Belgif Linked Data Fragments server

Matches in Data.gov.be for { <http://data.gov.be/.well-known/genid/dataset/kulrdr/doi-10-48804/8LMRXT> ?p ?o ?g. }

• 8LMRXT accessRights PUBLIC @default.
• 8LMRXT bibliographicCitation "Haberfehlner, Helga; Roth, Zachary; Vanmechelen, Inti; Buizer, Annemieke I.; Vermeulen, R. Jeroen; Koy, Anne; Hallez, Hans; Aerts, Jean-Marie; Monbaliu, Elegast, 2023, "Replication Data for: Automated classification of dystonia and choreoathetosis in dyskinetic cerebral palsy during a lower extremity task: a pilot study on a retrospective video dataset", https://doi.org/10.48804/8LMRXT, KU Leuven RDR, V1" @default.
• 8LMRXT created "2023-08-03T12:28:47Z" @default.
• 8LMRXT creator 84b91684a12b42fddc38efac65c406877dba0860 @default.
• 8LMRXT creator bcd2a8317c8c6a78a393a4923db404aca5f8a829 @default.
• 8LMRXT creator 0000-0001-5548-9163 @default.
• 8LMRXT creator 0000-0001-9307-4102 @default.
• 8LMRXT creator 0000-0002-3503-3625 @default.
• 8LMRXT creator 0000-0002-7070-9387 @default.
• 8LMRXT creator 0000-0002-8695-0095 @default.
• 8LMRXT creator 0000-0003-2623-9055 @default.
• 8LMRXT creator 0009-0002-9961-4733 @default.
• 8LMRXT description "Ce référentiel RDR contient les données et le code utilisés dans l’étude intitulée «Automated classification of dystonia in dyskinetic cerebral paralysy within a lower extremity task using markerless motion tracking and time series classification: a pilot study on retrospective videos». L’étude comportait trois étapes principales: 1. Extraction cinématique avec DeepLabCut 2.3 à partir de vidéos [1, 2] 2. Post-traitement des coordonnées X,Y extraites 3. Classification des séries chronologiques avec HIVE-COTE 2.0 [3]. Les utilisateurs peuvent commencer par notre script de prétraitement ou procéder directement à la classification des séries chronologiques avec les données fournies. Nos données brutes comprenaient 66 vidéos de 33 participants (29 avec une paralysie cérébrale dyskinétique / quatre se développant généralement, âgés de 7 à 23 ans, 13 femmes / 20 hommes). Les participants ont effectué un élément de l'échelle de déficience de la dyskinésie (DIS) - la tâche de tapotement talon-orteil avec la jambe inférieure droite (tâche 11) et la jambe inférieure gauche (tâche 12) [4]. Les vidéos originales ne sont PAS incluses dans la repro RDR pour des raisons de confidentialité. Références : 1. Mathis, A., et al., DeepLabCut: estimation de pose sans marqueur des parties du corps définies par l'utilisateur avec apprentissage profond. Nat Neurosci, 2018. 21(9): p. 1281 à 1289. 2. github.com/DeepLabCut/DeepLabCut 3. Middlehurst M, Large J, Flynn M, Lines J, Bostrom A, Bagnall A. HIVE-COTE 2.0: un nouveau méta-ensemble pour la classification des séries chronologiques. Mach Apprendre . 1er décembre 2021; 110(11-12):3211-43 4. Monbaliu E, Ortibus E, de Cat J, Dan B, Heyrman L, Prinzie P, et coll. Échelle d'altération de la dyskinésie: un nouvel instrument pour mesurer la dystonie et la choréoathétose dans la paralysie cérébrale dyskinétique. Dev Med Enfant Neurol. 2012;54:278–83." @default.
• 8LMRXT description "Deze RDR-repository bevat de gegevens en code die zijn gebruikt in het onderzoek “Automated classification of dystonia in dyskinetic cerebral palsy within a lower extremity task using markerless motion tracking and time series classification: a pilot study on retrospective videos”. Het onderzoek bestond uit drie hoofdstappen: 1. Kinematische extractie met DeepLabCut 2.3 van video's [1, 2] 2. Nabewerking van geëxtraheerde X,Y-coördinaten 3. Tijdreeksclassificatie met HIVE-COTE 2.0 [3]. Gebruikers kunnen beginnen met ons voorbewerkingsscript of direct doorgaan naar tijdreeksclassificatie met de verstrekte gegevens. Onze ruwe gegevens bestonden uit 66 video's van 33 deelnemers (29 met dyskinetische hersenverlamming / vier die zich meestal ontwikkelen, leeftijd 7-23, 13 vrouwen / 20 mannen). De deelnemers voerden een item uit van de Dyskinesia Impairment Scale (DIS) - de hiel-teen tiktaak met het rechter onderbeen (taak 11) en het linker onderbeen (taak 12) [4]. De originele video's zijn NIET opgenomen in de RDR-repro vanwege privacyredenen. Referenties: 1. Mathis, A., et al., DeepLabCut: markerless pose schatting van door de gebruiker gedefinieerde lichaamsdelen met deep learning. Nat Neurosci, 2018. 21(9): blz. 1281-1289. 2. github.com / DeepLabCut / DeepLabCut 3. Middlehurst M, Large J, Flynn M, Lijnen J, Bostrom A, Bagnall A. HIVE-COTE 2.0: een nieuw meta-ensemble voor tijdreeksclassificatie. Mach Leren . 1 december 2021; 110(11-12):3211-43 4. Monbaliu E, Ortibus E, de Cat J, Dan B, Heyrman L, Prinzie P, et al. De dyskinesie-waardeschaal: Een nieuw instrument om dystonie en choreoathetose bij dyskinetische hersenverlamming te meten. Dev Med Kind Neurol. 2012;54:278–83." @default.
• 8LMRXT description "Dieses RDR-Repository enthält die in der Studie „Automated classification of dystonia in dyskinetic cerebral palsy within a lower extremity task using markerless motion tracking and time series classification: a pilot study on retrospective videos“ verwendeten Daten und Codes. Die Studie umfasste drei Hauptschritte: 1. Kinematische Extraktion mit DeepLabCut 2.3 aus Videos [1, 2] 2. Nachbearbeitung extrahierter X,Y-Koordinaten 3. Zeitreihenklassifizierung mit HIVE-COTE 2.0 [3]. Benutzer können mit unserem Vorverarbeitungsskript beginnen oder direkt mit den bereitgestellten Daten zur Zeitreihenklassifizierung übergehen. Unsere Rohdaten bestanden aus 66 Videos von 33 Teilnehmern (29 mit dyskinetischer Zerebralparese / vier sich typischerweise entwickelnde, 7-23 Jahre, 13 Frauen / 20 Männer). Die Teilnehmer führten einen Gegenstand aus der Dyskinesia Impairment Scale (DIS) durch - die Fersen-Zehen-Tapping-Aufgabe mit dem rechten Unterschenkel (Aufgabe 11) und dem linken Unterschenkel (Aufgabe 12) [4]. Die Originalvideos sind aus Datenschutzgründen NICHT in der RDR-Repro enthalten. Referenzen: 1. Mathis, A., et al., DeepLabCut: Markerlose Posenschätzung von benutzerdefinierten Körperteilen mit Deep Learning. Nat Neurosci, 2018. 21(9): S. 1281-1289. 2. github.com/DeepLabCut/DeepLabCut 3. Middlehurst M, Large J, Flynn M, Lines J, Bostrom A, Bagnall A. HIVE-COTE 2.0: Ein neues Meta-Ensemble für die Zeitreihenklassifizierung. Mach lernen. Dez. 2021, 1; 110(11–12):3211–43 4. Monbaliu E, Ortibus E, de Cat J, Dan B, Heyrman L, Prinzie P, et al. Die Dyskinesie-Impairment-Skala: Ein neues Instrument zur Messung von Dystonie und Choreoathetose bei dyskinetischer Zerebralparese. Dev Med Child Neurol. 2012;54:278–83." @default.
• 8LMRXT description "This RDR repository contains the data and code used in the study ‘Automated classification of dystonia in dyskinetic cerebral palsy within a lower extremity task using markerless motion tracking and time series classification: a pilot study on retrospective videos.’ The study had three main steps: 1. Kinematic Extraction with DeepLabCut 2.3 from videos [1, 2] 2. Post-processing of extracted X,Y coordinates 3. Time-Series Classification with HIVE-COTE 2.0 [3]. Users can begin with our preprocessing script or proceed directly to time series classification with the data provided. Our raw data consisted of 66 videos from 33 participants (29 with dyskinetic cerebral palsy / four typically developing, age 7-23, 13 females / 20 males). The participants performed an item from the Dyskinesia Impairment Scale (DIS) - the heel-toe tapping task with the right lower leg (task 11) and the left lower leg (task 12) [4]. The original videos are NOT included in the RDR repro due to privacy reasons. References: 1. Mathis, A., et al., DeepLabCut: markerless pose estimation of user-defined body parts with deep learning. Nat Neurosci, 2018. 21(9): p. 1281-1289. 2. github.com/DeepLabCut/DeepLabCut 3. Middlehurst M, Large J, Flynn M, Lines J, Bostrom A, Bagnall A. HIVE-COTE 2.0: a new meta ensemble for time series classification. Mach Learn . 2021 Dec 1; 110(11–12):3211–43 4. Monbaliu E, Ortibus E, de Cat J, Dan B, Heyrman L, Prinzie P, et al. The dyskinesia Impairment Scale: a new instrument to measure dystonia and choreoathetosis in dyskinetic cerebral palsy. Dev Med Child Neurol. 2012;54:278–83." @default.
• 8LMRXT identifier "doi:10.48804/8LMRXT" @default.
• 8LMRXT issued "2023-09-07T06:42:52Z" @default.
• 8LMRXT modified "2023-09-07T06:42:52Z" @default.
• 8LMRXT publisher 0419052173 @default.
• 8LMRXT subject "(Bio)medical engineering" @default.
• 8LMRXT subject "Medical and health sciences" @default.
• 8LMRXT title "Données de réplication pour: Classification automatisée de la dystonie et de la choréoathétose dans la paralysie cérébrale dyskinétique au cours d'une tâche des membres inférieurs: une étude pilote sur un ensemble de données vidéo rétrospectives" @default.
• 8LMRXT title "Replicatiegegevens voor: Geautomatiseerde classificatie van dystonie en choreoathetose bij dyskinetische cerebrale parese tijdens een taak in de onderste ledematen: een proefstudie naar een retrospectieve videodataset" @default.
• 8LMRXT title "Replication Data for: Automated classification of dystonia and choreoathetosis in dyskinetic cerebral palsy during a lower extremity task: a pilot study on a retrospective video dataset" @default.
• 8LMRXT title "Replikationsdaten für: Automatisierte Klassifikation von Dystonie und Choreoathetose bei dyskinetischer Zerebralparese während einer Aufgabe der unteren Extremität: eine Pilotstudie zu einem retrospektiven Videodatensatz" @default.
• 8LMRXT citedBy genid66924 @default.
• 8LMRXT type Dataset @default.
• 8LMRXT contactPoint genid66926 @default.
• 8LMRXT keyword "Adolescent" @default.
• 8LMRXT keyword "Athetosis" @default.
• 8LMRXT keyword "Cerebral Palsy, dyskinetic" @default.
• 8LMRXT keyword "Child" @default.
• 8LMRXT keyword "Chorea" @default.
• 8LMRXT keyword "Deep learning (Machine learning)" @default.
• 8LMRXT keyword "Dystonia" @default.
• 8LMRXT keyword "Lower Extremity" @default.
• 8LMRXT keyword "Time-series analysis" @default.
• 8LMRXT keyword "Young Adult" @default.
• 8LMRXT landingPage 8LMRXT @default.
• 8LMRXT theme HEAL @default.
• 8LMRXT theme TECH @default.
• 8LMRXT version "1" @default.
• 8LMRXT isFundedBy genid66925 @default.