文章结果表明，在动态收缩或者 MUAP 改变的条件下，在正常肢体受试者和肢体缺陷患者的各种自主手腕运动过程中，可以识别出大量运动神经元的活动。这篇文章并没有方法上的创新，而是直接运用盲源分离算法。
1. Introduction
重要结论：
- 由于神经肌肉结的存在，运动神经元的放电变成了MUAP
Because of the high reliability of the neuromuscular junction, each discharge of a motor neuron ultimately results in a motor unit action potential (MUAP) of the innervated muscle.
- 肌肉充当了运动神经元神经活动的生物放大器，分解算法把这种活动解卷积
EMG decomposition provides access to the output spike trains of spinal motor neurons by using muscles as biological amplifiers of efferent nerve activity and decoding this activity by deconvolution
- EMG分解的进一步应用需要考虑实时和非静态两种情况
For control applications, the EMG decomposition needs to be real-time and accurate in non-stationary conditions
- EMG 分解算法目前只适用于等长收缩（在恒定不变的力或者缓慢变化的力）
EMG decomposition methods have so far been proven applicable only in isometric contractions at constant or slow varying force.
- SIL 能够评估分解的有效程度
It was previously shown, using concurrent intramuscular and surface EMG recordings, that SIL values are linearly related to decomposition accuracy. # 2. Methods
被试：7个正常人 A1-A7，2个残疾人 D1-D2
电极片：3个电极片用于正常人中的5个人，剩下的用2个电极片
预处理：带通滤波3-900Hz，采样2048Hz，分辨率是12bit
传感器安装位置：
- the dorsal side of the palm
- the dorsal side of the wrist
- the dorsal side of the distal end of the upper arm
实验范式：两个箭头指示，使重合，5s 内从放松位置到动作的最大位置再返回，使得关节角度呈一个三角形，然后再反向执行动作，这样称为一个 motor task。每个 task 被试执行3次，每次之间休息5s，每个 session 持续180s。
One motor task consisted of an agonist and an antagonist movement with 5 s rest in between. The performed motor tasks were flexion and extension corresponding to horizontal arrow movements, ulnar and radial deviation corresponding to vertical arrow movements, and pronation and supination corresponding to arrow rotation (Fig. 2)
数据预处理：3-900 Hz 带通滤波 # 3. Processing
MUAP波形用来匹配同一个MU：通过比较两个MU的MUAP之间的标准化互相关系数。该函数对MUAP波形中的时间滞后和MUAP幅度的变化是稳健的。如果标准化互相关系数的最大值大于0.8就认为两个MU是一样的。
有些运动神经元属于一个收缩肌，但是能在多个DoF中识别到，比如桡侧腕屈肌中的运动单位起到腕关节屈曲和桡侧偏斜的主动肌作用。只在一个动作中检测到的运动单位被分类为“maximally discriminative”。
记录了每个MU第一次放电时的关节角度，这是能够被EMG分解算法检测到的第一个事件，是非常有意义的。首先，提供了能够进行MU分解的关节角范围；其次，因为MU是随着力缓慢募集的，所以还能够用于比例控制。
如果一个 mu 90%的 spikes 都在一个动作期间发放，那么就认为这个 mu 对应这个动作。 # 4. Results
- 尽管收缩具有非等长性质，但可以确定每个运动任务>15个运动单位。这种高产率分解对于四肢正常的受试者和四肢缺陷的受试对象都是可能的，这表明基于运动单位尖峰序列的肌电控制是可行的。
- 每个运动任务平均识别出16±7个运动单位，平均ISR值为24.7±12.7%。在识别出的运动单位中，12±6个与主动肌肉动作有关，6±5个运动单位所有重复中都存在。平均SIL值为0.86±0.05，这与识别放电时间的估计准确度>85%相对应（为什么？Multi-channel intramuscular and surface EMG decomposition by convolutive blind source separation）。
- 9名被试中的6名只有1个任务没有consistently detected discriminative motor units，剩下两名所有任务都存在持续的能最大区分的MU
注意：consistent指所有重复中均放电，discriminative指只在一个motor
task中放电。
maximally discriminative 这种属性在其他实验范式下可能会改变，本文的任务和重复方式比较简单。
因为关节角度的逐渐增加可能对应于关节扭矩的增加，所以在更大角度募集的运动单位可能表现出更高的募集阈值。这些运动单位可能确实更容易区分，因为它们具有较大的神经支配数量，因此往往具有较大的表面MUAP振幅。
只有不到一半的分解尖峰序列存在于给定运动任务的所有重复中，这可能是因为MUAP的波形形状的变化。
与先前显示的静态收缩结果相比，ISR值更小。这与放电开始时相对较高角度的发现一致，这表明提取的运动单位只能解释总EMG变化（功率）的一小部分。适用于强非平稳条件的专门方法将减少这种情况的影响。
Decomposition of surface EMG signals from cyclic dynamic contractions
Single motor unit and fiber action potentials during fatigue
然而，假肢控制的实时实现应该克服与非静态相关的挑战，这些挑战可能会阻碍运动单元的识别，例如手臂位置的变化、疲劳、长期稳定性、电极位置的变化或特定条件下运动单元行为的变化