تشير الأبحاث إلى أن تحليل إشارات تخطيط العضلات بإبرة (nEMG) يعد أداة ذات فائدة متزايدة في الكشف عن الأمراض العصبية العضلية (NMDs). ومع ذلك، يُواجه الباحثون تحديات ملحوظة تتعلق بالمعدلات المتغيرة والعالية لتقليل العينات، مما يعيق الأداء الفوري لنماذج التعلم الآلي القائم على الميزات. في محاولة حل هذه القضية، يقترح الباحثون طريقة جديدة لفهم تأثير تقليل العينات على محتوى الإشارة التشخيصية وأداء التصنيف.

قدمت الدراسة أسلوبًا متكاملًا لتقييم الخسارة المعلوماتية الناتجة عن تقليل العينات في السلاسل الزمنية عالية التردد. يتضمن هذا الأسلوب قياسات تشويه شكل الإشارة مع نتائج التصنيف المأخوذة من نماذج التعلم الآلي المعتمدة على الميزات، مما يمكن من قياس تأثيرات خوارزميات تقليل العينات المختلفة.

من خلال استخدام مهمة تصنيف ثلاثية الفئات تتعلق بالأمراض العصبية العضلية، تم اختبار هذه الطريقة بشكل تجريبي. أظهرت النتائج أن خوارزميات تقليل العينات التي تأخذ شكل الإشارة في الاعتبار تتفوق على الطرق التقليدية، حيث كانت أفضل في الحفاظ على هيكل القمة وشكل الإشارة العام.

هذه النتائج توفر توجيهات عملية لاختيار تكوينات تقليل العينات التي تحافظ على المعلومات التشخيصية، مما يجعلها مثالية للتحليل الفوري. كما تبرز الدراسة إمكانية تطبيق هذا الأسلوب في تطبيقات أخرى ذات سلاسل زمنية عالية التردد، مما يساعد في التوازن بين تقليل البيانات وأداء النموذج.