72、从肌电信号中提取稳定控制信息及脑电信号在麻醉状态评估中的应用

从肌电信号中提取稳定控制信息及脑电信号在麻醉状态评估中的应用

1. 基于改进NMF算法的肌电信号控制信息提取

在肌电信号处理领域，为了更准确地估计手和手腕的运动，研究人员提出了一种结合改进非负矩阵分解（NMF）算法的肌肉骨骼模型（MM）方法，即NMF - HPWH - L2 - MM。

1.1 经典NMF算法

NMF是由Lee和Seung提出的用于多元分析的分解算法。由于其元素非负，适合从多通道肌电（EMG）信号中提取肌肉协同作用。将NMF应用于EMG信号的时域特征（Z），通过一组肌肉权重（W）和相关的时变轮廓（H）来识别肌肉协同作用，公式如下：
[Z = W × H =
\begin{bmatrix}
W_1^+, W_1^-, W_2^+, W_2^-
\end{bmatrix}
×
\begin{bmatrix}
H_1^+(t) \
H_1^-(t) \
H_2^+(t) \
H_2^-(t)
\end{bmatrix}
]
其中，Z是一个6×N的矩阵，表示处理后EMG信号的均方根（RMS）值；6和N分别是肌肉数量和试验帧数。在本研究中，肌肉权重集（W）的维度为4，且变异解释率（VAF）指数超过0.8。对于每个自由度（MCP为1，手腕为2），有两种协同作用，“+”和“ - ”协同作用分别代表关节屈曲和伸展的协同作用。

1.2 NMF - HPWH - L2算法

为了改进NMF算法，研究人员引入了Hadamard积到肌肉权重（W）和时变轮廓（H）中。Hadamard积的定义为：
[[X ◦