电机单元过器的集成,用于在变动力异比收缩过程中增强表面电肌图解析

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.
• 发动机控制器的控制器

背景情况:

• 肌肉招募运动单元 (MU) 来产生力量,增加的力量通常与更多的招募的MU相关.
• 当前的表面电肌图 (sEMG) 分解方法在力量上升时难以保持解码的MU数量的持续增加,有时会显示下降.
• 这种不一致性阻碍了对肌肉激活和控制的准确评估.

研究的目的:

• 开发和验证一种增强的MU解码方法,以提高激活的MU的准确识别.
• 解决现有方法的局限性,以捕捉不同部队级别的MU招募的全部频谱.
• 在增加肌肉力量的过程中增强MU数趋势的稳定性和一致性.

主要方法:

• 提出了一种增强的解码算法,包括在分解过程中对MU过器的适应性再利用.
• 在模拟的sEMG信号上测试了该方法,这些信号具有已知的MU发射模式,并从人类实验对象中实验性地记录了sEMG,这些实验对象在执行同度收缩.
• 与已建立的方法比较性能,例如卷积内核补偿 (CKC) 和快速独立组件分析 (fastICA).

主要成果:

• 与基线方法相比,增强方法显著增加了解码的MU的数量,比CKC增加了135.4%±62.5%,比模拟信号中的fastICA增加了63.6%±20.2%.
• 对于实验性sEMG数据,增强的过程使解码的MU在受试者和力级别之间增加了21.8%±10.9%.
• 分解MU的准确性 (灵敏度和精度) 与标准解码方法相比仍然相当 (p <0.001).

结论:

• 适应性重用MU过器是一种可行的策略,可以改善MU从sEMG信号的分解.
• 这种增强的方法可以更完整地捕捉激活的电机单元,特别是在高信号叠加的条件下.
• 这些发现表明,有可能进行更准确的运动单元分析,并更好地了解不同力输出的肌肉激活模式.