The Effects of Data Padding Techniques on Continuous Relative-Phase Analysis Using the Hilbert Transform
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Continuous relative phase (CRP) analysis using the Hilbert transform is prone to end effects. The purpose was to investigate the impact of padding techniques (reflection, spline extrapolation, extraneous data, and unpadded) on end effects following Hilbert-transformed CRP calculations, using sinusoidal, nonsinusoidal, and kinematic data from a repeated sit-to-stand-to-sit task in adults with low back pain (n = 16, mean age = 30 y). CRP angles were determined using a Hilbert transform of sinusoidal and nonsinusoidal signals with set phase shifts, and for the left thigh/sacrum segments. Root mean square difference and true error compared test signals with a gold standard, for the start, end, and full periods, for all data. Mean difference and 95% bootstrapped confidence intervals were calculated to compare padding techniques using kinematic data. The unpadded approach showed near-negligible error using sinusoidal data across all periods. No approach was clearly superior for nonsinusoidal data. Spline extrapolation showed significantly less root mean square difference (all periods) when compared with double reflection (full period: mean difference = 2.11; 95% confidence interval, 1.41 to 2.79) and unpadded approaches (full period: mean difference = -15.8; 95% confidence interval, -18.9 to -12.8). Padding sinusoidal data when performing CRP analyses are unnecessary. When extraneous data have not been collected, our findings recommend padding using a spline to minimize data distortion following Hilbert-transformed CRP analyses.
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.
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 | 0,001 |
| 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 découle