A computational model of surface electromyography signal alterations after spinal cord injury
Notice bibliographique
Résumé
Abstract Objective . Spinal cord injury (SCI) can cause significant impairment and disability with an impact on the quality of life for individuals with SCI and their caregivers. Surface electromyography (sEMG) is a sensitive and non-invasive technique to measure muscle activity and has demonstrated great potential in capturing neuromuscular changes resulting from SCI. The mechanisms of the sEMG signal characteristic changes due to SCI are multi-faceted and difficult to study in vivo . In this study, we utilized well-established computational models to characterize changes in sEMG signal after SCI and identify sEMG features that are sensitive and specific to different aspects of the SCI. Approach . Starting from existing models for motor neuron pool organization and motor unit action potential generation for healthy neuromuscular systems, we implemented scenarios to model damages to upper motor neurons, lower motor neurons, and the number of muscle fibers within each motor unit. After simulating sEMG signals from each scenario, we extracted time and frequency domain features and investigated the impact of SCI disruptions on sEMG features using the Kendall Rank Correlation analysis. Main results . The commonly used amplitude-based sEMG features (such as mean absolute values and root mean square) cannot differentiate between injury scenarios, but a broader set of features (including autoregression and cepstrum coefficients) provides greater specificity to the type of damage present. Significance . We introduce a novel approach to mechanistically relate sEMG features (often underused in SCI research) to different types of neuromuscular alterations that may occur after SCI. This work contributes to the further understanding and utilization of sEMG in clinical applications, which will ultimately improve patient outcomes after SCI.
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 | 0,001 |
| 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) | 0,000 | 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 ».