Adaptive fuzzy <i>k</i> -NN classifier for EMG signal decomposition
Notice bibliographique
Résumé
An adaptive fuzzy k-nearest neighbour classifier (AFNNC) for EMG signal decomposition is presented and evaluated. The developed classifier uses an adaptive assertion-based classification approach for setting a minimum classification threshold. The similarity criterion used for grouping motor unit potentials (MUPs) is based on a combination of MUP shapes and two modes of use of motor unit firing pattern information: passive and active. The performance of the developed classifier was evaluated using synthetic signals with specific properties and experimental signals and compared with the performance of an adaptive template matching classifier, the adaptive certainty classifier (ACC). Across the sets of simulated and experimental EMG signals used for comparison, the AFNNC had better average classification performance overall, but due to the assignment of higher numbers of MUPs it made relatively more errors. Nonetheless, these increased error rates would still be acceptable for most clinical uses of decomposed EMG data. An independent and a related set of simulated signals were used for testing. For the independent simulated signals of varying intensity, the AFNNC had on average an improved correct classification rate (CCr) (8.1%) but an increased error rate (Er) (1.5%) compared to ACC. For the related simulated signals with varying amounts of shape and/or firing pattern variability, the AFNNC on average had an improved CCr (5%) but a slightly increased Er (0.3%) compared to ACC. For experimental signals, the AFNNC on average had improved CCr (6%) but an increased Er (2.1%) compared to ACC. The greatest gains in AFNNC performance relative to that of the ACC occurred when the variability of MUP shapes within motor unit potential trains was high suggesting that compared to a template matching assignment strategy the NN assignment paradigm is better able to ameliorate the classification problems caused by MUP instability.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».