MétaCan
Menu
← Retour à la cohorte
Enregistrement W4232252113 · doi:10.32920/ryerson.14657664.v1

Recurrence quantification analysis of motor learning and training

2021· preprint· en· W4232252113 sur OpenAlexaffabout
Barry Vuong

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineEngineering
ThématiqueMuscle activation and electromyography studies
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésRecurrence quantification analysisMotor learningPhysical medicine and rehabilitationRehabilitationBalance (ability)PsychologyComputer scienceBalance trainingPhysical therapyMedicineNeuroscience

Résumé

récupéré en direct d'OpenAlex

The goal of this study was to apply recurrence quantification analysis (RQA) to surface electromyographic (sEMG) signals during motor learning and training activities. It has been previously demonstrated that the RQA variable, percentage of determinism (�T), is related to the synchronization of motor units. It is suggested that �T will change throughout the motor learning and training process. As a result, the experiment consisted of two separate parts. The motor learning part required a male subject to train using the Nintendo Wii Fit® software, Wii Fit® balance board and the Nintendo Wii® gaming console. The myoelectric signals were acquired from the peroneus longus (PL) and soleus (S) muscles. During the course of this experiment a soccer simulator and three in-game balance tests were used to evaluate motor learning. The second part of the experiment consisted of a chronic incomplete spinal cord injured patient from the Toronto Rehabilitation Institute. The subject trained three times a week for fourteen days. Each training session consisted of the subject performing weighted dorsaf and plantar flexion. Both parts of the experiments suggests that there is a decrease in synchronization of motor units after motor learning and training (decrease in �T). Additionally, the time course of �T displayed a con-vergence of levels between the right PL and right S during the virtual environment training. It is concluded that RQA demonstrates the ability to detect motor learning and training. Possible applications for the use of RQA on sEMG signal could be the evaluation of rehabilitation programs. By monitoring the �T, it may be possible to determine if a particular rehabilitation program is effective for a patient. This could lead to customizable programs, suited for a specific person, in order to increase the rate of recovery.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,034
Tête enseignante GPT0,266
Écart entre enseignants0,232 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetMuscle activation and electromyography studies→Travaux en français237 207→