Comparative analysis of the performance of the time-frequency distributions with knee joint vibroarthrographic signals
Notice bibliographique
Résumé
Vibroarthrographic (VAG) signals emitted by human knee joints can be used to develop a non-invasive diagnostic tool to detect articular cartilage degeneration. VAG signals are nonstationary and multicomponent in nature; time-frequency distributions (TFDs) provide powerful means to analyze such signals. The objective of this paper is to determine the TFD suitable for identification and extraction of VAG signal features of clinical significance. The TFDs considered are: autoregressive (AR) model-based TFD; the reassigned, smoothed, pseudo-Wigner-Ville (RSPWV) distribution; and a TFD based on signal decomposition using the matching pursuit (MP) algorithm. As the true TFD of a VAG signal is not known, the results of the TFDs were compared based on the expected characteristics using synthetic signals. The MP TFD shows good potential in analyzing multicomponent signals with low signal-to-noise ratio when compared to the AR model-based TFD and the RSPWV method. The TFD techniques were also tested on VAG signals with additional information provided by auscultation and arthroscopy. The results indicate that the MP TFD is the best available TFD to analyze VAG signals.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».