A Machine Learning Approach to Discriminate Between Soft and Hard Bone Tissues Using Drilling Sounds
Notice bibliographique
Résumé
Bone drilling is conducted in many surgical disciplines such as orthopedics, maxillofacial, and spine surgery. Most of these procedures involve drilling of different bone materials including hard (cortical) and soft (cancellous) tissues. Identifying these tissues is essential for surgeons to minimize damage to underlying nerves and vessels. The sound signal generated during drilling is a valuable source of information that could potentially be employed. Such sounds can be captured readily and easily through non-contact sensors. Therefore, our goal in this preliminary study is to investigate whether drilling sounds can enable us to distinguish between cortical and cancellous tissues. A bovine tibial bone was drilled, and the cortical and cancellous drilling sounds were captured. Each sound record was divided into small windows with a length of 50 ms and a 50% overlap. The window length was selected small, because our intended longer-term application is to provide the surgeon with near-real-time feedback. Short time Fourier Transform (STFT) coefficients were extracted from each window and were averaged accordingly to obtain p features. A support vector machine (SVM) algorithm was used for classification, and its accuracy was evaluated for different number of features (p). Two training/testing scenarios were considered, atlas (ATL) and leave-one-out (LOO). The total accuracies for ATL and LOO were 100% and 93.8% respectively obtained for p=128. Our study on a single specimen demonstrated that it is possible to discriminate between cortical and cancellous bones based on relatively short 50 ms windows of drilling sounds.
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 | 0,001 | 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 | 0,001 | 0,001 |
| 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 ».