MUNIX重复性评估方法基于FastICA脱混合的方法
Suqi Xue1, Farong Gao1, Xudong Wu2
1School of Artificial Intelligence, Hangzhou Dianzi University, Hangzhou 310018, China.
Mathematical biosciences and engineering : MBE
|November 3, 2023
概括
这项研究引入了一种新的FastICA方法,使用负来提高动力单元数指数 (MUNIX) 评估的可重复性,通过有效地从高密度电极中分离混合电肌图 (EMG) 信号.
科学领域:
- 神经学 神经学
- 生物医学工程 生物医学工程
- 信号处理 信号处理
背景情况:
- 评估神经疾病进展需要可复制的运动单元数指数 (MUNIX) 测量.
- 来自高密度电极的电动肌图 (EMG) 信号的通道间混合使 MUNIX 的可重现性复杂化.
研究的目的:
- 通过开发表面EMG (sEMG) 信号的脱方法来提高MUNIX的可复制性.
- 通过基于负的FastICA方法来解决信号混合问题.
主要方法:
- 使用高密度表面电极获取复合sEMG信号.
- 采用基于负的FastICA算法来分离混合sEMG信号.
- 通过量化信号独立性和测量 MUNIX 重复性 (CV) 来验证该方法.
主要成果:
- 增加的通道数量减少了CV1.5分钟0.1美元,并减少了相邻通道相关性0.12分钟0.05美元.
- 基于负的FastICA显著减少了sEMG信号之间的相互关系.
- 随着频道数量的增加,MUNIX的重复性得到了改善,优化了异常的重复性模式.
结论:
- 提出的基于负的FastICA方法提高了MUNIX的可复制性.
- 使用来自高密度EMG阵列的更多通道可以改善信号分离并减少波动.
- 这种方法为评估神经疾病进展提供了更可靠的工具.
