Robust decomposition of single-channel intramuscular EMG signals at low force levels
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
This paper presents a density-based method to automatically decompose single-channel intramuscular electromyogram (EMG) signals into their component motor unit action potential (MUAP) trains. In contrast to most previous decomposition methods, which require pre-setting and (or) tuning of multiple parameters, the proposed method takes advantage of the data-dependent strategies in the pattern recognition procedures. In this method, outliers (superpositions) are excluded prior to classification and MUAP templates are identified by an adaptive density-based clustering procedure. MUAP trains are then identified by a novel density-based classifier that incorporates MUAP shape and discharge time information. MUAP trains are merged by a fuzzy system that incorporates expert human knowledge. Finally, superimpositions are resolved to fill the gaps in the MUAP trains. The proposed decomposition algorithm has been experimentally tested on signals from low-force (≤30% maximal) isometric contractions of the vastus medialis obliquus, vastus lateralis, biceps femoris long-head and tibialis anterior muscles. Comparison with expert manual decomposition that had been verified using a rigorous statistical analysis showed that the algorithm identified 80% of the total 229 motor unit trains with an accuracy greater than 90%. The algorithm is robust and accurate, and therefore it is a promising new tool for decomposing single-channel multi-unit signals.
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