CN110693494A - 一种基于多通道肌电的骨骼肌状态在线评估方法 - Google Patents

一种基于多通道肌电的骨骼肌状态在线评估方法 Download PDF

Info

Publication number
CN110693494A
CN110693494A CN201910960151.4A CN201910960151A CN110693494A CN 110693494 A CN110693494 A CN 110693494A CN 201910960151 A CN201910960151 A CN 201910960151A CN 110693494 A CN110693494 A CN 110693494A
Authority
CN
China
Prior art keywords
value
channel
frequency
skeletal muscle
real
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910960151.4A
Other languages
English (en)
Other versions
CN110693494B (zh
Inventor
张峰瑞
吕雪靖
胡理
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Psychology of CAS
Original Assignee
Institute of Psychology of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Psychology of CAS filed Critical Institute of Psychology of CAS
Priority to CN201910960151.4A priority Critical patent/CN110693494B/zh
Publication of CN110693494A publication Critical patent/CN110693494A/zh
Application granted granted Critical
Publication of CN110693494B publication Critical patent/CN110693494B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/389—Electromyography [EMG]

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种基于多通道肌电的骨骼肌状态在线评估方法，在评估前先采集多通道肌电的基线数据，通过傅里叶变换得到所有通道的基线频谱Y；进行评估时，实时采集多通道肌电数据，通过傅里叶变换得到所有通道的实时频谱Y’；通过对基线频谱Y和实时频谱Y’进行数据运算，得到所测骨骼肌的发力强度评估值P和发力优势评估值L；通过对实时频谱Y’进行数据运算，得到所测骨骼肌的疲劳评估值T；本发明通过发力强度评估值P、发力优势评估值L和疲劳评估值T能够在线实时评估骨骼肌的发力强度、发力位置和疲劳程度，并且在发力位置的评估时，能够识别同一个肌群内不同纤维束的发力情况；具有延迟小，通常在2s以内，且具有部署简单和空间分辨率高的优点。

Description

一种基于多通道肌电的骨骼肌状态在线评估方法
技术领域
本发明涉及人的骨骼肌状态评估技术领域，具体涉及一种基于多通道肌电的骨骼肌状态在线评估方法，用于评估骨骼肌的发力强度、发力位置及疲劳程度。
背景技术
对肌肉动作电位的记录技术，简称肌电技术，其是研究肌肉机能变化及描绘肌肉神经活动的重要方法。在运动和训练中，通过肌电刻画骨骼肌的发力情况以及疲劳程度有助于提高运动表现、防止肌肉劳损；在康复运动和身体检查中，肌电信息能够反映个体骨骼肌的状态。然而，目前在国内肌电技术实际应用中，操作者往往采用离线分析的方法，无法做到在线实时分析；并且，目前对骨骼肌发力情况的评估，特别是对发力位置的评估，大多只局限于对整体肌肉的评估，并不能做到对肌群不同纤维束的发力情况的有效评估。
发明内容
本发明的目的在于解决上述两个技术问题，提出了一种基于多通道肌电的骨骼肌状态在线评估方法。该方法能够在线实时评估骨骼肌发力情况，并且在对发力位置进行评估时，能够识别肌群内不同纤维束的发力情况，具有延迟小、位置分辨率高的优点。
为解决上述技术问题，本发明采用如下技术方案：
一种基于多通道肌电的骨骼肌状态在线评估方法，所述方法包括如下步骤：
步骤1、采集多通道肌电的基线数据，通过傅里叶变换得到所有通道的基线频谱Y；
步骤2、实时采集步骤1中的多通道肌电数据，通过傅里叶变换得到所有通道的实时频谱Y’；
步骤3、通过对步骤1中得到的基线频谱Y和步骤2中得到的实时频谱Y’进行数据运算，得到所测骨骼肌的发力强度评估值P和发力优势评估值L；
步骤4、通过对步骤2中得到的实时频谱Y’进行数据运算，得到所测骨骼肌的疲劳评估值T；
步骤5、根据上述步骤中所得到的发力强度评估值P、发力优势评估值L和疲劳评估值T对骨骼肌的发力强度、发力位置及其疲劳程度作出在线评估。
所述步骤1中计算基线频谱Y和步骤2中计算实时频谱Y’所采用的傅里叶变换的窗宽相同，且窗宽为0.5s～1s。
所述步骤1中的基线频谱Y的频率范围和步骤2中的实时频谱Y’的频率范围均为30Hz～100Hz。
在对所述步骤1中的基线频谱Y和步骤2中的实时频谱Y’进行计算时，若在50Hz附近存在工频干扰，则采用陷波滤波器去除工频干扰。
所述步骤3中，第n个通道的发力强度评估值P通过下述公式计算得到：
Figure BDA0002228644690000021
上式中：fi表示频率；
Yn(fi)表示第n个通道的基线频谱在频率fi处的能量值；
Y’n(fi)表示第n个通道的实时频谱在频率fi处的能量值；
频率fi下限f1的取值范围是25Hz～35Hz，频率上限fi的取值范围是60Hz～70Hz。
所述步骤3中，第n个通道的发力优势评估值L通过下述公式计算得到：
Figure BDA0002228644690000031
上式中：Pn表示第n个通道的发力强度评估值，Pi表示第i个通道的发力强度评估值，c值为总通道数。
所述步骤4中，第n个通道的疲劳评估值T通过下述公式计算得到：
Figure BDA0002228644690000032
上式中：fi、fj表示频率；
Y'n(fi)、Y'n(fj)表示第n个通道的实时频谱在频率fi和fj处的能量值；
频率fi下限f1的取值范围是25Hz～35Hz，上限fi的取值范围是55Hz～65Hz；
频率fj下限f1的取值范围是65Hz～75Hz，上限fj的取值范围是90Hz～100Hz。
所述步骤3所得到的发力优势评估值L与所述步骤4中所得到的疲劳评估值T，均是在发力强度评估值P大于噪声控制阈限g时的取值，其中噪声控制阈限g为10～50。
所述步骤1中的基线频谱Y与所述步骤2中的实时频谱Y’的计算是通过快速傅里叶变换或短时傅里叶变换得到。
本发明技术方案，具有如下优点：
A.本发明所提供的利用多通道肌电技术在线评估骨骼肌状态的方法是通过多通道肌电技术，傅里叶变换算法，能够在线实时评估骨骼肌的发力强度、发力位置和疲劳程度，并且在发力位置的评估时，能够识别同一个肌群内不同纤维束的发力情况；本发明具有延迟小，通常在2s以内，且具有部署简单(MATLAB等常见软件都可以实施)、空间分辨率高的优点。
B.本发明所提供的利用多通道肌电技术在线评估骨骼肌状态的方法可应用于各类骨骼肌的状态评估，并且在计算各指标时，可根据实际需求，通过调整各类参数(如傅里叶变换的窗宽、计算指标时的频率上下限)以达到最好的评估效果，具有较高的通用性和实用性。
附图说明
为了更清楚地说明本发明具体实施方式，下面将对具体实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他实施例。
图1是本发明所提供的在线评估流程图。
图2是本发明所提供的三角肌前、中、后束三个通道的5秒基线肌电信号图示；
图中通道1为三角肌前束信号，通道2为三角肌中束信号，通道3为三角肌后束信号。
图3是本发明所提供的三角肌前、中、后束三个通道的5s基线的平均基线频谱Y图示；
图中Y1为三角肌前束基线频谱，Y2为三角肌中束基线频谱，Y3为三角肌后束基线频谱。
图4是本发明所提供的三角肌前、中、后束三个通道的实时采集的肌电信号图示；
图中通道1为三角肌前束信号，通道2为三角肌中束信号，通道3为三角肌后束信号；图中绿色竖线为侧平举发力开始的时间。
图5是本发明所提供的三角肌前、中、后束三个通道的实时基线频谱Y’图示；
图中Y’1为三角肌前束实时频谱，Y’2为三角肌中束实时频谱，Y’3为三角肌后束实时频谱。
图6是本发明所提供的三角肌前、中、后束三个通道的P值、L值和T值的实时结果图示；
图中为第39.7s时，三角肌前、中、后束三个通道的发力评估值P，优势位置评估值L和疲劳评估值T。
图7是本发明所提供的三角肌前、中、后束三个通道的P值、L值以及T值的连续变化情况图示；
图中为110s～140s内，三角肌前、中、后束三个通道的发力评估值P、优势位置评估值L和疲劳评估值T的连续变化情况。
附图标记：
1-前束；2-中束；3-后束。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明提供了一种基于多通道肌电的骨骼肌状态在线评估方法，包括如下步骤：
【S1】采集多通道肌电的基线数据，通过傅里叶变换得到所有通道的基线频谱Y。
计算基线频谱Y所采用的傅里叶变换的窗宽为0.5s～1s；基线频谱Y的频率范围均为30Hz～100Hz。对【S1】中的基线频谱Y进行计算时，若在50Hz附近存在工频干扰，则采用陷波滤波器去除工频干扰。
【S2】实时采集步骤1中的多通道肌电数据，通过傅里叶变换得到所有通道的实时频谱Y’。
计算实时频谱Y’所采用的傅里叶变换的窗宽为0.5s～1s；实时频谱Y’的频率范围均为30Hz～100Hz；【S1】中和【S2】中所采用的窗宽保持一致，在对【S2】中的实时频谱Y’进行计算时，若在50Hz附近存在工频干扰，则采用陷波滤波器去除工频干扰。
【S3】通过对步骤1中得到的基线频谱Y和步骤2中得到的实时频谱Y’进行数据运算，得到所测骨骼肌的发力强度评估值P和发力优势评估值L。
其中，第n个通道的发力强度评估值P通过下述公式计算得到：
Figure BDA0002228644690000061
上式中：fi表示频率；
Yn(fi)表示第n个通道的基线频谱在频率fi处的能量值；
Y’n(fi)表示第n个通道的实时频谱在频率fi处的能量值；
频率fi下限f1的取值范围是25Hz～35Hz，频率上限fi的取值范围是60Hz～70Hz。
第n个通道的发力优势评估值L通过下述公式计算得到：
Figure BDA0002228644690000062
上式中：Pn表示第n个通道的发力强度评估值，Pi表示第i个通道的发力强度评估值，c值为总通道数。
【S4】通过对步骤2中得到的实时频谱Y’进行数据运算，得到所测骨骼肌的疲劳评估值T。
其中，第n个通道的疲劳评估值T通过下述公式计算得到：
Figure BDA0002228644690000071
上式中：fi、fj表示频率；
Y'n(fi)、Y'n(fj)表示第n个通道的实时频谱在频率fi和fj处的能量值；
频率fi下限f1的取值范围是25Hz～35Hz，上限fi的取值范围是55Hz～65Hz；
频率fj下限f1的取值范围是65Hz～75Hz，上限fj的取值范围是90Hz～100Hz。
【S5】根据上述步骤中所得到的发力强度评估值P、发力优势评估值L和疲劳评估值T对骨骼肌的发力强度、发力位置及其疲劳程度作出在线评估。
为了避免噪声带来的假阳性，在实际使用时，需要设置一个噪声控制阈限(噪声门)，即g值。这个噪声控制阈限根据具体使用的场景取值不同；本发明中的【S3】所得到的发力优势评估值L与【S4】中所得到的疲劳评估值T，均是在发力强度评估值P大于噪声控制阈限g时的取值，其中噪声控制阈限g为10～50，若发力强度评估值P小于所设定的噪音控制值g，则代表骨骼肌处于未发力状态，此时所得到的L值和T值不具有任何意义。
具体操作及计算过程如下详细描述：
本发明中所采用的实验仪器、材料以及被试情况如下：
肌电信号采集放大器采用德国ANT脑电设备，设置采样率为500Hz，电极线缆由外接线盒接入。记录及分析电脑采用联想V330笔记本电脑，处理器采用因特尔酷睿i5-8250(1.6GHz运算速度)，内存为8G；记录软件采用eego，分析软件采用MATLAB。
被试为某健身俱乐部的私人教练，男性，年龄25岁。测试共使用三个通道进行肌电采集，三个电极由医用胶布分别固定在被试右肩三角肌的前束、中束和后束的骨骼肌隆起处。
具体实施过程如下描述：
步骤1，记录被试三通道的肌电基线信号共5s，所测信号如图2所示，并采用快速傅里叶变换对这5s的信号进行频谱分析。具体做法为：将这5s基线信号先进行49～51Hz的凹陷滤波，再将数据分割为5段1s的数据，并对每个通道的每段数据进行傅里叶变换得到5个频谱，再将这5段数据的频谱进行平均，得到每个通道的基线频谱Y，如图3所示。
步骤2，让被试右手握3kg哑铃做侧平举(肩部训练常用动作)，动作重复40次，每次的动作要求被试尽量平稳均匀。在被试做侧平举的过程中，实时采集三角肌前、中、后束的肌电信号，所产生的信号如图4所示，并对实时采集到的信息以1s为窗宽进行傅里叶变换，得到频谱。并且每0.1s进行一次该计算，即刷新率为10Hz。在每一时刻都能够得到每个通道实时的实时频谱Y’，如图5所示。
步骤3，通过对步骤1得到的基线频谱Y和步骤2得到的实时频谱Y’进行数据运算得到骨骼肌的发力强度评估值P、发力优势评估值L，具体算法为：每个通道的P值为该通道Y’中35Hz至65Hz的能量总和除以该通道基线频谱Y中35Hz至65Hz的能量总和；L值为每个通道的P值除以所有通道P值的总和。
步骤4，通过对步骤2得到的实时频谱Y’进行数据运算得到骨骼肌疲劳评估值T，具体算法为：每个通道的T值为该通道实时频谱Y’中30Hz至60Hz的能量总和除以该通道实时频谱Y’中65Hz至90Hz的能量总和。图6显示了第39.7s时三个通道的P值、L值和T值。
实施分析结果如下：
如果将每一时刻的P值、L值以及T值按照时间顺序描绘出来，就能够得到在运动过程中骨骼肌的状态变化情况。图7展示了该被试从110s至140s，三角肌前、中、后束的P值、L值以及T值的连续变化情况。从图7中可以看到在运动(负重侧平举)过程中，P值、L值和T值能够反映三角肌前、中、后束的状态(发力强度、优势位置、疲劳程度)变化。图7中，从肌肉发力强度可以看出，该被试的三角肌发力为规律性的，约2至3秒一个周期，这与被试做侧平举的周期吻合；从发力优势位置可以看到2通道(即三角肌中束)在绝大部分的时间，始终高于其他两个通道，也就是说中束发力始终占主导地位，这与侧平举时的肌肉发力原理吻合；从疲劳情况可以看出，在这段时间内，三个通道的疲劳评估值均呈上升趋势，这表明被试三角肌前中后束的疲劳程度都有增加，这符合羽状肌的发力规律。需要注意的是，如果将噪声控制阈限g设置在50，那么在图7中，可以看出第110s到111s的P值小于g，那么这段时间内我们可以认为肌肉没有明显发力，故P值、L值和T值在这段时间内都是无效值。
此外，我们记录了每刷新一次所用的时长，即延迟，具体包括：每进行一次傅里叶变换和输出可视化结果的用时。得到延迟的平均值为45.17ms，最大值为77.61ms。可以认为，在该计算机上实施本方法时，延迟能够控制在1078ms之内，其中1000ms是傅里叶变换的窗宽，78ms是计算所用时间。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明的保护范围之中。

Claims (9)

1.一种基于多通道肌电的骨骼肌状态在线评估方法，其特征在于，所述方法包括如下步骤：
步骤1、采集多通道肌电的基线数据，通过傅里叶变换得到所有通道的基线频谱Y；
步骤2、实时采集步骤1中的多通道肌电数据，通过傅里叶变换得到所有通道的实时频谱Y’；
步骤3、通过对步骤1中得到的基线频谱Y和步骤2中得到的实时频谱Y’进行数据运算，得到所测骨骼肌的发力强度评估值P和发力优势评估值L；
步骤4、通过对步骤2中得到的实时频谱Y’进行数据运算，得到所测骨骼肌的疲劳评估值T；
步骤5、根据上述步骤中所得到的发力强度评估值P、发力优势评估值L和疲劳评估值T对骨骼肌的发力强度、发力位置及其疲劳程度作出在线评估。
2.根据权利要求1所述的基于多通道肌电的骨骼肌状态在线评估方法，其特征在于，所述步骤1中计算基线频谱Y和步骤2中计算实时频谱Y’所采用的傅里叶变换的窗宽相同，且窗宽为0.5s～1s。
3.根据权利要求1所述的基于多通道肌电的骨骼肌状态在线评估方法，其特征在于，所述步骤1中的基线频谱Y的频率范围和步骤2中的实时频谱Y’的频率范围均为30Hz～100Hz。
4.根据权利要求3所述的基于多通道肌电的骨骼肌状态在线评估方法，其特征在于，在对所述步骤1中的基线频谱Y和步骤2中的实时频谱Y’进行计算时，若在50Hz附近存在工频干扰，则采用陷波滤波器去除工频干扰。
5.根据权利要求1所述的基于多通道肌电的骨骼肌状态在线评估方法，其特征在于，所述步骤3中，第n个通道的发力强度评估值P通过下述公式计算得到：
Figure FDA0002228644680000021
上式中：fi表示频率；
Yn(fi)表示第n个通道的基线频谱在频率fi处的能量值；
Y’n(fi)表示第n个通道的实时频谱在频率fi处的能量值；
频率fi下限f1的取值范围是25Hz～35Hz，频率上限fi的取值范围是60Hz～70Hz。
6.根据权利要求4所述的基于多通道肌电的骨骼肌状态在线评估方法，其特征在于，所述步骤3中，第n个通道的发力优势评估值L通过下述公式计算得到：
Figure FDA0002228644680000022
上式中：Pn表示第n个通道的发力强度评估值，Pi表示第i个通道的发力强度评估值，c值为总通道数。
7.根据权利要求1所述的基于多通道肌电的骨骼肌状态在线评估方法，其特征在于，所述步骤4中，第n个通道的疲劳评估值T通过下述公式计算得到：
Figure FDA0002228644680000023
上式中：fi、fj表示频率；
Y'n(fi)、Y'n(fj)表示第n个通道的实时频谱在频率fi和fj处的能量值；
频率fi下限f1的取值范围是25Hz～35Hz，上限fi的取值范围是55Hz～65Hz；
频率fj下限f1的取值范围是65Hz～75Hz，上限fj的取值范围是90Hz～100Hz。
8.根据权利要求1所述的基于多通道肌电的骨骼肌状态在线评估方法，其特征在于，所述步骤3所得到的发力优势评估值L与所述步骤4中所得到的疲劳评估值T，均是在发力强度评估值P大于噪声控制阈限g时的取值，其中噪声控制阈限g为10～50。
9.根据权利要求1所述的基于多通道肌电的骨骼肌状态在线评估方法，其特征在于，所述步骤1中的基线频谱Y与所述步骤2中的实时频谱Y’的计算是通过快速傅里叶变换或短时傅里叶变换得到。
CN201910960151.4A 2019-10-10 2019-10-10 一种基于多通道肌电的骨骼肌状态在线评估方法 Active CN110693494B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910960151.4A CN110693494B (zh) 2019-10-10 2019-10-10 一种基于多通道肌电的骨骼肌状态在线评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910960151.4A CN110693494B (zh) 2019-10-10 2019-10-10 一种基于多通道肌电的骨骼肌状态在线评估方法

Publications (2)

Publication Number Publication Date
CN110693494A true CN110693494A (zh) 2020-01-17
CN110693494B CN110693494B (zh) 2022-04-26

Family

ID=69200178

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910960151.4A Active CN110693494B (zh) 2019-10-10 2019-10-10 一种基于多通道肌电的骨骼肌状态在线评估方法

Country Status (1)

Country Link
CN (1) CN110693494B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140207017A1 (en) * 2013-01-23 2014-07-24 Altec, Inc. Signal quality monitor for electromyographic sensors
US20150088025A1 (en) * 2012-05-01 2015-03-26 Advanced Bionics Ag Electromyography response detection systems and methods
US20170354377A1 (en) * 2016-06-10 2017-12-14 Panasonic Intellectual Property Management Co., Ltd. Muscle fatigue output device, muscle fatigue output method, and recording medium
CN109524109A (zh) * 2018-11-26 2019-03-26 江西科技师范大学 一种基于肌肉压力状态的非接触式疲劳监测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150088025A1 (en) * 2012-05-01 2015-03-26 Advanced Bionics Ag Electromyography response detection systems and methods
US20140207017A1 (en) * 2013-01-23 2014-07-24 Altec, Inc. Signal quality monitor for electromyographic sensors
US20170354377A1 (en) * 2016-06-10 2017-12-14 Panasonic Intellectual Property Management Co., Ltd. Muscle fatigue output device, muscle fatigue output method, and recording medium
CN109524109A (zh) * 2018-11-26 2019-03-26 江西科技师范大学 一种基于肌肉压力状态的非接触式疲劳监测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张戈: "全力连续卧推抛起练习过程中杠铃动力参数和主动肌sEMG变化", 《沈阳体育学院学报》 *
张非若等: "重复作业上肢肌肉疲劳的表面肌电实验研究", 《工业卫生与职业病》 *
曹昂等: "基于表面肌电信号的肌肉疲劳状态分类系统", 《计算机应用》 *

Also Published As

Publication number Publication date
CN110693494B (zh) 2022-04-26

Similar Documents

Publication Publication Date Title
Knaflitz et al. Time-frequency methods applied to muscle fatigue assessment during dynamic contractions
Cifrek et al. Surface EMG based muscle fatigue evaluation in biomechanics
Karthick et al. Surface electromyography based muscle fatigue progression analysis using modified B distribution time–frequency features
Restrepo-Agudelo et al. Improving surface EMG burst detection in infrahyoid muscles during swallowing using digital filters and discrete wavelet analysis
CN105054927A (zh) 一种下肢康复系统中主动参与度的生物量化评估方法
CN103258120A (zh) 一种基于脑电信号的中风康复程度指标计算方法
Kumar et al. Measuring increase in synchronization to identify muscle endurance limit
Knaflitz et al. Assessment of muscle fatigue during biking
CN104887198A (zh) 基于人体生理信号多参数融合的疼痛定量分析系统及方法
Clancy et al. Tutorial. Surface electromyogram (sEMG) amplitude estimation: Best practices
Örücü et al. Design and Validation of Multichannel Wireless Wearable SEMG System for Real‐Time Training Performance Monitoring
Kiryu et al. Multivariate analysis of muscular fatigue during bicycle ergometer exercise
Bukhari et al. Study of K-nearest neighbour classification performance on fatigue and non-fatigue EMG signal features
Clancy et al. Time-and frequency-domain monitoring of the myoelectric signal during a long-duration, cyclic, force-varying, fatiguing hand-grip task
Fraser et al. Biosignal quality analysis of surface EMG using a correlation coefficient test for normality
Saad et al. Detection of heart blocks in ECG signals by spectrum and time-frequency analysis
CN110693494B (zh) 一种基于多通道肌电的骨骼肌状态在线评估方法
Marri et al. Identification of onset of fatigue in biceps brachii muscles using surface EMG and multifractal DMA alogrithm
Norali Human breathing classification using electromyography signal with features based on mel-frequency cepstral coefficients
Marri et al. Analysis of fatigue conditions in triceps brachii muscle using sEMG signals and spectral correlation density function
Suganthi et al. Evaluation of muscle fatigue based on SEMG using deep learning techniques
St-Amant et al. Effect of smoothing window length on RMS EMG amplitude estimates
Nair et al. Analysis of fiber proportion in lower limb muscles using smoothed pseudo wigner-ville distribution
CN113017654A (zh) 运动人员疲惫状态监测平台
Zhao et al. Evaluation of lower-limb rehabilitation based on muscle fatigue

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant