Upper limb kinematic assessment through Azure Kinect: a validation study

Motion capture (MoCap) is used to capture the movement of objects and people that has applications in a variety of fields, including film-making, video games, virtual reality and medicine, particularly in the sport analysis and rehabilitation. Although other approaches have emerged, video-based techniques are still the most used ones. The gold standard for this technology is represented by marker-based optoelectronic systems, in which markers are applied to the body segments of interest, whose movement is recorded. This type of system, however, has limitations due to cost, accessibility and the need for specialized personnel. To overcome these issues, markerless systems are beginning to be employed even in the medical field. They consist of one or more RGB-D cameras capable of reconstructing body movements without the application of markers. These systems include the Azure Kinect (AK), produced by Microsoft and released in 2020. We conducted a validation study for the use of the AK in acquiring upper limb motion, both under optimal and sub-optimal conditions. We considered a population of 16 healthy subjects who were asked to perform 10 motor tasks, involving the elbow and shoulder degrees of freedom in 3 different conditions. Specifically, beside the optimal one defined by Microsoft, we analyzed the effect of visual occlusion and distance on the tracking results. Subjects were concurrently recorded with the Azure Kinect and with the optoelectronic system, and the validity was measured basing on the RMSE normalized on the Range of Motion (ROM) and on the correlation. Moreover, two rehabilitation metrics, namely ROM and smoothness, were computed with the data acquired by the two systems in the different conditions. Results show that AK performance depends on the type of motor task under consideration. In particular, AK performance depends on the plane in which the movement is performed, being better for movements that lie entirely in the frontal plane, and on the condition in which the movement is acquired, with a noticeable worsening caused by an increase in the acquisition distance. This study involved a young healthy population. It would be interesting to analyze an older population, including subjects with motor-related pathologies, in order to study the accuracy of the Azure Kinect in detecting movement patterns of non-healthy subjects.

Il Motion Capture (MoCap) è utilizzato per acquisire il movimento di oggetti e persone e trova applicazione in diversi campi, tra cui la cinematografia, i videogiochi, la realtà virtuale e la medicina, in particolare nell'analisi dello sport e nella riabilitazione. Sebbene esistano altri approcci, le tecniche video-based sono ancora le più utilizzate. Il gold standard di questa tecnologia è rappresentato dai sistemi optoelettronici marker-based, in cui i marker vengono applicati ai segmenti corporei di interesse e il cui movimento viene registrato. Questo tipo di sistema, tuttavia, presenta dei limiti dovuti al costo, all'accessibilità e alla necessità di personale specializzato. Per superare questi problemi, stanno iniziando a essere impiegati sistemi markerless anche in campo medico, costituiti da una o più telecamere RGB-D in grado di ricostruire i movimenti del corpo senza l'applicazione di marker. Questi sistemi includono l'Azure Kinect (AK), prodotto da Microsoft e rilasciato nel 2020. Abbiamo condotto uno studio di validazione per l'uso dell'AK nell'acquisizione del movimento dell'arto superiore, sia in condizioni ottimali che subottimali. Abbiamo preso in considerazione una popolazione di 16 soggetti sani a cui è stato chiesto di eseguire 10 task motori che coinvolgevano i gradi di libertà del gomito e della spalla in 3 diverse condizioni. In particolare, oltre a quella ottimale definita da Microsoft, abbiamo analizzato l'effetto dell'occlusione visiva e della distanza sui risultati del tracking. I soggetti sono stati registrati contemporaneamente con Azure Kinect e con il sistema optoelettronico, e la validità è stata misurata in base all'RMSE normalizzato sul range di movimento (ROM) e alla correlazione. Inoltre, sono state calcolate due metriche di riabilitazione, ovvero il ROM e la smoothness, con i dati acquisiti dai due sistemi nelle diverse condizioni. I risultati mostrano che le prestazioni dell'AK dipendono dal tipo di task motorio considerato. In particolare, le prestazioni dell'AK dipendono dal piano in cui viene eseguito il movimento, essendo migliori per i movimenti che giacciono interamente sul piano frontale, e dalla condizione in cui viene acquisito il movimento, con un evidente peggioramento causato dall'aumento della distanza di acquisizione. Questo studio ha coinvolto una popolazione giovane e sana. Sarebbe interessante analizzare una popolazione più anziana, compresi soggetti con patologie motorie, per studiare l'accuratezza di Azure Kinect nel rilevare i modelli di movimento di soggetti non sani.