放电频率的计算
计算每个相邻19.5ms窗口（40个采样点）中每个MU的尖峰序列的发放频率。然后用8阶10Hz低通巴特沃斯滤波器对该激发频率进行滤波。(MU的发放间隔一般在20-200ms之间，这里只间隔19.5ms，那最多只能有一个发放时刻，这个窗口的选取意义是什么？)
SIL的含义
分解MUs的平均SIL。SIL度量MUST与噪声（背景噪声和其他潜在源信号）的分离程度。较高的平均SIL代表较好的分解性能。
杂记
Motor units with a pulse-to-noise ratio (13) <30 dB and/or with discharges separated by >2 s were discarded from further analysis. The individual motor unit discharge timings were summed to generate a cumulative spike train (CST).
力的大小主要通过两种途径改变：
- 运动单元的放电频率：运动单元的放电频率越高，产生的力越大
- 运动单元的募集数量：募集的运动单元数量越多，产生的力越大
Cumulative Spike Train Outperforms the Root-Mean-Square Metric in Muscle Excitation Estimation from Dynamic High-Density EMG
通过这篇文章了解CST的性质和计算方法。cumulative MU spike trains (CST) were calculated using 5, 10 and 15 identified MUs 。5、10、15个MU计算的CST比NRMSE的性能好~4、5、6%。
基于运动单元的肌肉力估计新方法
这篇文献在运动单元分解方面讲解得较为简单易懂，主要是文中基本涉及到了MUST分解、MUAP估计等分解方面的流程，并且在相关部分引用的文献确实能够解答一些疑惑，对运动单元分解的理解有很大的帮助。
Surface electromyography physiology, engineering and applications
关于肌电最新研究的介绍书籍。
Hyser database
Multichannel Blind Source Separation Using Convolution Kernel Compensation
DEMUSE Tool是提出这个算法的学者开发的matlab工具箱，但是不开源，其官网链接为：DEMUSE Tool (um.si)。这个网站中对sEMG的产生机理、CKC算法做了非常详细的描述，十分值得一看。Holobar主页：https://so3.cljtscd.com/
Adaptive Real-Time Identification of Motor Unit Discharges From Non-Stationary High-Density Surface Electromyographic Signals
重要程度: ⭐⭐⭐⭐⭐
阅读这篇文献是因为阅读的 Non-Invasive Analysis of Motor Unit Activation During Simultaneous and Continuous Wrist Movements 这篇文献在介绍其分解流程时引用了这篇文献，想通过该文献来详细了解分解流程。这篇文章介绍了如何实时分解高密度肌电得到运动单元。方法也比较简单，就是先训练得到 MUST 的分离矩阵和相关参数，然后对在线采集的高密度肌电直接使用训练得到的分离矩阵和相关参数从而得到 MUST。文章从仿真数据和真实数据两个方面进行了验证，重点关注了一下实验范式。
这篇文章还研究动态下的分解效果，通过数据手套来记录关节数据，重点参考。提出的更新算法也主要是对动态的数据有用。之前有文章研究了实时的分解，但是局限在静态的条件下，也有文章研究了动态的分解，但是是离线的，这篇文章同时实现了实时的MUST识别，还能够适用于非静态的条件。
本文的思路是这样的，要研究实时的分解效果，也就是研究在一个滑动窗中间的分解效果：首先通过前10s分解得到分离参数，然后对剩余的信号采用滑动窗口，在这个窗口中，采用了更新策略分解出的 MU 更多，而直接使用静态 gckc 算法得到的 MU 更少。思路很重要：等式 (1) 中的混合矩阵 H 在等长收缩中是恒定的，但在非等长条件下随时间变化，这需要相应的分离向量进行更新。
Spike-Triggered Average
Spike-Triggered Average算法简单来说就是首先设置一个窗口长度，然后把这个窗口放置到发放时间处的采集信号下，把所有窗口中的采集点对应相加，最后再除以窗口数量。
Amplitude cancellation reduces the size of motor unit potentials averaged from the surface EMG
文章介绍了三个生理学参数对幅值抵消的影响，并从STA得到的MUAP分析了幅值抵消带给结果的影响。幅值抵消减小了由sEMG averaged而来的运动单元动作电位。这篇文章研究了幅值抵消对MUAP的影响，主要是通过excitation level, motor unit conduction velocity, motor unit synchronization这三个参数来控制amplitude cancellation。文章还比较了从干扰、没有幅值抵消、以及整流的EMG信号中通过STA方法得到的运动单位电位与从表面检测到的运动单位动作电位。结果表明，生理学上的属性改变（对应着cancellation的强弱）一定程度上违背了STA的基本假设，同时也影响了输出电位的幅值。