Caractérisation du signal par analyse des données de substitution
Bibliographic record
Abstract
La thèse présente l' analyse par données de substitution comme caractéristique.Alors que la littérature présente la méthode uniquement comme test d' hypothèse qui a pour but de vérifier la non-linéarité de séries de données, il est suggéré ici d' aller plus loin en l' utilisant pour extraire une information utile.Après avoir adapté la méthode pour obtenir un score de non-linéarité capable d' identifier différentes séries non-linéaires, des applications et interprétations sont suggérées.La méthode pour obtenir un score est utilisée conjointement aux méthodes d'estimation de la dimension fractales d' Higuchi et de Katz.Deux problématiques sont abordées avec des données expérimentales de matrices de capteurs d' électromyographie de surface à l' appui.Ces tests permettent de montrer que l' analyse par données de substitution peut contenir de l' information utile expérimentalement.Premièrement, la détection de la lombalgie chronique non spécifique est réalisée avec l' aide des scores.Des performances supérieures aux méthodes linéaires sont démontrées, avec des taux de succès dépassant les 90%.Deuxièmement, la classification de mouvements est approchée par méthode linéaire, fractale et par l' analyse des données de substitution.Les performances obtenues montrent clairement la présence d' infonnation dans les scores de données de substitution.Cependant, la participation des scores aux meilleures perfom1ances est limitée.Il est cependant possible d' entrevoir que l' utilisation des scores de non-linéarité pourrait pennettre de dépasser les résultats déjà intéressants avoisinant les 94% de succès sur 15 mouvements.De nouvelles interprétations de l' analyse par données de substitution sont présentées.En plus de l'interprétation traditionnelle se limitant à affirmer que le signal ne peut avoir été créé par un système stochastique linéaire et invariant dans le temps, trois catégories d' interprétations sont v identifiées.Pour chaque catégorie, un exemple d' interprétation est donné.Il est montré que l' analyse par données de substitution est sensible à la nature non-aléatoire du spectre de phase, à la synchronisation de potentiels d ' action musculaires et a des artéfacts comme les effets de fenêtrage liés à la longueur limitée des séries de données.Il est espéré que les idées mises de l' avant dans cette thèse puissent s' appliquer à une vaste portion des problèmes faisant appel à l' analyse des signaux par méthodes non-linéaires.vi REMERCIEMENTS Je voudrais tout d' abord à remercier le professeur Daniel Massicotte pour le soutient que je qualifierais d' exceptionnel tout au long de mes études doctorales.J'ai apprécié sa grande disponibilité (dont j ' ai parfois abusée), sa rigueur et sa confiance.Je considère qu' il a prit beaucoup de risques avec moi, me laissant aller sur des sujets difficiles mais intéressants.Je remercie le professeur Martin Descarreaux, Jacques Abboud et l' équipe du Groupe de recherche sur les affections neuromusculosquelettiques (GRAN) pour m' avoir donné l' occasion de travailler sur un sujet des plus intéressants.Je tiens à souligner mon appréciation au professeur François Nougarou pour toutes les discussions et la direction apportée à mes travaux.Je veux également remercier les membres du jury, professeurs Sousso Kelouwani et Messaoud Ahmed Ouameur de l' Université du Québec à Trois-Rivières ainsi que professeur Benoit Gosselin de l' Université Laval pour leur intérêt envers mes travaux.Ma conjointe, Marie-Lène Bédard, mérite un certificat d' éternelle reconnaissance pour tout son support au travers les hauts et les bas de ces dernières années.Aussi, mes enfants, Rosa Elena, Daniela Véronique et Charléloi, je les remercie pour la joie qu ' ils m ' apportent et pour leur intérêt à chercher à comprendre ce que fait leur papa dans la vie.À mes parents, je leur dis merci de m ' avoir toujours encouragé à la persévérance et au dépassement de soi.Je tiens fmalement à remercier
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".