摘要

运动单位放电活动可以提供有关骨骼肌神经控制的关键信息。从表面肌电图（EMG）中可靠地提取运动单位活动仍然是信号处理中的一个挑战。我们量化了三种不同的基于独立分量分析（ICA）的分解算法（Infomax、FastICA和RobustICA）在不同收缩水平下对从手臂肌肉（肱二头肌和趾总伸肌）获得的高密度肌电信号的性能。根据不同算法之间放电计时的一致程度，以及两种算法同时识别的常见电机单元的数量，评估源分离结果。两个指标，分离指数（轮廓距离或SIL）和一致率，用于评估分解精度。我们的结果表明，不同算法之间的一致性很高（80%-90%），这在不同的收缩水平上是一致的。RobustICA与其他两种算法（尤其是Infomax）相比，倾向于表现出更高的RoA，而FastICA和Infomax倾向于产生更多的常见MU。总的来说，通过对这三种算法的实验评估，结果提供了有关这些算法的实用性以及涉及上肢肌肉肌电信号的运动单元滤波标准的信息。

引言

肌电图（EMG）信号表示数百个运动单位（MU）放电活动与相应运动单位动作电位（MUAP）的复杂过程。肌电信号的分解涉及将复合干扰活动分离为组成MU放电活动，这可以为神经肌肉系统提供临床和科学见解[1-4]。此外，最近的研究表明，MU放电计时可以用作人机交互过程中的神经接口信号[5]。早期的肌电分解主要基于MUAP的模板匹配，通过手动专家编辑或使用肌肉内记录的自动算法[6-8]。随着算法和电极硬件的发展，可以通过使用不同的盲源分离算法分解高密度（HD）表面肌电信号来提取MU活动[9-12]。尽管取得了这些初步成功，但分解的性能评估仍然是一项具有挑战性的任务。以前，分解性能已经通过几种方法进行了评估。首先，可以模拟合成的肌电信号，并通过直接与地面真实值进行比较来评估分解的准确性。尽管模型模拟可能无法完全再现真实肌电信号中的详细特征，但该技术可以直接测量分解性能[9,10]。其次，已使用双源验证来评估MU点火活动小样本的分解精度[13-15]。具体来说，在同一块肌肉上同时进行表面和肌肉内记录，并分别分解不同来源的两种类型的记录，以肌肉内分解作为参考结果。常用MU活动的符合率（RoA）用作分解精度的度量。然而，从两个记录源获得的常见MU的数量通常很小，因此，只能评估表面记录中分解的MU的一小部分。最后，从单个MU中提取的不同度量（例如尖峰脉冲噪声比[16]、MUAP的相异性或幅度[17]）已用于通过相关分析预测分解精度。最近的研究还使用了聚类指数，轮廓距离（SIL），作为衡量MUAP序列与背景噪声（包括其他潜在源信号）的分离程度[18,19]。然而，SIL与分解性能之间的关联尚未得到充分研究。因此，我们当前研究的目的是评估三种基于独立分量分析的肌电分解算法（FastICA[20]、Infomax[21]和RobustICA[22]）的RoA，这些算法基于在不同肌肉收缩水平下从两臂肌肉（肱二头肌和总指伸肌）获得的肌电信号。算法之间的RoA是基于这样一个概念进行评估的，即如果同一个MU可以以高度一致性重复地从不同的算法中分离出来，那么精度应该很高。根据实验数据比较了该算法的分解率。我们的结果表明，当SIL>0.85时，不同算法分解的RoA在很大程度上高于80%，尽管许多MU在SIL介于0.50到0.85之间时仍然显示出较高的RoA（>80%）。总的来说，RobustICA和Infomax的组合表现出一致的