tabanlı hareket yakalama sistemleri, insan hareketindeki kinematik desenleri değerlendirmek için altın standarttır ve segment ile eklem pozisyonlarının hassas nicelenmesini sağlar. Ancak, geleneksel belirteç tabanlı sistemler, özellikle nörolojik engelli ve serebral palsili çocuklarda gözlemlenen duyusal işleme anormallikleri olan çocuklar için çeşitli zorluklar yaratmaktadır. Bu zorluklar, kinematik işaretleyicilerin kullanımını engeller ve hareket desenlerinin ayrıntılı analizlerini sınırlar. Derin öğrenmeye dayalı insan poz tahminini kullanan işaretçisiz hareket yakalama sistemlerindeki son gelişmeler, geleneksel optik sistemlere ve sonraki veri işleme yaklaşımlarına maliyet etkin alternatifleri keşfetmemizi sağladı. Entegre bir alet kutusu geliştirildi; çoklu hareket yakalama teknolojisini birleştirdi: araştırma sınıfı kinematik ekipmanlar, kinematik kümeler, ataletsel ölçüm birimleri, üç boyutlu (3D) işaretleyicisiz sistemler ve ticari olarak mevcut kameralarla iki boyutlu (2D) işaretleyicisiz sistemler (MediaPipe aracılığıyla). Bu mevcut çalışmada, insan katılımcıların biyomekanik çalışmalarında devam eden en büyük sorun olan 3D işaretleyici tabanlı ve 2D işaretleyicisiz hareket yakalama arasındaki sonuçları sunarak, kalça-diz açı-açı grafikleriyle koordinatif desenleri tanımlıyoruz. Siklogram yaklaşımı, vücut segmentleri arasındaki bağlı hareket yoluyla koordinasyonu analiz etmek için sağlam bir metrik ve kolayca yorumlanabilir bir çerçeve sunduğu için seçilmiştir. Tipik olarak gelişen iki çocuk ve iki serebral palsli çocuk, oturup durma görevi olan işlevsel bir hareket deseni gerçekleştirdi. Buradaki bulgular, kinematik analizler için çoklu modal sistemlerin entegre edilmesinin mümkün olduğunu göstererek araştırma ve klinik ortamlar için esneklik sağladı. Ayrıca, bu çalışmada sunulan yenilikçi açık kaynak yaklaşımı, duyusal işleme sorunları yaşayan birçok hasta grubunun yarattığı zorlukları ele alır ve gelişmiş ve bireyselleştirilmiş bir bakım planı sağlar.

Introduction

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

Üç boyutlu kinematik hareket yakalama değerlendirmeleri, beklenen ve anormal hareket kalıplarının nicelendirilmesinde güvenilir bilgiler sunmuştur. Bu bilgiler, rehabilitasyonplanı 1 tasarlanırken ve hastaların klinik ekipmanla etkileşimi için güvenlik yaklaşımları oluşturulurken çok önemlidir (örneğin, 2,3). Nörolojik kaynaklı engelli çocuklar değerlendirilirken, bu kinematik değerlendirmeler, yürüyüş4, oturup durmagörevi 5 ve üst ekstremite6'ya ulaşan fonksiyonel görevlerdeki koordinasyon kalıplarındaki değişiklikleri ele alarak gelişmiş bakım sağlayabilir.

Üç boyutlu (3D) kinematik değerlendirmeler doğru hareket yakalama analizi için altın standart olarak kabuledilse de, segment ve eklem hareketlerinin kesin olarak nicelendirilmesini sağlamak için cilde kinematik işaretleyicilerin yerleştirilmesi gerekliliktir. Bu işaretleyiciye dayalı değerlendirme, değerlendirmeyi yapanlar için belirli anatomik işaretler hakkında bilgi sahibi olmalarını, ayrıca değerlendirme alan kişilerin cildine sabitlenen bantların toleransı ve kabulünü gerektirir. İlki öğrenilebilirken, ikincisi birçok hasta popülasyonunda sorun yaratmaktadır. Örneğin, beyin hasarı veya serebral palsi olan çocuklar, duyusal bilginin işlenmesindebozukluklar gösterebilirler 8,9,10. Bu bozukluk, klinisyenlerin ve araştırmacıların kinematik belirteçleri çocukların cildine uygulamasını engelleyen aşırı duyarlılık olarak ortaya çıkabilir; bu da hareket yeteneklerindeki değişikliklerin nicelendirilmesini ve verimli bir bireyselleştirilmiş bakım planını engelleyebilir.

Hasta popülasyonlarının cildine işaret yerleştirme sorununun yanı sıra, kinematik çalışmalarda kullanılan çoğu ölçüm sistemi uygun fiyatlı değildir, laboratuvar alanlarıyla sınırlıdır ve sadece yüksek nitelikli personelle sunulmaktadır, bu da rutin klinik kullanım için pratik değildir. Ancak, hareket yakalama teknolojisindeki mevcut gelişmeler, kinematik veri kaydı için farklı yaklaşımları desteklemektedir. Örneğin, derin öğrenme teknikleriyle otomatik insan pozu tahmini bilgisayar görme araştırmacıları arasında dikkat çekmiştir. Bu işaretleyicisiz hareket yakalama teknikleri, işaretleyici tabanlı hareket analiziyle ilgili teknik ve pratik zorluklara umut vaat eden bir çözüm sunabilir. Belirtilerin takibi yerine, bu yaklaşım tüm simgenoktasının konumlarını tahmin etmek için eğitilmiş sinir ağları kullanır. Bu gelişme, insan duruşu tanıma teknolojisinin genel verimliliğini ve uyum sağlamlığını artırır.

Vücut segmentleri arasındaki kinematik ilişkinin, hareket kalıplarının değişkenliğini destekleyen temel kontrol mekanizmalarını ortaya çıkarabileceği iyi bir şekilde bilinmektedir. Segmentler 13 arasındaki koordinasyonu ölçmek için çeşitli yöntemler kullanılabilirken, açı-açı grafikleri (siklogramlar), belirli bir zaman diliminde segmentler/eklemler arasındaki bağlı hareketin doğal olarak yorumlanabilir bir niceliklendirilmesineolanak tanır 14,15. Serebral palsili birçok çocuk, seçici motor kontrol16 bozuk nedeniyle tüm vücut hareket kalıplarını gerçekleştirirken zorluk yaşadığından, basit ama karmaşık alt kontrol17 olan oturup ayağa kalkma hareketini incelemeyi seçtik. Bu çalışmanın amacı, engelli çocuklar için koordinatif desenlerin kinematik değerlendirmelerini kolaylaştırmak için hareket yakalama teknolojilerini birleştiren açık kaynak bir araç kutusunun uygulanabilirliğini göstermekti.

Bu çalışmada, kalça/pelvis ile uyluk/şaft segmentleri arasındaki koordinasyonu göstermek için kalça-diz siklogramları kullanacağız; kalça ve diz eklemleri oturmadan ayakta durma biyomekaniğine ilişkin temsil intersegmental bağlantılar olarak kullanılacaktır. Kalça-diz koordinasyonu, otur-ayağa durma görevi sırasında kütle merkezinin dikey ilerlemesini tetikleyen birincil eklem birleşmesini yakaladığı için seçildi; bu, eklem sinerjilerini etkileyen seçici motorkontrolün 16 bozulması nedeniyle genellikle telafi edici alt uzuv stratejilerine dayanan engelli çocuklar için işlevsel olarak kritik bir harekettir. Farklı teknolojilerin (örneğin, araştırma sınıfı 3D kinematik ekipmanlardan ticari olarak mevcut kameralara kadar) tek bir işlem aracı kutusuna entegre edilmesi, araştırma ortamlarından saha ve klinik ortamlara kadar kullanım esnekliği sağlar. Araç kutusu ayrıca, engelli çocuklarda duyusal işleme anormallikleri nedeniyle işaretleyici yerleştirme mümkün olmadığında belirteçsiz hareket yakalama sinyal işleme özellikleri aracılığıyla ayrıntılı kinematik değerlendirmeler yapılmasına olanak tanır.

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

Protocol

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

Bu çalışma, protokol uygulanabilirliğini göstermek için dört çocuğun temsil eden sonuçları kullanılarak bir vaka serisi olarak gerçekleştirildi; istatistiksel çıkarım yerine. Genellikle gelişen iki çocuk (erkek 4 yaşında, 100 cm, 14,5 kg; erkek 10 yaşında, 144 cm, 40,8 kg) ve iki serebral palsli çocuk, Gross Motor Function Classification System III (kadın 4 yaşında, 93 cm, 13,8 kg; erkek 4 yaşında, 102 cm, 16,7 kg) bu çalışmaya katıldı. Ebeveynler/yasal vasiler ve çocuklar, Kurumsal İnceleme Kurulu tarafından onaylanan çalışma protokolümüze (IRB-FY2024-33) uygun olarak katılımdan önce bilgilendirilmiş onay/onay sundular.

NOT: Bu protokol hem 3D işaretleyici tabanlı hem de 2D işaretleyicisiz hareket yakalama sistemleri için prosedürleri tanımlamaktadır, ancak bu çalışmanın odağı 2D işaretleyicisiz yaklaşımın uygulanmasıdır ve bu çalışmanın temel klinik ve pratik uygulamasını temsil etmektedir. Mevcut protokolün temel uygulaması, 3D kinematik veri elde etmek için en az 8 kamera içeren işaretleyici tabanlı hareket yakalama sistemi ve 2D işaretsiz yakalama için sagittal düzleme dik konumlanmış tek bir RGB kamera (minimum çözünürlük 1920 × 1080 piksel, 50 Hz) gerektirir. Yöntem, yeterli aydınlatma (> 500 luks) ve minimum arka plan karmaşası olan kontrollü klinik veya laboratuvar ortamları için uygundur. İdeal olmayan ortamlarda dayanıklılığı artırmak için vailá araç kutusu, kullanıcıların katılımcıyı arka plan dikkat dağıtıcılarından izole etmesini veya optimal olmayan kamera çerçevesini ayarlamasını sağlayan ön işleme araçlarını (örneğin çizim kutusu maskeleme, video kırpma/yeniden boyutlandırma) entegre eder. Temel sınırlamalar arasında, önemli ölçüde düzlem dışı hareketler sergileyen çocuklar için tek kameralı, işaretsiz yaklaşımın hassasiyetinin azalması yer alır; çünkü bu yaklaşım kameranın görüş alanı dışındaki derinlik bilgisini veya hareketleri yakalayamıyor. Kullanıcılar, katılımcıların önceden tanımlanmış yakalama hacmi içinde kalmasını ve görev yürütme sırasında işaretsiz takip performansını optimize etmek için sagittal düzlem hizasını korumalarını sağlamalıdır.

1. Ön test kontrolleri

  1. Kızılötesi hareket yakalama kamera sistemini ve video kamerayı açın ve ısıtın. Kızılötesi hareket yakalama sistemi, kalibrasyon ve veri toplamadan önce termal stabilizasyona ulaşmak için yaklaşık 30-60 dakika ısınma gerektirir. 100Hz (işaretleyici tabanlı sistemler için kızılötesi kameralar) ve 50Hz (işaretçisiz sistem için video kamera) örnekleme hızını doğrulayın.
  2. Yakalama hacmindeki yansıtıcı nesneleri temizleyin ve/veya kapatın.

2. Kamera yerleşimi

  1. İşaretleyici tabanlı sistem (3D kamera sistemi)
    1. Hareket alanının merkezinden yaklaşık 1,5-2,5 m uzaklıkta, 0,5-2,5 m yüksekliklerde monte edilmiş konum kameraları. Kameraların yakalama hacmi etrafında eşit şekilde dağıtıldığından ve işaretleyici görünürlüğünü optimize etmek ve oturup durma görevi sırasında tıkanıklığı en aza indirmek için sağlanır. Üçgenleme doğruluğunu artırmak ve görüş hattı parazitini azaltmak için kamera pozisyonunun alternatif yükseltmeleri.
    2. Hedef hacimdeki her nokta (çocuğun görevi yapacağı yer), optimal 3D veri yakalama için standart önerilere uygun olarak, her zaman en az iki kameraya görünür olmalıdır. Pediatrik katılımcıların antropometrisi ve değerlendirilen görev temelinde yakalama hacmini tanımlayın.
      NOT: Çalışma alanı yaklaşık 0,80 m yükseklikteydi.
    3. İşaret tabanlı sistemin yazılım araçlarını kullanarak üç ana optik ayarını (zoom, diyafram, odak) iyileştirerek düşük kalibrasyon kalıntıları ve denemeler arasında yüksek işaretçi takip tutarlılığını sağlayabilirsiniz.
  2. İşaretsiz sistem (2D kamera)
    1. Video kamerayı, katılımcıdan 3,0 m mesafeye yan tarafa (veya mümkünse, oturmaktan ayakta durmaya kadar deneğin tüm vücudu görülebildiği sürece, katılımcı ayakta dururken pelvis yüksekliğinde, sagital düzleme dik konumda konumlandırın.
    2. Optik ekseni (roll olmadan) düzleştirin ve görüntünün orta hattını kalça eklemi merkez bölgesiyle hizalasın.
    3. Tüm kayıtlar için sabit görüntüleme parametreleriyle kamerayı yapılandırın.
      1. Satın alma bölgesini 1920 × 1200 px ilgi alanı olarak belirleyerek etkili çözümü tanımlayın. 20 mm odak merceği kullanın ve deney boyunca diyaframı (çevre ile katılımcı arasındaki yeterli kontrast) sabit tutun.
      2. Kare hızını 50 Hz'e ayarlayın ve deklanşör süresini 5 ms'e sabitleyin. Aşağıdaki donanım ayarlarını uygulayın ve veri toplama sırasında bunları değiştirmeyin: kazanç 9.998, gamma 0.4, siyah seviye 0, doygunluk 1.
      3. Görüntü görünümünde zamansal kaymayı önlemek için tüm otomatik pozlama ve beyaz balans ayarlarını devre dışı bırakın.
        NOT: Odağı ayarlamak için, katılımcının görevi yapacağı yere Calibri fontuyla yazılan kısa bir ifade kullanılabilir; bu yazı kalın stil ve 48 boyutta. Kameranın görüş alanında harfler keskin olmalı, görünür bir bulanıklık olmamalıdır.
    4. Belirgin bozulmaya sahip herhangi bir lens kullanıldığında, kalibrasyon/bozulma açma için Charuco/Checkerboard18,19 hazırlayın (tamamen sagittal, sabit görevler için isteğe bağlı).
      NOT: Kullanılan hem işaretleyici tabanlı hem de işaretsiz video kamera sistemleri Şekil 1'de gösterilmiştir.

Şekil 1
Şekil 1: Bu çalışmada kullanılan iki kamera sisteminin yakın planı. 3D kinematik sistemin kızılötesi kamerası (solda) kullanıldı; burada işaretleyici tabanlı yaklaşım için 12 kamera kullanıldı ve işaretsiz yaklaşım için bir video kamera (sağda) kullanıldı. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

3. Senkronizasyon

NOT: Bu adım yalnızca farklı sistemler aynı anda kullanıldığında gereklidir. Sistemler arasında senkronizasyon yalnızca tek bir kinematik (2D veya 3D) sistem kullanıldığında gerekli değildir.

  1. Her denemenin başında her iki sisteme transistör-transistör mantığı (TTL) tetikleyicisi göndermek için LockLab'ı (veya eşdeğer kontrol/senkronizasyon birimini) bağlayın.
  2. Donanım tetikleyicileri mevcut değilse, görünür bir ışık yayan diyot (LED) flaşı (tercih edilen yöntem) veya her iki sistem tarafından kaydedilen duyulabilir bir alkış kullanabilirsiniz.

4. Capture volume kalibrasyonu (işaretleyici tabanlı sistem)

  1. Kameraların görüş alanını (hem kızılötesi hem de video kameraları) görsel olarak inceleyerek gereksiz nesneleri her görüşten çıkarın. İşaret tabanlı sistemin yazılımında, kameranın görüşünden çıkarılamayan yansıtıcı nesneleri (örneğin diğer kameralar) maskelenir.
  2. Görevin yapılacağı yerde asa kalibrasyonu yapın. Asayı tam yakalama hacmi boyunca hareket ettirerek tüm alanın kaplı olduğundan emin olun. Kalibrasyonu yalnızca mekansal doğruluk 1 mm ≤ kabul edin (ortalama kalıntı).
    NOT: Bu işlem sırasında kalibrasyon çubuğunu aynı anda en az üç kameranın izlediğinden emin olun. Asayı, deneme görevinde beklenen harekete yaklaşık olarak yaklaşan bir hızda yakalama hacmi içinde hareket ettirin: Yüksek hızlı görevler için, asayı hızla hareket ettirin; Daha yavaş hareketler için değneğiyi daha yavaş süpürün. Kalibrasyon geçişinin sonunda, yazılım göstergelerinde çubuğun yeterli görüntüsünü yakalamayan kameralar için kontrol edin ve kalibrasyonu tamamlamadan önce bu kameraların görüş alanlarında ek hedeflenmiş asa hareketleri yapın. Wand kalibrasyonundan sonra kalan hatalar genellikle 0.3 ile 0.8 mm arasında olur; eğer çubuk geçişi düzgün, yakalama hacmi eşit şekilde aydınlatılır ve tüm kameralar engelsiz görüşe sahiptir.
  3. Kalibrasyon çubuğunu tanımlanmış test alanı içinde belirlenen orijin konumuna yerleştirerek hacim orijinini ayarlayın. Zemin düzlemini üreticinin talimatlarına göre tanımlayın.

5. İşare yerleştirme (işaretleyici tabanlı sistem)

  1. Eğitilmiş bir muayeneci tarafından yapılan Plug-in Gait 20,21,22 modeline (Şekil 2) göre retroreflektif işaretleyiciler yerleştirin.
  2. Statik deneme toplamadan önce kısa bir test hareketi sırasında iki taraflı kalça, diz ve gövde işaretleyicilerinin görünürlüğünü doğrulayın (3D işaretleyici tabanlı sistemler için gereklidir).

Şekil 2
Şekil 2: Mevcut çalışma için uyarlanmış Plug-in Yürüyüş modeli. Standart işaretleyici seti, alt uzuv, pelvis, gövde ve baş segmentlerini tanımlamak için uygulandı. Üst uzuv işaretleyicileri tamamen alt vücut ve gövde kinematikasına odaklanmak için çıkarıldı. Bu uyarlama, orijinal Plug-in Gait tam vücut modelinin bütünlüğünü korur ancak kol hareketini analizden hariç tutar. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

6. Sandalye ve ortam

  1. Kolsuz bir sandalye kullanın ve koltuk yüksekliğini kalça ile diz açılarını ~90° olacak şekilde ayarlayın, ayaklar yere düz düşsün. Her katılımcı için koltuk yüksekliğini (cm) kaydedin.
  2. Tek tip aydınlatma sağlamak; Sagittal görünümde arka ışık ve tıkanıklıklardan kaçının. Tekdüze, yüksek kontrastlı bir arka plan oluşturun.

7. Katılımcı eğitimi ve güvenliği

  1. Kayıt dosyalarında tanımlanabilir bir bilgi bulunmadığını (her katılımcı için yalnızca tanımlanamayan alfanumerik kodlar) doğrulama yapın.
  2. Oturma duruşmalarında, katılımcıların doğru talimatlar ve protokollerden haberdar olduğundan emin olun.
    1. Genellikle gelişmekte olan (TD) katılımcılara ellerini kalçalarında tutmalarını öğretin.
    2. Serebral palsli (GMFCS III) çocuklar için, güvenlikten ödün vermeden dik duruş elde etmek için manuel destek sağlanır.
      NOT: Pediatrik hastalar güvenlik ve görev tamamlanmasını sağlamak için manuel destek gerektirebilir, ancak vücut segmentlerinin veya işaretleyicilerin tıkanmasını en aza indirmek için özen gösterilmelidir; çünkü bu veri kalitesini tehlikeye atabilir.
    3. Hareketi sözlü olarak ("yukarı") başlatın ve oturma denemelerinde kendi seçtiğiniz rahat bir hız verin.

8. Deneme edinimi

  1. Dinamik denemeleri yakalamadan önce, katılımcının ayakları omuz genişliğinde ve kolları 90° abdüksiyonda nötr pozisyonda durduğu statik kalibrasyon denemesi alın.
    1. Tüm işaretleyicilerin en az iki kameraya görünür olduğundan emin olun; Marker tabanlı sistemin erişim yazılımında, tüm kameralarda işaretleyicilerin ≥ %95'inin tespit edildiğini doğrulayın. 2-3 saniyelik rekor. Bir 3D perspektif çerçevesinde tüm işaretleyiciler olmalı.
    2. İşaret tabanlı sistemin yazılımında, eklem merkezleri ve segment koordinat sistemlerini tanımlamak için Plug-in Gait statik modeli uygulanır. 3D iskelet görselleştirmesini inceleyerek ve anatomik olarak mümkün eklem merkezi pozisyonlarını doğrulayarak modelin uygun uyumunu doğrulayın.
      NOT: Bu statik deneme, sonraki 3D dinamik deneme işlemleri için gereken biyomekanik model parametrelerini sağlar. Bu adımda, katılımcının antropometrik ölçümlerini (örneğin, kilo, boy, bacak uzunluğu vb.) işaretleyici tabanlı sistemin yazılımına girmeniz gerekir. Statik deneme sırasında pediatrik hastalar için manuel destek gerektiğinde, veri kalitesini tehlikeye atabilecek belirtici tıkanmasını önlemek için özen gösterilmelidir.
  2. Her katılımcı başına üç oturma23 deneme kaydedildi. Denemeler arasındaki dinlenme süresi katılımcı başına gerektiği gibi olabilir, çünkü bu fiziksel olarak zorlayıcı bir görev değildir.
  3. Grup (örneğin, TD, CP), katılımcı alfanumerik kimliği ve deneme numarası dahil olmak üzere standartlaştırılmış dosya adlandırma düzeni kullanın.
  4. İşaret tabanlı sistemin yazılımında, kalibre edilmiş kamera sistemi kullanılarak işaretleyici yörüngelerini yeniden inşa edilir.
    1. Her işaretleyiciyi Plug-in Yürüyüş işareti seti isimlendirmesine göre etiketleyin. Kısa kapatmalar için otomatik boşluk doldurma (maksimum boşluk boyutu: 10 kare) kullanın.
    2. İskeleti 3D perspektifte görsel olarak inceleyerek etiketleme doğruluğunu doğrulayın. Tüm işaretleyiciler doğru şekilde etiketlendikten ve yörüngeler sürekli olduğunda, denemeyi vailá toolbox'ta analiz için .c3d dosyası olarak dışa aktarın.
  5. Optik verileri .c3d olarak ve video karelerini veya kayıpsız veya yüksek bit hızlı sıkıştırılmış dosyalar olarak yayın yapmayı unutmayın.

9. Veri işleme

NOT: vailá toolbox (v0.10.21)24 çapraz platformdur (Windows, macOS, Linux) ve Python 3.12 veya daha yenisini gerektirir. İşakeresiz analiz modülleri (örneğin, MediaPipe25) standart CPU'larda verimli çalışacak şekilde optimize edilmiştir ve özel donanım olmadan klinik ortamlarda erişilebilirlik sağlar. CUDA destekli bir GPU isteğe bağlıdır ve yalnızca kullanıcı daha hızlı işlem için alternatif yüksek hızlı motorlar (örneğin YOLO-Pose) seçtiğinde kullanılır. Detaylı yürütme komutları, adım adım rehberler ve tam dokümantasyon için, kullanıcılar araç kutusunun çevrimiçi kaynaklarına ve entegre yardım dosyalarına yönlendirilir; bunlar şu adresten erişilebilir hale gelir: https://github.com/vaila-multimodaltoolbox/vaila/tree/main/docs/modules/markerless-analysis.

  1. İşaret tabanlı yaklaşım: İşaret tabanlı sistemin yazılımında, statik ve dinamik denemeleri işliyor. Dinamik Eklenti Yürüyüş modelini etiketlenmiş işaret yörüngelerine uygulayın (bkz. adım 7.4) ve eklem açısı zaman serisini hesaplayın.
    1. İşlenen deneme verilerini .c3d dosyası olarak dışa aktarın. Hesaplanan eklem açısı zaman serilerinin (örneğin, kalça, diz, ayak bileği açıları) ihracata dahil edilmesinden emin olun.
    2. İşlenen .c3d dosyasını vaila.load_c3d() fonksiyonunu kullanarak vailá araç kutusuna aktarın. Araç kutusu, önceden hesaplanmış ortak açı zaman serisi verilerini dosyadan otomatik olarak çıkarır.
    3. Entegre filtreleme fonksiyonlarını kullanarak (aşağıda adım 9.2.4'te açıklandığı gibi) birleşim açı verilerine 4. dereceden sıfır gecikmeli Butterworth düşük geçirim filtresini (6 Hz kesme) uygulayarak işaretsiz verilerle tutarlı işleme sağlanır.
    4. Sonraki analizler (örneğin, siklogram üretimi, koordinasyon metrikleri hesaplaması) vailá içinde yapılır.
  2. İşaretsiz yaklaşım: Load MediaPipe Pose tahmin modülü (v0.10.21) vailá içinde. Aşağıdaki parametreleri ayarlayın: static_image_mode = Yanlış, model_complexity = 1-2 (GPU/CPU kaynakları daha yüksek doğruluk sağladığında seviye 2 kullanın), smooth_landmarks = Doğru, min_detection_confidence = 0.6, min_tracking_confidence = 0.6.
    NOT: Burada OpenPose gibi alternatif poz tahmin çerçeveleri kullanılabilir.
    1. Her video karesini işleyerek MediaPipe 33 simgelerini çıkarın (Şekil 3). Eşik altında tespit güvenilirliğine sahip çerçeveleri atabilir veya eksik veri için interpolasyon uygulanır.
      NOT: MediaPipe, yüz, gövde ve uzuv anahtar noktaları dahil olmak üzere 33 vücut simgesi tespit ediyor (Şekil 3). Mevcut protokol için, oturma analiziyle ilgili sadece gövde ve alt vücut işaretleri kullanıldı: Omuz [sol omuz 11 ve sağ omuz 12 işareti), kalça [sol kalça 23 ve sağ kalça) 24 işaret], Diz [25 (sol diz) ve 26 (sağ diz)] ve ayak bileği [27 (sol bilek) ve 28 (sağ ayak bileği)]. Bu simge noktalar RGB videodan otomatik olarak algılanır ve görsel özelliklerden tahmin edilir (Plug-in Gait modelinde kullanılan retroreflektif işaretleyici konumları yerine).
    2. Tüm önemli işaretlerin (omuz, kalça, diz, ayak bileği) 0.7≥ güvenle tespit edildiğini doğrulayın.
    3. (İsteğe bağlı) Eğer lens bozulması önemliyse, MediaPipe çalıştırmadan önce kalibrasyon parametreleriyle (kamera matrisi ve bozulma katsayıları) çerçeveleri bozun.
    4. YOLO-Pose: Paralel olarak, vailá'ya entegre edilmiş YOLO-Pose modülünü yükleyin.
      1. Modeli insan iskeleti tespiti için varsayılan ağırlıklarla yapılandırın (COCO formatıyla uyumlu anahtar noktası seti). Her kare, hareket bulanıklığı, oklüzyon veya karmaşık arka planlar altında sağlam performans için optimize edilmiş YOLO omurgası kullanılarak iskelet anahtar noktalarını tespit etmek üzere işlenir.
      2. Çerçeveden kareye titremeyi azaltmak ve tespit edilen anahtar noktaları MediaPipe için kullanılan koordinat sistemiyle hizalamak için zamansal düzgünleştirme filtreleri uygulanır.
      3. Zaman yumuşatma filtresi için, 6 Hz kesme frekansına sahip düşük geçirimli 4. dereceden Butterworth filtresi uygulayarak hem işaretleyici tabanlı hem de işaretsiz, yüksek frekanslı gürültüyü ortadan kaldırır ve hareket sinyalini korur.
      4. Bu filtreyi, Python'da scipy.signal.butter() ve scipy.signal.filtfilt() fonksiyonlarını kullanarak uygulayın; zamansal kaymaları önlemek için sıfır faz ileri-geri filtreleme kullanılır.
    5. Vailá'da veri işleme: Her iki boru hattından (MediaPipe ve YOLO-Pose) önemli yörüngeleri standartlaştırılmış .csv veya .json formatında dışa aktarın. Meta verileri (kare numarası, zaman damgası, tespit güveni) ve anahtar nokta koordinatlarını birlikte depolayın. Bu, yöntemler arasında karşılaştırılabilirliği ve analizlerin tekrarlanabilirliğini sağlar.
  3. Koordinat tanımları ve eklem açıları: Sagittal-düzlem kalça fleksiyonu ve diz fleksiyon açılarını pozitif değerlerle tanımlayın.
    1. İşaretsiz veri için, eklem merkezleri/segmentlerini MediaPipe simgelerinden (örneğin, kalça: pelvis proxy; diz: femur-tibia; gövde: omuz-kalça segmenti) türetin ve tutarlı bir eklem koordinat sistemi kullanarak sagital açıları hesaplayın.
      NOT: Sagittal düzlem eklem açıları, 2B işaret koordinatlarından geometrik olarak hesaplanır. Vailá araç kutusu, iki segment vektörü (vektör a ve vektör b) arasındaki açıyı (θ) nokta çarpımının arkkozinüsü kullanarak hesaplar: θ = arccos((a · b) / (|a| |b|)). Kalça Fleksiyonu, 'gövde' vektörü (MediaPipe simge işaretleri 11/12 [omuz] ve 23/24 [kalça] arasındaki vektör) ile 'uyluk' vektörü (23/24 [kalça] ve 25/26 [diz] arasındaki vektör) arasındaki açı olarak tanımlanır. Diz Fleksiyonu, 'uyluk' vektörü (23/24 [kalça] ve 25/26 [diz] arasındaki vektör) ile 'shank' vektörü (25/26 [diz] ve 27/28 [bilek] arasındaki açı olarak tanımlanır.
    2. Karşılaştırmayı kolaylaştırmak için her iki yaklaşıma da aynı işaret konvansiyonunu ve filtreleme (gerekirse) uygulayın.
  4. Zamansal senkronizasyon: Her iki yaklaşımdan verileri LockLab tetik zaman damgası kullanarak hizalayın; aksi takdirde, ilk görünür flaş/alkış karesini veri akışları arasında hizalayın.
    1. Gerekirse, karşılaştırmadan önce zaman serilerini ortak bir zaman tabanına yeniden örnekleyin.
  5. Hareket döngüsünü tanımlayın:
    1. Genellikle gelişen çocuklarda (gövde açısal hızı ~0 ve diz tam ekspansiyonu) öne doğru eğilme (pozitif gövde açısal hız eşiği) başlamasından sabit dik duruşa kadar oturma döngüsünü tanımlayın; serebral palsli çocuklarda ise stabil dik duruş ve servikal işaretleyicinin en yüksek pozisyonu (işaretleyici tabanlı sistem) tanımlanır.
    2. Serebral palsili çocuklarda, genellikle gelişmekte olduğu gibi tam ekspansiyon (yani gövde pelvis ile hizalanmış, kalça 0° fleksiyonda, dizler tam açılmış) elde edemeyebilirlerse, döngünün sonunu statik ayakta durma duruşuyla uyumlu olarak en dik duruş olarak tanımlayın ve bir sonraki denemeden önce stabil bir duruş sağlamak için görsel incelemeyle doğrulanın.
    3. Temsilci grafikler için zaman normalizasyonu yapmayın; Deneme başına gerçek görev süresini bildirin. (Zamanla normalize edilmiş analizler istenirse ek olarak sunulabilir.)
  6. Siklogram hesaplaması ve metrikleri: Her deneme için kalça (x ekseni) ve diz (y ekseni) açılarını çizerek kalça-diz siklogramları oluşturulur.
    1. Görsel karşılaştırma için üst üste çalışma denemeleri ve yaklaşımlar (işaretleyici tabanlı veya işaretsiz) kullanın.
    2. İsteğe bağlı özet metrikleri hesaplayın: kalça/diz hareket aralığı, döngü alanı, döngü yönü (ana eksen açısı) ve yol uzunluğu.
    3. İstatistiksel analiz için işlenmiş zaman serileri ve metrikleri .csv olarak ihraç edin.

Şekil 3
Şekil 3: MediaPipe'ın 33 simgesi. Bu çalışmada, sadece oturma göreviyle ilgili işaretleri kullandık; özellikle 11 ve 12 (omuzlar), 23 ve 24 (kalçalar), 25 ve 26 (dizler) ile 27 ve 28 (ayak bilekleri). Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

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

Results

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

Açık kaynak Python tabanlı araç kutusu, otur-ayakta durma görevi sırasında pediatrik katılımcılarda hem işaretleyici tabanlı hem de işaretleyicisiz sistemlerden kalça-diz koordinasyon kalıplarını başarıyla niceleştirdi. Görsel siklogramlarla birlikte nicel bir karşılaştırma sağlamak için, temsil çalışmalar için temel özet metrikler (Kalça ve Diz Hareket Aralığı) Tablo 1'de sunulmuştur. Tipik olarak gelişen çocuklardan (Şekil 4A,B) alınan temsil açı-açı grafi...

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

Discussion

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

Bu çalışmanın amacı, açık kaynaklı, çok modlu bir araç kutusunun uygulanabilirliğini ve uygulamalılığını göstermek, göstergesiz ve işaretleyicisiz hareket yakalama sistemlerini entegre ederek pediatrik popülasyonlarda tüm vücut koordinasyonunu analiz etmekti. Temsilci uygulamalarda, protokol tipik olarak gelişen çocuklarda belirteç tabanlı ve belirteçsiz sistemler arasında karşılaştırılabilir kalça-diz siklogramları başarıyla üretti; ayrıca serebral palsli çocuklarda hareketler sagital d...

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

Disclosures

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

Yazarların açıklayacak hiçbir şeyi yok.

Acknowledgements

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

Fizyoterapi Araştırmaları Vakfı'ndan 2023 Pediatrik Fizyoterapi Araştırma Araştırma Araştırma Hibesi, MedNexus Araştırma İnovasyon Fonu ve Eunice Kennedy Shriver Ulusal Çocuk Sağlığı ve İnsan Gelişimi Enstitüsü (1R03HD114548-01) tarafından sağlanan mali desteği (PI: Cesar'a) teşekkür etmek isteriz.

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

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
FLIR Blackfly kameraFLIR SistemleriModel: BFS-U3-200S6C-C2D işaretsiz hareket yakalama için kullanıldı (50 Hz, 1980× 1200 px)
Hikvision PoE kameraHikvisionYok2D işaretsiz yakalama için alternatif video kaydı
LockLab donanım tetikleyicisiViconLockLabZamansal senkronizasyon için kullanılır
Logitech C920 kameraLogitechHD Pro Webcam C920İşaretsiz yakalama için alternatif tüketici kamerası
MediaPipeGoogle Araştırmasıv0.10.21Gerçek zamanlı 2D poz tahmini için kullanılır. Çevrimiçi olarak https://ai.google.dev/edge/mediapipe/solutions/guide
OpenPose yazılımıCarnegie Mellon Üniversitesi / OpenPose topluluğuSürüm 1.7.0Gerçek zamanlı 2B poz tahmini için kullanılır
Plug-in Gait tam gövde modeliViconStandart modelAnatomik işaretleyici yerleştirme için biyomekanik model olarak kullanılmıştır
Vero kızılötesi kameralarViconVero serisi3D işaretleyici tabanlı hareket yakalama (100 Hz) için kullanılır

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Tavernese, E., Paoloni, M., Mangone, M., Castelli, E., Santilli, V. Coordination between pelvis and shoulder girdle during walking in bilateral cerebral palsy. Clin Biomech. 32, 142-149 (2016).
  2. Cesar, G. M., Buster, T. W., Gonabadi, A. M., Burnfield, J. M. Muscle demand and kinematic similarities between pediatric-modified motor-assisted elliptical training at fast speed and fast overground walking:Real-world implications for pediatric gait rehabilitation. J Electromyogr Kinesiol. 63, 102639(2022).
  3. Burnfield, J. M., Cesar, G. M., Buster, T. W., Irons, S. L., Nelson, C. A. Kinematic and muscle demand similarities between motor-assisted elliptical training and walking:Implications for pediatric gait rehabilitation. Gait Posture. 51, 194-200 (2017).
  4. Swinnen, E., Van Goten, L., De Koster, B., Degelaen, M. Thorax and pelvis kinematics during walking, a comparison between children with and without cerebral palsy:A systematic review. NeuroRehabilitation. 38 (2), 129-146 (2016).
  5. Boonyong, S., Suriyaamarit, D. The effects of anterior seat inclination on movement time, mechanical work and kinematics during sit-to-stand in children with spastic diplegic cerebral palsy. Disabil Rehabil Assist Technol. 16 (5), 479-482 (2021).
  6. Aboelnasr, E. A., Hegazy, F. A., Altalway, H. A. Kinematic characteristics of reaching in children with hemiplegic cerebral palsy:A comparative study. Brain Inj. 31 (1), 83-89 (2017).
  7. Suo, X., Tang, W., Li, Z. Motion capture technology in sports scenarios:A survey. Sensors. 24 (9), 2947(2024).
  8. Thielen, H., Tuts, N., Welkenhuyzen, L., Huenges Wajer, I. M., Lafosse, C., Gillebert, C. R. Sensory sensitivity after acquired brain injury:A systematic review. J Neuropsychol. 17 (1), 1-31 (2023).
  9. de Sain, A. M., et al. Sensory hypersensitivity after acquired brain injury:The patient perspective. Disabil Rehabil. 46 (16), 3586-3593 (2024).
  10. Pavão, S. L., Rocha, N. A. Sensory processing disorders in children with cerebral palsy. Infant Behav Dev. 46, 1-6 (2017).
  11. Realtime multi-person 2D pose estimation using part affinity fields. Cao, Z., Simon, T., Wei, S. E., Sheikh, Y. Proc IEEE Conf Comput Vis Pattern Recognit, 2017, 1302-1310 (2017).
  12. Mathis, A., et al. DeepLabCut:Markerless pose estimation of user-defined body parts with deep learning. Nat Neurosci. 21 (9), 1281-1289 (2018).
  13. Dubois, A., et al. A guide to inter-joint coordination characterization for discrete movements:A comparative study. J Neuroeng Rehabil. 20, 132(2023).
  14. Saegner, K., et al. Inter-joint coordination with and without dopaminergic medication in Parkinson's disease:A case-control study. J Neuroeng Rehabil. 21, 118(2024).
  15. Hallemans, A., Aerts, P. Effects of visual deprivation on intra-limb coordination during walking in children (3-11 years) and adults:Thigh-shank and shank-foot angle-angle plots reveal modulation of loop shape with visual condition. Exp Brain Res. 198 (1), 95-106 (2009).
  16. Yun, G., Huang, M., Cao, J., Hu, X. Selective motor control correlates with gross motor ability, functional balance and gait performance in ambulant children with bilateral spastic cerebral palsy. Gait Posture. 99, 9-13 (2023).
  17. Park, E. S., et al. The characteristics of sit-to-stand transfer in young children with spastic cerebral palsy based on kinematic and kinetic data. Gait Posture. 17 (1), 43-49 (2003).
  18. Bradski, G. The OpenCV library. Dr Dobb's J Softw Tools. 120, 122-125 (2000).
  19. Garrido-Jurado, S., Muñoz-Salinas, R., Madrid-Cuevas, F. J., Marín-Jiménez, M. J. Automatic generation and detection of highly reliable fiducial markers under occlusion. Pattern Recognit. 47 (6), 2280-2292 (2014).
  20. Kadaba, M. P., Ramakrishnan, H. K., Wootten, M. E. Measurement of lower extremity kinematics during level walking. J Orthop Res. 8 (3), 383-392 (1990).
  21. Davis, R. B., Õunpuu, S., Tyburski, D., Gage, J. R. A gait analysis data collection and reduction technique. Hum Mov Sci. 10, 575-587 (1991).
  22. Vicon Motion Systems Ltd. Plug-in gait reference guide. , Vicon Motion Systems Ltd. Oxford. https://help.vicon.com/download/attachments/11378719/Plug-in%20Gait%20Reference%20Guide.pdf (2016).
  23. Romin, E., Lindgren, A., Rodby-Bousquet, E., Cloodt, E. Sit-to-stand performance in children with cerebral palsy: A population-based cross-sectional study. BMC Musculoskelet Disord. 25 (1), 460(2024).
  24. vailá: A multimodal toolbox for analysis and integration in biomechanics. Santiago, P. R. P., Chinaglia, A. G., Bedo, B. L. S., Mochida, L. Y., Cesar, G. M. Int Soc Biomech Conf, July 27-31, Stockholm, Sweden, , (2025).
  25. MediaPipe v0.10.21. , MediaPipe. Available at: https://pypi.org/project/mediapipe/ (2025).
  26. Kim, D., et al. Learning-based 3D human kinematics estimation using behavioral constraints from activity classification. Nat Commun. 16 (1), 3454(2025).
  27. Friedrich, M. U., et al. Validation and application of computer vision algorithms for video-based tremor analysis. NPJ Digit Med. 7 (1), 165(2024).
  28. Cappozzo, A., et al. Human movement analysis using stereophotogrammetry. Gait Posture. 21 (2), 186-196 (2005).
  29. Maas, S. A., Göcking, T., Stojan, R., Voelcker-Rehage, C., Kutz, D. F. Synchronization of neurophysiological and biomechanical data in a real-time virtual gait analysis system (GRAIL):A proof-of-principle study. Sensors. 24 (12), 3779(2024).
  30. Wade, L., Needham, L., McGuigan, P., Bilzon, J. L. Applications and limitations of current markerless motion capture methods for clinical gait biomechanics. PeerJ. 10, e13292(2022).
  31. Wade, L., et al. Examination of 2D frontal and sagittal markerless motion capture:Implications for markerless applications. PLoS One. 18 (11), e0293917(2023).
  32. Arbogast, K. B., et al. Consensus head acceleration measurement practices (CHAMP): Origins, methods, transparency and disclosure. Ann Biomed Eng. 50 (11), 1317-1345 (2022).
  33. Yang, J., Park, K. Improving gait analysis techniques with markerless pose estimation based on smartphone location. Bioengineering. 11 (2), 141(2024).
  34. Washabaugh, E. P., Shanmugam, T. A., Ranganathan, R., Krishnan, C. Comparing the accuracy of open-source pose estimation methods for measuring gait kinematics. Gait Posture. 97, 188-195 (2022).
  35. Lee, H., et al. Automated gait analysis based on a marker-free pose estimation model. Sensors. 23 (14), 6489(2023).
  36. Hundza, S. R., et al. Multi-view gait analysis by temporal geometric features of human body parts. Appl Sci. 14 (7), 2824(2024).
  37. Shvets, A., et al. Improving gesture recognition efficiency with MediaPipe and YOLO-Pose. Int Arch Photogramm Remote Sens Spatial Inf Sci. 48, 13-18 (2025).
  38. Gonabadi, A. M., Cesar, G. M., Buster, T. W., Burnfield, J. M. Effect of gap-filling technique and gap location on linear and nonlinear calculations of motion during locomotor activities. Gait Posture. 94, 85-92 (2022).
  39. Cesar, G. M., Buster, T. W., Burnfield, J. M. Cardiorespiratory fitness, balance and walking improvements in an adolescent with cerebral palsy (GMFCS II) and autism after motor-assisted elliptical training. Eur J Physiother. 22 (3), 124-132 (2020).
  40. Basystiuk, O., Rybchak, Z., Zavushchak, I., Marikutsa, U. Evaluation of multimodal data synchronization tools. Comput Des Syst Theory Pract. 6, 104-111 (2024).

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

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Motion CaptureMarkerless Motion CaptureCerebral PalsyIntersegmental CoordinationHuman Movement AnalysisKinematic PatternsDeep Learning Pose EstimationInertial Measurement UnitsCyclogram ApproachSit To Stand Task

Related Articles