这篇硕士论文介绍了单纤维动作电位（SFAP），运动单元动作电位（MUAP）的波形，运动单元动作电位与单纤维动作单位的关系，运动单元动作电位序列（MUAPTs）。
笔记
MUAP的形成
动作电位形成后由终板沿肌纤维向两侧传导，形成单纤维动作电位（ Single Fiber Action Potential, SFAP）。通常情况下， SFAP 的波形主要由肌纤维直径、肌纤维的相对位置、 AP 传导速度和所使用的检测电极等因素共同决定。 SFAP 波形幅值与肌纤维直径成正比例关系； AP 传导速度越快，相应 SFAP 波形的时程越小。
汤晓芙. 神经病学——神经系统临床电生理学(下)(肌电图学及其他)[M]. 北京: 人民军医出版社, 2002.
刘磊，岳文浩. 神经肌电图原理[M]. 北京: 科学出版社, 1983.
安媛. 手指活动影响前臂多腱肌运动单元募集模式的初步研究[D]. 重庆大学, 2012.
当运动单元（MU）被激活时，其包含的所有肌纤维的 SFAP 在检测电极处综合叠加形成运动单位动作电位（Motor Unit Action Potential, MUAP），如图 2. 3 所示。从图中可以看出，不同肌纤维的终板位置不同，导致各个 SFAP 传导至检测电极的时延和相位不同；而各肌纤维终板与检测电极的相对距离的最大值决定了此MUAP 的持续时间，SFAP 的时延和相位共同决定了 MUAP 的相位，单相、双相或多相，在正常肌肉中，双相或三相结构的 MUAP 波形是最常见的，只有极少数MUAP 波形呈现多相结构。
MUAPT的定义：
其中,$MUAP_{jk}$ 表示运动单元$j$ 发放的第 $k$ 个 MUAP; $M_j$ 表示运动单元 $j$ 所发放的 MUAP 总个数; $\delta_{j k}$ 为运动单元 $j$ 发放的第 $k$ 个 MUAP 在 MUAPT 中出现的时刻点 。
由于神经-肌肉控制系统的复杂性，迄今为止，有关中枢神经系统对 MU募集和 MUAP 的发放特性目前仍是一个未解之谜。经典的理论认为 MU 的募集遵循”大小原理“，即 MU 按体积从小到大的顺序依次募集，较小的 MU 在较低的收缩力水平下兴奋，较大的 MU 在较高的收缩力水平下兴奋。
MUAP和EMG的关系：
MUAP的识别
造成MUAP波形识别困难的因素：
波形湮灭：这是 MUAP 波形识别所面临的最大挑战。当某一时刻同时有多个 MUAP 发放时，幅值大的 MUAP 波形就会覆盖掉幅值小的 MUAP 波形；
波形叠加：除了波形湮灭这种完全叠加以外，如果不同 MU发放的 MUAP 时刻点十分相近， MUAP 波形的部分叠加也会大大增加 MUAP 的识别难度；
波形相似：不同 MU 所发放的 MUAP 波形具有一定的相似性；
波形变异：同一 MU 所发放的 MUAP 波形也并非一成不变的，不同肌肉状态下所放的 MUAP 波形存在着一定的差异，如肌肉疲劳时所发放的 MUAP 波形与疲
劳前所发放的 MUAP 波形就略为不同
目前， sEMG 信号分解技术可以大致分为两种类型：
一类是系统辨识法。该方法从系统理论的角度出发，将神经-肌肉系统看作是一个多输入多输出（ MIMO）系统，把 MUAPTs 混合形成 sEMG 信号的假设成是线性混合或是非线性混合的过程。通过盲源分离等方法将多通道 sEMG 信号分解成为不同的分量，所得到的分量中与 MUAP 发放具有相似特性的即看作是 MUAPT。
另一类是 MUAP 形态学方法。这类方法以 MUAP 的生理背景为基础并未对 MUAPT 的具体混合形式进行假设，是从客观存在的 MUAP 波形特点出发，采用波形检测、波形分类和叠加波形分解的方式进行分解。下面分别对两种不同的 sEMG 分解方法的思路进行叙述。
除此之外，De Luca团队还提出了reconstruct-and-test评价方法：
该方法的基本思路是先用 sEMG 分解算法分解得到不同 MUAP 序列，然后，将所分解得到的 MUAP 序列相加，并加入高斯噪声，再完成一次分解。最后，通过对比分析两次分解得到的 MUAP 序列的信息来评价算法的准确性。
综上所述，就现有的 sEMG 分解效果评价方法而言，比较完善的评价方案是先通过仿真 sEMG 信号从理论上验证算法的分解准确性，然后通过实验研究对算法的有效性进行验证。它既克服了同步采集 iEMG 给受试者带来的创伤，又具有比较高的可行度