动力单元的半自动识别同时记录在高密度表面和肌肉内肌电力学
概括
本研究提出了一种用于验证表面电肌图 (sEMG) 分解算法的半自动方法. 它有效地从并发的高密度表面EMG和肌肉内EMG记录中生成可靠的动力单元 (MU) 基准值.
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.
- 生理学 生理学 生理学
背景情况:
- 自动表面电肌图 (sEMG) 分解算法需要强大的验证,特别是在非静止条件下.
- 从肌内EMG (iEMG) 手动推导基准,在各种收缩条件下耗时且具有挑战性.
研究的目的:
- 开发和演示一种半自动技术,用于从并发高密度sEMG (HD-sEMG) 和iEMG中提取动力单元 (MU) 活动.
- 为了生成可靠的体内分解基准来验证sEMG分解算法.
主要方法:
- 利用现有的自动sEMG分解算法进行初始MU识别.
- 使用已识别的MU峰值时间来触发和识别iEMG中的同时活跃的源.
- 在同度收缩期间,将该技术应用于HD-sEMG和iEMG从延伸器carpi radialis brevis的记录.
主要成果:
- 从117个试验中成功提取了367个高保证度的MU分解,这些分解来自不同的力级和手腕角度.
- 半自动方法显著减少了与手动分解相关的开销.
- 在各种实验条件下生成了可靠的基准数据集.
结论:
- 提出的半自动方法有效地产生高质量的in-vivo MU分解基准.
- 这种方法对于验证新型表面EMG分解算法特别有用.
- 在不同的生理条件下,为EMG分解技术的严格验证提供便利.
