Poster (Technology Innovation) ID 1984794
Notice bibliographique
Résumé
Background Cervical spinal cord injury (SCI) can cause significant impairment and disability with an impact on individuals’ quality of life and independence. Surface electromyography (SEMG) is a sensitive and non-invasive technique to measure muscle activity and has demonstrated great potential in capturing the impact from SCI. The mechanisms of SCI damage on SEMG signal characteristics are multi-faceted and difficult to study in vivo. Objective Use validated computational models to characterize changes in SEMG signal after SCI and identify SEMG features that are sensitive and specific to the impact from different aspects of SCI. Method Starting from existing computational models for motor neuron pool organization and for motor unit action potential generation for healthy neuromuscular systems, we set up scenarios to model alterations in upper motor neurons, lower motor neurons, and the number of muscle fibers within each motor unit after SCI. 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 Pearson correlation between a feature and the extent of a given disruption. Findings Commonly used amplitude-based SEMG features cannot differentiate between injury scenarios. A broader set of features provides greater specificity to the type of damage present. Conclusion We demonstrated a novel approach to mechanistically relate SEMG features to different types of neuromuscular alterations after SCI. This work contributes to a deeper understanding and exploitation 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 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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,781 | 0,603 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».