Decoding motor unit activity from forearm muscles: Perspectives for myoelectric control

Posted on 2023-11-09 Edited on 2024-02-23 In 论文 , Dynamic

文章结果表明，在动态收缩或者 MUAP 改变的条件下，在正常肢体受试者和肢体缺陷患者的各种自主手腕运动过程中，可以识别出大量运动神经元的活动。这篇文章并没有方法上的创新，而是直接运用盲源分离算法。

假设检验

Posted on 2023-11-07 Edited on 2024-09-17 In 数学

参考知乎讲解：小白爱上SPSS - 知乎 (zhihu.com)

参考b站视频：单因素方差分析(上）/ANOVA/什么是方差分析、方差分析的思路_哔哩哔哩_bilibili

什么时候用什么检验：

正态分布：
- 计数资料：
  - 单个计数资料：单样本比例检验
  - 多个计数资料：卡方检验
- 计量资料：
  - 两组数据：t检验（可以和计数资料结合）
  - 多组数据：ANOVA（可以和计数资料结合）
非正态分布：
- 秩和检验

Predicting wrist kinematics from motor unit discharge timings for the control of active prostheses

Posted on 2023-11-03 Edited on 2024-04-10 In 论文 , Dynamic

这篇文章描述并验证了一种从运动单元动作电位队列（MUAPT，称为神经特征）中预测腕关节屈曲/伸展、旋前/旋后和尺骨/桡骨偏移的关节角度的方法，并将预测结果与从全局肌电图特征的线性回归中获得的预测结果进行了比较。手的几个动作：

flexion——extension
pronation——supination
adduction——abduction（ulnar deviation—— radial deviation）

这篇文章先通过训练集得到spike到neural input的函数，然后把MUAPT和residual EMG当作neural feature，然后对neural feature降维，然后通过线性回归来估计力矩。这篇文章的实验范式重点参考。

高密度肌电使用方法

Posted on 2023-10-27 Edited on 2024-02-09 In 实验

工作电极	参考电极	地电极
肌腹	没有明显电位变化的地方，如肘关节、腕关节，但必须是同一侧，如果放在两侧肘关节则肌电信号会夹杂着心电信号	设备接地，工作电极跟参考电极在同一个水平比较

测量肌电时要减少不必要的线路和设备避免工频干扰；
使用医用酒精皮肤清理，阻抗更小，信号更稳定；

肌电信号的常见噪声：

工频干扰；
运动伪迹；
心电或者其他呼吸相关干扰；

A Deep CNN Framework for Neural Drive Estimation From HD-EMG Across Contraction Intensities and Joint Angles

Posted on 2023-10-23 Edited on 2024-02-08 In 论文 , Dynamic

这篇文章使用CNN进行估计。这篇文章的思想是，使用CNN进行估计，但是学习的时候不同强度，不同肌纤维长度下的MU都不一样，因此需要解决这个问题。而这篇文章提出的CNN能够在不同条件提取MUAP普遍的特征，因此能够估计不同条件下的神经特征。

Toward a generalizable deep CNN for neural drive estimation across muscles and participants

Posted on 2023-10-19 Edited on 2024-02-10 In 论文 , Across Day

当前在线估计方法在不同天或者不同人的情况下需要重新离线训练，这限制了在线算法的广泛使用。这篇文章主要是为了研究神经驱动在不同session、muscle和participants之间的估计结果。这篇文章的引言部分值得重点关注，同时ANOVA的部分也值得重点关注。

Elbow-flexion force estimation during arm posture dynamically changing between pronation and supination

Posted on 2023-10-16 Edited on 2025-01-16 In 论文 , Dynamic

这篇文章使用NMF分解算法把高密度肌电分解为激活模式和时变系数。并且对动态下的分解算法进行了改善，采用了分段分解的方法。看这篇文章主要是为了学习如何处理非等长收缩的情况。

Decomposition of surface EMG signals from cyclic dynamic contractions

Posted on 2023-10-16 Edited on 2024-03-01 In 论文 , Dynamic

本文采用了机器学习算法和时变MUAP区分法来分解伪静态和动态的肌电信号（什么是伪静态？）。本报告描述了一种创新的方法，用于分解步态中肘部屈曲/伸展周期性收缩期间以及膝盖和脚踝屈曲/伸展期间获得的sEMG信号。本文对运动单位在循环收缩期间的性能的初步观察表明，在重复的动态收缩期间，运动单元的控制受与等长收缩期间相同的规则控制。运动单位的共同驱动和分级募集特性得到了保留。