重点精读文章。这篇文章的literature review部分介绍了很多关于手腕运动学估计的文献，值得学习，为小论文做准备。这篇文章的方法是先把HD-EMG分解成MUST，然后用MUAP卷积MUST得到各个电极处重构的EMG信号，重构的EMG信号构成了一张图像，N个MU的图像构成了CNN某一时刻的输出。这篇文章分析了MU-specific image和discharge rate的回归效果，发现MU-specific image包含更多的local information，而discharge rate只包含了开关量。讨论部分，文章对比了CNN-DR，LR-DR，SVR-DR，ANN-DR，和CNN-image之间的回归效果，通过R2和nRMSE来评价模型的优劣。这篇文章的方法值得借鉴，没有简单地一开始就考虑图像，而是先分解得到MUST，再重构图像。
1.Intro
sEMG是由MUAP和MUST的卷积结果叠加形成的。受神经支配的肌肉纤维收缩并驱动骨骼肌产生所需的运动。
肌电控制的直接控制通常只能控制一个自由度，因而通过模式识别来实现多个自由度的控制，区分手部的不同pattern，但是这种方法是离散的，不能对连续动作解码。
still consider the sEMG signals as an interfered source signal and ignore the underlying generation process in physiology 。
文献《Decoding motor unit activity from forearm muscles: Perspectives for myoelectric control》验证了非等长收缩下手腕动作MU解码的可行性。
文章指出了使用discharge rate的缺点，由此引出图像能够包含更丰富的信息：
值得注意的是，大多数基于分解MU的现有范式仅基于DR特征，这些特征已被证明是有效的，但可能缺乏放电瞬间周围的局部信息，并忽略了不同MU的微妙相互作用。由于DR特征来源于运动单位的开关状态，因此该时刻的激活水平（即局部信息）不足。此外，人工提取的DR特征是否是HMI中MUST特征提取的最佳和代表，这仍然是一个悬而未决的问题。
2.Experiments
人数：10人。健康：7男1女；残疾：1男1女
数据采集：
- 力矩：2 DOF，伸/缩，内旋/外旋，采样率1000Hz
- HD-EMG：3 * 64通道，2048Hz (EMG-USB2+, OT Bioelettronica, Italy) ，尽可能覆盖前臂的肌肉
- 同步：发送同步脉冲
实验范式：通过光标的移动来指示（可以改进）
实验数目：两个任务，每个任务包含5个 trial，每个 trial 持续29s（分解算法对时间有要求吗）
动作：flexion/extension, pronation/supination，等长收缩
3. Method
数据预处理：
- 4阶巴特沃斯带通滤波器，20-500Hz
- 50Hz陷波滤波器
- 丢弃信噪比低的通道
- 力矩通过4Hz 4阶低通巴特沃斯滤波器滤波，重采样至2048Hz
MU-specific image：
通过 MUAP 和 MUST 卷积来重建（resconstructed）单个 MU 的放电信号，然后把每个通道重建的信号按电极顺序排列成8 * 24网格，称为 MU-specific image。
排除重复MU：
在本研究中，EMG信号的分解是在每个电极阵列中单独进行的。由于EMG信号的串扰，相邻电极阵列应该包含一些共模信号。因此，分解的尖峰序列可能具有重复的尖峰序列，如果两个尖峰序列的一致性（RoA）超过30%，则会消除重复的尖峰。
这说明64通道分解的结果是有效的，通道数的多少无非是得到MU的多少，即使电极片数更多，但可能会分解得到相同的MU。可以在代码中添加RoA的判断条件来确保没有得到重复的MU。
有效MU的判断条件：
低于20dB的MU被排除，并不是低于30Those MUSTs with PNR below 20 dB were discarded because of low decomposition confidence.
CNN的输入和输出：
- 如果识别到N个MU，那么某一个时刻根据这些MU重建的N个图像就构成了CNN的输入：8 × 24 × N MU-images
- 与Pro-Sup，Fle-Ext对应的二维向量（？）
CNN数据集划分：
- 10%验证集
- 20%测试集
- 70%训练集
滑动窗口：
- 200ms宽，150ms重叠
多种回归器的对比：
- LR-DR（DR代表discharge rate）
- SVR-DR
- ANN-DR
- CNN-DR
传统的回归方法使用discharge rate作为特征，N × 1 的特征作为回归模型的输入。他是把各个MU的放电率分开来的，不是CST。对比结果如下，明显更优。
评价指标：
- 决定系数：
- 归一化均方误差：
MU统计：
分别分解来自每个电极阵列的EMG信号，然后根据放电序列剔除重复的运动单位，进而合并得到的全部的运动单位。对于每个受试者的每次试验，在激活Pro/Sup和Fle/Ext时，可以从EMG信号中分解出20多个运动单位。
特征分析：
分析了测试数据集下每个DoF中记录的手腕力矩与从dropout层后训练的CNN模型中提取的特征以及DR特征之间的相互关系。具体来说，我们分别通过对CNN模型提取的特征和DR特征进行了主成分分析。
PC1-MUimage and PCsDev-DR across all the subjects were calculated.
Regardless of Pro-Sup or Fle-Ext, the cross-correlation of PC1-MUimage with wrist torques was much higher than that of PCsDev-DR.
The extracted features from MU-specific images had much stronger linearity than DR features with respect to the recorded wrist torques.