总结就是：先选一段信号区间用于估计初始参数，然后再在各个区间上改进参数。
提出了一种新的动态hdEMG卷积数据模型，以及用于评估MU识别准确性和分析动态肌肉收缩中MU动作电位（MUAP）变化对MU识别的影响的脉压比（PNR）指标。我们在不同的动态收缩速度下，对来自肱二头肌、股外侧肌和股直肌的信号测试了所提出的方法。
当考虑MU发射时间的预先存在的知识时，可以显著提高尖峰分割方法的鲁棒性。例如，在处于相对恒定收缩水平的健康人体肌肉中，MU发射频率相对恒定。棘间距的标准偏差在平均棘间距的10%到30%之间[5]。不幸的是，这不适用于病理情况或快速肌肉收缩的情况，在这些情况下，这种额外知识的实施会大大降低MU尖峰分割的准确性。
- 什么是等长收缩：the geometry of the recorded muscle does not change significantly [5]. This guaranties relatively stationary MUAPs that can be identified either by template matching or blind-source separation (BSS) EMG decomposition methods.
- 动态收缩的情况：In dynamic muscle contractions, muscle fibers shorten and slide below the skin surface (and below the electrode array), causing the changes in detected MUAPs.
- 动态和静态的区别：在一个恒等的收缩水平下，MU的发放频率是保持不变的， \[ISI\] 的标准差只有10%-30%。但是这在肌肉快速收缩或者病态的情况下是不成立的
高密度肌电的建模： \[ \mathbf{y}(n)=\overline{\mathbf{H}}\overline{\mathbf{t}}(n)+\Delta\mathbf{H}(n)\bar{\mathbf{t}}(n)+\mathbf{~}\mathbf{\omega}(n) \] 这个模型是等长收缩模型的推广，在等长收缩中，\[\Delta \mathbf{H}(n)\] 这一项代表的是 \[\overline{\mathbf{H}}\] 和真实的 \[\mathbf{H}\] 之间的差异。这个差异在动态收缩中是随时间变化的，但是在等长收缩中，可以视为误差项。
动态下的衡量指标是什么：PNR does not assume or favor any MUfiring patter and can, thus, be used equally good in pathological or any other condition with highly irregular MU firing patterns.
目前在实验条件下还不可能验证动态表面肌电分解。即，与等距收缩不同，在动态条件下，表面肌电和侵入式肌电同时采集和分解的双源验证方法是不可能的。因此本文采用合成肌电进行分解，合成的高密度表面肌电信号根据圆柱形体积导体模型产生。
当考虑 MU 发射时间的先验知识时，可以显著提高尖峰分割方法的鲁棒性。例如，在处于相对恒定收缩水平的健康人体肌肉中，MU 发射频率相对恒定。脉冲间距的标准偏差在平均棘间距的 10% 到 30% 之间。不幸的是，这不适用于病理情况或快速肌肉收缩的情况，在这些情况下，这种额外知识的实施会大大降低 MU 尖峰分割的准确性。