用于肌肉协同提取的矩阵分解方法评估

肌肉协同概念提供了一种被广泛接受的模式以分解运动控制的复杂性。为了识别协同，不同的矩阵分解技术已用于诸如假肢控制、生物力学和临床研究等一系列领域。然而，由于底层协同没有真值，这些矩阵分解技术的相关性仍有待讨论。在此，我们评估分解技术并研究影响估计协同质量的因素。我们比较了常用的矩阵分解方法：主成分分析（PCA）、独立成分分析（ICA）、非负矩阵分解（NMF）和二阶盲辨识（SOBI）。使用公开可用的真实数据评估每种分解方法在手腕运动分类中提取的协同。利用合成数据集探索肌肉协同稀疏性、噪声水平和通道数对提取协同的影响。结果表明，稀疏协同模型以及较多的通道数会带来更好的估计协同。在不降维的情况下，SOBI表现出优于其他分解方法的结果。这表明在电极数量有限时SOBI是一种替代方案，但其在那种情况下的性能仍然较差。否则，当通道数大于协同数时，NMF具有最佳性能。因此，NMF将是肌肉协同提取的最佳方法。