58、运动单元排序与电触觉通信中认知负荷的影响研究

运动单元排序与电触觉通信中认知负荷的影响研究

运动单元排序相关研究

在运动单元（MU）提取与分析领域，当使用基于盲源分离（BSS）的方法时，不同记录会话中提取的MU排序存在可变性。为解决这一问题，研究提出了三种方法。

实验设置与参数调整

首先，在实验中，系统的验证基于合成表面肌电（sEMG）数据集和真实sEMG信号。实验设置了一系列参数：
- 最大迭代次数设为100。
- FastICA和源改进迭代的收敛阈值设为$10^{-4}$。
- 源干扰水平（SIL）阈值设为0.9。
- 判定MU为活跃的阈值设为8次/秒。

在使用合成数据集进行分解验证时，数据集由Mohebian等人提供，采用平面体积导体模型生成，包含15个模拟sEMG信号，有90个通道，时长16秒，采样频率4096Hz。肌肉激发设置为最大自主收缩（MVC）的10%、30%或50%。

对于MU的正确识别，当至少30%的放电在±0.5ms窗口内与真实MU时间锁定时，认为该MU被正确识别。评估分解准确性的指标如下：
- 一致率（RoA）：$RoA = \frac{TP}{TP + FN + FP}$
- 精确率：$Precision = \frac{TP}{TP + FP}$
- 召回率：$Recall = \frac{TP}{TP + FN}$

实验中，扩展因子$f_e$设为16，目标MU数量$M_t$根据MVC值变化。结果如下表所示：
| MVC | $M_t$ | #MUs GT | #MUs extracted | #MUs identified | RoA | Precisi