SVM-Based Validation of Motor Unit Potential Trains Extracted by EMG Signal Decomposition
Notice bibliographique
Résumé
Motor unit potential trains (MUPTs) extracted via electromyographic (EMG) signal decomposition can aid in the diagnosis of neuromuscular disorders and the study of the neural control of movement, but only if they are valid. In this paper, support vector machine (SVM)-based supervised classifiers are proposed to estimate the validity of extracted MUPTs. The classifiers use either the MU firing pattern or the MUP shape consistency of an MUPT, or both, to estimate its validity. The developed classifiers estimate the class label of an MUPT (i.e., valid/invalid) and a degree of support for the decision being made. A single SVM that estimates the validity of a given MUPT using extracted MU firing pattern and MUP shape features was investigated. In addition, the effectiveness of multiclassifier techniques which estimate the overall validity of a train by fusing the MU firing pattern and MUP shape validity of a given MUPT, determined separately by two distinct SVMs, was also investigated. Training based only on simulated data showed robust classification performance of the several multiclassifier methods when tested using both simulated and real test data. Of the methods studied, the multiclassifier constructed using trainable logistic regression to aggregate base classifier outputs had the best performance. Assuming 12.7% of extracted MUPTs are on average invalid, the estimated accuracy for this method in correctly categorizing MUPTs extracted during decomposition was 99.4% and 98.8% for simulated and real data, respectively.
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 | 0,000 |
| 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) | 0,000 | 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 ».