Development of an EMG-Based Muscle Health Model for Elbow Trauma Patients
Notice bibliographique
Résumé
Wearable robotic braces have the potential to improve rehabilitative therapies for patients suffering from musculoskeletal (MSK) conditions. Ideally, a quantitative assessment of health would be incorporated into rehabilitative devices to monitor patient recovery. The purpose of this work is to develop a model to distinguish between the healthy and injured arms of elbow trauma patients based on electromyography (EMG) data. Surface EMG recordings were collected from the healthy and injured limbs of 30 elbow trauma patients while performing 10 upper-limb motions. Forty-two features and five feature sets were extracted from the data. Feature selection was performed to improve the class separation and to reduce the computational complexity of the feature sets. The following classifiers were tested: linear discriminant analysis (LDA), support vector machine (SVM), and random forest (RF). The classifiers were used to distinguish between two levels of health: healthy and injured (50% baseline accuracy rate). Maximum fractal length (MFL), myopulse percentage rate (MYOP), power spectrum ratio (PSR) and spike shape analysis features were identified as the best features for classifying elbow muscle health. A majority vote of the LDA classification models provided a cross-validation accuracy of 82.1%. The work described in this paper indicates that it is possible to discern between healthy and injured limbs of patients with MSK elbow injuries. Further assessment and optimization could improve the consistency and accuracy of the classification models. This work is the first of its kind to identify EMG metrics for muscle health assessment by wearable rehabilitative devices.
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 ».