Motor unit potential characterization using “pattern discovery”
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
Typically in clinical practice, electromyographers use qualitative auditory and visual analysis of electromyographic (EMG) signals to help infer if a neuromuscular disorder is present and if it is neuropathic or myopathic. Quantitative EMG methods exist that can more accurately measure feature values but require qualitative interpretation of a large number of statistics. Electrophysiological characterization of a neuromuscular system can be improved through the quantitative interpretation of EMG statistics. The aim of the present study was to compare the accuracy of pattern discovery (PD) characterization of motor unit potentials (MUPs) to other classifiers commonly used in the medical field. In addition, a demonstration of PD's transparency is provided. The transparency of PD characterization is a result of observing statistically significant events known as patterns. Using clinical MUP data from normal subjects and patients with known neuropathic disorders, PD achieved an error rate of 30.3% versus 29.8% for a Naïve Bayes classifier, 30.1% for a Decision Tree and 29% for discriminant analysis. Similar results were found for simulated EMG data. PD characterization succeeded in interpreting the information extracted from MUPs and transforming it into knowledge that is consistent with the literature and that can be valuable for the capture and transparent expression of clinically useful knowledge.
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