Adaptive motor unit potential train validation using MUP shape information
Notice bibliographique
Résumé
A decomposed electromyographic (EMG) signal provides information that can be used clinically or for physiological investigation. However, in all instances the validity of the extracted motor unit potential trains (MUPTs) must first be determined because, as with all pattern recognition applications, errors will occur during decomposition. Moreover, detecting invalid MUPTs during EMG signal decomposition can enhance decompositions results. Eight methods to validate an extracted MUPT using its motor unit potential (MUP) shape information were studied. These MUPT validation methods are based on existing cluster analysis algorithms, four were newly developed adaptive methods and four were classical cluster validation methods. The methods evaluate the shapes of the MUPs of a MUPT to determine whether the MUPT represents the activity of a single motor unit (i.e. it is a valid MUPT) or not. Evaluation results using both simulated and real data show that the newly developed adaptive methods are sufficiently fast and accurate to be used during or after the decomposition of EMG signals. The adaptive gap-based Duda and Hart (AGDH) method had significantly better accuracies in correctly categorizing the MUPTs extracted during decomposition (91.3% and 94.7% for simulated and real data, respectively; assuming 12.7% of the extracted MUPTs are on average invalid). The accuracy with which invalid MUPTs can be detected is dependent on the similarity of the MUP templates of the MUPTs merged to create the invalid train and suggests the need, in some cases, for the combined use of motor unit firing pattern and MUP shape information.
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 ».