这篇论文介绍了一种sEMG分解算法，这种方法不是针对高密度肌电的，这篇论文采集了4个通道的肌电信号。信号分解算法首先从sEMG信号中提取尽可能多的MUAP的动作电位“模板”，然后搜索提取的模板相互叠加或具有未识别动作电位的信号区域。该算法在分析这种叠加时考虑了相长和相消干扰效应，并且它要求未识别的动作电位在分解的MUAPT的发射位置处占信号能量的小于25%。我们的分解算法是利用人工智能知识系统子领域中成熟的技术设计的。基于知识的算法已广泛用于生理信号应用，如ECG解释和EEG癫痫检测，以及非生理信号应用，如遥感和雷达信号分类。
我们之前已经将PD方法与人工智能的集成处理和理解（IPUS）概念结合起来，开发了一种用于植入式EMG信号的分解算法。虽然De Luca等人（2006）的PD-IPUS算法通常能够从sEMG信号中提取20–30个MUAP的模板（把植入式的算法应用到表面肌电），但它无法充分解决它们的复杂叠加，除非是最高振幅的4–8个MUAP。本文的信号分解算法代表了引入新机制的结果，这些机制有助于解决由原始PD-IPUS算法识别的大量MUAPT的复杂叠加。
如下图的框图所示，本报告的sEMG信号分解算法从初始PD-IPUS阶段开始，以尽可能识别各种MUAP形状的模板。然后，它进入人工智能的“迭代生成和测试”阶段（PD-IGAT），以识别sEMG信号中任何复杂叠加中存在的模板。PD-IPSUS和PD-IGAT阶段的更多细节将在下面描述。
