《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：FastICA-Comb: A Novel Algorithm for Extracting Voluntary Electromyography and M-Wave in Functional Electrical Stimulation Scenarios
编辑推荐：
本研究针对功能性电刺激（FES）康复治疗中肌电信号（EMG）混合难分离的难题，提出了一种结合梳状滤波与快速独立成分分析（FastICA）的新型算法FastICA-Comb。该算法通过一级梳状滤波和两级FastICA分解，成功实现了自主肌电（VEMG）、M波和刺激伪迹的高精度分离。在6名健康受试者上的实验表明，其性能显著优于传统梳状滤波、GS-PEF、EMD-notch及空白窗等方法，为FES治疗机制研究和闭环控制系统开发提供了有效的信号分析工具。
在神经康复治疗领域，功能性电刺激（Functional Electrical Stimulation, FES）技术通过电流刺激诱发肌肉收缩，已成为帮助运动功能障碍患者重建运动功能的重要手段。然而，在FES治疗过程中采集到的肌电信号（Electromyography, EMG）实际上是一个"混合体"——既包含患者主动运动时神经系统募集运动单元产生的自主肌电（Voluntary EMG, VEMG），也包含电刺激本身引发的响应：包括电流通过组织时产生的初始尖峰（initial spikes）和刺激募集运动单元产生的M波。这种信号混叠现象严重制约了基于EMG的FES闭环控制系统精度，也阻碍了研究人员深入探究FES的治疗机制。传统信号分离方法如梳状滤波、经验模态分解-陷波（EMD-notch）和空白窗法等，在分离效果上各有局限，难以同时实现VEMG、M波和初始尖峰的高质量提取。
为突破这一技术瓶颈，研究团队创新性地提出了FastICA-Comb算法。该算法的核心设计基于一个重要假设：初始尖峰与动作电位相关信号（VEMG和M波）的信号源相互独立。基于此，算法采用了一级梳状滤波与两级快速独立成分分析（FastICA）分解与分类相结合的独特架构，旨在实现三种信号成分的精准分离。
为验证算法有效性，研究团队招募了6名健康受试者进行FES数据采集实验。实验结果显示，无论是在模拟还是真实混合FES信号中，FastICA-Comb算法在VEMG和M波提取能力上均显著优于梳状滤波、GS-PEF（格拉姆-施密特预测误差滤波）、EMD-notch和空白窗等经典方法。
关键技术方法主要包括：采用一级梳状滤波进行初步信号预处理，结合两级FastICA分解实现信号源分离与分类，并在6名健康受试者队列中采集FES-EMG混合信号进行算法验证。
研究结果证实，FastICA-Comb算法能够有效解决FES场景下的信号混叠问题。通过独特的算法架构，实现了VEMG、M波和初始尖峰的高质量分离，为FES闭环控制系统提供了可靠的信号输入，同时也为深入研究FES治疗机制创造了条件。
该研究的创新价值在于将梳状滤波与FastICA有机结合，突破了传统方法的性能瓶颈。研究成果不仅提供了一种有效的信号分析工具，更为FES疗法的优化和个性化康复方案的制定奠定了技术基础，对推动神经康复工程领域的发展具有重要意义。
