The effect of time normalization and biomechanical signal processing techniques of ground reaction force curves on deep-learning model performance
Notice bibliographique
Résumé
Time-series data are common in biomechanical studies. These data often undergo pre-processing steps such as time normalization or filtering prior to use in further analyses, including deep-learning classification. In this context, it remains unclear how these preprocessing steps affect deep-learning model performance. Thus, the aim of this study is to assess the effect of time-normalization and filtering on the performance of deep-learning classification models. We also investigated the effect of amplitude scaling. Using a public dataset (Gutenburg Gait Database, a ground reaction force database of level overground walking at self-selected walking speed involving 350 healthy individuals), we trained convolutional neural network (CNN) and long short-term memory (LSTM) models to predict binary sex (male, female) using three-dimensional ground-reaction forces to which we applied different processing approaches: zero padding, interpolation to 100% of signal, filtering, and scaling (min-max, body mass). The results show that transformations resulted in differences in model performances. Highest performance was obtained using unfiltered data, zero-padding, and min-max amplitude scaling (F1-score of 91 and 87% for CNN and LSTM, respectively). Not filtering data and using min-max scaling generally improve performance for both model architectures. For interpolation, results are not consistent across model architectures. This study suggests that processing steps must be considered in applications where deep-learning classification performance is relevant.
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 | 0,004 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 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 | 0,002 |
| 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 ».