La tecnologia attualmente più utilizzata per l’analisi del movimento è la stereofotogrammetria, capace di fornire, in ambito clinico per esempio, importanti informazioni per la riabilitazione dei pazienti, la diagnosi di patologie neuromuscolari, il supporto alle decisioni del medico. Il suo utilizzo però è limitato da necessità della tecnologia stessa, come il bisogno di laboratori controllati e lunghe e specifiche procedure di preparazione dei soggetti e calibrazione del sistema. Per superare alcuni di questi limiti si è pensato di passare a tecniche markerless, basate su principi di intelligenza artificiale e col vantaggio di non aver bisogno di ambienti specifici e marcatori sul corpo dei soggetti per studiarne il movimento. I sistemi markerless attualmente disponibili non raggiungono però valori sufficientemente bassi di errore per essere ampliamente impiegati come alternativa alla stereofotogrammetria. Un progetto del BioMovLab dell’Università di Padova, in collaborazione con l’azienda BBSoF, al fine di sviluppare un sistema markerless adeguato all’utilizzo in ambito clinico è in corso. La mia attività di tirocinio presso il BioMovLab ha avuto come scopo il training della rete neurale su cui si basa tale progetto, tramite la creazione di un insieme di immagini elaborate appositamente per permettere al sistema di ricostruire i parametri del movimento con più precisione dell’attuale stato dell’arte del markerless motion capture.
Elaborazione di immagini per training di una rete neurale per markerless motion capture
LOUACHAMA, AYMEN
2022/2023
Abstract
La tecnologia attualmente più utilizzata per l’analisi del movimento è la stereofotogrammetria, capace di fornire, in ambito clinico per esempio, importanti informazioni per la riabilitazione dei pazienti, la diagnosi di patologie neuromuscolari, il supporto alle decisioni del medico. Il suo utilizzo però è limitato da necessità della tecnologia stessa, come il bisogno di laboratori controllati e lunghe e specifiche procedure di preparazione dei soggetti e calibrazione del sistema. Per superare alcuni di questi limiti si è pensato di passare a tecniche markerless, basate su principi di intelligenza artificiale e col vantaggio di non aver bisogno di ambienti specifici e marcatori sul corpo dei soggetti per studiarne il movimento. I sistemi markerless attualmente disponibili non raggiungono però valori sufficientemente bassi di errore per essere ampliamente impiegati come alternativa alla stereofotogrammetria. Un progetto del BioMovLab dell’Università di Padova, in collaborazione con l’azienda BBSoF, al fine di sviluppare un sistema markerless adeguato all’utilizzo in ambito clinico è in corso. La mia attività di tirocinio presso il BioMovLab ha avuto come scopo il training della rete neurale su cui si basa tale progetto, tramite la creazione di un insieme di immagini elaborate appositamente per permettere al sistema di ricostruire i parametri del movimento con più precisione dell’attuale stato dell’arte del markerless motion capture.File | Dimensione | Formato | |
---|---|---|---|
Louachama_Aymen.pdf
accesso aperto
Dimensione
1.37 MB
Formato
Adobe PDF
|
1.37 MB | Adobe PDF | Visualizza/Apri |
The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License
https://hdl.handle.net/20.500.12608/57090