小儿肌张力障碍

本存储库包含与我们的出版物相关的MATLAB代码，分析小儿肌张力障碍患者的深部脑部刺激(DBS)结果。请引用：Shah SA，Brown P，Gimeno H，Lin JP，Mcclelland VM。决策树在机器学习中对肌张力障碍儿童深部大脑苍白球内脏刺激的预后的应用。神经病学前沿11（2020）：825 DOI。要运行分析，请在命令行中键入Analysis_A。请注意，使用的数据是伪数据，因此生成的结果将与出版物中的结果不匹配。我们仍希望该代码有助于更好地了解我们的方法。可以向我们索取实际数据，在经过科学协议评估委员会批准并根据研究管理结构和患者同意书的要求，将脱识别的数据提供给感兴趣的研究人员后，即可共享这些数据。

数学建模中的回归分析，运用Matlab解决实际问题，是本课件的核心内容。

无障碍访问级别衡量数字内容和技术对不同残障人士的可访问程度。了解不同级别的含义对于创建包容性在线体验至关重要。

Matlab代码对小儿胸部X射线的方向识别具有重要影响。介绍了一种自动识别方法，可检测小儿胸部X线图像中的四个方向。该方法在PACS、CAD和图像配准系统中起关键作用，对其性能有显著影响。我们利用CXR像素强度模式的结构特征和统计数据，通过决策树机器学习分类器进行分析。使用三个不同的数据库进行评估，结果显示出高达99.4%的准确率，其中一个数据库上达到100%。详细信息请参阅PDF文档。

这份Matlab程序专注于处理表面肌电信号，涵盖带通滤波和50Hz陷波滤波技术，同时计算时域和频域下的关键指标包括iMEG、RMS、MF和MPF。

这是一个Matlab编写的EMG手腕姿势分类系统，用于识别从Myo Armband获取的随机前臂EMG信号中的九种手腕手部动作。系统利用了八个时域特征的线性组合，经过线性判别分析（LDA）投影和多层感知器（MLP）分类。测试数据基于年龄在27±4岁的10名受试者的EMG记录，共计100次训练。系统使用了Myo Armband的八个主动传感器，并且在Matlab编程环境中开发和测试。详细引用请参考文献[1,2]。

研究了移动机器人在未知环境中的障碍检测问题，提出了一种利用Matlab和VC++混合编程的系统设计方案。该方案集成了MATLAB的数值计算和强大的图形图像处理功能，结合了VC++的可视化特性和高效执行速度，易于维护和升级。实验结果显示，该系统显著提升了障碍物检测系统的开发效率，缩短了软件开发周期。

研究将初步28项视觉障碍档案的影响转化为土耳其语，并评估其在土耳其受试者中的有效性和可靠性。招募了患有色素性视网膜炎（RP）、年龄相关性黄斑变性（ARMD）和糖尿病性黄斑水肿等慢性眼部疾病的无障碍患者进行研究，使用了土耳其语版本的IVI测试。语言翻译严格遵循国际准则，包括向前和向后翻译。研究结果显示，土耳其语IVI-28项目在参与者中显示出良好的内部一致性、重测信度和有效性。

这是一段matlab程序，用于计算在雷达探测方向上有障碍物时对雷达视距的影响。

此 MATLAB 代码用于肌电信号的处理，如论文《Wearable_Sensor_Long-term_sEMG_Dataset》中所述，该论文已发表在《生物医学信号处理和控制》期刊上。此代码可用于控制 3D 图形，展示数据集的简单在线处理。该项目包含以下文件夹： 手势动作：每个基本动作有 8 段视频数据 EMG 数据：来自 5 个主题的 30 天 EMG 数据（每个文件包含 1.5 秒信息） CSV 文件：D 表示天，M 表示运动标签，T 表示试验次数 代码：包含主 m.file（main_script），可依次使用以下功能： set_config 预处理 extract_feature 以下 m.file 可从以下链接获取： getrmsfeat getmavfeat getzcfeat getsscfeat 欢呼 plot_figure6_and_figure7 请注意，在使用此代码之前，您需要在 set_config.m 中更改目录并下载 getxxfeat.m。