MétaCan
Menu
Retour à la cohorte
Enregistrement W2163933460 · doi:10.1186/1475-925x-9-23

The effect of accelerometer location on the classification of single-site forearm mechanomyograms

2010· article· en· W2163933460 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.
fundUn bailleur canadien est enregistré sur le travail.

Notice bibliographique

RevueBioMedical Engineering OnLine · 2010
Typearticle
Langueen
DomaineEngineering
ThématiqueMuscle activation and electromyography studies
Établissements canadiensUniversity of TorontoHolland Bloorview Kids Rehabilitation Hospital
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanada Research ChairsOntario Centres of Excellence
Mots-clésAccelerometerWristComputer scienceArtificial intelligenceClassifier (UML)Pattern recognition (psychology)ForearmMedicineAnatomy

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Recently, pattern recognition methods have been deployed in the classification of multiple activation states from mechanomyogram (MMG) signals for the purpose of controlling switching interfaces. Given the propagative properties of MMG signals, it has been suggested that MMG classification should be robust to changes in sensor placement. Nonetheless, this purported robustness remains speculative to date. This study sought to quantify the change in classification accuracy, if any, when a classifier trained with MMG signals from the muscle belly, is subsequently tested with MMG signals from a nearby location. METHODS: An arrangement of 5 accelerometers was attached to the flexor carpi radialis muscle of 12 able-bodied participants; a reference accelerometer was located over the muscle belly, two peripheral accelerometers were positioned along the muscle's transverse axis and two more were aligned to the muscle's longitudinal axis. Participants performed three classes of muscle activity: wrist flexion, wrist extension and semi-pronation. A collection of time, frequency and time-frequency features were considered and reduced by genetic feature selection. The classifier, trained using features from the reference accelerometer, was tested with signals from the longitudinally and transversally displaced accelerometers. RESULTS: Classification degradation due to accelerometer displacement was significant for all participants, and showed no consistent trend with the direction of displacement. Further, the displaced accelerometer signals showed task-dependent de-correlations with respect to the reference accelerometer. CONCLUSIONS: These results indicate that MMG signal features vary with spatial location and that accelerometer displacements of only 1-2 cm cause sufficient feature drift to significantly diminish classification accuracy. This finding emphasizes the importance of consistent sensor placement between MMG classifier training and deployment for accurate control of switching interfaces.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,430
Score d'incertitude au seuil0,291

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,219
Écart entre enseignants0,207 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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