A Hidden Markov, Multivariate Autoregressive (HMM-mAR) Network Framework for Analysis of Surface EMG (sEMG) Data
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
As the primary noninvasive means to assess muscle activation, the surface electromyogram (sEMG) is of central importance for the study of motor behavior in both clinical and biomedical applications. However, multivariate sEMG analysis is complicated by the fact that data recorded during dynamic contractions are inherently nonstationary. To model this nonstationarity and to determine the dynamic muscle activity patterns during reaching movements, we propose combining hidden Markov models (HMMs) and multivariate autoregressive (mAR) models into a joint HMM-mAR framework. We further propose constructing muscle networks statistically by performing a second level, group analysis on the subject-specific models. Network structural features are subsequently investigated as input features for the purpose of classification. The proposed approach was applied to real sEMG recordings collected from healthy and stroke subjects during reaching movements. When examining group muscle networks, we note that specific muscle connection patterns were selectively recruited during reaching movements and were differentially recruited after stroke compared to healthy subjects. As the analysis was performed on the raw data, the amplitude and the underlying ldquocarrier datardquo of sEMG signals, we notice that the HMM-mAR model fits the amplitude data well, but not the raw or carrier data. The proposed sEMG analysis framework represents a fundamental departure from existing methods where only the amplitude is typically analyzed or the mAR coefficients are directly used for classification. As the method may provide additional insights into motor control, it appears a promising approach warranting further study.
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 | 0,002 |
| 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