人的运动信息可以广泛应用于人机交互,医疗健康等领域。包含运动信息的电生理信号一般可以分为selleckchem三类:肌电信号,脑电信号和周围神经信号。其中,肌电信号的获取相对简单,处理方便,产生超前于运动的发生,被广泛应用于人体运动信息的提取。根据采集方式的不同,肌电信号主要分为肌内肌电信号和表面肌电信号。相比于肌内肌电信号,表面肌电信号的采集更加简单且无创,有更加广泛的应用。在一些精确获取人体运动意图和诊断神经肌肉系统疾病过程中,需要进一步分解表面肌电信号以得到运动单元发放时间序列信息。目前的分解方法以卷积核补偿(Convolution Kernel Compensation,CKC)算法为代表。然而,卷积核补偿算法存在分解速度过慢和无法满足实时应用等问题。针对以上问题,本论文的具体研究内容为:(1)离线分解方法中,基于卷积核补偿算法和梯度卷积核补偿(gradient Convolution Kernel Compensation,g CKC)算法,提出一种快速梯度卷积核补偿(fast g CKC,fg CKC)算法,用于离线分解表面肌电信号中运动单元发放时间序列的提取,该算法通过引入指数加权移动平均模型来优化互相关向量的计算过程。在迭代更新时,此模型不仅考虑当前时刻观测值,还综合考虑之前所bone and joint infections有时刻观察值对当前时刻观察值的影响,以加快梯度收敛速度,进而提高表面肌电信号的分解效率。在分解仿真表面肌电信号实验中,发现在不同信噪比水平条件下,与梯度卷积核补偿算法相比,本文提出算法的selleck PD0325901分解速度提高了3-4倍,解决了离线分解速度过慢的问题,为提取表面肌电信号运动信息提出了一种更为高效的方法。(2)在线分解方法中,针对离线分解方法很难实时地分解表面肌电信号,无法满足实时响应场景需求的问题,在离线分解方法基础上,采用滑动窗口分解表面肌电信号。在线分解方法包括离线预训练和在线滑动窗口两个过程:离线预训练使用快速梯度卷积核补偿算法计算互相关向量时进一步聚类运动单元发放时间序列,并将结果输入到在线分解过程中。在线分解计算互相关向量时不再进行复杂的迭代,而是将同一运动单元产生的发放时刻归并到同一集合中,滑动窗口根据分解结果自适应更新互相关矩阵和互相关向量,最后估计出运动单元发放时间序列。相比于离线分解方法,当在线分解方法中滑动窗口大小为3秒时,可以在毫秒级时间内完成对表面肌电信号的分解,达到了实时分解要求,满足了一些实时响应的需求。