motor unit的标准翻译是运动单位。这是很重要的一篇文章，文章从人类三角肌和第一背骨间 （f.d.i.） 肌肉记录了多达 8 个同时活动的运动单位的电活动。检测到的肌电信号已使用最近开发的技术分解为构成的运动单位动作电位序列。结果显示，根据运动神经兴奋性，在两种肌肉肌肉和所有受试者组中，存在高度有序的募集和去募集方案。

这篇文章研究了肌肉等长收缩力可以通过一个线性映射来描述，该映射是运动单位放电频率的低频成分。研究人员记录了来自八名健康男性拇指外展肌的肌内 (电极)和高密度表面肌电图(13x5电极网格)，并在最大力的5%、7.5%和10%外进行了60秒的收缩。通过分解算法从肌电图记录中识别出总共222个运动单位的尖峰队列。主成分分析表明，第一个共同成分（FCC）在整个收缩间隔内描述了平滑放电率的44.2+7.5%，而在5秒间隔内描述了64.3+10.2%。当FCC是由每次收缩四个或更多个运动单位计算出来时，相比于单个运动单位，它与肌肉产生的力(62.7+10.1%)相关性更大 (P<0.001)。总之，FCC获得了运动单位放电率低频成分的大部分。

• 表面EMG信号的包络是通过用持续时间为400ms的Hann窗口对整流的EMG进行滤波而从网格的中心位置的通道计算的。

• 使用持续时间为400 ms的Hann窗口对每个运动单元的瞬时放电率进行平滑，并使用0.75 Hz的截止频率进行高通滤波（零相位滤波器，H（f）=1−sin（πf/)πf），以消除先前研究中提出的偏移和趋势（De Luca等人，1982）。

参考链接：Hello! - Jack Terwilliger

• RNN讲解：【循环神经网络】5分钟搞懂RNN，3D动画深入浅出_哔哩哔哩_bilibili

• 李宏毅推导：26.循环神经网络RNN（II）_哔哩哔哩_bilibili

• matlab代码分析：(49条消息) 基于MATLAB的LSTM神经网络时序预测（完整代码+范例数据文件）_lstm matlab_Tooto_ttt的博客-CSDN博客

• lstm交替步长：lstm原理+timesteps理解+实操+时间序列多变量_jiekclek的博客-CSDN博客

重要程度: ⭐⭐⭐⭐⭐

为什么看这篇文献？

• 利用高密度肌电，通过卷积神经网络识别运动单元的尖峰序列以及实时估计肌肉的神经驱动
• 两种不同的CNN网络与卷积核补偿算法（CKC）进行了比较，分别从仿真和实验上
• 探究窗口大小和步长的影响
• 该方法是用于识别运动单元的。运动单元目前有多种分解方法，如FastICA算法、CKC算法，本文是在CKC算法的基础上缩短识别时间

这篇文章介绍了什么是对肌肉的有效驱动，重点在有效两个字，有效两个字对应的是一个带宽，该带宽通常是从DC到6-10Hz。所谓有效驱动就是这个带宽中的神经信号。而运动神经元相当于一个低通滤波器，对这个带宽内的信号进行加强，对高频信号进行衰减。运动单元的CST与突触的共同输入是高度相关的，共同输入信号相较于独立信号的信噪比越高，同时形成CST的运动单元越多（MU越多，放大倍数就越大，相当于无相位差的叠加），那么CST底通滤波后就与这个共同输入越接近。研究表明，力与神经驱动的低频部分相关。

文章使用了EMG和骨骼肌模型相结合的方法来估计手腕动作。EMG-driven并不是指代机器学习，而是通过肌肉激活程度引入。

[1]. MATLAB implementation of (FAST) ICA decomposition of hd-sEMG signals to motor units:

GitHub - neuromechanist/hdEMG-Decomposition: MATLAB implementation of (FAST) ICA decomposition of hd-sEMG signals to motor units

hdEMG-Decomposition - File Exchange - MATLAB Central (mathworks.cn)

[2]. package for decomposing multi-channel intramuscular and surface EMG signals into individual motor unit activity based off the blind source algorithm described in Negro et al. (2016).

GitHub - The-Motor-Unit/EMGdecomPy: A package for decomposing multi-channel EMG signals into individual motor unit activity.

EMG_Decomposition - File Exchange - MATLAB Central (mathworks.cn)

[3]. Decomposing raw electromyography data into motor unit action potentials (MUAPs)

GitHub - Bayyys/EMG_Decomposition: Decomposing raw electromyography data into motor unit action potentials (MUAPs)

[4]. Using supervised learning (Vision Transformer) to decompose HD-sEMG

GitHub - deremustapha/HD-sEMG-Decomposition: Using supervised learning (Vision Transformer) to decompose HD-sEMG

[5]. UCLA

GitHub - shreeshkarjagi/EMG-Decomposition-Spike-Sorting-: Neuroengineering M260

[6]. 2CFastICA

maoqichen/High-density-surface-EMG-decomposition-by-2CFastICA

1. 神经-肌肉通路

1.1 运动神经元

运动神经元位于脊髓的腹角或脑干/运动皮质，在那里它接收来自神经系统其他部分的感觉和下行输入。运动神经元通常可以分为两类：

• 上运动神经元：细胞体在脑干或运动皮质。它们的轴突可以直接延伸到脊髓与下运动神经元突触接触
• 下运动神经元：细胞体在脊髓灰质，下图中紫色蝴蝶一样的部分是脊髓的灰质，灰质的腹角中汇集着运动神经元的细胞体

这篇文章的强调点也是动作的选取，强调选取了日常生活中实用的动作。使用了MTL和Post-Processsing方法。