Detecting neuropathy using measures of motor unit activation extracted from standard concentric needle electromyographic signals
Notice bibliographique
Résumé
OBJECTIVE: Motor unit loss associated with neuropathic disorders affects motor unit activation. Quantitative electromyographic (EMG) features of motor unit activation estimated from the sequences of motor unit potentials (MUPs) created by concurrently active motor units can support the detection of neuropathic disorders. Interpretation of most motor unit activation feature values are, however, confounded by uncertainty regarding the level of muscle activation during EMG signal detection. A set of new features circumventing these limitations are proposed, and their utility in detecting neuropathy is investigated using simulated and clinical EMG signals. METHODS: The firing sequence of a motor neuron was simulated using a compartmentalized Hodgkin-Huxley based model. A pool of motor neurons was modelled such that each motor neuron was subjected to a common level of activation. The detection of the firing sequence of a motor neuron using a clinically detected EMG signal was simulated using a model of muscle anatomy combined with a model representing muscle fiber electrophysiology and the voltage detection properties of a concentric needle electrode. SIGNIFICANCE: Findings are based on simulated EMG data representing 30 normal and 30 neuropathic muscles as well as clinical EMG data collected from the tibialis anterior muscle of 48 control subjects and 30 subjects with neuropathic disorders. These results demonstrate the possibility of detecting neuropathy using motor unit recruitment and mean firing rate feature values estimated from standard concentric needle detected EMG 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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| 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) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».