Descripción del movimiento humano basado en el marco de Frenet Serret y datos tipo MOCAP

  • Juan Camilo Hernandez-Gomez Docente Ocasional Universidad Nacional de Colombia. Grupo de Promoción e Investigación en Mecánica Apli-cada (GPIMA). Medellín–Colombia
  • Alejandro Restrepo-Martínez Profesor Asistente Universidad Nacional de Colombia. Grupo de Promoción e Investigación en Mecánica Apli-cada (GPIMA)
  • Juliana Valencia-Aguirre Docente Instituto Tecnológico Metropolitano. Grupo de Automática, Electrónica y Ciencias Computacionales (AEyCC) Medellín–Colombia
Palabras clave: Movimiento humano; Dinámica; Kinect; Captura de movimiento; Rehabilitación física; Frenet Serret

Resumen

Clasificar el movimiento humano se ha convertido en una necesidad tecnológica, en donde para definir la posición de un sujeto requiere identificar el recorrido de las extremidades y el tronco del cuerpo, y tener la capacidad de diferenciar esta posición respecto a otros sujetos o movimientos, generándose la necesidad tener datos y algoritmos que faciliten su clasificación. Es así, como en este trabajo, se evalúa la capacidad discriminante de datos de captura de movimiento en rehabilitación física, donde la posición de los sujetos es adquirida con el Kinect de Microsoft y marcadores ópticos, y atributos del movimiento generados con el marco de Frenet Serret, evaluando su capacidad discriminante con los algoritmos máquinas de soporte vectorial, redes neuronales y k vecinos más cercanos. Los resultados presentan porcentajes de acierto del 93.5% en la clasificación con datos obtenidos del Kinect, y un éxito del 100% para los movimientos con marcadores ópticos.

 

Classify human movement has become a technological necessity, where defining the position of a subject requires identifying the trajectory of the limbs and trunk of the body, having the ability to differentiate this position from other subjects or movements, which generates the need to have data and algorithms that help their classification. Therefore, the discriminant capacity of motion capture data in physical rehabilitation is evaluated, where the position of the subjects is acquired with the Microsoft Kinect and optical markers. Attributes of the movement generated with the Frenet Serret framework. Evaluating their discriminant capacity by means of support vector machines, neural networks, and k nearest neighbors algorithms. The obtained results present an accuracy of 93.5% in the classification with data obtained from the Kinect, and success of 100% for movements where the position is defined with optical markers.

Biografía del autor/a

Juan Camilo Hernandez-Gomez, Docente Ocasional Universidad Nacional de Colombia. Grupo de Promoción e Investigación en Mecánica Apli-cada (GPIMA). Medellín–Colombia

Magister e Ingeniero en Ingeniería Mecánica.

Alejandro Restrepo-Martínez, Profesor Asistente Universidad Nacional de Colombia. Grupo de Promoción e Investigación en Mecánica Apli-cada (GPIMA)

Ph.D. en Informática

Juliana Valencia-Aguirre, Docente Instituto Tecnológico Metropolitano. Grupo de Automática, Electrónica y Ciencias Computacionales (AEyCC) Medellín–Colombia

Magister e ingeniero en Ingeniería-Automatización Industrial

Citas

Napoli, A., Glass, S., Ward, C., Tucker, C., & Obeid, I. (2017). Performance analysis of a general-ized motion capture system using microsoft kinect 2.0. Biomedical Signal Processing and Control, 38, 265-280.

Galna, B., Barry, G., Jackson, D., Mhiripiri, D., Olivier, P., & Rochester, L. (2014). Accuracy of the Microsoft Kinect sensor for measuring movement in people with Parkinson's disease. Gait & posture, 39(4), 1062-1068.

Liao, Y., Vakanski, A., & Xian, M. (2020). A deep learning framework for assessing physical reha-bilitation exercises. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 28(2), 468-477.

Napoli, A., Glass, S., Ward, C., Tucker, C., & Obeid, I. (2017). Performance analysis of a general-ized motion capture system using microsoft kinect 2.0. Biomedical Signal Processing and Control, 38, 265-280.

Raman, Natraj; Maybank, Stephen J.: Action classification using a discriminative multilevel HDP-HMM. En: Neurocomputing 154 (2015), p. 149-161.

Devanne, Maxime; Wannous, Hazem; Berretti, Stefano; Pala, Pietro; Daoudi, Mohamed; Del Bim-bo, Alberto: 3-d human action recognition by shape analysis of motion trajectories on riemannian man-ifold. En: IEEE transactions on cybernetics 45 (2015), Nr. 7, p. 1340 - 1352.

Vemulapalli, Raviteja; Arrate, Felipe; Chellappa, Rama: Human action recognition by representing 3d skeletons as points in a lie group. En: Proceedings of the IEEE conference on computer vision and pattern recognition, 2014, p. 588-595.

Muller, Meinard; Roder, Tido; Clausen, Michael: Ecient content-based retrieval of motion capture data. En: ACM Transactions on Graphics (ToG) Vol. 24 ACM, 2005, p. 677- 685.

Lei, Q., Du, J. X., Zhang, H. B., Ye, S., & Chen, D. S. (2019). A Survey of Vision-Based Human Ac-tion Evaluation Methods. Sensors, 19(19), 4129.

Chaudhry, Rizwan; Ofli, Ferda; Kurillo, Gregorij; Bajcsy, Ruzena; Vidal, Rene: Bio-inspired dynam-ic 3d discriminative skeletal features for human action recognition. En: Computer Vision and Pattern Recognition Workshops (CVPRW), 2013, IEEE Conference on IEEE, 2013, p. 471-478.

Presti, Liliana L.; La Cascia, Marco: 3D skeleton-based human action classification: A survey. En: Pattern Recognition 53 (2016), p. 130 – 147.

Slama, Rim; Wannous, Hazem; Daoudi, Mohamed; Srivastava, Anuj: Accurate 3D action recogni-tion using learning on the Grassmann manifold. En: Pattern Recognition 48 (2015), Nr. 2, p. 556 – 567.

Shao, Zhanpeng; Li, Youfu: Integral invariants for space motion trajectory matching and recogni-tion. En: Pattern Recognition 48 (2015), Nr. 8, p. 2418-2432.

Wang, W. C., Chung, P. C., Cheng, H. W., & Huang, C. R. (2015, May). Trajectory kinematics de-scriptor for trajectory clustering in surveillance videos. In Circuits and Systems (ISCAS), 2015 IEEE In-ternational Symposium on (pp. 1198-1201). IEEE.

Shao, Z., Li, Y., Guo, Y., & Zhou, X. (2018). Describing Local Reference Frames for 3-D Motion Trajectory Recognition. IEEE Access, 6, 36115-36121.

Wu, S., & Li, Y. F. (2010). Motion trajectory reproduction from generalized signature description. Pattern Recognition, 43(1), 204-221.

Wu, S., & Li, Y. F. (2009). Flexible signature descriptions for adaptive motion trajectory represen-tation, perception, and recognition. Pattern Recognition, 42(1), 194-214.

Arn, R. T., Narayana, P., Emerson, T., Draper, B. A., Kirby, M., & Peterson, C. (2018). Motion segmentation via generalized curvatures. IEEE transactions on pattern analysis and machine intelli-gence, 41(12), 2919-2932.

Vakanski, A., Jun, H. P., Paul, D., & Baker, R. (2018). A data set of human body movements for physical rehabilitation

Publicado
2021-11-09
Cómo citar
Hernandez-Gomez, J. C., Restrepo-Martínez, A., & Valencia-Aguirre, J. (2021). Descripción del movimiento humano basado en el marco de Frenet Serret y datos tipo MOCAP. Revista Politécnica, 17(34), 170-180. https://doi.org/10.33571/rpolitec.v17n34a11

Métricas de Artículo

Resumen : 20   HTML : 4  PDF : 5