我们提出了一种新颖的自适应肌电图（EMG）分解算法，该算法基于盲源分离方法，利用信号的库尔贝克 - 莱布勒散度和峰度作为在线学习的度量指标。 所提出的方法提供了一个理论框架，用于调整自适应超参数，补偿混合矩阵中因动态收缩等因素导致的非平稳性，并识别潜在的运动神经元（MN）放电情况。 所提出的自适应方法的超参数体现了不同记录位置（前臂与手腕）之间的解剖学差异，且在不同个体间具有通用性。 经过优化后，在手腕大范围（80 度）的运动中，相较于未采用自适应的情况，所提出的自适应算法显著提升了所有分解性能指标。
本文用 3 个 adaption 来不断更新动态下的参数：
- 更新白化矩阵
- 更新分离向量
- 更新尖峰选取
怎么补偿的？
这种方法要求校准数据和测试数据的混合矩阵随时间推移保持完全相同且恒定。虽然这一假设在等长收缩中成立，但在姿势变化或动态收缩情况下则不成立。因此，我们提出一种新的自适应范式，通过将新一批数据（100 毫秒）的库尔贝克 - 莱布勒散度和峰度与校准值之间的均方误差中位数降至最低，来更新先前校准的白化矩阵、分离向量和尖峰检测参数，以补偿因动态收缩或姿势变化导致的非平稳性。
这种方法的基本原理依赖于信号特性或对比函数，这些特性和函数决定了分解每个步骤的有效性。例如，库尔贝克 - 莱布勒散度用于衡量在操作条件下扩展肌电信号的协方差与单位矩阵之间的偏差，该偏差表明了白化矩阵的有效性。