通过这篇文章了解CST的性质和计算方法。cumulative MU spike trains (CST) were calculated using 5, 10 and 15 identified MUs 。5、10、15个MU计算的CST比NRMSE的性能好~4、5、6%。
1 笔记
1.1 引言
更先进的肌肉激励技术建立在通过分解hdEMG信号直接识别MU尖峰序列的基础上。这些技术将MUAP与兴奋模式完全分离，但在很大程度上仅对等长肌肉收缩进行了测试。没有详细研究动态条件，主要是因为缺乏可靠的动态hdEMG分解技术。最近，引入了循环平稳卷积核补偿（csCKC）技术，用于识别动态肌肉收缩中的MU尖峰序列。在这项研究中，我们系统地量化了等距和动态条件下基于RMS的肌肉兴奋估计的误差，并将其与基于csCKC的累积尖峰训练（CST）估计的性能进行了比较。为此，我们使用了合成的hdEMG信号，该信号具有已知的肌肉兴奋和曲线，并且使用了从肱二头肌实验估计的MUAP。
Afterwards, 5, 10 and 15 remaining MUs were randomly selected and used to calculate three different CSTs [2]. Similarly, reference CST was calculated by summing up the spike trains of all the simulated MUs. In order to cut-off the high frequency noise, all the CSTs were convolved by 0.25 s long rectangular window.
上面这句话阐述了如何对CST进行低通滤波。这里选用的是250ms的矩形窗（对应采样率2048Hz）。文献《Behaviour of human motor units in different muscles during linearly varying contractions》采用的是400ms海宁窗。
1.2 实验设置
被试人数：5人
高密度电极：13 * 5 （OT）
EMG 采样率：2048
EMG 滤波：20-700Hz
1.3 HD-EMG分解
csCKC分解，PNR低于30dB的MU丢弃。