GNL-HybELS: An algorithm to classify and identify VOR responses simultaneously
Notice bibliographique
Résumé
The Vestibulo-Ocular Reflex (VOR) stabilizes the images of the world on the retinae when the head is in motion. Basic daily activities such as walking or driving depend on the proper functioning of this reflex. For several decades, scientists have developed methods to model and identify this system mathematically. However, traditional methods cannot analyze VOR data comprehensively because they disregard pieces of data (fast phases) which biases estimated reflex dynamics. Here we propose, for the first time, an automated tool to analyze entire VOR responses (slow and fast phases), without apriori classification of nystagmus segments. We have developed GNL-HybELS (Generalized NonLinear Hybrid Extended Least Squares), a tool to simultaneously classify and identify the responses of a multi-mode nonlinear system with delay, such as the horizontal VOR. This algorithm combines Generalized Principle Component Analysis (GPCA) for classification, and Hybrid Extended Least Squares (HybELS) for identification. The method was validated on noisy simulation data and tested on experimental data. GNL-HybELS classifies and identifies dynamic parameters, nonlinearity, and delay of a multi-mode (hybrid) system, with high accuracy and robustness, with rms prediction errors between 1.3-2.6 deg for measured data. It enables researchers and clinicians to analyze VOR responses reliably, and therefore, can pave the way for more precise diagnoses and treatments for lesions and diseases of the vestibular system. It can also be readily applied to other neural systems that exhibit switching or multi-mode behavior.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,003 |
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 ».