.png){kind=icon}
返回
Motor Unit Template Estimation Using Integral Shape Averaging
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jelekin.2026.103133.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
运动单位动作电位（MUAP）模板估计对于定量肌电图（QEMG）和神经肌肉疾病诊断至关重要。然而，背景噪声、运动单位干扰和时序抖动常导致估计精度下降。现有方法（如集合平均、中位数平均、截尾平均、加权平均和最近邻平均技术）在这些条件下表现出有限的稳健性。本研究引入积分形状平均（ISA）作为一种计算高效的方法，旨在提高MUAP模板精度。通过生成具有生理合理噪声水平、抖动值（50-300 μs）和最大自主收缩（MVC）强度（5%和7.5%）的模拟MUAP序列，将ISA与现有方法进行比较。性能评估采用信噪比（SNR）、均方根误差（RMSE）和与金标准模板的互相关（CORR）。在所有测试条件下，ISA相较于均值平均、截尾平均和形状平均算法，RMSE降低最多达65%，SNR提高8-15 dB，CORR提高0.10-0.25，其优势在高噪声和高抖动条件下尤为显著。此外，ISA的向量化积分-平均-微分框架消除了迭代对齐，实现了与信号数量和样本数成线性关系的计算复杂度。这种高效性与卓越的稳健性相结合，使ISA成为实时临床应用的有力候选方法，包括术中EMG监测、床旁诊断和自动化QEMG系统。
Keyword:
MUAP
QEMG
Template estimation
Integral shape averaging
Signal averaging
期刊
J
IF:
2.3
论文数:
65
被引数:
6.3K
机构
引用论文
.png){kind=icon}
Averaging methods for extracting representative waveforms from motor unit action potential trains
PREAI
分享收藏Distinguishing normal, neuropathic and myopathic EMG with an automated machine learning approach
OAAI
OAAI分享收藏分享收藏
查看更多内容