94、高分辨率表面肌电图信号处理与运动单元滤波器复用研究

高分辨率表面肌电图信号处理与运动单元滤波器复用研究

1. 神经网络在运动单元放电识别中的应用

在研究中，使用神经网络（NN）对运动单元（MU）放电进行识别。创建的数据集时长分别为 25 s、12.5 s 和 12.5 s，MU 放电数量分别为 693 ± 167、364 ± 88 和 356 ± 91，其中第三和第四季度的数据用于验证和测试。

每个 NN 对相同的 MU 进行两次评估，第一次输入经过白化处理的高密度表面肌电图（HDEMG）信号，第二次输入未白化的 HDEMG 信号，输出均为 MU 放电模式。

为评估 NN 的性能，将其输出与模拟的 MU 放电模式进行比较。在检测真阳性（TP）、假阳性（FP）和假阴性（FN）放电时，放电时间容差设置为 0.5 ms。仅使用测试集计算每个处理过的 MU 的精度（Pr）和漏检率（MR），计算公式如下：
[Pr = \frac{TP}{TP + FP}]
[MR = \frac{FN}{FN + TP}]

由于 Lilliefors 检验在超过 73%的 MU 中拒绝了 Pr 和 MR 值的正态分布，因此使用带有 Bonferroni 校正且 p 值 < 0.05 的 Friedman 检验进行统计分析。

实验结果表明，LSTM NN 比密集 NN 收敛更快，平均训练周期数分别为 983 ± 364 和 1378 ± 391。使用白化 HDEMG 信号时，两种测试 NN 的精度均显著提高。即使在 20 dB 噪声下，当白化 HDEMG 信号被未白化信号取代时，密集 NN 的漏检率从 26.6 ± 20.2%显著增加到 61.5 ± 24.8%，LSTM NN 的漏检率从 2