表面EMG的自适应在线分解使用渐进的快速ICA剥离

科学领域:

• 生物医学工程 生物医学工程
• 神经科学是一个神经科学.
• 信号处理 信号处理

背景情况:

• 长期的表面电肌图 (SEMG) 记录的性能下降.
• 精确的SEMG信号分解对于理解电机控制至关重要.
• 现有的方法往往无法适应随时间变化的信号.

研究的目的:

• 开发适应性在线分解方法,用于高密度的SEMG信号.
• 为了提高发动机单元 (MU) 的精度和稳定性.
• 为了克服传统的SEMG分解技术的性能限制.

主要方法:

• 实施了一种渐进的FastICA剥离 (PFP) 方法,采用双线程并行算法.
• 使用离线初始化阶段计算分离向量.
• 使用受约束的FastICA和自动PFP通过后端和前端线程对分离向量的在线更新.

主要成果:

• 拟议的自适应方法在固定向量传统方法上表现出优越的性能.
• 在模拟数据上实现了3.63%的改进匹配率,在实验数据上达到1.98%.
• 增加了2.39 (模拟) 和1.30 (实验) 的动力单元检测.

结论:

• 适应在线SEMG分解方法是可行的和有效的.
• 这种技术提高了发动机单元发射活动检测的准确性.
• 显示神经解码和脑机界面应用的前景.