Modular organization of the murine locomotor pattern in the presence and absence of sensory feedback from muscle spindles
Notice bibliographique
Résumé
In this study, we made use of non-negative matrix factorization (NMF) to extract muscle synergies from electromyographic (EMG) data. We implemented the NMF algorithm in R version 3.5.1 (R Foundation for Statistical Computing, R Core Team, Vienna, Austria), a programming language available in a free software environment. However, even if the software does not require a paid license, often researchers are either not confident with or prefer not to spend time writing the code required to perform NMF. We make available, as we recently did with human data (Santuz et al., 2018), an example open access data set of EMG and muscle synergy data for murine walking and swimming. The data presented in this supplementary information part is available in three formats: 1) the raw EMG of two example trials (one recorded during walking and the other during swimming in a wild type animal, six muscles), unprocessed together with the touchdown and lift-off timings of the recorded limb for walking and the cycle timings for swimming; 2) the filtered and time-normalized EMG and 3) the muscle synergies extracted via NMF. Moreover, we provide the R code for obtaining the results described in the previous three points. We do not report any metadata, since trials are relative to a single representative animal. The R code is profusely commented.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».