• 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；

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。

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。

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。

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。

Hyser

采集设备：OT，高密度

Open Access Dataset and Toolbox of High-Density Surface Electromyogram Recordings

Ninapro

采集设备：Delsysy。该数据库并不侧重高密度

Welcome to Ninaweb

CSL-HDEMG

采集设备：OT，高密度

Advancing Muscle-Computer Interfaces with High-Density Electromyography | Proceedings of the 33rd Annual ACM Conference on Human Factors in Computing Systems

CapgMyo

采集设备：OT，高密度

ZJU CAPG GROUP

Private

会议数据，包含真实和仿真数据

重要程度: ⭐⭐⭐⭐⭐

开源数据：Analysis of motor unit spike trains estimated from high-density surface electromyography is highly reliable across operators (figshare.com)

常见的Transforms

使用不同的方法转换输入输出。

1

from torchvision import tranforms

按住ctrl键可以打开transforms的源码，然后可以在pycharm的左边structure处看见结构，里面包含了所有的类。注意是类，要构造一个对象。

常用的一些类包括：

• Compose
• ToTensor
• Normalize
• Resize

下划线的作用

在Python的变量名和方法名中，单下划线和双下划线都有各自的含义，有的仅仅是作为约定，用于提示开发人员，而有的则对Python解释器有特殊含义。

你可能有些疑惑，在Python中变量名和方法名中的单下划线、双下划线到底有什么含义？下面我们就来看看下面五种下划线模式和命名约定，以及它们各自如何影响Python程序的行为：

• 前置单下划线：_var
• 后置单下划线：var_
• 前置双下划线：__var
• 前后双下划线：var
• 单下划线：_

第二章 模型评估与选择

评价标准：

• 回归模型评估：均方误差 MSE
• 分类模型评估：错误率 E 和精度 acc（两者互补）

代价函数与代价敏感：

损失函数（Loss Function ）是定义在单个样本上的，算的是一个样本的误差。
代价函数（Cost Function ）是定义在整个训练集上的，是所有样本误差的平均，也就是损失函数的平均。

上述的acc就是一个代价均等的函数，每一类分类错误的后果是一样的。