Signal Quality Assessment in Low-Density and Single Channel Surface Electromyography
Notice bibliographique
Résumé
Electrode placement for surface electromyography (EMG) acquisition can be a difficult and time-consuming process. The use of electrode arrays and signal quality assessment for automatic channel selection has been proposed to facilitate EMG acquisition. Previous work examined signal quality assessment for high-density EMG (HD-EMG) arrays, but HD-EMG necessitates higher cost and complexity. This paper investigates automated signal quality assessment in low-density EMG (LD-EMG) arrays and single-channel EMG (SC-EMG). Machine learning regression models were trained to assess channel quality on a 3-point scale (Adequate, Good, Excellent), using signal quality ratings from two expert human raters as a ground truth. Performance was high for arrays with an inter-electrode distance ≤ 20 mm$(r_{s}$≥ 0.89, ICC (3, k) ≥ 0.93). Performance decreased for inter-electrode distance ≥ 30 mm, with random forest regression providing the best overall performance$(r_{s}$≥ 0.73, ICC (3, k) ≥ 0.61). Signal quality quantification of SC-EMG showed limited results$(r_{s}$≥ 0.51, ICC (3, k) ≥ 0.70); however, there was potential to distinguish between Adequate and Excellent quality channels, with a support vector classifier identifying Adequate channels with 84.7% precision and 72.1% recall.
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 | 0,007 | 0,025 |
| 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 | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».