A Density-Based Clustering Approach to Motor Unit Potential Characterizations to Support Diagnosis of Neuromuscular Disorders
Notice bibliographique
Résumé
Electrophysiological muscle classification involves characterization of extracted motor unit potentials (MUPs) followed by the aggregation of these MUP characterizations. Existing techniques consider three classes (i.e., myopathic, neurogenic, and normal) for both MUP characterization and electrophysiological muscle classification. However, diseased-induced MUP changes are continuous in nature, which make it difficult to find distinct boundaries between normal, myopathic, and neurogenic MUPs. Hence, MUP characterization based on more than three classes is better able to represent the various effects of disease. Here, a novel, electrophysio- logical muscle classification system is proposed, which considers a dynamic number of classes for characterizing MUPs. To this end, a clustering algorithm called neighbor- hood distances entropy consistency is proposed to find clusters with arbitrary shapes and densities in an MUP feature space. These clusters represent several concepts of MUP normality and abnormality and are used for MUP characterization instead of the conventional three classes. An examined muscle is then classified by embedding its MUP characterizations in a feature vector fed to an ensemble of support vector machine and nearest neighbor classifiers. For 103 sets of MUPs recorded in tibialis anterior muscles, the proposed system had a 97% electro-physiological muscle classification accuracy, which is significantly higher than in previous works.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».