L’algoritmo di fattorizzazione della matrice non negativa (NMF) decompone una matrice di dati in un insieme di vettori di base non negativi, ciascuno scalato da un coefficiente. Nella sua formulazione originale, l’NMF assume che i campioni e le dimensioni dei dati siano distribuiti in modo indipendente, rendendolo un algoritmo tutt’altro che ideale per l’analisi dei dati delle serie temporali con correlazioni temporali.

Qui, gli autori cercano di derivare un NMF che tiene conto delle dipendenze temporali nei dati incorporando esplicitamente un vincolo temporale molto semplice per i coefficienti nelle regole di aggiornamento NMF. L’algoritmo modificato è stato applicato a 2 set di dati elettromiografici multidimensionali raccolti dall’arto superiore umano per identificare le sinergie muscolari. Gli autori hanno scoperto che, poiché riduceva il numero di parametri liberi nel modello, il loro algoritmo NMF modificato ha permesso di utilizzare il Criterio di informazione di Akaike per identificare oggettivamente un ordine di modello (cioè il numero di sinergie muscolari che compongono i dati) che è più interpretabile dal punto di vista funzionale e più vicino ai numeri precedentemente determinati utilizzando misure ad hoc.

Questo algoritmo è stato utilizzato in altri studi che hanno utilizzato il nostro sistema VRRS per la registrazione dei dati cinematici per identificare le sinergie muscolari.