Phân tích tín hiệu điện cơ bề mặt mật độ cao (HD-sEMG) cho phép nghiên cứu hành vi của các đơn vị vận động theo phương pháp không xâm lấn, song việc yêu cầu mảng điện cực mật độ cao đã hạn chế khả năng ứng dụng lâm sàng. Nghiên cứu này đánh giá khả năng duy trì hiệu quả phân tách khi kết hợp các phương pháp Progressive FastICA Peel-off (PFP) và Convolution Kernel Compensation (CKC) trong điều kiện giảm số lượng kênh đầu vào. Dữ liệu HD-sEMG 64 kênh được phân tích bằng các chiến lược trích xuất song song và tuần tự, có và không áp dụng tinh chỉnh CKC. Kết quả cho thấy chiến lược trích xuất song song dựa trên FastICA vẫn đảm bảo hiệu quả phân tách đơn vị vận động trong điều kiện mật độ kênh thấp, trong khi chiến lược trích xuất tuần tự cho hiệu năng kém hơn rõ rệt. Việc áp dụng CKC không mang lại cải thiện tổng thể khi số lượng kênh bị giảm. Nghiên cứu khẳng định rằng việc lựa chọn thuật toán phân tích đóng vai trò quyết định đối với hiệu quả phân tách HD-sEMG, vượt trội hơn so với các...
Phân tích tín hiệu điện cơ bề mặt mật độ cao (HD-sEMG) cho phép nghiên cứu hành vi của các đơn vị vận động theo phương pháp không xâm lấn, song việc yêu cầu mảng điện cực mật độ cao đã hạn chế khả năng ứng dụng lâm sàng. Nghiên cứu này đánh giá khả năng duy trì hiệu quả phân tách khi kết hợp các phương pháp Progressive FastICA Peel-off (PFP) và Convolution Kernel Compensation (CKC) trong điều kiện giảm số lượng kênh đầu vào. Dữ liệu HD-sEMG 64 kênh được phân tích bằng các chiến lược trích xuất song song và tuần tự, có và không áp dụng tinh chỉnh CKC. Kết quả cho thấy chiến lược trích xuất song song dựa trên FastICA vẫn đảm bảo hiệu quả phân tách đơn vị vận động trong điều kiện mật độ kênh thấp, trong khi chiến lược trích xuất tuần tự cho hiệu năng kém hơn rõ rệt. Việc áp dụng CKC không mang lại cải thiện tổng thể khi số lượng kênh bị giảm. Nghiên cứu khẳng định rằng việc lựa chọn thuật toán phân tích đóng vai trò quyết định đối với hiệu quả phân tách HD-sEMG, vượt trội hơn so với các yếu tố đặc thù của đối tượng nghiên cứu.