Belgif Linked Data Fragments server

Matches in Data.gov.be for { <http://data.gov.be/.well-known/genid/dataset/kulrdr/doi-10-48804/BZM9SJ> ?p ?o ?g. }

• BZM9SJ accessRights PUBLIC @default.
• BZM9SJ bibliographicCitation "Haberfehlner, Helga; Vanmechelen, Inti; Van Wonterghem, Ellen; Aerts, Jean-Marie; Hallez, Hans; Monbaliu, Elegast, 2023, "Replication Data for: Markerless motion capture to assess upper extremity movements in individuals with dyskinetic cerebral palsy: an accuracy and validity study", https://doi.org/10.48804/BZM9SJ, KU Leuven RDR, V2" @default.
• BZM9SJ created "2024-07-12T08:00:20Z" @default.
• BZM9SJ creator 0000-0001-5548-9163 @default.
• BZM9SJ creator 0000-0001-9307-4102 @default.
• BZM9SJ creator 0000-0002-7070-9387 @default.
• BZM9SJ creator 0000-0002-8695-0095 @default.
• BZM9SJ creator 0000-0003-1726-091X @default.
• BZM9SJ creator 0000-0003-2623-9055 @default.
• BZM9SJ description "De dataset bevat 2D-coördinaten in pixels van belangrijke punten geëxtraheerd uit video's van 30 kinderen, adolescenten en jongvolwassenen met dyskinetische cerebrale parese (DCP) en 21 typisch ontwikkelende (TD) leeftijdsgenoten (5-24 jaar). De uitgevoerde taak was een reikende zijwaartse taak (van het startpunt op het bovenbeen tot het punt van taakprestatie (PTA) zijwaarts op schouderhoogte) inclusief acht herhalingen. De belangrijkste punten werden geëxtraheerd uit video's met behulp van open-source toolbox code DeepLabCut versie 2.3 [1, 2]. De verzamelde kernpunten waren: enkel, knie, heup, schouders, elleboog, pols, voorhoofd en kin, metacarpophalangeal III-gewricht (MCP3) en het bereikende doel. Daarnaast worden de gezamenlijke hoeken die zijn verzameld met driedimensionale bewegingsanalyse (3DMA) bij PTA toegevoegd - gebruikt voor validatiedoeleinden in het gerelateerde artikel. De video's en 3DMA-gegevens werden verzameld tijdens een eerdere studie [3]. De gegevens maken deel uit van het project 'Automated VIdeo-based assessment of DYSkinesia in cerebral palsy using markerless pose estimation and machine learning (AVI-DYS)' en 'Instrumented dystonia and choreoathetosis assessment protocol (IDCA) of upper limb movements in cerebral palsy'. Referenties: 1. Mathis, A., et al., DeepLabCut: markerless pose schatting van door de gebruiker gedefinieerde lichaamsdelen met deep learning. Nat Neurosci, 2018. 21(9): blz. 1281-1289. 2. github.com / DeepLabCut / DeepLabCut 3. Vanmechelen I, et al., Psychometrische eigenschappen van kinematica van de bovenste ledematen tijdens functionele taken bij kinderen en adolescenten met dyskinetische cerebrale parese. PLoS One 2022;17." @default.
• BZM9SJ description "Der Datensatz enthält 2D-Koordinaten in Pixeln von Schlüsselpunkten, die aus Videos von 30 Kindern, Jugendlichen und jungen Erwachsenen mit dyskinetischer Zerebralparese (DCP) und 21 sich typischerweise entwickelnden (TD) Peers (Alter 5-24) extrahiert wurden. Die durchgeführte Aufgabe war eine Reaching-Sideways-Aufgabe (vom Startpunkt am Oberschenkel bis zum Punkt der Aufgabenerfüllung (PTA) seitlich in Schulterhöhe) mit acht Wiederholungen. Die wichtigsten Punkte wurden aus Videos mit dem Open-Source-Toolbox-Code DeepLabCut Version 2.3 [1, 2] extrahiert. Die gesammelten Schlüsselpunkte waren: Knöchel, Knie, Hüfte, Schultern, Ellbogen, Handgelenk, Stirn und Kinn, Metacarpophalangeal-III-Gelenk (MCP3) und das erreichende Ziel. Darüber hinaus werden die Gelenkwinkel, die mit der dreidimensionalen Bewegungsanalyse (3DMA) am PTA gesammelt wurden, hinzugefügt - für Validierungszwecke im zugehörigen Artikel verwendet. Die Videos und 3DMA-Daten wurden in einer früheren Studie gesammelt [3]. Die Daten stammen aus dem Projekt "Automated VIdeo-based assessment of DYSkinesia in cerebral palsy using markerless pose estimation and machine learning (AVI-DYS)" und "Instrumented dystonia and choreoathetosis assessment protocol (IDCA) of upper limb movements in cerebral palsy". Referenzen: 1. Mathis, A., et al., DeepLabCut: Markerlose Posenschätzung von benutzerdefinierten Körperteilen mit Deep Learning. Nat Neurosci, 2018. 21(9): S. 1281-1289. 2. github.com/DeepLabCut/DeepLabCut 3. Vanmechelen I, et al., Psychometrische Eigenschaften der Kinematik der oberen Extremitäten bei funktionellen Aufgaben bei Kindern und Jugendlichen mit dyskinetischer Zerebralparese. PLoS One 2022;17." @default.
• BZM9SJ description "L'ensemble de données contient des coordonnées 2D en pixels de points clés extraits de vidéos de 30 enfants, adolescents et jeunes adultes atteints de paralysie cérébrale dyskinétique (DCP) et de 21 pairs en développement typique (TD) (5-24 ans). La tâche effectuée était une tâche d'atteinte latérale (du point de départ sur la jambe supérieure au point de réalisation de la tâche (PTA) latéralement à hauteur d'épaule) comprenant huit répétitions. Les points clés ont été extraits de vidéos en utilisant le code open source de la boîte à outils DeepLabCut version 2.3 [1, 2]. Les points clés recueillis étaient les suivants: cheville, genou, hanche, épaules, coude, poignet, front et menton, articulation métacarpophalangienne III (MCP3) et cible atteinte. En outre, les angles de joint collectés avec l'analyse de mouvement en trois dimensions (3DMA) à PTA sont ajoutés - utilisés à des fins de validation dans l'article connexe. Les vidéos et les données 3DMA ont été collectées lors d'une étude précédente [3]. Les données appartiennent au projet «Automated VIdeo-based assessment of DYSkinesia in cerebral palsy using markerless pose estimation and machine learning (AVI-DYS)» et «Instrumented dystonia and choreoathetosis assessment protocol (IDCA) of upper limb movements in cerebral palsy». Références : 1. Mathis, A., et al., DeepLabCut: estimation de pose sans marqueur des parties du corps définies par l'utilisateur avec apprentissage profond. Nat Neurosci, 2018. 21(9): p. 1281 à 1289. 2. github.com/DeepLabCut/DeepLabCut 3. Vanmechelen I, et al., Propriétés psychométriques de la cinématique des membres supérieurs pendant les tâches fonctionnelles chez les enfants et les adolescents atteints de paralysie cérébrale dyskinétique. PLoS One 2022;17." @default.
• BZM9SJ description "The dataset contains 2D coordinates in pixels of key points extracted from videos of 30 children, adolescent and young adults with dyskinetic cerebral palsy (DCP) and 21 typically developing (TD) peers (age 5-24). The performed task was a reaching-sideways task (from starting point on the upper leg to the point of task achievment (PTA) sidewards at shoulder height) including eight repetitions. The key points were extracted from videos using open-source toolbox code DeepLabCut version 2.3 [1, 2]. The collected key points were: ankle, knee, hip, shoulders, elbow, wrist, forehead and chin, metacarpophalangeal III joint (MCP3) and the reaching target. In addition, the joint angles collected with three-dimensional movement analysis (3DMA) at PTA are added - used for validation purposes in the related article. The videos and 3DMA data were collected during a previous study [3]. Data belong to the project 'Automated VIdeo-based assessment of DYSkinesia in cerebral palsy using markerless pose estimation and machine learning (AVI-DYS)' and 'Instrumented dystonia and choreoathetosis assessment protocol (IDCA) of upper limb movements in cerebral palsy' . References: 1. Mathis, A., et al., DeepLabCut: markerless pose estimation of user-defined body parts with deep learning. Nat Neurosci, 2018. 21(9): p. 1281-1289. 2. github.com/DeepLabCut/DeepLabCut 3. Vanmechelen I, et al., Psychometric properties of upper limb kinematics during functional tasks in children and adolescents with dyskinetic cerebral palsy. PLoS One 2022;17." @default.
• BZM9SJ identifier "doi:10.48804/BZM9SJ" @default.
• BZM9SJ issued "2024-07-12T11:51:44Z" @default.
• BZM9SJ language ENG @default.
• BZM9SJ modified "2024-07-12T11:51:44Z" @default.
• BZM9SJ publisher 0419052173 @default.
• BZM9SJ subject "Medical and health sciences" @default.
• BZM9SJ title "Données de réplication pour: Capture de mouvement sans marqueur pour évaluer les mouvements des membres supérieurs chez les personnes atteintes de paralysie cérébrale dyskinétique: une étude de précision et de validité" @default.
• BZM9SJ title "Replicatiegegevens voor: Markerloze bewegingsopname om bewegingen van de bovenste ledematen te beoordelen bij personen met dyskinetische hersenverlamming: een nauwkeurigheids- en validiteitsstudie" @default.
• BZM9SJ title "Replication Data for: Markerless motion capture to assess upper extremity movements in individuals with dyskinetic cerebral palsy: an accuracy and validity study" @default.
• BZM9SJ title "Replikationsdaten für: Markerlose Bewegungserfassung zur Beurteilung der Bewegungen der oberen Extremität bei Personen mit dyskinetischer Zerebralparese: eine Genauigkeits- und Validitätsstudie" @default.
• BZM9SJ citedBy genid67167 @default.
• BZM9SJ type Dataset @default.
• BZM9SJ contactPoint genid67170 @default.
• BZM9SJ keyword "Adolescent" @default.
• BZM9SJ keyword "Cerebral palsy, dyskinetic" @default.
• BZM9SJ keyword "Child" @default.
• BZM9SJ keyword "Deep Learning" @default.
• BZM9SJ keyword "Movement" @default.
• BZM9SJ keyword "Upper Extremity" @default.
• BZM9SJ keyword "Young Adult" @default.
• BZM9SJ landingPage BZM9SJ @default.
• BZM9SJ theme HEAL @default.
• BZM9SJ theme TECH @default.
• BZM9SJ version "2" @default.
• BZM9SJ isFundedBy genid67168 @default.
• BZM9SJ isFundedBy genid67169 @default.