一篇综述文章，后续在计算MU discharge pattern时可以参考。
EMG crosstalk（串扰）：当在较小尺度观察时，电活动在空间位置上被记录形成EMG，EMG是许多同时激活的肌肉隔室和附近肌肉的活动的混合。
在运动单元这个尺度上提取的信息直接映射到α运动神经元的活动，并提供了对中枢神经系统和 PNS 净输出的明确洞察。
由于神经肌肉系统的固有特性，这些尖峰序列是稀疏的，因此每个尖峰后面都有一系列的零。在正常情况下，神经肌肉接头高度稳定，因此运动神经元中的每一个尖峰都会触发受支配肌纤维的电激活，从而产生单纤维动作电位（SFAP）。
MUAP是空间的函数（图2），其形状反映了肌肉特性（例如动作电位的传导速度）、体积导体特性（例如插入组织的电导率）和采集系统特性（例如摄取电极区域的大小）。此外，在动态收缩中，由于电极相对于肌肉纤维的相对位置的连续变化，动作电位形状可能会随着时间的推移而迅速变化。
MUs和肌肉可以被视为运动神经元传导神经代码的天然放大器。
在正常和非疲劳条件下，MU放电的同步性相对较小，因此尖峰列车相对独立。当通过所谓的独立分量分析（ICA）技术尝试对多通道EMG进行分解时，这被证明是有益的。在疲劳和神经退行性疾病（如帕金森病）中，不同运动神经元的放电往往同步，导致生理或病理性震颤。在这些情况下，独立来源的假设不再有效，使得ICA技术不适合用于EMG分解。值得注意的是，稀疏尖峰序列的假设在这些条件下仍然成立。
将肌纤维与记录电极分离的容积导体起到低通空间滤波器的作用。
卷积数据模型假设由不同的电极检测到的某一个MU的MUAP序列仅共享MU放电的时刻，而检测到的MUAP的形状由混合过程本身建模。这与生理MUAP模型非常接近，并且允许MUAP形状的任意空间变化。因此，卷积数据模型比瞬时数据模型更通用、更现实。
虽然稀疏，但卷积模型通常不完全，存在源比测量多的问题，因此难以反演。EMG通道的数量取决于采集系统，但通常限制在几十个。同时，在运动任务中，即使在低收缩力下，也有几十个MU活跃。为了缓解这个问题，具有低能量动作电位的MU的贡献通常被建模为生理噪声。这种建模方法减少了源的数量，但同时也降低了信噪比。
源s（t）是稀疏的，即最小的尖峰间隔大于MUAP的持续时间。