Data sample size needed for analysis of kinematic and muscle synergies in healthy and stroke populations
Notice bibliographique
Résumé
Multiple studies have suggested the central nervous system (CNS) generates motions by using modular control of muscles and joints (synergies). However, the synergies reported by these studies are task dependent and might not reflect the true control strategies adopted by the CNS. Studying exploratory motions (EMs) can reveal biomechanical constraints and motor control strategies in healthy and clinical populations. The first logical step to consider EMs in study of motor synergies is to determine how much data is required to reliably and fully profile the motion patterns of an individual. Here we present how the quality of motor synergies analysis depends on the amount of EM data included in the analysis. We recruited 10 healthy and 10 post-stroke participants and collected electromyography (EMG) and joint motion data of their arms as they completed a motor exploration task. We compared the effects of clinical status and limb strength/dominance on the amount of data required to identify synergies. Clinical status had a significant elïect on the required amount of data for both datasets. Limb strength had a significant effect only for kinematic data. We determined the upper bound 95% confidence interval to set the amount of data required for synergy analysis in both populations: 235 sec for EMG data and 265 sec for kinematic data. Our results provide an important step toward using motor exploration in the study of healthy motor synergies and how stroke alters them.
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 | 0,039 | 0,137 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».