MétaCan
Menu
Retour à la cohorte
Enregistrement W4410296395 · doi:10.1109/tim.2025.3568954

Characterizing sEMG Feature Errors in Lower Limb Muscles Due to Electrode Location and Skin–Electrode Interface Changes

2025· article· en· W4410296395 sur OpenAlexafffund
Fraser J. Douglas, Mona Pei, Calvin Kuo

Notice bibliographique

RevueIEEE Transactions on Instrumentation and Measurement · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueMuscle activation and electromyography studies
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesCanada Foundation for Innovation
Mots-clésInterface (matter)Feature (linguistics)ElectrodeComputer sciencePattern recognition (psychology)Biomedical engineeringComputer visionArtificial intelligenceAcousticsSpeech recognitionMaterials scienceEngineeringPhysics

Résumé

récupéré en direct d'OpenAlex

Surface electromyography (sEMG) is popular for monitoring muscle activation. However, it remains underutilized in clinical settings such as stroke rehabilitation. This is largely due to inter-session errors from variabilities in electrode location, the skin-electrode interface, and other inter-session effects. These errors obscure the ability to attribute sEMG signal changes to physiological patient changes. In this study, we quantified different sources of error by applying high-density sEMG (HDsEMG) arrays on the gastrocnemius medialis, tibialis anterior, semitendinosus, and tensor fascia latae of 12 healthy participants performing isometric and dynamic exercises common in stroke assessments. Between exercise sets (sessions), we shifted and reapplied HDsEMG arrays to analyze three error conditions: 1) same session errors (SSE) arising from changes in the recording electrode and electrode location, 2) same location errors (SLE) from changes in recording electrodes at the same location across sessions, and 3) same electrode errors (SEE) from comparing the same recording electrode at a different location across sessions. For SSE, frequency-domain features (mean, median, peak frequency) showed50% error at 10cm between electrodes. Contrastingly, we saw <19% error across frequency- and time-domain features for SLE and SEE after correcting for differences in electrode location using SSE trends. These results show differences in electrode location were most responsible for sEMG feature errors. Thus, accounting for electrode location could improve inter-session sEMG feature comparisons, enhancing the viability of sEMG-informed physiological assessments.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,233
Écart entre enseignants0,219 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Instrumentation and MeasurementMême sujetMuscle activation and electromyography studiesTravaux en français237 207