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）。

CKC算法分解的一篇中文文献，以帮助更好地理解MUAP和MUST，了解CKC算法的具体作用，输入输出，文献中有对CKC算法的概述。

文章使用了三种神经特征来对力矩进行估计。分别是CST的放电频率、MUST的放电频率、PCA主成分。这篇文章中使用CKC算法进行分解，使用聚类进行有效 MUST 的提取。文章实验分为两个 session，第一个 session 考虑单动作，第二个 session 考虑双动作，把第一个 session 的动作级联后得到的分离矩阵运用到第二个 session 的 EMG 数据中直接分解得到 MUST。文章结果表明 CST 的鲁棒性是比 RMS 更好的，EMG 通道之间的串扰可能会导致通过 RMS 力矩估计的准确率降低。

一般来说，基于瞬时肌电图像的手势识别可以被定义为图像分类问题，可以通过标准的有监督学习来解决：给定具有手势标签的瞬时肌电图像集合作为训练数据，训练一个分类器来识别每一幅新的肌电图像所对应的手势。

因为电极位移，肌肉疲劳，电极和皮肤之间的阻抗变化等因素的干扰，肌电信号与采集会话高度相关，已经训练好的手势分类器直接被应用在新的会话时通常准确率较低。针对基于肌电信号的会话间手势识别，已有方法通常需要用户在新的会话开始时进行标定，然后使用标定数据来适配模型。 基于深度机器学习的领域自适应框架，用于提升基于肌电信号的会话间手势识别的准确率，同时降低模型适配过程中所需要的用户交互的复杂度。

笔记

肌肉收缩力越大，募集MU越多，sEMG信号MUAP波形间的叠加程度和波形变异越高，分解方法也就不再适用

这篇硕士论文介绍了单纤维动作电位（SFAP），运动单元动作电位（MUAP）的波形，运动单元动作电位与单纤维动作单位的关系，运动单元动作电位序列（MUAPTs）。

这篇文章主要介绍了高密度肌电和侵入式肌电的对比，高密度肌电的必要性，空间滤波和空间采样等等。文章中引出了关于肌电的两种混合模型：1. 线性瞬时混合模型；2.卷积混合模型。这在以前阅读的文章中没有详细提及。文章还引出了获得MUAP的两种方法：1.直接获得；2.STA方法。

包括对全局EMG信号特征的提取与生理学研究中运动单元活动的识别之间的差异的讨论，以及如何获取、检查和分解HDEMG信号的全面指南，以及运动单元放电特征的稳健提取。