Experimental and modelling investigation of surface EMG spike analysis
Notice bibliographique
Résumé
A pattern classification method based on five measures extracted from the surface electromyographic (sEMG) signal is used to provide a unique characterization of the interference pattern for different motor unit behaviours. This study investigated the sensitivity of the five sEMG measures during the force gradation process. Tissue and electrode filtering effects were further evaluated using a sEMG model. Subjects (N=8) performed isometric elbow flexion contractions from 0 to 100% MVC. The sEMG signals from the biceps brachii were recorded simultaneously with force. The basic building block of the sEMG model was the detection of single fibre action potentials (SFAPs) through a homogeneous, equivalent isotropic, infinite volume conduction medium. The SFAPs were summed to generate single motor unit action potentials. The physiologic properties from a well-known muscle model and motor unit recruitment and firing rate schemes were combined to generate synthetic sEMG signals. The following pattern classification measures were calculated: mean spike amplitude, mean spike frequency, mean spike slope, mean spike duration, and the mean number of peaks per spike. Root-mean-square amplitude and mean power frequency were also calculated. Taken together, the experimental data and modelling analysis showed that below 50% MVC, the pattern classification measures were more sensitive to changes in force than traditional time and frequency measures. However, there are additional limitations associated with electrode distance from the source that must be explored further. Future experimental work should ensure that the inter-electrode distance is no greater than 1cm to mitigate the effects of tissue filtering.
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 ».