A convolutional neural network to identify motor units from high-density surface electromyography signals in real time
The effective neural drive to muscles is the common synaptic input to motor
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。
An EMG-Driven Musculoskeletal Model for Estimating Continuous Wrist Motion
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。
关于hd-EMG分解的开源代码
[1]. 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).
EMG_Decomposition - File Exchange - MATLAB Central (mathworks.cn)
[3]. Decomposing raw electromyography data into motor unit action potentials (MUAPs)
[4]. 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
[7]. NeuroMotion，动态肌电仿真
生理部分总结
A Novel Myoelectric Control Scheme Supporting Synchronous Gesture Recognition and Muscle Force Estimation
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。
Physics-Informed Deep Learning for Musculoskeletal Modeling: Predicting Muscle Forces and Joint Kinematics From Surface EMG
肌肉骨骼模型被广泛应用于生物力学的分析，能够很好地解释神经肌肉驱动、肌肉动力学、身体与关节运动参数之间的关联，但这种分析的效率较低，阻碍了实时的应用。数据驱动方法是一个有潜力的替代方法，拥有简单快速的优点，但不能反应深层的神经控制过程。这篇文章提出了一种用于肌肉骨骼建模的新方法：物理明确的深度学习框架，用物理域经验作为loss function的约束。实验室的设备测量的力是外部力，这篇文章提供了一种估计生物力的方法。
马氏距离
参考链接：马氏距离(Mahalanobis Distance) - 知乎 (zhihu.com)
马氏距离（Mahalanobis distance）是一种用于计算两个样本点之间距离的方法。它考虑了各个特征之间的相关性，与欧氏距离不同，马氏距离可以反映出各个特征之间的协方差关系。
在多元统计分析中，马氏距离常用于评估多个变量之间的相似性或差异性，特别适用于数据集中存在多个相关特征的情况。马氏距离是欧氏距离的一种推广形式(当多维随机变量之间是独立同分布的，那么它们之间的协方差矩阵就是单位矩阵)，可以用来衡量样本点与所在样本总体之间的距离。
具体地，假设有两个样本点 $x$ 和 $y$，它们各自有 $p$ 个特征（即 $x$ 和 $y$ 分别为 $p$ 维向量），那么它们之间的马氏距离为：
其中，$S$ 是样本协方差矩阵，可以通过样本数据估计得到。马氏距离具有对称性和非负性，且满足三角不等式，因此可以作为距离度量来进行聚类、分类等任务。
线性最小均方误差估计
参考书籍：《统计信号处理基础》
LMMSE（Linear Minimum Mean Squared Error）是一种信号处理方法，用于对输入信号进行估计或恢复。LMMSE方法基于线性估计器，通过最小化误差均方差的方式对信号进行估计。
在信号处理领域，LMMSE方法常用于恢复被加噪声或失真的信号。假设有一个被噪声污染的信号 $y$，我们希望得到它的无噪声版本 $x$。假设 $y$ 和 $x$ 之间存在线性关系，即：$y=Hx+n$。其中，$H$ 是一个已知的线性变换矩阵，$n$ 是加性高斯噪声。我们可以使用LMMSE方法来估计 $x$。
LMMSE方法的基本思想是，首先利用信号和噪声的统计特性，构造一个最小均方误差准则函数，然后通过对准则函数求导的方式，求得最小误差下的估计器。对于上述的线性模型，LMMSE估计器的形式为：
其中，$\sigma_n^2$ 是噪声方差，$E{x|y}$ 表示在已知 $y$ 的情况下对 $x$ 的最小均方误差估计值，即后验均值估计。
LMMSE方法具有良好的性能和广泛的应用，尤其在通信系统、图像处理、音频处理等领域得到了广泛应用。