Adaptive time-frequency analysis of knee joint vibroarthrographic signals for noninvasive screening of articular cartilage pathology
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
Vibroarthrographic (VAG) signals emitted by human knee joints are nonstationary and multicomponent in nature; time-frequency distributions (TFD's) provide powerful means to analyze such signals. The objective of this paper is to construct adaptive TFD's of VAG signals suitable for feature extraction. An adaptive TFD was constructed by minimum cross-entropy optimization of the TFD obtained by the matching pursuit decomposition algorithm. Parameters of VAG signals such as energy, energy spread, frequency, and frequency spread were extracted from their adaptive TFD's. The parameters carry information about the combined TF dynamics of the signals. The mean and standard deviation of the parameters were computed, and each VAG signal was represented by a set of just six features. Statistical pattern classification experiments based on logistic regression analysis of the parameters showed an overall normal/abnormal screening accuracy of 68.9% with 90 VAG signals (51 normals and 39 abnormals), and a higher accuracy of 77.5% with a database of 71 signals with 51 normals and 20 abnormals of a specific type of patellofemoral disorder. The proposed method of VAG signal analysis is independent of joint angle and clinical information, and shows good potential for noninvasive diagnosis and monitoring of patellofemoral disorders such as chondromalacia patella.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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