本文采用了机器学习算法和时变MUAP区分法来分解伪静态和动态的肌电信号（什么是伪静态？）。本报告描述了一种创新的方法，用于分解步态中肘部屈曲/伸展周期性收缩期间以及膝盖和脚踝屈曲/伸展期间获得的sEMG信号。本文对运动单位在循环收缩期间的性能的初步观察表明，在重复的动态收缩期间，运动单元的控制受与等长收缩期间相同的规则控制。运动单位的共同驱动和分级募集特性得到了保留。
1. Introduction
目前的研究主要集中在肌肉等长收缩的条件下，肌纤维长度近似保持不变，这种情况下MUAP在形状上的改变有限。动态收缩的主要问题涉及整个收缩过程中MUAP的形状和幅度的大量变化。MUAP改变的主要原因有两点：
- 动态收缩下电极相对位置的改变
- 肌肉长度的改变
这两个问题主要的解决方法是从原来的静态分解算法上，采用循序渐进的方式。
本文的算法适用于周期性的收缩之中，周期性收缩一定程度上能够简化分解过程，因为MUAP的调整也是周期性的。尽管限制在了周期性的动作中，但是动态收缩条件下可能存在的问题：
- 随着肌肉的伸缩，循环内部MUAP的波形改变
- 在循环之间，即使关节角度一致，同一个MU的MUAP也会改变
- 不同MU的波形相似
MUAP的改变更多是集中在幅值的改变上而非形状的改变。
2. Algorithm
2.1 算法原理
算法可以分为两个独立的阶段。第一个阶段主要识别未被污染的MUAP波形（指那些没有叠加的动作电位）；第二个阶段主要通过识别到的MUAP自动去识别叠加部分的组成波形。
阶梯形力曲线：改变是逐渐引入的
本文主要解决两个问题：
- 跟踪不同收缩角度上MUAP形状的演变
- 当关节角度从一个平台变化到下一个平台时，提供增量募集识别能力
针对问题一，我们通过实现更自适应的MUAP匹配标准来修改分类器以考虑可能随着收缩角的变化而发生的MUAP形状改变。具体来说，我们定义了n维接受域，其基于未受污染的MUAP形状参数的局部特征来识别相同运动单位的MUAP。每个运动单位的接受域用每个增加的未受污染的MUAP的分类来更新，以说明MUAP形状参数的变化，这些变化可能作为时间和收缩角的函数而发生。
针对问题二，通过增加迭代搜索程序来解决增量募集识别问题——一次处理一个子集的MUAP，直到剩余sEMG信号的平均能量满足自适应阈值。
单循环力曲线：
该算法主要解决intracycle问题，也就是之前提到的动态收缩条件下存在的前两个问题。统计分类器中的机器学习的算法被结合到之前用于阶梯形力曲线的分类器中。具体来说，我们通过对尖峰到尖峰的连续性进行详细检查来评估MUAP形状的参数变化。然后指定最近邻分类器来基于这些MUAP形状参数来区分循环内的形状变化。
多循环力曲线：
修改后的算法允许最大后验概率分类器判别标准在转换前和转换后循环期间为每个运动单位包含更大的接受域。为了减轻错误分类MUAP的易感性，我们采用了MUAP轮廓进化判别方法，它基于单周期收缩期间实现的多目标跟踪方法。这种方法之所以有效，是因为可以使用整个单独循环中MUAP形状的参数变化的演变来区分位于循环间过渡附近的形状相似性。为了进一步增强该策略的稳健性，使用循环平稳信号分析（Gardner 1994）来增强所涉及循环的形状演化。这种严格的数学框架能够检测形状进化轨迹的周期到周期的可重复性，并对不同的MUAP进行更有力的区分
2.2 验证
一个重要概念——DSDC：decompose-synthesize-decompose-compare。
这个方法用来衡量分解的误差，通过比较原始信号和合成信号来评估。合成信号由从记录的sEMG信号的分解获得的MUAPT和在均方根上等于记录的sEM分解的残差的均方根的随机化带限的时变高斯噪声组成。
3. Experiments
首先执行阶梯形曲线，文章测试了3种曲线，分别是：
- 4 steps (33.8, 67.5, 101.3, 135°) of 10-s duration each;
- 8 steps (16.9, 33.8, 50.6, ..., 135°) of 5-s duration each;
- 12 steps (11.3, 22.5, 33.8, ..., 135°) of 3-s duration each.
然后执行单循环力曲线，手臂弯曲范围为0-90°，分别以两种速度30°/s和45°/s。最后执行多循环力曲线，也就是重复8次单循环力曲线。
