在使用无标记动作捕捉的运动分析中，事后质量控制的建议:开发和可用性研究gydF4y2Ba

简介gydF4y2Ba

随着技术的快速发展，仪器运动分析(IMA)已成为一种有利的工具，可增强运动障碍患者的临床决策能力[gydF4y2Ba1gydF4y2Ba-gydF4y2Ba5gydF4y2Ba］．应用范围从复杂的步态实验室设备到消费级健康应用程序，这些应用程序量化一个人在标准化环境下可以做什么(运动能力)或一个人在日常生活中可以做什么(运动表现)[gydF4y2Ba6gydF4y2Ba］．在电机容量方面，基于标记的光电运动分析系统可作为其他技术的金标准[gydF4y2Ba7gydF4y2Ba，gydF4y2Ba8gydF4y2Ba]，例如，成功地用于脑瘫儿童的治疗计划[gydF4y2Ba9gydF4y2Ba］．然而，其高昂的成本和复杂的分析构成了临床应用的显著劣势。因此，便携、经济、易于使用的技术在大规模应用中更有前途。为临床用途而开发的相关设备包括压敏走道、惯性传感器(“可穿戴设备”)和基于消费者深度相机的无标记运动捕捉系统[gydF4y2Ba2gydF4y2Ba，gydF4y2Ba10gydF4y2Ba］．在下面，术语IMA将用于这个更通用的运动分析系统的子类别。gydF4y2Ba

尽管IMA具有良好的特性，但它还没有成功地融入广泛的临床应用[gydF4y2Ba11gydF4y2Ba，gydF4y2Ba12gydF4y2Ba］．尽管对医疗产品的监管要求涉及使用背景下的安全性和准确性(如用于特定疾病)[gydF4y2Ba13gydF4y2Ba-gydF4y2Ba15gydF4y2Ba]， IMA的成功实施进一步取决于患者和临床医生的接受程度。因此，技术可用性、结果的可解释性和可量化的临床效益在这一发展中发挥了主要作用。标准化和高效的质量控制(QC)程序，不仅在最初的开发过程中，而且在系统的推进和应用过程中，可以促进技术成熟过程。我们发现这些QC方面在很大程度上没有得到充分的研究和报道。gydF4y2Ba

QC可以应用在三个层次上:预防、特别和事后。在数据采集前进行预防性质量控制。制造商或开发小组就数据质量得出初步结果，并在概念验证研究中发表，包括临床应用的健康受试者和目标群体的小样本[gydF4y2Ba7gydF4y2Ba，gydF4y2Ba8gydF4y2Ba，gydF4y2Ba16gydF4y2Ba，gydF4y2Ba17gydF4y2Ba］．这样的研究可以发现主要的缺陷，并详细说明这些系统的正确用法。对于已被大量研究人员或临床医生使用的技术，专家共识可进一步产生改进预防性QC的指导方针[gydF4y2Ba18gydF4y2Ba］．在测量过程中进行特别质量控制。根据系统的不同，操作人员可以在观察到偏离标准操作程序(SOPs)或收到错误信息时决定丢弃、重新指示和重新记录。最后，在数据分析阶段采用事后QC。在这种情况下，一种选择是基于运动学参数的单变量或多变量离群值分析[gydF4y2Ba19gydF4y2Ba-gydF4y2Ba21gydF4y2Ba］．然而，这些方法高度依赖数据，无法发现系统错误或“假正常”参数值，也不能提供有关数据偏差的根本原因的信息。额外的事后QC措施构成后处理工具和运动学参数的连续重新计算[gydF4y2Ba22gydF4y2Ba，gydF4y2Ba23gydF4y2Ba]，以及根据原始数据进行可信度检验[gydF4y2Ba24gydF4y2Ba-gydF4y2Ba26gydF4y2Ba］．到目前为止，这种处理只在相对较小的数据集上执行过。gydF4y2Ba

在本研究中，我们使用新兴的Motognosis实验室系统(Motognosis GmbH)获取的数据，该系统从深度相机记录中提取运动学参数。近年来，该系统在我们的场地和合作场地的研究中被广泛使用[gydF4y2Ba24gydF4y2Ba-gydF4y2Ba29gydF4y2Ba]，以评估多发性硬化症(MS)患者的运动能力而专门设计的短时间运动任务的标准化方案[gydF4y2Ba7gydF4y2Ba，gydF4y2Ba30.gydF4y2Ba］．在预防性QC方面，本文所分析的所有数据均使用了之前为系统操作人员制定的sop和患者说明。对于特设QC，该软件在采集体积中提供总体受试者定位的视觉反馈，并实时跟踪整个身体以及身体个别部位。关于事后QC，我们发现以前采用的方法在可靠地检查大量数据时要么不够充分、不完整，要么不可行[gydF4y2Ba19gydF4y2Ba-gydF4y2Ba21gydF4y2Ba，gydF4y2Ba24gydF4y2Ba-gydF4y2Ba26gydF4y2Ba］．同样，对IMA文献的回顾也没有得出任何标准或可推广的概念。因此，我们提出了一种系统的事后QC方法，使临床用户能够预防、检测和消除劣质数据。gydF4y2Ba

对于这里考虑的质量问题，我们区分了技术和性能问题。技术问题包括系统特定的硬件和软件故障，以及特定于记录技术的工件，如由于受试者的服装或在深度传感技术情况下的记录环境造成的信号干扰。性能问题可以被认为与技术无关，可以归咎于操作人员(例如，提供错误的指令)或记录对象的不合规。如果后者与疾病无关，则应导致试验排除;然而，与损伤相关的无能可以被认为是一种感兴趣的特征。gydF4y2Ba

本研究的主要目标是:(1)建立一个高效、用户友好和适应性强的事后QC管道，使临床用户能够就个人记录的可用性做出标准化和健壮的决策;(2)对不同研究地点获得的大量记录进行QC，从而调查质量问题的类型和频率;(3)分析了该方法的可行性。gydF4y2Ba

方法gydF4y2Ba

数据集gydF4y2Ba

我们的研究是基于运动认知实验室系统捕捉到的短的、结构化的运动任务的记录。该系统依赖于消费者深度相机(微软KinectV2，微软公司)和视觉感知计算。更准确地说，与相机相关联的软件开发套件允许从距离相机1.5至4.5米的25个人工解剖标志进行3D时间序列的无标记跟踪。自定义运动诊断实验室算法使用这些时间序列来提取运动参数，以量化电机容量的各个方面。gydF4y2Ba

数据来自3个使用1.1、1.4、2.0或2.1版本软件作为协议一部分的研究地点的8个单中心研究。这些研究将使用以下标识符引用:ASD、CIS、Valkinect、VIMS和walkim - da(在Charité - Universitätsmedizin Berlin, Berlin, Germany);Ambos和Oprims(在Universitätsklinikum Eppendorf，德国汉堡);和千叶(在日本千叶大学进行)。这些研究得到了各自机构审查委员会的批准，所有受试者都提供了书面知情同意。数据集包括187名MS患者和162名健康对照者的记录。VIMS、Valkinect和walkim - da包括了两组，而其他研究只贡献了其中一组的受试者。描述性统计包括MS患者的性别、年龄、人体测量和疾病严重程度的信息，用扩展残疾状况量表来衡量[gydF4y2Ba31gydF4y2Ba) (gydF4y2Ba表1gydF4y2Ba表S1中的特定研究信息gydF4y2Ba多媒体附录1gydF4y2Ba)．gydF4y2Ba

在2014年12月至2019年4月期间，所有受试者都进行了多发性硬化(PASS-MS)感知评估(perception Assessment in Multiple Sclerosis, PASS-MS)协议或部分协议。PASS-MS包括10个结构化的运动任务:姿势控制(POCO)、双任务姿势控制(POCO- Dual)、原地踏步(SIP)、站立和坐下(SAS)、短线步行(SLW)、短舒适快速步行(SCSW)、短最大速度步行(SMSW)、旋前肌移动测试、指鼻测试和手指轻叩。后三个任务被排除在本研究之外，因为评估算法当时仍处于探索阶段，对数据质量的断言为时尚早。除POCO-DUAL外，其余任务的描述可在Otte等人[gydF4y2Ba7gydF4y2Ba，gydF4y2Ba30.gydF4y2Ba］．POCO- dual等同于POCO与认知任务的相加(串行3的减法)。系统操作员已经根据书面sop接受了如何使用运动检测实验室的深入培训。系统标准操作程序包括设置规范、主题说明和因性能和技术问题影响的录音拒绝指南。根据协议，SAS、SLW、SCSW和SMSW连续记录3次，POCO、POCO- dual和SIP记录1次。当单个任务或任务重复被忽略，或操作员决定产生额外的记录(所有这些都应提示操作员注释，并与每个记录的原始数据一起存储)时，就会发生背离sop的情况。这种偏差解释了每个任务记录数量的不一致性(gydF4y2Ba表1gydF4y2Ba的表S2中的特定研究信息gydF4y2Ba多媒体附录1gydF4y2Ba)，因为所有可用的录音都包括在这个特设QC计划中。gydF4y2Ba

QC管道发展gydF4y2Ba

QC管道开发包括两个关键部分。首先，我们实现了信息可视化，使评分者能够对PASS-MS记录的原始数据的质量进行分类，从而隐式地评估相关运动学参数的可靠性。其次，我们开发了一种针对大量录音的高效评级策略。gydF4y2Ba

为了创建信息可视化，生成了来自原始深度流的视频，以便查看每个记录的任务。深度信息进一步被用于以3个图像的形式产生每个记录的浓缩表示，以下称为运动剖面。它们包括随时间、垂直方向和水平方向的平均深度数据图像。由于PASS-MS任务很短且高度标准化，我们认为主要的协议偏差和技术问题很容易从运动配置文件中识别出来。为了检测更细微的质量问题，我们还说明了特征信号，用于计算运动检测实验室的运动参数。可视化是使用Python(版本3.7.3)和matplotlib包(版本3.1.0)生成的。来自15名MS患者和14名健康对照组的分层随机样本被用于测试和更新可视化，并确定每个任务的主要评级标准。gydF4y2Ba

然后，我们构建了一个图形用户界面(GUI)，其中包括一个包含可视化的评级窗口、一个总体可用性决策复选框(保留、丢弃、未决定)和包含主要评级标准的特定于任务的多选复选框。此外，深度视频的点播观众和运营商评论被整合在一起。GUI是用Python(版本3.7.3)使用tkinter包(版本8.6)编写的。我们准备了详细的评级手册和口头指导(约45分钟)，以熟悉评级人员的GUI。整个数据集(参见gydF4y2Ba表1gydF4y2Ba)进行评分，每段录音都由两名独立的评分员进行调查。在这一步中，8名评分者评估了来自162名健康对照者和187名ms患者的总共4692份记录，评分者包括医科学生、临床科学家或其他职业的研究人员，以及训练有素的神经学家，所有人都来自柏林Charité。其中6名评分员曾操作过运动检测实验室，2名评分员是新进入该系统。此外，2名评分员积极参与了QC管道的开发，而6名评分员是数据系统QC的新成员。在深入的指导之后，评分者以自己选择的速度进行单独的评分。gydF4y2Ba

统计分析gydF4y2Ba

统计分析包括提取总体可用性决策的频率，评分者的一致性和不一致性，以及选择的评分标准。前两者用混淆矩阵加以说明。此外，从GUI日志文件中提取每个记录的评级持续时间的中位数。图是用Python(版本3.7.3)使用matplotlib包(版本3.1.0)生成的。gydF4y2Ba

结果gydF4y2Ba

管道使用及可行性gydF4y2Ba

在生成可视化之后，可以打开实现的GUI来逐步评估电机任务记录。中间结果可以保存在底层Excel文件中，这样评级人员可以灵活地组织他们的工作负载。显示了评级窗口的示例，包括各自的可视化、复选框和按钮gydF4y2Ba图1gydF4y2Ba．gydF4y2Ba

完成后来自评分者的口头反馈证实了GUI及其背后的QC管道易于使用和有效。每段录音的评分时长中位数为6.3秒。gydF4y2Ba

‎gydF4y2Ba 把这个图gydF4y2Ba

录音的评分者一致性和可用性gydF4y2Ba

关于保留、丢弃或未决定的决定，评分者同意每项任务超过70%的录音(POCO: 71.5%， POCO- dual: 72.7%， SCSW: 92.3%， SMSW: 79.5%， SLW: 74.6%， SIP: 85.6%， SAS: 90.4%) (gydF4y2Ba图2gydF4y2Ba)．因此，我们观察到高达28.5%的记录不一致，这表明在使用评级标准时任务特定的困难。然而，这种不一致主要是由于1评分员的决定尚未决定。严格反对可用性的例子，也就是说一个评分者投了保留，另一个投了丢弃，这种情况并不多见(0.8%到4.9%)，除了SMSW(10.5%)。gydF4y2Ba

‎gydF4y2Ba 把这个图gydF4y2Ba

关于录音可用性的评分者决策的任务可视化描述在gydF4y2Ba图2gydF4y2Ba．对85.1%的SCSW，超过70%的SMSW和SIP(分别为73.3%和70.8%)，超过60%的SAS和SLW(分别为62.9%和60.5%)，不到或接近一半的POCO和POCO- dual记录(分别为50.3%和39.6%)获得了无可置疑的可用性。一致丢弃决定的最高比率是SAS(26.3%)，其次是POCO- dual(25.3%)，以及POCO和SIP(分别为13.0%和13.1%)。在包括SLW、SCSW和SMSW在内的步态任务中，相应的发生率较低(分别为9.4%、6.5%和5.0%)。评分者的一致性以及一致保留和丢弃决定的比例细分为所有研究可以在表S3中找到gydF4y2Ba多媒体附录1gydF4y2Ba．gydF4y2Ba

主要质量问题gydF4y2Ba

下面列出了在QC管道开发过程中编制的主要评级标准，并在括号中表示了各自的任务。gydF4y2Ba

• 干扰、技术问题:信号干扰，包括背景噪声、地板噪声和跟踪服装的技术问题(所有任务)gydF4y2Ba
• 持续时间，技术问题:记录持续时间大大偏离40秒，即偏差超过1秒(POCO、POCO- dual和SIP)gydF4y2Ba
• 步骤检测，技术问题:错误的步骤检测(SCSW, SMSW, SIP和SLW)gydF4y2Ba
• 上升/下降阶段，技术问题:站立或坐下阶段不完整或检测错误(SAS)gydF4y2Ba
• 手臂，性能问题:在录音开始时手臂没有松散地垂下来(SAS)gydF4y2Ba
• 向后，性能问题:受试者向后行走超过50厘米或表现出刻意的向后修正(SIP)gydF4y2Ba
• 脚，性能问题:偏离闭合脚的位置，即如果脚处于开放或v形位置(POCO和POCO- dual)gydF4y2Ba
• 向前，性能问题:受试者向前移动超过50厘米(SIP)gydF4y2Ba
• 动作、性能问题:与任务无关的动作，如抓挠或手势(POCO、POCO- dual、SLW、SIP和SAS)gydF4y2Ba
• 侧边、性能问题:1个或多个侧边(POCO、POCO- dual和SLW)gydF4y2Ba
• 支持、性能问题:受试者需要拐杖、墙壁、滚轮或类似东西的支持(所有任务)gydF4y2Ba
• 其他，技术或性能问题:其他/未列出的标准(所有任务)gydF4y2Ba

分别的选择频率(可以有多个选择)说明在gydF4y2Ba图3gydF4y2Ba．可能的疾病相关的数据质量的差异可以从3个研究的健康对照和MS患者，即VIMS, Valkinect和walkim - da。gydF4y2Ba

‎gydF4y2Ba 把这个图gydF4y2Ba

最普遍的质量问题包括POCO的脚、干扰和其他，以及POCO- dual的动作。一个POCO记录被丢弃的例子，由于不正确的脚的位置和不相关的运动，即最常见的性能相关的质量问题，可以在gydF4y2Ba图4gydF4y2Ba．在POCO-DUAL中，被认为与任务无关的动作被评分者标记为运动和其他。然而，这些手和手臂的运动似乎往往是心算过程中认知努力的结果。在这种情况下，无法明确区分与任务相关的移动和与任务不相关的移动。关于技术质量方面的问题，评分者的意见认为，带有“干扰”或“其他”标签的录音通常表现出噪音或损坏的腿、脚或地板信号。gydF4y2Ba

‎gydF4y2Ba 把这个图gydF4y2Ba

步态任务中普遍存在的质量问题是SLW中的干扰和步进检测，较少出现gydF4y2Ba- - - - - -gydF4y2BaSCSW SMSW。当不合适的衣服导致噪音信号(被评分者称为干扰)时，这两个标准之间的交叉依赖经常被观察到，这反过来又导致有关步骤检测的问题。描述了SCSW记录的这个问题的一个示例gydF4y2Ba图5gydF4y2Ba．与地板反射有关的其他干扰通常不与步进检测问题相关。gydF4y2Ba

‎gydF4y2Ba 把这个图gydF4y2Ba

过度向前移动(forward)是SIP记录中最常见的质量问题。然而，根据我们的经验，选择向前移动50厘米的阈值是相当保守的，80-100厘米的距离可能是可以容忍的。gydF4y2Ba

SAS最突出的问题是在录音开始时手臂的位置不正确。这种不正确的手臂定位并不容易从运动剖面中辨别出来，评级者通常会参考所提供的深度视频来确认这种特定的质量问题。此外，SAS信号图生成中的一个错误(影响3.8%的SAS图)导致了对受上/下相位准则影响的记录的过高估计。gydF4y2Ba图3gydF4y2Ba提供原始评级，因此所代表的数字反映了这种高估。gydF4y2Ba

MS患者和健康对照组在与性能相关的质量方面存在明显的差异，因为通常较少观察到支持(所有任务)和回避(POCO、POCO- dual和SLW)问题。这可以解释为与疾病相关的困难或无法遵循任务指示。关于POCO和POCO- dual中脚定位不正确的结果不允许将此标准解释为主要与疾病相关的标准。这一标准以及SIP期间的向前和向后运动以及SAS期间手臂的错误起始位置在两组中都存在，尽管ms患者中出现的频率略高，但所有研究中观察到的质量标准的进一步细分频率可在表S4中找到gydF4y2Ba多媒体附录1gydF4y2Ba．gydF4y2Ba

讨论gydF4y2Ba

本研究为IMA系统的临床用户提供了一个事后QC管道。它的核心由一个界面组成，该界面支持基于可扩展的质量标准集对单个记录进行直观的可用性决策。事实证明，该管道对用户(包括对IMA系统本身不太熟悉的评级人员)非常可行，并产生了可接受的评级人员一致性。它在健康对照者和MS患者的大量记录中的应用表明了事后QC的实用性和必要性，以确保数据的可靠性和避免IMA结果的误解。它进一步确定了预防和临时质量控制的改进点。据我们所知，这是第一个系统调查QC方面的研究，并为视觉感知计算提出了一个临床适用的QC管道。gydF4y2Ba

接下来，我们将讨论我们的结果的两个主要方面。首先是评分者的一致性，这表明了我们QC方法的可行性和局限性，其次是可用性决策本身，这表明了我们数据的质量和局限性。gydF4y2Ba

评分者一致性在71.5% ~ 92.3%之间，一般可以接受。只有SMSW出现了相关程度的严格反对保留/丢弃决策(10.5%)。这主要是由于1个评分者的丢弃决定造成的，因为没有捕捉到完整的步态周期。由于深度相机的记录范围有限，这是SMSW经常观察到的现象，不能直接归因于技术或性能问题。一般来说，不一致可能反映了评级标准的不明确，个别案例的评估困难，或评级者的监督。可能只有一个评价者，很可能是系统的操作员，将在未来的临床应用中应用事后QC。因此，在QC管道的进一步发展中，应该仔细处理可能导致评分人员不一致的原因，例如，通过指定评分标准，以及开展更有针对性的评分人员培训。然而，与其他临床判断一样，QC的决定仍然是知情的，但最终是直觉的决定。gydF4y2Ba

可用性决策的解释如下。由相应的2个评分员一致决定保留或丢弃的录音分别被视为可评估和满意或不满意的质量。剩下的不一致的或未确定的可用性决策的记录被归类为需要进一步的调查，因此更少的评估和潜在的不良质量。一致保留决策的比例在不同任务之间差异很大(39.6%-85.1%)。在这方面，SCSW任务具有最高的评分一致性(92.3%)和所有任务中最高的keep决策比例。在另一端是POCO和POCO- dual，评分者的一致性相当适中(分别为71.5%和72.7%)，保留决定的一致性相对较低(分别为50.3%和39.6%)。这种部分模糊性支持我们将未决定作为一个选项，以避免强制决定，以及自由文本注释，以标记意外的质量问题。gydF4y2Ba

在技术质量问题方面，短步行任务SCSW、SMSW和SLW受服装性能不利影响最大，阻碍红外光反射[gydF4y2Ba32gydF4y2Ba］．如前所述，POCO和POCO- dual经常显示有噪声和截断脚信号，这是由于脚和地面的有限区分导致地标估计不稳定[gydF4y2Ba7gydF4y2Ba］．对策包括对测量现场受试者服装和地板的一般建议。gydF4y2Ba

我们预计与性能相关的质量问题与身体限制相关，从而在某种程度上与疾病状态相关。这似乎也适用于评级标准《Sidestep》和《Support》。然而，更常见的与性能相关的问题(例如，POCO和POCO- dual的脚和动作，SAS的手臂和SIP的向前)也发生在健康受试者中。这意味着，尽管有详细的标准操作规程和操作员培训，但在任务指示或临时QC中出现了相关程度的错误。随着临床应用的扩大或在无人监督的远程医疗应用中，与性能相关的问题所占比例可能会更高。因此，IMA的进一步开发应该旨在实现自动实时检测性能问题的技术措施和相应的响应计划(例如，重新指示和重复)。与性能相关的质量问题可具体适用于实验室环境中电机能力的评估或基于任务的评估，而不是最近提出的用于电机性能持续评估的IMA系统[gydF4y2Ba4gydF4y2Ba，gydF4y2Ba5gydF4y2Ba，gydF4y2Ba15gydF4y2Ba］．gydF4y2Ba

在文献中，我们发现IMA的QC方面的报告通常很少。这包括报告无异议的数据质量，我们认为这是不可能的。作为技术IMA系统性能的指标，一些作者报告，由于看似明显的技术故障，IMA录音被排除在外，其比例从少数损坏的示例到48.8%的参与者的录音[gydF4y2Ba21gydF4y2Ba，gydF4y2Ba22gydF4y2Ba，gydF4y2Ba33gydF4y2Ba，gydF4y2Ba34gydF4y2Ba］．不幸的是，我们的数据集无法提供各自的比例，因为我们没有跟踪临时丢弃的录音。对于后处理中的数据排除，离群点检测是最常用的方法。对于儿童标准步态和平衡参数的单变量异常值检测，报道的排除率为2.5%和6% [gydF4y2Ba20.gydF4y2Ba，gydF4y2Ba35gydF4y2Ba］．一种针对运动学步态数据的多变量离群值检测方法经连续专家评估，在3.4%的受试者中发现了错误的步进检测[gydF4y2Ba21gydF4y2Ba]，而自定义的事后QC程序应用于使用Motognosis Labs获得的SMSW数据，导致排除6.7%的记录[gydF4y2Ba24gydF4y2Ba］．我们认为，与离群点检测相比，这里提出的QC方法是相当保守的。在运动学参数水平上的离群值分析很可能无法检测到在原始数据水平上识别的重大质量问题。例如，在POCO过程中，未能闭足站立很可能导致姿势摇摆减少，这将被误认为在运动学结果水平上各自受试者的姿势稳定性更高。gydF4y2Ba

最后，手工后处理的报告，例如，使用GAITRite步数标记工具，往往限于是否使用了该工具[gydF4y2Ba22gydF4y2Ba，gydF4y2Ba36gydF4y2Ba，各自的比例很少被提及[gydF4y2Ba37gydF4y2Ba］．gydF4y2Ba

除了IMA，其他技术程序也需要QC。在MS研究的背景下，磁共振成像和光学相干层析成像作为例子，已就标准化协议、QC和协调报告提出了建议[gydF4y2Ba38gydF4y2Ba-gydF4y2Ba42gydF4y2Ba］．因此，我们建议IMA结果的标准化报告应包括以下信息:(1)数据采集过程中记录失败的次数;(2)技术和人工后处理的种类和数量;(3)接受质量控制的录音的比例;(4)最终排除在分析之外的部分记录(提及各自的原因对未来的用户非常有价值)gydF4y2Ba

本研究的局限性可能包括:决定让8个可用评分员中的2个查看每个记录;这限制了正式的评分者之间的可靠性分析，并没有评估个别评分者的偏见。然而，我们的目的不是建立评分者之间的可靠性，而是专注于获得评分者一致性的可泛化估计，并确定在合理多样化的评分者集合下该方法的可行性。此外，没有具体分析影响记录可用性的其他可能因素。这些因素包括研究地点、人口、系统操作者以及受试者的年龄、身高和体重的影响。然而，我们认为QC结果可推广和代表性的日常应用，因为我们的样本的规模和异质性大。在这项研究中没有跟踪硬件的差异(Kinect 2传感器和笔记本电脑)。同样，软件版本的差异也被忽略了，因为它们被认为不是实质性的差异。然而，关于硬件和软件的建议可能在大规模应用中的预防性QC中发挥作用。gydF4y2Ba

关于可移植性，这里使用的可视化是专门针对运动认知实验室的。但是，也为其他IMA系统实现了适当的可视化。例子包括来自压力敏感走道的足迹描述或来自惯性传感器的加速度说明。因此，我们希望在本研究中提出的一般QC方法可以转移到其他IMA系统中。至于观察到的质量问题，技术问题主要或部分可分别转移到其他深度相机或基于视觉传感器的系统。这里观察到的性能问题甚至更一般化，因此对所有使用实验室或基于任务的IMA的研究人员和临床医生都有很高的信息。本研究结果明确支持IMA数据的QC需要确保客观性，并提高临床用户和监管机构的接受度。作为第一步，这种方法可以促进不同IMA系统的QC标准达成共识，并最终提高数据质量。gydF4y2Ba