本文主要解决的争议是到底是阈值高的MU有更高的放电频率还是阈值低的MU有更高的放电频率。部分人认为，阈值高、直径大的MU有更短的超极化电位，因此具有更高的放电频率，结合Henneman准则，得到这样一个结论，先募集的MU比后募集的MU放电频率更低。但是，很多学者的研究发现，高兴奋水平下激活的高阈值MU，有着更低的放电频率。
文章发现，在线性力增加的收缩过程中，放电率以指数函数的形式增加。在任何时间和力水平，包括募集时，实时放电率的值与募集阈值呈反比。指数函数的时间常数与募集阈值直接相关。至此，有两个关于MU放电频率的准则，一个是Henneman准则，另一个是“firing rate spectrum” ：
- Henneman准则：随着兴奋的增加，运动神经元按照体积从小到大的顺序募集。
The Henneman size principle states that motor units are recruited from smallest to largest based on the size of the load. For smaller loads that require less force, the low-force, fatigue-resistant, slow-twitch muscle fibers are activated before the recruitment of the less-fatigue-resistant, high-force, fast-twitch muscle fibers.
- firing rate spectrum：在任何给定的时间或力水平下，早期募集（阈值低）的运动单位的放电率都大于后期募集（阈值高）的运动单位。
结合这两个准则，可以得到这样一个总结：体积小的MU先募集，但是放电频率较高；体积大的MU后募集，但是放电频率较低。
文章的sEMG分解使用了Nawab的方法，为了验证分解算法的准确率和是否引入偏置，本文提出了对应的解决方法——DecomposeSynthesize-Decompose-Compare (DSDC) ：
- 准确率：
DSDC Accuracy的计算公式：
$N_{truth}$代表所有的正确事件，主要有两种错误，一种是real sEMG中出现了尖峰但是synthesized sEMG中没有出现尖峰；另一种是real sEMG中没有出现尖峰但是synthesized sEMG中出现了尖峰。
Following Nawab et al. (2008), the decomposition accuracy (A) for a MUAPT is determined from the number of firings (NFIR), the number of false positives (NFP), andthe number of false negatives (NFN) in the decomposition:
- 是否引入偏置：
文章把real sEMG分解得到的MUAPT随机打乱得到randomized MUAPT，再使用randomized MUAPT reconstruct sEMG，再对其进行分解，发现分解算法并不会影响放电的行为。因此，可以说明real sEMG得到的的放电速率的模式和趋势是能够表征运动单位实际的放电特性的。