Notice bibliographique
Résumé
The aim of this study is to analyze Electromyogram (EMG) signals in Rapid Eye Movement (REM) sleep using different techniques to detect the level of normality and abnormality of normal and abnormal (patients with a lack of REM sleep atonia) subjects and predict the development of Parkinson’s disease in abnormal subjects. Quantitative elctromyogram (EMG) signal analysis in the frequency domain using classical power spectrum analysis techniques have been well documented over the past decade. Yet none of these [sic] work have been done on EMG during Rapid Eye Movement (REM) Stage of sleep. In this work three techniques for classifying chin movement via EMG signals during sleep is presented. Three methods (Autoregressive modeling, Cepstrum Analysis and Wavelet Analysis) for extracting features from EMG signal during sleep and a classification algorithm (Linear Discriminant Analysis (LDA)) were analyzed and compared. EMG data are used to detect and describe different disease processes affecting sleep. Rapid Eye Movement Behavior Disorder (RBD) is an example of EMG abnormality in which patients lose their muscle control while in REM stage of sleep resulting in physically acting out their dreams. An adaptive segmentation based on Recursive Least Square (RLS) algorithm was analyzed. This algorithm was used to segment the non-stationary EMG signal into locally stationary components, which were then autoregressive modeled using the Burg-Lattice method. The cepstral measurements described was used and applied to modify the coefficients computed from the autoregressive (AR) model. Yet due to the nature of the EMG, frequency analysis cannot be used to approximate a signal whose properties change over time. To address this problem a time varying feature representation is necessary for analysis to extract useful infomration from the signal. As a consequence Wavelet coefficients were computed using discrete and continuous wavelet transforms. Furthermore, the classification performance of the above three feature sets were investigated for the two classes (Normal and Abnormal). Results showed wavelet analysis compared to AR modeling and cepstrum analysis is a better assessment in finding EMG abnormalities during sleep. However, these methods may be useful in distinguishing EMG patterns that predict the emergence of Parkinson disease in humans.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».