一个基于生物物理模型的源分离框架,用于EMG分解

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:

• 表面电肌图 (sEMG) 对于神经肌肉诊断至关重要.
• 传统的盲源分离 (BSS) 方法用于发动机单元 (MU) 分解缺乏生物物理约束,限制了准确性.
• 精确的MU分解对于理解神经驱动和开发先进的人机界面至关重要.

研究的目的:

• 为MU分解引入一种新的生物物理模型信息源分离 (BMISS) 框架.
• 将解剖学精确的前置EMG模型集成到分解过程中.
• 使用基于MRI的解剖数据,使神经驱动和运动神经元属性的无监督估计成为可能.

主要方法:

• 开发了一个BMISS框架,包括基于MRI的解剖学重建.
• 利用生成建模来直接逆转一个生物物理准确的前向EMG模型.
• 采用无监督学习方法进行分解.

主要成果:

• 与传统方法相比,BMISS在发动机单位估计中取得了更高的准确性.
• 该框架显著降低了计算成本.
• 在受控模拟设置中验证了方法.

结论:

• BMISS为MU分解提供了一种更准确,更高效的计算方法.
• 该框架允许进行非侵入性,个性化的神经肌肉评估.
• 潜在的应用包括临床诊断,假肢控制和神经康复.