文摘
方法基于测量相关性(MC)和线性最小均方误差(LMMSE)表面多通道肌电图(表)信号分解是在这项研究中开发的。这个MC-LMMSE方法逐步迭代和增加一个优化向量之间的相关性和重建矩阵与测量矩阵。提出MC-LMMSE方法的性能评价与模拟和实验面肌电信号的信号。仿真结果表明,该MC-LMMSE方法可以成功地重建了53个神经支配脉冲火车真阳性率大于95%。MC-LMMSE方法也被评估使用的性能实验面肌电信号采集与64 -通道电极阵列信号从第一背侧骨间的肌肉在不同收缩水平三个科目。最多16个运动单位被成功提取这些多通道实验面肌电信号的信号。MC-LMMSE方法的性能与多通道实验进一步评估表数据通过使用“两个方面”的方法。共同亩的大量人口从两个独立的子组中提取面肌信号表明MC-LMMSE方法在多通道的可靠性面肌电信号分解。
1。介绍
肌(EMG)信号是由动作电位产生的肌肉纤维中包含不同电动机单位(亩)1]。具有十分重要的生理调查和临床诊断EMG信号分解成其组成运动单位动作电位(MUAP)列车。EMG信号分解将导致更好的理解μ的属性控制和揭示MUAP变化由于肌肉纤维去神经/神经移植术[2]。它还将帮助神经肌肉疾病的检查(如肌萎缩性脊髓侧索硬化症)和评估的过程中发现的功能障碍的程度上运动神经元疾病,如帕金森症(3],脑瘫[4],hemiparetic中风[5),和其他疾病6,7]。此外,肌电图分解可以促进研究的脉冲间隔的时间间隔(IPI)可变性8招聘策略[],9),myoelectrical疲劳的表现(10),和短期μ同步(11]。
EMG信号可以被引入细线或针传感器到肌肉组织或通过将传感器表面的皮肤。在研究这些EMG信号,人们已经发现,肌电图的表面检测提供了几个优势线或针检测。例如,表面电极可以快速而方便地使用,不会造成不适的主题或要求医务监督(12可以执行,测量高度的重复性。更重要的是,表面肌电图(表)也能够获得全球肌肉活动信息,因此记录大量的信息(12]。这使它更方便为研究神经肌肉控制机制的入侵方法,提供更少的全球肌肉活动的信息和更难以利用。
在过去的几十年里,已经取得了巨大的成就在留置EMG信号分解13- - - - - -15]。然而表面EMG分解仍然是一个艰巨的任务。经常有一个高水平的动作电位重叠和取消在面肌电信号的信号。体积为传播动作电位传导效果也增强表面记录电极之间由于相对较大的距离和来源12]。此外,存在空间整合效应引起的表面电极。因此,动作电位表面形状的差异从不同亩对肌内录音(不一样的12]。在一起,所有这些因素使得面肌电信号分解一个极其困难的任务,特别是在高力水平。
提出了各种方法对面肌电信号分解近年来在这两个表记录和处理16- - - - - -21]。特别是,表面电极阵列的设计由许多微小电极探测小极间距离承诺增加运动单位歧视能力通过减少肌肉MUAP叠加,同时提供空间信息。提取一个μ的表也已成为一个可行的任务在非常低的水平力与二维模板匹配等适当的信号处理方法(20.]。最近的事态发展在面肌电信号分解进一步允许提取的同时发射亩力相对较高的水平。英国人等。17)开发了一个卓越的面肌电信号分解技术使用一个特别设计的5针拉普拉斯电极阵列与人工智能知识框架。Holobar和Zazula提出了卷积内核补偿(子宫颈上皮)方法(18)和梯度纯种犬的方法(GCKC) (19)多通道分解面肌信号记录与高密度电极阵列。它已经证明了GCKC方法拥有效率高的承诺和强大的抗噪声性能表分解(19),但它有一个严格要求的长度EMG信号的迭代过程收敛。在一定程度上它已成为更容易分解的多通道面肌信号过程最初困难因为纯种犬的方法是引入领域面肌电信号分解。其他多通道信号处理方法也被测试了高密度面肌电信号分解,包括传统的模板匹配,独立分量分析、高阶累积量,和相关测量,但大多数这些方法仅限于肌肉收缩相对较低的水平。
针对现有的事实,很难分解复杂的叠加面肌电信号的信号。此外,分解过程也有点麻烦。例如,它通常需要多个步骤之间建立关联向量IPT过去和测量。在这篇文章中,它只需要一个迭代的过程,形成相关向量。方法基于测量相关性和线性最小均方误差(MC-LMMSE)是在这项研究中开发的多通道分解面肌电信号的信号。MC-LMMSE方法是首先用来重建矩阵与测量矩阵。然后,它逐渐和增加迭代向量优化和重构矩阵之间的关系,直到满意的神经支配脉冲序列(IPT)。MC-LMMSE方法的性能评估与模拟和实验面肌电信号的信号。结果表明,MC-LMMSE方法可以成功地提取多亩和重建进行真阳性率(TPR)高于GCKC方法,甚至从复杂叠加信号。
2。材料和方法
2.1。数据模型
多通道面肌电信号的信号可以被描述为一个线性时不变multi-input-multi-output系统[22)如果肌肉收缩维持在一个恒力水平。这个系统可以表示为矩阵形式如下(18]: 在哪里是米测量,是nth的样本j测量,代表一个向量的零均值白噪声,代表一个混合矩阵由所有的信道响应(j源表信号出现在我th测量)样品,是一种扩展形式的吗N来源可以被描述为 。
2.2。LMMSE法
给定一个向量形式的概率密度函数(PDF)是未知的,变量的线性估计量θ有关X可以编写统计如下:
选择加权系数一个n的贝叶斯最小化均方误差(MSE): 合成的估计量称为线性最小均方误差(LMMSE)估计量23]。用(2)(3),然后它就变成了
区分和设置这个等于零,
然后,它会产生
让 ,它有
因为 ,它有
方程(9)可以最大化利用梯度: 将它设置为零,导致
如果的手段θ和X是零,那么
对多通道面肌电信号的信号,是神经支配脉冲序列(IPT)需要估计,X多通道面肌电信号测量信号,CXθ是一个参数需要计算。它已经指出18),所有发射μ的时候需要提前知道计算CXθ可以写成 在哪里设置包含所有乘以相同的μ和射击被测信号的扩展形式吗X。的LMMSE替换后得到估计量(14)(13)。事实上,很难事先知道μ解雇乘以。针对这一点,一个方法能够识别完全或大部分提出了μ的点火时间;因此,我们可以达到的结果或方法LMMSE的结果。
2.3。测量矩阵的自相关
乘以一个1×M向量两边,(1)成为
的我th IPT在可以计算(16)如果(假设的价值元素是1,和所有其他值0),噪声项是微不足道的。
在实践中,很难甚至不可能找到这样一个向量如果混合矩阵G尚不清楚,但仍然可以令人满意地重建只要一个元素远远大于其他人。
相似之处向量A和B之间可以进行如下(24]: 在哪里表示内积和表示正常。相同MUAPs的形状产生的μ应该有一定程度的相似等长肌肉收缩时举行一个恒力。因此,两个向量的内积与不同的时间瞬间被相同的μ,应该相对较大。这个属性提供了估计的可能性进行的亩以下方程: 在哪里脉冲序列估计神经支配的价值吗在样品的时间 , 表示样本的数量乘以每个通道,和是一个1×M向量。如果有很强的相关性与时间相关的测量向量瞬间被某一亩,亩的放电模式很容易观察到的 。向量 ,然后,增加了价值时刻瞬间当μ是解雇,减少其他值时瞬间当它不是。下面的一般形式(18可以用作达到这样一个目的: 在哪里表示时间瞬间被特定的μ,相关的一系列的测量向量 ,和元素的数量吗 。一个理想的将会有一个更强的相关性中包含的所有测量向量在这种情况下,由于平均的结果,应该比其他值,可以很容易地观察到。然而,很难找到一个令人满意的向量 ,任何μ的放电模式在实践中是未知的。因此,有必要开发一种先进的方法来更好地估计为了成功地进行重建。
2.4。测量相关基于LMMSE (MC-LMMSE)
迭代算法开发的提出基于LMMSE MC-LMMSE方法逐步优化向量f为了达到一个更好的IPT重建。假设是一个矩阵的某一列相关 ,然后IPT估计方程可以写成 的向量扮演相同的角色提到的向量 。取代与在(19)和向量可以写成
在本文中,这个矩阵MC-LMMSE方法重建从酉矩阵的奇异值分解矩阵的测量(见下面的步骤1)。其他矩阵也可以选择。高相关性矩阵的列帮助MC-LMMSE增加的值在(20.)当时瞬间被相同的μ。因此,噪声的影响在其IPT估计结果显著抑制。
一个初始向量f首先将由任何时候瞬间被一个μ。MC-LMMSE方法将遵循下面列出的步骤来实现的f近似理想的向量(21进行和未来重建精度高。MC-LMMSE如图的纲要1。(1)分解矩阵利用奇异值分解,T表示转置,估计矩阵 。(2)随机选择面肌电信号来自几个渠道和信号表示每个通道信号 ;计算Teager能量算子(25的 , ,并设置一个阈值(3个);识别所有瞬间的时间它满足形成 。(3)选择 ,然后估计是IPT的从每一次瞬间根据(20.)。(4)识别(下标k表示kth迭代)时间的瞬间,对应于每个初始IPT的最高峰 ,在哪里(A和C是常数大于或等于零,在大多数情况下),然后替换与 。一个新的IPT会得到吗f到(20.)。向量f将逐步提高了重复这个迭代过程,直到(是一个粗略的估计数量的发射时间在每个IPT)此时最后IPT将获得。(5)所有的分类进行分组为每个特定的μ。
注意,后用在步骤(1)到(20.),它类似于纯种犬的方法(18]。本质上他们都是相关方法。然而,它有助于简化分解表达式通过使用(20.)和了解这些相关的特色方法分解面肌电信号。
MC-LMMSE和经典子宫颈上皮有一些相似之处,其中包括(1)他们直接从测量矩阵进行估计没有涉及计算未知的混合矩阵G,(2)他们都需要选择一些测量向量对应的瞬间放电时间。然而,他们之间也有差异,导致不同的结果(见以下部分的结果)。在MC-LMMSE方法中,一种新的方式来重建提出了矩阵与测量矩阵(20.)。然后,面肌信号可以分解利用重建矩阵。在这篇文章中,奇异值分解方法被用来重建相关矩阵。测量矩阵本身也可以直接用作相关矩阵(参见上一节测量矩阵的自相关)。此外,其他有效的测量矩阵转换等FastICA [26也可以用作相关矩阵。因此,它可能会进一步取得更好的结果,如果相关矩阵是正确的选择。纯种犬的另一个差异比较是利用迭代步骤(4)中技术可以实现更精确的进行,越来越多的μ发射时间是纯种犬的一种改进的迭代法。因为它可以找到更多数量的瞬间的时间出院一亩的过程中逐渐和迭代计算向量在(21)在面肌电信号的特点和算法。因此,质量的可以提高很多,与经典的纯种犬和GCKC方法进行比较。
2.5。模拟信号
2.5.1。模拟信号产生的随机混合矩阵
十进行假设和来源随机生成的模拟,意味着他们将100样品。样品进行的长度被设置为20000 ,是均匀分布在区间[10]−10日。为混合矩阵G也是随机生成的长度ij10个样品。测量的数量设置为25和每个原始测量的延迟重复的数量设置为9。因此,进行扩展的数量增加到190与250年的测量。高斯零均值噪声被添加到每个信号与不同的信噪比(信噪比)−10 dB,−5 dB, 0分贝,5 dB, 10 dB。测量矩阵的自相关方法不需要重建矩阵在步骤1中,在步骤3中,在步骤4所取代和 ,分别。通道的数量和阈值在步骤1中设置为10和0.45(表示的最大绝对值在步骤2),分别MC-LMMSE方法时执行。迭代估计的数量(19)和主要分解循环的数量设置为40和500年,分别在GCKC实施的方法。的标量函数摄于(9)(19]。一个IPT被选为实际当TPR大于75%。
2.5.2。模拟信号产生的高斯函数(27]
细胞外单纤维动作电位(SFAP)描绘了三个基本的和高斯函数(28]。 在哪里t是时间,是振幅的因素,是带宽,是峰的中心的位置。与这个方程,可以近似一个特定的三相的动作电位波形与相当的准确性通过调整和 。每个纤维被认为是平行于皮肤表面,所以SFAP的形状电极被认为是检测到的生理参数的函数,如光纤位置在三维笛卡尔坐标系统中,和肌肉纤维传导速度。和在(22)被描绘成 在哪里代表垂直纤维深度低于皮肤的表面,代表了沿着光纤的中心位置z x飞机,x纤维的中心位置吗z x平面垂直于方向,是肌肉纤维的传导速度。MUAP形状检测到不同的电极被描绘成亩中包含SFAP形状的总和。生成的MUAP火车然后卷积的MUAP形状相应的发射时间。最后,综合表信号模型为线性累加的MUAP火车。MUAP的特点,如振幅分布,形状,和持续时间,由活跃的肌肉纤维的形态属性包含在相应的亩。面肌电信号的信号可以用相当大的相似性,通过调整模拟高斯函数的参数根据实际面肌电信号的特征信号。在本文中,面肌只是大致模拟信号。然而,它仍然可以证明表的基本特征。
中心的深度测量亩都均匀分布从1毫米到6毫米。纤维的随机数(均匀分布30毫米和70毫米)之间被认为在积极亩。所有semifiber长度被设置为50毫米,肌腱和终板位置的纤维均匀分布在±5毫米的范围。活动亩的传导速度设置为4.0 m / s,亩的发射率是正态分布的意思是,和标准偏差的20±5赫兹和60活跃亩被认为。亩的开始时间从10 ms选择到200 ms。16×16电极阵列网格3毫米的电极间的距离在两个方向上都是用于记录面肌电信号的信号。这个网格中心被中心的肌肉和信号采样频率为2000赫兹。活跃的纤维的数量,位置亩,和放电模式都是随机生成的。信号也被加性高斯零均值噪声的信噪比20 dB如图2。每个原始测量延迟重复的数量设置为9 (18,19]。
2.6。实验信号
实验表收集信号从第一背侧骨间的肌肉(FDI)三个成人话题。机构审查委员会批准的程序是西北大学的(美国芝加哥),和所有三个科目给他们书面同意之前的实验。受试者坐在直立在移动Biodex椅子(Biodex,雪莉,纽约)。标准的6自由度负载细胞(ATI公司、顶点、数控)设置和标准程序用于最小化假力的贡献没有记录的肌肉如[29日)准确记录FDI肌肉的等长收缩力在食指绑架。面肌信号记录使用一个灵活的二维64 -从FDI肌肉通道表面电极阵列(8×8阵列电极探针直径1.2毫米,和4毫米)的中心到中心探测距离(TMS国际BV、荷兰)30.]。皮肤测试肌肉的精心准备和电极阵列在FDI的肌肉与双不干胶,进一步获得医疗磁带(29日]。最大随意收缩(MVC)首次测量。每个主题当时要求生成一个FDI肌肉等长收缩力不同的收缩程度的2 N, 4 N, 8 6 N, N多个试验进行一种力量水平被记录为每个审判。受试者被要求保持力尽可能稳定15秒。Refa放大器(TMS国际BV、荷兰)是用来记录面肌电信号的信号。在2千赫采样的信号和一组带通滤波器在10 - 500赫兹。每个原始测量延迟重复的数量设置为9 (18]。
2.7。验证
对于模拟信号,参数中定义TPR和先生(25)和(26)用于进一步验证的准确性面肌信号分解算法,并定义在(26): TP是正确的数量确定发射脉冲在重建IPT, FP是错位的排放的数量,FN代表身份不明的发射的数量乘以IPT的脉冲。高斯函数生成的模拟信号,发射时间公差将±1样本。因此,每个确定点火时间被认为是真实的如果是发现在±0.5毫秒(采样频率为2000样本/ s)从其实际位置信号。中定义的值(25),平均超过10试验进行确定。模拟信号产生的随机混合矩阵,宽容是设置为0。中定义的值(25)在这种情况下也平均超过10试验进行确定。
实验信号,验证的准确性MC-LMMSE算法,“两个源”技术,所有64个频道的电极阵列被分成两个独立的组与相同数量的渠道,被用来替代使用肌肉肌电图(EMG和表面16,17]。的重合率的发射时间亩,是两通道组使用MC-LMMSE分解算法,计算,高重合率被认为有利的算法的性能。
3所示。结果与讨论
3.1。模拟信号
3.1.1。测试信号产生的随机混合矩阵
十个试验进行测试的性能提出MC-LMMSE方法分解面肌信号模拟随机混合矩阵和结果平均10试验。相应的数量进行重建,TPR,通过自相关测量矩阵,GCKC MC-LMMSE方法在不同信噪比展示在表1。结果表明,该测量矩阵进行自相关方法不能完全重构甚至10 dB的高信噪比。GCKC方法时才进行重建的平均5信噪比将−10 dB。MC-LMMSE方法重建所有10进行成功与高TPR检测信噪比水平(−10 dB 10 dB)和TPR保持92%以上甚至严重嘈杂的环境中(信噪比=−10 dB)。结果证明MC-LMMSE方法提供了优越的性能测量矩阵自相关和GCKC面肌电信号分解的方法。此外,一个参数称为pulse-to-noise-ratio(内线)31日)也用于评估MC-LMMSE方法的性能。分别平均的内线是12.37 dB和无限,当信噪比被设定为−10 dB,大于0分贝。
3.1.2。由高斯函数生成的测试信号
GCKC和MC-LMMSE方法被用来分解面肌电信号由高斯函数生成的信号。进行平均26被GCKC重建方法的TPR 92.67%和4.26%;MC-LMMSE在53进行重建的方法和TPR 97.89%和1.93%的先生(数字3和4)。的平均的内线MC-LMMSE为27.39分贝。图3(一个)显示一个μ的MUAP形状,16×16电极阵列检测到的,估计使用spike-triggered平均方法(32]。μ和传播的神经支配区MUAPs也可以清楚地观察到。
(一)
(b)
图3 (b)显示了53进行重构的信号。发射乘以每个提取的μ被分配一个标签显示在图的顶部信号4。三十五亩可以正确确定从这个通道和重叠动作电位造成的挑战提出MC-LMMSE似乎是解决方法。MC-LMMSE和GCKC方法中使用的参数对于这个测试中使用的相同测试1,除了数量的主要分解循环GCKC方法设置为5000。
3.2。测试实验信号
图5(一个)显示了力和16的面肌信号进行识别FDI通过使用MC-LMMSE肌肉的方法。这些表记录被在一个等距恒力收缩最大随意收缩(MVC)的10%。
(一)
(b)
(c)
可以看出,亩的放电频率变化波动的收缩力;图5 (b)比较确定的总和MUAP列车及其残差各自的原始表的信号,在信号干扰比(先生)33)之间的总和确定MUAP火车和原始表的信号是59.73%。图6显示了放电率的平均值和标准偏差的提取16亩FDI的肌肉。从图可以看到,这些提取的平均放电率16亩范围从7.55±5.1,18.1±7.1脉冲/秒。不同的亩对应不同的平均放电率模式,单调递增。考虑到个体差异的生理特点34),这些值可能从先前的报道结果略有不同;然而,总体上他们是相似的34,35]。
结果通过GCKC和MC-LMMSE方法如表所示2。可以看出MC-LMMSE方法提取亩多GCKC方法,特别是在高力收缩的情况下。中使用的参数MC-LMMSE和GCKC方法在这个测试在测试1是一样的。MC-LMMSE方法的性能与实验电极阵列表进一步调查通过“两个方面”的方法。所有的64通道信号记录在不同收缩力水平被分为两个独立的组,每32频道。面肌信号记录从渠道甚至列数字选择形成组1,而信号记录与奇数列数字频道选择组2。拟议中的MC-LMMSE方法应用到每个组的面肌电信号分解,和亩的数字提取所有的通道信号,信号在组2组1和信号,比较(表2和图5 (c))。可以看出,总体来说,提取亩减少的数量随着EMG频道数量的减少。这种趋势越来越显著在更高的收缩力的情况下应用。也可以看到成果的两个独立的团体份额超过84%的一般提取亩,显示超过90%的相同的发射时间共同亩。
4所示。讨论
一个重要的概念分解高密度阵列信号如表在本文提出。有两个重要的步骤分解信号导致其性能优越而其他分解的方法。一个是适当的选择与测量矩阵的相关矩阵;另一个是进行重建的估算步骤4中给出的迭代优化过程。这两个步骤实现有利的分解结果至关重要。事实上,在[18)也可以被视为一个矩阵与测量矩阵。除了本文中提到的相关矩阵,还发现了其他矩阵可以分解面肌电信号的信号。分解结果可能会改善在不久的将来。但是,像其他分解方法,MC-LMMSE方法也有一些局限性。例如,至少应该有成千上万的样品面肌电信号的信号,如果信号的长度太短,很难获得令人满意的结果。从仿真结果可以看到数据,这MC-LMMSE方法需要大量的检测电极,从而获得更好的结果。但是只有64个电极用于记录真实的面肌信号在本文中。因此,如果数百个电极可以用来记录真实的信号,希望有更多的亩可以提取,和肌肉收缩的容许力也会变得更大。
矩阵MC-LMMSE方法是构建高水平的酉矩阵的列相关使用测量矩阵的奇异值分解得到。这个高列关联能够帮助MC-LMMSE抑制噪声的影响,为向量之间的相关性和其他向量与发射乘以相同的μ进一步提高了迭代优化过程在步骤4。(事实上,获得的结果通过MC-LMMSE可以更好的方法LMMSE估计量与纯种犬相比这是来自LMMSE估计量。请参阅[18]为进一步理解为什么MC-LMMSE方法可以得到这样的结果。)因此,就业的测量矩阵的奇异值分解的迭代优化过程MC-LMMSE有助于改善分解性能相比其他方法在本文(图进行测试3、表1和2)。时间瞬间在每个迭代步骤中对应于最高的山峰通常是特定的发射时间μ,从而能够使用这种优化方法提高向量f。研究中的分解方法和纯种犬的方法是基于高密度表面EMG记录;然而,MC-LMMSE IPT估计方法利用一种不同的方法。它不同于纯种犬(21提出MC-LMMSE算法)是采用逐步优化向量f和给它一个更强的相关性不同向量矩阵与特定的发射时间瞬间μ。相反,方程(20.)利用MC-LMMSE方法进行估计,在哪里重建的酉矩阵获得通过圣言吗 ,和向量f通过迭代优化过程。最后进行可以通过替换f到(20.)。子宫颈上皮和GCKC是两个典型面肌信号分解方法。此外,GCKC可以得到更好的结果比纯种犬(19),因此我们选择GCKC方法作为对比。以下相关发表的文章几乎没有改善性能和他们中的许多人申请分解有关。应该注意的是,尽管结果得到MC-LMMSE似乎优于纯种犬,它最好是进一步证实了一个独立的研究小组。
进行可以从表相对容易重建信号与低程度的MUAP叠加只要在步骤4是相似的(表1)。然而,很难令人满意地进行重构与高度的MUAP面肌信号叠加的情况下很小。对于这些场景,需要更多的迭代步骤优化向量f充分进行重构(数字3 (b)和4)。
为了评估的性能提出MC-LMMSE方法在实验面肌电信号分解,64面肌渠道被分成两个独立的组与相同数量的渠道。“两个方面”法比较亩的两组独立的分解面肌电信号的信号。比较结果表2确认高稳定性、效率和精度MC-LMMSE实验面肌电信号分解方法。相关法,MC-LMMSE方法需要一个相对大量的电极达到良好的分解结果;电极的数量的减少会导致减少关联信息的数量,这将影响的重构进行分解的结果。因此,有必要增加记录电极的数量的前提下的信息量在面肌电信号完全提供如果所需的大量提取亩,特别是在肌肉收缩水平相对较高的情况下(表2)。
面肌电信号分解的主要挑战可以总结如下17):(1)大量的发生动作电位之间的叠加不同亩;(2)形状不同的动作电位的变化包含在每个MUAP训练;(3)高度的相似性之间的动作电位形状不同的MUAP火车。可以在一定程度上克服这些挑战提出MC-LMMSE使用方法。进行仍然可以重建精度高,即使他们有一个高度的MUAP叠加(数字3 (b)和4)。动作电位的形状在MUAP火车可能会改变等长肌肉收缩的传导速度的变化(例如,由于肌肉疲劳)或电极的运动,使分解任务更具挑战性。然而,即使MUAP形状的变化很大程度上迅速出现,MC-LMMSE方法仍然可以用来重建进行高效、准确地通过增加迭代步骤4中或信号记录划分成短的时期,这可以被认为是静止的没有形状的变化。动作电位的形状不太可能包含在不同的MUAP列车所有观察到的渠道和相似,因此,相关的测量向量之间的相关性不同的亩可以忽略。注意,MC-LMMSE和子宫颈上皮构建低概率的不同亩分享准确的点火时间(18]。μ同步分解性能的影响。它影响多少细节取决于水平的同步和面肌信号的复杂性,如程度的MUAP波形叠加,噪声的数量,等等。事实上,它是极难遇到一个非常高的同步率当分解真实面肌电信号的信号。同步率的概率公式给出了(12)(18]。从公式也可以看出同步的概率很低。文献[36)还表明,同步率非常高的情况下,它仍然可以被分解GCKC方法。纯种犬,GCKC MC-LMMSE都基于LMMSE和相关方法。如果GCKC和纯种犬能做到这一点,该方法在本研究中也可以这样做。
5。结论
总之,一个新的MC-LMMSE方法开发了多通道面肌电信号分解原则的基础上与发射相关的测量向量乘以一亩有一定程度的相似。MC-LMMSE方法逐渐和增加迭代优化向量之间的相关性和重建矩阵更好地分解复杂的面肌电信号的信号。MC-LMMSE性能优越的方法证明了模拟和实验电极阵列面肌电信号的信号。结果表明,在每种情况下,MC-LMMSE方法可以提取噪声相对较大数量的亩具有较强的鲁棒性和良好的精度。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
作者想感谢休斯顿大学的托马斯·波特先生编辑稿件。这项工作是由中国国家自然科学基金(51677171)、浙江省自然科学基金(LY17C100001),教育部浙江省(Y201533132),中国学术委员会,宁波中国自然科学基金(2017 a610218)。