A method for editing motor unit potential trains obtained by decomposition of surface electromyographic signals
Notice bibliographique
Résumé
Rather than discarding motor unit potential trains (MUPTs) because they do not meet 100% validity criteria, we describe and evaluate a novel editing routine that preserves valid discharge times, based on decreasing shape variability (variance ratio, VR) within a MUPT. The error filtered estimation (EFE) algorithm is then applied to the remaining 'high confidence' discharge times to estimate inter-discharge interval (IDI) statistics. Decomposed surface EMG data from the flexor carpi radialis recorded from 20 participants during 60% MVC wrist flexion was used. There were two levels of denoising criteria (relaxed and strict) criteria for removing MUPs to decrease the VR and increase the signal-to-noise ratio (SNR) of a MUPT. In total, VR decreased 24.88% and SNR increased 6.0% (p's < 0.05). The MUP template peak-to-peak (P-P) amplitude and P-P duration were dependent on the level of denoising (p's < 0.05). The standard error of the estimate (SEE) of the mean IDI before and after editing using the relaxed criteria (3.2% versus 3.69%), was very similar (p > 0.05). The same was true for the SEE between denoising criteria, which increased only to 5.14% for the strict criteria (p > 0.05). Editing the MUPTs resulted in a significant decrease in MUP shape variability and in the measures extracted from the MUP templates, with trivial differences between the SEE of the mean IDI between the edited and unedited MUPTs.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».