|
摘要
運動單位放電活動可以提供有關骨骼肌神經控制的關鍵信息。從表面肌電圖（EMG）中可靠地提取運動單位活動仍然是信號處理中的一個挑戰。我們量化了三種不同的基于獨立分量分析（ICA）的分解算法（Infomax、FastICA和RobustICA）在不同收縮水平下對從手臂肌肉（肱二頭肌和趾總伸肌）獲得的高密度肌電信號的性能。根據不同算法之間放電計時的一致程度，以及兩種算法同時識別的常見電機單元的數量，評估源分離結果。兩個指標，分離指數（輪廓距離或SIL）和一致率，用于評估分解精度。我們的結果表明，不同算法之間的一致性很高（80%-90%），這在不同的收縮水平上是一致的。RobustICA與其他兩種算法（尤其是Infomax）相比，傾向于表現出更高的RoA，而FastICA和Infomax傾向于產生更多的常見MU。總的來說，通過對這三種算法的實驗評估，結果提供了有關這些算法的實用性以及涉及上肢肌肉肌電信號的運動單元濾波標準的信息。
引言
肌電圖（EMG）信號表示數百個運動單位（MU）放電活動與相應運動單位動作電位（MUAP）的復雜過程。肌電信號的分解涉及將復合干擾活動分離為組成MU放電活動，這可以為神經肌肉系統提供臨床和科學見解[1-4]。此外，最近的研究表明，MU放電計時可以用作人機交互過程中的神經接口信號[5]。早期的肌電分解主要基于MUAP的模板匹配，通過手動專家編輯或使用肌肉內記錄的自動算法[6-8]。隨著算法和電極硬件的發展，可以通過使用不同的盲源分離算法分解高密度（HD）表面肌電信號來提取MU活動[9-12]。盡管取得了這些初步成功，但分解的性能評估仍然是一項具有挑戰性的任務。以前，分解性能已經通過幾種方法進行了評估。首先，可以模擬合成的肌電信號，并通過直接與地面真實值進行比較來評估分解的準確性。盡管模型模擬可能無法完全再現真實肌電信號中的詳細特征，但該技術可以直接測量分解性能[9,10]。其次，已使用雙源驗證來評估MU點火活動小樣本的分解精度[13-15]。具體來說，在同一塊肌肉上同時進行表面和肌肉內記錄，并分別分解不同來源的兩種類型的記錄，以肌肉內分解作為參考結果。常用MU活動的符合率（RoA）用作分解精度的度量。然而，從兩個記錄源獲得的常見MU的數量通常很小，因此，只能評估表面記錄中分解的MU的一小部分。最后，從單個MU中提取的不同度量（例如尖峰脈沖噪聲比[16]、MUAP的相異性或幅度[17]）已用于通過相關分析預測分解精度。最近的研究還使用了聚類指數，輪廓距離（SIL），作為衡量MUAP序列與背景噪聲（包括其他潛在源信號）的分離程度[18,19]。然而，SIL與分解性能之間的關聯尚未得到充分研究。因此，我們當前研究的目的是評估三種基于獨立分量分析的肌電分解算法（FastICA[20]、Infomax[21]和RobustICA[22]）的RoA，這些算法基于在不同肌肉收縮水平下從兩臂肌肉（肱二頭肌和總指伸肌）獲得的肌電信號。算法之間的RoA是基于這樣一個概念進行評估的，即如果同一個MU可以以高度一致性重復地從不同的算法中分離出來，那么精度應該很高。根據實驗數據比較了該算法的分解率。我們的結果表明，當SIL>0.85時，不同算法分解的RoA在很大程度上高于80%，盡管許多MU在SIL介于0.50到0.85之間時仍然顯示出較高的RoA（>80%）。總的來說，RobustICA和Infomax的組合表現出一致的 |
