Xinhao's notebook

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。

关于肌电最新研究的介绍书籍。

Open Access Dataset and Toolbox of High-Density Surface Electromyogram Recordings v1.0.0 (physionet.org)

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/

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。

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。

肌电信号分解可以看成是肌电形成的逆过程。肌电分解的主要目的是将肌电信号还原成其基本的组成成分：运动单位动作电位序列（MUAPT）。从而可以将肌电信号中的单个的运动单位识别出来并进行归类，进而得到参与此次肌肉活动的运动单位的个数、种类、发放信息及波形信息。（存疑，是先得到MUAPT？还是MUST） 。尽管FastICA算法非常契合表面肌电信号分解的需求，但FastICA是基于瞬时线性混合模型推导的，而表面肌电信号更符合卷积模型

几乎所有 PNR >30 dB 的 MUs 所表现出的灵敏度>90%（识别出来的 positive / 理论上全部的 positive），虚警率<2%（错误 positive / 错误的 positive、negative 之和）。因此，PNR 中30 dB 的阈值可以作为选择可靠分解单元的简单方法。研究还表明，高密度表面肌电图可在高达最大收缩力70%的情况下可靠分解。为了提高分解性能 (Holobar and Zazula 2007)，向量 y (n)可以用所有肌电测量的 K 个样本的矢量化块代替。</mark>

这篇文章通过稀疏度来得到分离向量，而不是FASTICA中的非高斯性和独立性。整个分解算法分为两个迭代过程，第一个迭代过程类似于fastICA，第二个迭代过程类似于CKC。该方法的主要假设是，两个运动单元脉冲序列的叠加总是比单个运动单元的叠加更具可变性（方差更大）。