重新审视卷积性盲源分离以识别尖端运动神经元活动:从理论到实践

科学领域:

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

背景情况:

• 通过表面电肌图 (EMG) 或超声波信号分解,可以实现对α运动神经元 (MN) 激增活动的非侵入性识别.
• 卷积盲源分离 (cBSS) 是理论基础,但反向解决方案的识别和估计错误仍然不清楚.
• 目前的参数选择准则是经验性的,阻碍了临床翻译.

研究的目的:

• 以新的理论见解重新审视和增强cBSS模型以基于EMG的MN识别.
• 导出一个框架,预测尖峰列车估计的解决方案的存在.
• 量化来自不完美的动力单元动作潜力 (MUAP) 逆转,噪声和不良条件的估计错误.

主要方法:

• 利用计算机模拟来弥合理论见解和实际应用.
• 开发了一个框架来预测尖峰列车估计的解决方案的存在.
• 量化源估计错误与MUAP反转,噪声和不良条件有关.

主要成果:

• 增加的MUAP相似性或尖峰列车相关性偏差 MN尖峰列车检测,特别是对于高振幅的MUAP.
• 最佳的目标功能取决于尖峰幅度,统计数据和背景噪声.
• 非静止的MUAP在MN检测方面提供了一些灵活性.
• 在MUAP持续时间和延长因子之间没有发现相关性,这与之前的指导方针相矛盾.
• 源质量指标 (SIL,PNR) 与目标功能输出相关;SIL的表现优于PNR.

结论:

• 由此产生的框架有助于预测解决方案和量化基于EMG的MN识别中的错误.
• 这些发现为开发定制的cBSS算法提供了指导,用于MN识别.
• 这项研究有助于将MN识别技术转化为临床应用.