Use of surface electromyography integrated with inertial sensors (accelerometers) in the study of the gait cycle in dogs
Bibliographic record
Abstract
O objetivo deste estudo foi investigar a aplicabilidade da análise combinada de EMGs e acelerômetro na análise do ciclo da locomoção em cães. Estes sinais foram obtidos a partir do músculo bíceps femoral, de cães saudáveis das raças Labrador retriever e Golden retriever, durante o caminhar em velocidade controlada. Após o processamento do sinal, foi utilizado um filtro Butterworth passa-baixa de segunda ordem com frequência de corte de 6 Hz para o sinal de eletromiografia e um filtro passa-banda de com frequência de corte de 1Hz a 6Hz para o sinal do acelerômetro. O algoritmo foi aplicado também para determinar um valor limite para as fases do ciclo da locomoção. Em seguida, foram determinadas as correlações entre os sinais de ambos os transdutores. Dados relativos à atividade muscular percentual, tempo de apoio e balanço durante o ciclo da locomoção em cães saudáveis foram gerados após o processamento do sinal e diagramas de fase para comprovação dos pontos de corte. Foi possível concluir que a integração da análise de EMGs com sensores inerciais é uma ferramenta eficaz para a identificação com precisão de perfis estruturais de atividade muscular e a dinâmica de movimento durante o ciclo da locomoção em cães. O processamento dos sinais de EMGs e acelerômetro com filtros adequados e a utilização de um algoritmo para identificar as fases do ciclo da locomoção permitiram obter uma visão mais detalhada e precisa da atividade muscular do músculo bíceps femoral durante a locomoção. A análise combinada dos sensores foi eficaz em identificar as correlações entre as atividades musculares e as fases do ciclo de passada, e identificar validade dos ciclos para estudo, o que pode ser valioso na identificação de doenças musculoesqueléticas.
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 | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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".