Musculoskeletal Model to Predict Muscle Activity During Upper Limb Movement
Notice bibliographique
Résumé
Assessing biomechanics of upper limb movement is essential for guiding targeted therapy to treat conditions such as spasticity and dystonia. Targeted therapy, including injections of medications into specific muscles (e.g., lidocaine, botulinum toxin type A), requires accurate identification (activity) and contribution of as many muscles as possible. Currently, this is achieved by visual clinical assessment or using surface electromyography (sEMG). Although sEMG could provide a reasonable estimate of muscle activity for certain superficial muscles after an intense filtering process, they are unable to provide separated activity and contribution for every superficial and deep muscle. Other proposed musculoskeletal and machine learning models similarly do not provide a detailed and accurate activity of every muscle. The objective of the study is to design a subject-specific musculoskeletal model to predict the activity and contribution of each muscle pertaining to any upper limb movement with improved detail and accuracy over existing methodologies. Performance metrics were calculated for validation by comparing the predicted muscle activity with the normalized sEMG data computed from 8 superficial muscles, while the deeper muscles were not included in the validation as the sEMG is unable to provide a separated activity for those muscles. The results show that the proposed model has a mean R <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> value of 0.8190 and also indicated a statistically significant correlation ( P <; 0.0001) between the calculated (normalized sEMG data) and predicted activity value. Additionally, and significantly, compared to earlier studies, the proposed model predicts the individual muscle activity and contribution of deeper muscles.
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 | 0,000 | 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 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 ».