|
obustICA和Infomax的組合顯示出比其他算法組合更高的RoA。相反，在不同的算法組合中，Infomax和FastICA之間的通用運動單元數量最高。這些發現為為具有不同精度和產量要求的特定應用程序選擇分解算法和性能評估指標提供了實驗證據。
討論
本研究的目的是評估先前開發的三種基于獨立分量分析的信源分離算法（Infomax、FastICA和RobustICA）對從兩臂肌肉（肱二頭肌和EDC）獲得的肌電信號進行MU分解的性能。兩個評估指標，SIL和算法之間的RoA，用于評估分解性能。我們的結果顯示，不同肌肉收縮水平的不同算法之間具有較高的RoA。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則傾向于通過這兩種算法產生更多的常見MU。實驗結果也與第1部分中的早期模擬結果基本一致。這些發現可以為對分解精度和產量有不同要求的不同應用程序選擇特定的分解算法和特定的性能評估指標提供指導。
結論
總的來說，我們對不同基于獨立分量分析的算法的性能進行了系統評估，這些算法用于從手臂肌肉獲得的肌電信號的MU分解。具體來說，RobustICA與其他算法相比具有更高的RoA，而FastICA和Infomax可以分解更多的常見MU。特定算法或MU濾波度量的選擇可能取決于具有特定需求的不同應用。研究結果可以幫助我們在人群水平上確定可靠的MU活動，用于了解肌肉激活神經控制的機制和臨床方面。 |
