Fractal analysis of muscle activity patterns during locomotion: pitfalls and how to avoid them
Notice bibliographique
Résumé
Abstract Time-dependent physiological data, such as electromyogram (EMG) recordings from multiple muscles, is often difficult to interpret objectively. Here, we used EMG data gathered during mouse locomotion to investigate the effects of calculation parameters and data quality on two metrics for fractal analysis: the Higuchi’s fractal dimension (HFD) and the Hurst exponent (H). A curve is fractal if it repeats itself at every scale or, in other words, if its shape remains unchanged when zooming in the curve at every zoom level. Many linear and nonlinear analysis methods are available, each of them aiming at the explanation of different data features. In recent years, fractal analysis has become a powerful nonlinear tool to extract information from physiological data not visible to the naked eye. It can present, however, some dangerous pitfalls that can lead to misleading interpretations. To calculate the HFD and the H, we have extracted muscle synergies from normal and mechanically perturbed treadmill locomotion from the hindlimb of adult mice. Then, we used one set per condition (normal and perturbed walking) of the obtained time-dependent coefficients to create surrogate data with different fluctuations over the original mean signal. Our analysis shows that HFD and H are exceptionally sensitive to the presence or absence of perturbations to locomotion. However, both metrics suffer from variations in their value depending on the parameters used for calculations and the presence of quasi-periodic elements in the time series. We discuss those issues giving some simple suggestions to reduce the chance of misinterpreting the outcomes. New & Noteworthy Despite the lack of consensus on how to perform fractal analysis of physiological time series, many studies rely on this technique. Here, we shed light on the potential pitfalls of using the Higuchi’s fractal dimension and the Hurst exponent. We expose and suggest how to solve the drawbacks of such methods when applied to data from normal and perturbed locomotion by combining in vivo recordings and computational approaches.
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 | 0,010 | 0,057 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».