Detection and Reconstruction of Poor-Quality Channels in High-Density EMG Array Measurements
Notice bibliographique
Résumé
High-density electromyography (HD-EMG) arrays allow for the study of muscle activity in both time and space by recording electrical potentials produced by muscle contractions. HD-EMG array measurements are susceptible to noise and artifacts and frequently contain some poor-quality channels. This paper proposes an interpolation-based method for the detection and reconstruction of poor-quality channels in HD-EMG arrays. The proposed detection method identified artificially contaminated channels of HD-EMG for signal-to-noise ratio (SNR) levels 0 dB and lower with ≥99.9% precision and ≥97.6% recall. The interpolation-based detection method had the best overall performance compared with two other rule-based methods that used the root mean square (RMS) and normalized mutual information (NMI) to detect poor-quality channels in HD-EMG data. Unlike other detection methods, the interpolation-based method evaluated channel quality in a localized context in the HD-EMG array. For a single poor-quality channel with an SNR of 0 dB, the F1 scores for the interpolation-based, RMS, and NMI methods were 99.1%, 39.7%, and 75.9%, respectively. The interpolation-based method was also the most effective detection method for identifying poor channels in samples of real HD-EMG data. F1 scores for the detection of poor-quality channels in real data for the interpolation-based, RMS, and NMI methods were 96.4%, 64.5%, and 50.0%, respectively. Following the detection of poor-quality channels, 2D spline interpolation was used to successfully reconstruct these channels. Reconstruction of known target channels had a percent residual difference (PRD) of 15.5 ± 12.1%. The proposed interpolation-based method is an effective approach for the detection and reconstruction of poor-quality channels in HD-EMG.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».