Adaptive P-Splines for challenging filtering problems in biomechanics
Notice bibliographique
Résumé
Suppression of noise from recorded signals is a critically important data processing step for biomechanical analyses. While a wide variety of filtering or smoothing spline methods are available, the majority of these are not well suited for the analysis of signals with rapidly changing derivatives such as the processing of motion data for impact-like events. This is because commonly used low-pass filtering approaches or smoothing splines typically assume a single fixed cut-off frequency or regularization penalty which fails to describe rapid changes in the underlying function. To overcome these limitations we examine a class of adaptive penalized splines (APS) that extend commonly used penalized spline smoothers by inferring temporal adaptations in regularization penalty from observed data. Three variations of APS are examined in which temporal variation of spline penalization is described via either a series of independent random variables, an autoregressive process or a smooth cubic spline. Comparing the performance of APS on simulated datasets is promising with APS reducing RMSE by 48%-183% compared to a widely used Butterworth filtering approach. When inferring acceleration from noisy measurements describing the position of a pendulum impacting a barrier we observe between a 13% (independent variables) to 28% (spline) reduction in RMSE when compared to a 4th order Butterworth filter with optimally selected cut-off frequency. In addition to considerable improvement in RMSE, APS can provide estimates of uncertainty for fitted curves and generated quantities such as peak accelerations or durations of stationary periods. As a result, we suggest that researchers should consider the use of APS if features such as impact peaks, rates of loading, or periods of negligible acceleration are of interest.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».