Resumen
Esta tesis explora la integración de datos del cuerpo completo en movimiento obtenidos con el escáner Move4D en sistemas de seguimiento basados en imágenes RGB para mejorar la estimación de pose 3D sin marcadores. Aunque los métodos tradicionales de captura de movimiento con marcadores son precisos, requieren mucho tiempo y solo funcionan en entornos controlados. Las técnicas sin marcadores, basadas en imágenes RGB y Deep Learning, ofrecen mayor flexibilidad, pero aún carecen de la precisión necesaria para aplicaciones en biomecánica e investigación clínica. El objetivo principal es evaluar si los datos del escáner Move4D pueden mejorar la estimación de pose basada en imágenes RGB, permitiendo así un sistema de captura de movimiento sin marcadores más preciso y accesible.
La investigación incluyó tres estudios experimentales y la creación de una base de datos de a partir de los movimientos escaneados:
Estudio 1: Se evaluó la precisión espacial del escáner Move4D en el análisis de la marcha, comparando sus resultados con los obtenidos mediante estereofotogrametría con marcadores. Los errores de posicionamiento estático y dinámico, así como las discrepancias en ángulos articulares (especialmente en cadera y rodilla), se mantuvieron dentro de rangos aceptables, confirmando la fiabilidad del escáner.
Estudio 2: Se analizó la consistencia en la identificación de puntos anatómicos usando la topología de malla homóloga del escáner. Utilizando el conjunto de datos CAESAR, se asignaron 53 puntos anatómicos a vértices fijos en 3.165 escaneos corporales 3D. Los errores de posicionamiento fueron comparables a los obtenidos mediante técnicas de palpación manual, validando la topología de malla para la detección automática. No obstante, imponer la simetría en la identificación de puntos anatómicos aumentó los errores, evidenciando una controversia entre fidelidad anatómica y las restricciones de diseño.
Estudio 3: Se investigó si los datos del Move4D podían entrenar redes neuronales para mejorar la estimación de pose sin marcadores basada en imagen RGB. Se creó una base de datos con 51.051 poses de 71 participantes, etiquetada con 53 puntos anatómicos y 33 puntos clave de Mediapipe. Se entrenaron tres modelos: un perceptrón multicapa, una red LSTM y un Transformer. Todos lograron precisiones dentro del rango de variabilidad intra-examinados para poses estáticas, destacando el modelo Transformer en la estimación de ángulos articulares y puntos anatómicos durante movimientos de traslación del cuerpo. El análisis de errores mostró que la precisión variaba según la región corporal: mayores errores en la pelvis y menores en los tobillos. Actividades como correr generaban más errores, mientras que las sentadillas y los saltos permitían estimaciones más precisas. Un análisis con modelos lineales mixtos indicó que el tipo de movimiento, el eje articular y la arquitectura de red influían más en la variabilidad del error que la forma corporal, lo que sugiere una buena capacidad de generalización de los modelos.
En conclusión, los datos del escáner Move4D mejoran significativamente la precisión de la estimación de pose 3D sin marcadores basada en imágenes RGB. Gracias a su precisión y su malla topológicamente consistente, es posible generar bases de datos de alta calidad para entrenar modelos. Este trabajo ofrece un enfoque sólido y accesible para la estimación de pose, representando un avance clave para el análisis del movimiento fuera del entorno de laboratorio.
Palabras clave
3D temporal scanner; 3D scanning, Stereophotogrammetry; Markerless motion capture; Gait analysis; Biomechanics; Landmark position error; Anatomical Landmark; Human Pose Estimation; Computer Vision; Deep learning; Keypoint Augmentation
