CKC算法分解的一篇中文文献，以帮助更好地理解MUAP和MUST，了解CKC算法的具体作用，输入输出，文献中有对CKC算法的概述。

文章使用了三种神经特征来对力矩进行估计。分别是CST的放电频率、MUST的放电频率、PCA主成分。这篇文章中使用CKC算法进行分解，使用聚类进行有效 MUST 的提取。文章实验分为两个 session，第一个 session 考虑单动作，第二个 session 考虑双动作，把第一个 session 的动作级联后得到的分离矩阵运用到第二个 session 的 EMG 数据中直接分解得到 MUST。文章结果表明 CST 的鲁棒性是比 RMS 更好的，EMG 通道之间的串扰可能会导致通过 RMS 力矩估计的准确率降低。

一般来说，基于瞬时肌电图像的手势识别可以被定义为图像分类问题，可以通过标准的有监督学习来解决：给定具有手势标签的瞬时肌电图像集合作为训练数据，训练一个分类器来识别每一幅新的肌电图像所对应的手势。

因为电极位移，肌肉疲劳，电极和皮肤之间的阻抗变化等因素的干扰，肌电信号与采集会话高度相关，已经训练好的手势分类器直接被应用在新的会话时通常准确率较低。针对基于肌电信号的会话间手势识别，已有方法通常需要用户在新的会话开始时进行标定，然后使用标定数据来适配模型。 基于深度机器学习的领域自适应框架，用于提升基于肌电信号的会话间手势识别的准确率，同时降低模型适配过程中所需要的用户交互的复杂度。

笔记

肌肉收缩力越大，募集MU越多，sEMG信号MUAP波形间的叠加程度和波形变异越高，分解方法也就不再适用

这篇硕士论文介绍了单纤维动作电位（SFAP），运动单元动作电位（MUAP）的波形，运动单元动作电位与单纤维动作单位的关系，运动单元动作电位序列（MUAPTs）。

这篇文章主要介绍了高密度肌电和侵入式肌电的对比，高密度肌电的必要性，空间滤波和空间采样等等。文章中引出了关于肌电的两种混合模型：1. 线性瞬时混合模型；2.卷积混合模型。这在以前阅读的文章中没有详细提及。文章还引出了获得MUAP的两种方法：1.直接获得；2.STA方法。

包括对全局EMG信号特征的提取与生理学研究中运动单元活动的识别之间的差异的讨论，以及如何获取、检查和分解HDEMG信号的全面指南，以及运动单元放电特征的稳健提取。

为了进一步理解《A convolutional neural network to identify motor units from high-density surface electromyography signals in real time》，通过这篇文章弄清了这样一个过程：CKC算法分解sEMG得到了MUST（运动单元的放电时间，也叫discharge parttern），MUST通过spike-triggered averaging (STA)方法得到表面MUAP。这篇文章分别通过仿真EMG、拇短展肌、肱二头肌、上斜方肌和股外侧肌实验阐述了MU的募集阈值，放电时间，募集先后，表面MUAP的形成这几方面的研究。

这篇文章主要是介绍了为什么通过sEMG来表示神经驱动是不精确的，然后引出了幅值抵消（amplitude cancellation）这个概念，并举例子说明了幅值抵消带来的影响。相比之下，从sEMG中识别单个运动单元释放动作电位的时间允许更直接地访问神经驱动。然后文章介绍了CKC分解算法，能够得到运动单元的放电时间和在各个通道处的信号。接着，文献将iEMG和sEMG分解得到的放电时间做了个对比，灵敏度能达到90%以上。

这篇文章记录如何使用github page + hexo搭建个人博客（超详细 Hexo + Github Pages 博客搭建教程 - 知乎 (zhihu.com)）。