A computational approach for generating smooth estimates of motor unit discharge rates and visualizing population discharge characteristics
Notice bibliographique
Résumé
ABSTRACT Objective Successive improvements in high density surface electromyography and decomposition techniques have facilitated an increasing yield in decomposed motor unit (MU) spike times. Though these advancements enhance the generalizability of findings and promote the application of MU discharge characteristics to inform the neural control of motor output, limitations remain. Specifically, 1) common approaches for generating smooth estimates of MU discharge rates introduce artifacts in quantification, which may bias findings, and 2) discharge characteristics of large MU populations are often difficult to visualize. Approach In the present study, we propose support vector regression (SVR) as an improved approach for generating continuous estimates of discharge rate and compare the fit characteristics of SVR to traditionally used methods, including Hanning window filtering and polynomial regression. Furthermore, we introduce ensembles as a method to visualize the discharge characteristics of large MU populations. We define ensembles as the average discharge profile of a subpopulation of MUs, composed of a time normalized ensemble average of all units within this subpopulation. Analysis was conducted with MUs decomposed from the tibialis anterior (N = 2128), medial gastrocnemius (N = 2673), and soleus (N = 1190) during isometric plantarflexion and dorsiflexion contractions. Main Result Compared to traditional approaches, we found SVR to alleviate commonly observed inaccuracies and produce significantly less absolute fit error in the initial phase of MU discharge and throughout the entire duration of discharge. Additionally, we found the visualization of MU populations as ensembles to intuitively represent population discharge characteristics with appropriate accuracy for visualization. Significance The results and methods outlined here provide an improved method for generating smooth estimates of MU discharge rate with SVR and present a unique approach to visualizing MU populations with ensembles. In combination, the use of SVR and generation of ensembles represent an efficient method for rendering population discharge characteristics.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».