这篇文章使用CNN进行估计。这篇文章的思想是，使用CNN进行估计，但是学习的时候不同强度，不同肌纤维长度下的MU都不一样，因此需要解决这个问题。而这篇文章提出的CNN能够在不同条件提取MUAP普遍的特征，因此能够估计不同条件下的神经特征。
1. Introduction
由于幅值抵消和串扰的存在，EMG不能表达神经特征
相比于sEMG，平滑的CST在估计手指力，手指关节参数，手腕关节参数等方面有更高的精度
Compared to amplitude-based surface EMG, the smoothed CST has higher accuracy in estimating isometric finger force [12], [13], finger kinematics [14], [15], and wrist kinematics [16], [17].
使用MU spikes来控制上肢假肢笔传统的基于特征的模式识别或者骨骼肌模型的控制方法更好
在线分解算法通常分为两个步骤：
- an offline initialization where a separation matrix of MU filters is calculated based on a long segment of data (>10 s);
- an online decomposition where the separation matrix is used to identify spike trains and then updated with the newly identified spike trains
这种方法的缺点是：分离矩阵在离线训练的时候就确定了，因而分离矩阵决定的MU就确定了。除此之外，当收缩强度改变的时候，MU也会改变，因此即使是等长收缩，训练好的分离矩阵在不同强度下也只能识别到一部分MU。
- 当收缩的强度（n% MVC）增加时，由于小MU存在幅值抵消，识别到的MU会改变
- 使用CNN和RNN能够估计MUST，但是这些方法严重依赖MUAP的形状，不同MU的MUAP只有很小概率相同，同一个MU的波形也会因肌肉长度的改变而改变
2. Method
（1）Isometric Trapezoidal Contractions With Different Intensities:
- 10%、30%：5-s ramp-up, a 20-s plateau, and a 5-s ramp-down phase
- 50%： 5-s ramp-up, a 15-s plateau, and a 5-s ramp-down phase