Using principal component analysis to reduce complex datasets produced by robotic technology in healthy participants
Notice bibliographique
Résumé
BACKGROUND: The KINARM robot produces a granular dataset of participant performance metrics associated with proprioceptive, motor, visuospatial, and executive function. This comprehensive battery includes several behavioral tasks that each generate 9 to 20 metrics of performance. Therefore, the entire battery of tasks generates well over 100 metrics per participant, which can make clinical interpretation challenging. Therefore, we sought to reduce these multivariate data by applying principal component analysis (PCA) to increase interpretability while minimizing information loss. METHODS: Healthy right-hand dominant participants were assessed using a bilateral KINARM end-point robot. Subjects (Ns = 101-208) were assessed using 6 behavioral tasks and automated software generated 9 to 20 metrics related to the spatial and temporal aspects of subject performance. Data from these metrics were converted to Z-scores prior to PCA. The number of components was determined from scree plots and parallel analysis, with interpretability considered as a qualitative criterion. Rotation type (orthogonal vs oblique) was decided on a per task basis. RESULTS: The KINARM performance data, per task, was substantially reduced (range 67-79%), while still accounting for a large amount of variance (range 70-82%). The number of KINARM parameters reduced to 3 components for 5 out of 6 tasks and to 5 components for the sixth task. Many components were comprised of KINARM parameters with high loadings and only some cross loadings were observed, which demonstrates a strong separation of components. CONCLUSIONS: Complex participant data produced by the KINARM robot can be reduced into a small number of interpretable components by using PCA. Future applications of PCA may offer potential insight into specific patterns of sensorimotor impairment among patient populations.
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 | 0,005 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».