当前在线估计方法在不同天或者不同人的情况下需要重新离线训练，这限制了在线算法的广泛使用。这篇文章主要是为了研究神经驱动在不同session、muscle和participants之间的估计结果。这篇文章的引言部分值得重点关注，同时ANOVA的部分也值得重点关注。
1. Introduction
关于neural drive的阐述：
the neural drive to muscles is composed of discrete spike signals, which are then amplified and transformed to continuous motor unit action potential (MUAP) signals by the innervated muscle.
为什么要分解：sEMG只是粗略的估计，并没有线性地关联到神经驱动，由于动作电位的叠加和幅值抵消。
如果提出一个新的分解算法：必须使用two-source validation protocol验证。
虽然阶段性更新策略能够解释MUAP的缓慢变化，但是分离向量在离线训练后只能识别到固定的MU数目，使得这些方法只能用于同一个session里面的同一个肌肉。
- 募集的MU数目对于不同的肌肉和不同的患者是不同的
- amplitude和duration受肌纤维的直径影响
- 不同肌肉不同患者的MUAP波形是不一样的
- MUAP的特性受电极和肌纤维之间的相对位置影响
- 不同天、不同session，MUAP也会改变
2. Method
时间间隔：两个session间隔20个月
实验范式：
- 3次最大自愿等长收缩，每次3-5s，相邻两次间隔2分钟
- 第一个session，根据屏幕提示执行3次小于最大收缩的等长收缩，曲线为梯形，上升10s、水平10s、下降10s，为最大值的25%。每次执行完后休息30s
- 第二个session，梯形改为上升5s、水平20s、下降5s。每次休息60s
电极贴片：两片13×5，电极间距8mm，ELSCH064NM2
导电膏：conductive paste
泡胶：bi-adhesive foam layer
人工检查：在是用盲源分离算法后人工检查剔除错误
MU 筛选：选取 PNR 大于30的 MU（能够保证 SIL 大于90%，FP 小于2%）
CNN：
- 输入：一个时间窗的高密度肌电信号，时间窗的长度为40个数据点（左右各扩充10各数据点），步长为20个数据点
- 输出：设置了4个节点，对应窗口内的MU spikes的数目。如果没有检测到spike，那么所有节点的输出为0；如果窗口中有一个尖峰，则将第一个节点设置为一；如果窗口中有两个尖峰，则前两个节点设置为1。但是，如果窗口中有四个以上的尖峰，我们将所有四个节点都设置为1。因此，可能会丢失训练和测试数据中的一些尖峰（最多只有4个节点），但当将深度CNN的输出与从BSS提取的完整CST进行比较时，这是最好的选择。将CST窗口化，窗口长20个数据点，步长20个数据点，没有数据重叠
- 输入和输出帧中心对齐
- six parametric layers (four convolutional layers and two fully connected layers)
- three non-parametric layers (two max pooling layers and one flatten layer)
python 实现的开源代码： https://github.com/ywen3/dcnn_mu_decomp
双因素分析：
- 因素一：validation method
- 因素二：data source
3. Results
- 使用BSS分解算法得到的结果：
