Electrophysiological Muscle Classification Using Multiple Instance Learning and Unsupervised Time and Spectral Domain Analysis
Notice bibliographique
Résumé
OBJECTIVE: Electrophysiological muscle classification (EMC) is a crucial step in the diagnosis of neuromuscular disorders. Existing quantitative techniques are not sufficiently robust and accurate to be reliably clinically used. Here, EMC is modeled as a multiple instance learning (MIL) problem and a system to infer unsupervised motor unit potential (MUP) labels and create supervised muscle classifications is presented. METHODS: The system has five main steps: MUP representation using morphological, stability, and near fiber parameters as well as spectral features extracted from wavelet coefficients; MUP feature selection using unsupervised Laplacian scores; MUP clustering using neighborhood distance entropy consistency to find representations of MUP normality and abnormality; muscle representation by embedding its MUP cluster associations in a feature vector; and muscle classification using support vector machines or random forests. RESULTS: The evaluation data consist of 63, 83, 93, and 84 sets of MUPs recorded in deltoid, vastus medialis, first dorsal interosseous, and tibialis anterior muscles, respectively. The proposed system discovered representations of normal, myopathic, and neurogenic MUPs for each specific muscle type and resulted in an average classification accuracy of 98%, which is higher than in previous works. CONCLUSION: Modeling EMC as an instance of the MIL solves the traditional problem of characterizing MUPs without full supervision. Furthermore, finding representations of MUP normality and abnormality using morphological, stability, near fiber, and spectral features improve muscle classification. SIGNIFICANCE: The proposed method is able to characterize MUPs with respect to disease categories, with no a priori information.
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 | 0,001 |
| 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 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 ».