Comparing the Accuracy of Visual and Computerized Onset Detection Methods on Simulated Electromyography Signals with Varying Signal-to-Noise Ratios
Notice bibliographique
Résumé
Electromyography (EMG) onsets determined by computerized detection methods have been compared against the onsets selected by experts through visual inspection. However, with this type of approach, the true onset remains unknown, making it impossible to determine if computerized detection methods are better than visual detection (VD) as they can only be as good as what the experts select. The use of simulated signals allows for all aspects of the signal to be precisely controlled, including the onset and the signal-to-noise ratio (SNR). This study compared three onset detection methods: approximated generalized likelihood ratio, double threshold (DT), and VD determined by eight trained individuals. The selected onset was compared against the true onset in simulated signals which varied in the SNR from 5 to 40 dB. For signals with 5 dB SNR, the VD method was significantly better, but for SNRs of 20 dB or greater, no differences existed between the VD and DT methods. The DT method is recommended as it can improve objectivity and reduce time of analysis when determining EMG onsets. Even for the best-quality signals (SNR of 40 dB), all the detection methods were off by 15-30 ms from the true onset and became progressively more inaccurate as the SNR decreased. Therefore, although all the detection methods provided similar results, they can be off by 50-80 ms from the true onset as the SNR decreases to 10 dB. Caution must be used when interpreting EMG onsets, especially on signals where the SNR is low or not reported at all.
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 ».