Behavioural Synchrony

Palms up/down

Tässä kuvailua käden rotaation käyttämisestä, muutamia graafeja ja selitystä siitä, miten tätä voitaisiin analysoida.  

Taustaa

Liikedata on analyyseissämme ollut aiemmin formaatissa, missä kunkin nivelen paikka on kuvattu xyz-koordinaatistossa 100 kertaa sekunnissa. Tästä paikkadatasta on sitten laskettu kunkin nivelen nopeuksia, kiihtyvyyksiä, ja niin edelleen liikkeen määrää ja liikkeiden synkronisaatiota. Alunperin data on liikekaappausjärjestelmästä tallennettu kahdessa eri formaatissa, joista toinen on .c3d, jossa on käytännössä kunkin 37 markkerin paikat yllä kuvatusti, ja toinen on .bvh, joka sisältää tiedon kehon rakenteesta sekä kunkin kehon osan suhteista toisiin osiin, sekä niiden rotaatioista. Aiemmassa analyysissämme olemme käyttäneet tätä .bvh-dataa, josta algoritmi on laskenut markkereiden sijaan kunkin nivelen paikat. Näin bvh-formaatin sisältämä tieto kehon rakenteesta ja näiden osien rotaatioista on jätetty käyttämättä, koska tekemässämme kinemaattisessa analyysissä sillä ei ole ollut käyttöä.  

Data 

Esimerkkinä ja analyysin lähtökohtana on yksi esimerkki, jossa esiintyy ensin selkeästi muutama kämmenet ylös, siten kaksi kertaa kämmenet alas -ele. (Pari 12, kasvokkain, kirjain U) 

Kuva 1. Esimerkki. Sinisellä kuvattu palms up -eleet, punaisella palms down. 

Ensimmäinen yritys

Ensimmäisessä yrityksessä tarkastella palms up / down kysymystä kaivoin esiin tuon c3d-datan, koska siinä on alkuperäisten markkerien paikkadata, näin esim. kämmenselkiin kiinnitettyjen muovilevyjen kaikkien kolmen markkerin alkuperäinen data oli käytettävissä. Levyn kolmesta markkerista yksi oli sormien päällä ja kaksi kummallakin puolella rannetta (kuva 1). 

 

Kuva 2. Alkuperäiset markkerit. Kuva koehenkilön olan takaa, tässä 1 on vyötärön keskikohta, 2 rinta, ja 3 vasen olkapää. 4 on kyynärpää, ja 6, 7 ja 8 kädessä olevan levyn markkerit. 9 on generoitu 7 ja 8 markkerien keskiarvosta. 

 

Aloitin analyysin koehenkilön 2 vasemmasta kädestä, tarkoituksena laajentaa analyysiä tarvittaessa sen jälkeen, kun sopiva signaali ja prosessi löytyisi. Laskin ensiksi kaksi uutta pistettä, ranteen keskikohdan (markkeri 9 yllä) sekä myöhemmin käsivarren keskikohdan (ranteen (9) ja kyynärpään (4) perusteella. Tämän jälkeen yritin tarkastella kämmenen rotaatiota yksinkertaisesti sen perusteella, onko rannemarkkereista 7 vai 8 enemmän oikealla. Käytännössä siis näiden x-akselin (koehenkilön rintamasuuntaan kohtisuorassa oleva horisontaalinen ulottuvuus) koordinaatit vähennettiin toisistaan. 

Koehenkilöt seisoivat kokeessa niin, että heidän rintamasuuntansa oli suhteellisen hyvin liikekaappausjärjestelmän toisen horisontaalisen ulottuvuuden suuntainen. Näin ajatus oli, että kämmenen suunnan näkee siitä, kumpi kädessä olevista rannemarkkereista (7 vai 8) on tuon akselin suunnassa lähempänä koehenkilön kehoa. Käytännössä yksinkertaisesti vähennettiin näiden kahden markkerin x-ulottuvuuden paikkakoordinaatit toisistaan. Markkereiden raakadatasta nousevat esiin palms up -eleet kyllä, mutta koska käsi on lepoasennossa hieman "palm down", ei varsinainen ele erotu näin kunnolla. Kun data transformoidaan niin, että liikekaappauslaitteiston kalibrointivaiheessa lattialle määritellyn nollakohdan ja ulottuvuussuuntien sijaan origona ja suuntana käytetään markkereista määritettyä akselia, saadaan hieman parempia tuloksia. Tällaista voi käyttää esimerkiksi niin, että tarkastellaan kahden henkilön kehonliikkeitä suhteessa heidän selkärankansa määrittämään akseliin. Näin mahdolliset rintamasuuntien erot tai koko kehon akselin ympäri pyörähtäminen eivät tuota eroja, ja näin esim. raajojen liikkeiden analyysi voidaan tehdä paremmin. Tässä tapauksessa määritettiin akseliksi käden kolmannen markkerin ("sormi") ja kyynärpään, ja sen jälkeen sormen ja ranteen keskikohdan väli. Suhteessa tähän akseliin saatiinkin rannemarkkereista jo selkeämpi ja ainakin vähemmän kohinainen signaali (kuva 3). (markkereiden etäisyysaikasarja on kuvaa varten tasoitettu 15 näytteen liikkuvan keskiarvon avulla.) 

 

Kuva 3. Rannemarkkereiden etäisyys - raakadata (ylin) sekä koordinaattimuunnosten jälkeen, suhteutettuna sormen ja kyynärpään (keskimmäinen) sekä sormen ja ranteen väliseen akseliin 

Verrattaessa kuvaan 1 huomataan, että näin suodatettuna eleiden paikka aikasarjassa löytyy varsin hyvin, mutta etenkin ero kahden eri eleen välillä jää hämäräksi. Tämän korjaamiseksi otin käyttöön alkuperäisen .bvh-formaatin rotaatioinformaation. Näin tuon kämmenen orientaatiosta voisi saada suoraa tietoa eikä asentoa tarvitsisi enää laskea markkereiden perusteella (kun se on dataformaattia varten laskettu jo).  

 

Toinen yritys

 

Bvh-formaatista löytyy helposti siis kunkin kehonosan suhteellinen rotaatio. Tämä näyttää vasemman kämmenen osalta plotattuna varsin hyvin vastaavan annotaatiota (jota ei ole tehty supertarkasti tässä esimerkissä, vaan ainoastaan poimittu kaikkein selkeimmät esimerkit), nyt myös palms down -ele näkyy. Vertailukelpoisemman datan saamiseksi normalisoin datan ja poimin MATLABin findpeaks-funktiolla siitä kaikkein prominenteimmat huiput. Ajatus on, että näin voitaisiin löytää datasta automaattisesti ajanhetkiä, jolloin ao. ele tapahtuu, ja sitten katsoa, missä osassa päätöksentekosekvenssiä näitä on eniten. Tässä siis eleillä on toki ajallinen kesto, mutta tässä yksi huipun ajankohta saa edustaa koko elettä. Huippudetektorin parametrejä voi säätää niin, että esim. peräkkäisillä eleillä on oltava tietty ajallinen etäisyys, tai että huipun pitää olla vähintään x näytettä leveä tai y:n verran muuta dataa korkeammalla. Tätä siis varmasti voidaan vielä säätää, mutta perusperiaatteeltaan tämä analyysitapa vaikuttaa järkevimmältä. 

Kuva 4. Kämmenen rotaatio ja sen huippukohdat

 

 

 

 

 

 

 

 

 

 

 

 

 

 

  • No labels