HarmonICA：动态收缩期间运动单位分解的准时间不变ICA

将表面肌电（EMG）分解为单个运动神经元的尖峰序列是一个长期存在的逆问题，也是迈向由运动神经元驱动的神经接口（如假肢和外骨骼）的关键一步。标准方法是对多通道信号进行独立成分分析（ICA），它假设从神经元到电极的混合在时间上是平稳的。这一假设在运动过程中不成立，此时容积导体形变使混合随时间变化，而当前分解算法相应地仅限于等长收缩。我们提出 HarmonICA，一种准时不变 ICA 形式，其中静态线性分离器之前是一个学习得到的、低秩的、时变可逆变换。分离器在未补偿投影上以独立性损失训练，变换在恢复的源上以平稳性损失训练。两者之间不共享梯度，因此源提取仍是经典的线性 ICA 问题，而非平稳失真由变换吸收。变换的闭式逆使得在顺序剥离过程中能够使用时变模板进行逐尖峰减除。在具有真实尖峰序列的动态高密度 EMG 公开模拟基准上，该方法在每个召回阈值下都优于五个自适应 ICA 基线，以更高的准确率恢复更多运动单元。

中文由 AI 翻译，仅供参考，以原文为准。