Computer-Aided Diagnosis of Knee-Joint Disorders via Vibroarthrographic Signal Analysis: A Review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The knee is the lower-extremity joint that supports nearly the entire weight of the human body. It is susceptible to osteoarthritis and other knee-joint disorders caused by degeneration or loss of articular cartilage. The detection of a knee-joint abnormality at an early stage is important, because it helps increase therapeutic options that may slow down the degenerative process. Imaging-based arthrographic modalities can provide anatomical images of the joint cartilage surfaces, but fail to demonstrate the functional integrity of the cartilage. Knee-joint auscultation, by means of recording the vibroarthrographic (VAG) signal during bending motion of a knee, could be used to develop a noninvasive diagnostic tool. Computer-aided analysis of VAG signals could provide quantitative indices for screening of degenerative conditions of the cartilage surface and staging of osteoarthritis. In addition, the diagnosis of knee-joint pathology by means of VAG signal analysis may reduce the number of semi-invasive diagnostic arthroscopic examinations. This article reviews studies related to VAG signal analysis, first summarizing the pilot studies that demonstrated the diagnostic potential of knee-joint auscultation for the detection of degenerative diseases, and then describing the details of recent progress in analysis of VAG signals using temporal analysis, frequency-domain analysis, time-frequency analysis, and statistical modeling. The decision-making methods used in the related studies are summarized, followed by a comparison of the diagnostic performance achieved by different pattern classifiers. The final section is a perspective on the future and further development of VAG signal analysis.
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,003 |
| Bibliométrie | 0,001 | 0,004 |
| 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 | 0,001 | 0,001 |
| 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 découle