Pattern Classification by the Hotelling Statistic and Application to Knee Osteoarthritis Kinematic Signals
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
The analysis of knee kinematic data, which come in the form of a small sample of discrete curves that describe repeated measurements of the temporal variation of each of the knee three fundamental angles of rotation during a subject walking cycle, can inform knee pathology classification because, in general, different pathologies have different kinematic data patterns. However, high data dimensionality and the scarcity of reference data, which characterize this type of application, challenge classification and make it prone to error, a problem Duda and Hart refer to as the curse of dimensionality. The purpose of this study is to investigate a sample-based classifier which evaluates data proximity by the two-sample Hotelling T 2 statistic. This classifier uses the whole sample of an individual’s measurements for a better support to classification, and the Hotelling T 2 hypothesis testing made applicable by dimensionality reduction. This method was able to discriminate between femero-rotulian (FR) and femero-tibial (FT) knee osteoarthritis kinematic data with an accuracy of 88.1 % , outperforming significantly current state-of-the-art methods which addressed similar problems. Extended to the much harder three-class problem involving pathology categories FR and FT, as well as category FR-FT which represents the incidence of both diseases FR and FT in a same individual, the scheme was able to reach a performance that justifies its further use and investigation in this and other similar applications.
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 | 0,000 | 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 découle