Adaptive fuzzy <i>k</i> -NN classifier for EMG signal decomposition
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
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.
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 découle