A Toolkit for Motion Artifact Signal Generation
Notice bibliographique
Résumé
In the research and development stages of biomedical signal quality analysis tools, testing and validation help to ensure they work as intended and are robust enough to be used in all sorts of environments. Large datasets of biomedical signals (e.g., electrocardiogram, electromyogram) and signal contaminants (e.g., motion artifact, power line interference) are required for rigorous testing; however, obtaining a large, diverse database of real-life signals and contaminants is a challenging process. By accurately simulating signals and contaminants, researchers are able to more easily create large amounts of data, with known levels of contamination, which can be used for testing and validation of signal quality analysis tools. The Motion Artifact Signal Generation Toolkit allows for the synthesis of motion artifacts using one of three models: 1) autoregressive, 2) Markov chain, and 3) recurrent neural network. Each of these has been prepared for three use-cases: 1) pre-simulated motion artifacts, 2) pre-trained models that can be used to simulate motion artifacts, and 3) training a model using a motion artifact sample and using that model to simulate motion artifacts. The three model types were tested on nonstationary data, exposing some current limitations; specifically, the models' ability to model real-world, non-cyclical data. The recurrent neural network does appears to produce reasonable simulated motion artifact that exhibit similarities, in both the time and frequency domains, to short time segments of real-world motion artifact.
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 | 0,001 | 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) | 0,001 | 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 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 ».