Bayesian Network Modeling for Discovering “Dependent Synergies” Among Muscles in Reaching Movements
Notice bibliographique
Résumé
The coordinated activities of muscles during reaching movements can be characterized by appropriate analysis of simultaneously-recorded surface electromyograms (sEMGs). Many recent sEMG studies have analyzed muscle synergies using statistical methods such as Independent Component Analysis, which commonly assume a small set of influences upstream of the muscles (e.g., originating from the motor cortex) produce the sEMG signals. Traditionally only the amplitude of the sEMG signal was investigated. Here, we present a fundamentally different approach and model sEMG signals after the effects of amplitude have been minimized. We develop the framework of Bayesian networks (BNs) for modeling muscle activities and for analyzing the overall muscle network structure. Instead of assuming that synergies may be independently activated, we assume that neuronal activity driving a given muscle may be conditionally dependent upon neurons driving other muscles. We call the resulting interactions between muscle activity patterns "dependent synergies". The learned BN networks were explored for the purpose of classification across subjects based on hand dominance or affliction by stroke. Network structure features were investigated as classification input features and it was determined that specific edge connection patterns of 3-node subnetworks were selectively recruited during reaching movements and were differentially recruited after stroke compared to normal control subjects. The resulting classification was robust to inter-subject and within-group variability and yielded excellent classification performance. The proposed framework extends muscle synergy analysis and provides a framework for thinking about muscle activity interactions in motor control.
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 ».