基于高阶张量模型的肌肉活动分析：在肌肉协同识别中的应用
信号处理
2019-03-26 v3 定量方法
摘要
尽管多通道肌电图（EMG）数据集天然以多向结构出现，高阶张量分解却很少用于肌肉活动分析。在此，我们试图展示并讨论张量分解作为一种从由多个任务的多通道EMG重复堆叠构建的阶EMG张量中估计肌肉协同的框架的潜力。我们使用公开的首个Ninapro数据库，在手腕三个主要自由度（DoFs）的肌肉协同分析中，比较了两种最广泛的张量分解模型——平行因子分析（PARAFAC）和Tucker。此外，我们提出了一种约束Tucker分解（consTD）方法，基于张量分解的强大能力实现高效协同提取。该方法被提出作为一种直接从两个生物力学相关任务中估计共享与任务特异性协同的新方法。我们的方法与当前对一系列运动重复应用非负矩阵分解（NMF）的标准方法进行比较。结果表明，与PARAFAC和Tucker相比，consTD方法适用于协同提取。此外，利用肌肉活动的多向结构，所提方法成功识别了所有三个DoFs张量的共享与任务特异性协同。与常用的NMF不同，这些方法对任务重复信息的打乱具有鲁棒性。总之，我们展示了如何使用张量刻画肌肉活动，并开发了一种新的consTD方法用于肌肉协同提取，可用于共享与任务特异性协同的识别。我们期望本研究将为基于高阶技术的新型肌肉活动分析方法的发展铺平道路。
引用
@article{arxiv.1806.01783,
title = {Muscle Activity Analysis using Higher-Order Tensor Models: Application to Muscle Synergy Identification},
author = {Ahmed Ebied and Eli Kinney-lang and Loukianos Spyrou and Javier Escudero},
journal= {arXiv preprint arXiv:1806.01783},
year = {2019}
}
备注
Accepted February 5, 2019