CN114431832B - 一种肌肉能量消耗的量化分析方法 - Google Patents
一种肌肉能量消耗的量化分析方法 Download PDFInfo
- Publication number
- CN114431832B CN114431832B CN202111611091.9A CN202111611091A CN114431832B CN 114431832 B CN114431832 B CN 114431832B CN 202111611091 A CN202111611091 A CN 202111611091A CN 114431832 B CN114431832 B CN 114431832B
- Authority
- CN
- China
- Prior art keywords
- muscle
- heat
- fiber
- activation
- contraction
- 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.)
- Active
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
- A61B5/4519—Muscles
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/22—Ergometry; Measuring muscular strength or the force of a muscular blow
- A61B5/224—Measuring muscular strength
-
- 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]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4866—Evaluating metabolism
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Epidemiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Physical Education & Sports Medicine (AREA)
- High Energy & Nuclear Physics (AREA)
- Obesity (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Rheumatology (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Acyclic And Carbocyclic Compounds In Medicinal Compositions (AREA)
Abstract
一种肌肉能量消耗的量化分析方法,包括如下步骤:根据肌肉质量、快慢肌纤维占比、激活热量常数以及激活度,计算肌肉激活热量;建立肌纤维长度相对于理想长度的分段函数,结合肌肉质量、快慢肌纤维占比、维持热量常数和兴奋水平,计算肌肉维持热量;根据收缩类型、相对速度和相对长度确定热系数,计算肌纤维缩短‑拉长热量和跟腱弹性势能;根据当前肌力水平和绝对收缩速度,计算机械功;则肌肉能量消耗为上述分项之和。本发明可实现激活热量、维持热量、缩短‑拉长热量、机械功热率和静息热量的准确描述和量化分离,并可进一步计算肌肉运动效率。本发明对于评判外骨骼助力性能、监控运动疲劳及肌肉功能评估具有重要理论意义和应用价值。
Description
技术领域
本发明涉及运动能量消耗评估、人体运动疲劳监测和肌肉效率量化分析等技术领域,特别涉及一种肌肉能量消耗的量化分析方法。
背景技术
肌肉能量消耗是运动产生的根本原因。肌肉利用ATP水解自由能实现肌肉兴奋活化和纤维收缩,最终产生机械功和热量,形成外在客观的运动。在运动人体科学和康复等领域,肌肉能量消耗的量化评估具有重要理论意义和应用价值。如,肌肉能量消耗可用于评判外骨骼的助力性能,辅助优化设计;在运动训练和康复评估方面,肌肉能量消耗则可用于评估肌肉功能、量化肌肉效率(机械功/能量消耗,该值越大反映功能越好)及监测运动疲劳;此外,肌肉能量消耗最小化则是模拟仿真领域中动作优化和肌力分配的准则。
然而,当前此领域内并未有可完整描述和量化肌肉能量消耗的方法。
多环节肌肉的肌骨系统建模是探究肌肉收缩行为的有利工具,其理论来源于Hill模型。较为不足的是,希尔模型仅可用于描述肌肉的机械力学行为,但无法描述肌肉能量消耗行为。热力学揭示了能量形式转化的宏观规律,具有广泛的应用。因此,将热力学和Hill模型有机的结合起来,为描述肌肉的能量消耗行为提供了可能。
发明内容
针对现有技术存在的上述问题,本发明提供了一种肌肉能量消耗的量化分析方法,从肌肉收缩力学和热力学的角度量化肌肉收缩的能量消耗,该方法可实现激活热量、维持热量、缩短-拉长热量、机械功热率和静息热量的准确描述和量化分离,并可进一步计算肌肉运动效率。
本发明的技术方案如下:
一种肌肉能量消耗的量化分析方法,包括如下步骤:
S1:根据肌肉质量、肌肉快慢肌纤维占比、激活热量常数以及肌肉激活度,计算肌肉激活热量
S2:纳入肌纤维理想长度,建立肌纤维长度相对于理想长度的分段函数,结合肌肉质量、快慢肌纤维占比、维持热量常数和肌肉兴奋水平,计算肌肉维持热量
S3:确定当前肌纤维收缩或拉长速度,根据肌肉收缩类型、相对肌纤维速度和相对肌纤维长度确定缩短-拉长热系数,计算肌纤维缩短-拉长热量和跟腱弹性势能,进而得到肌肉缩短-拉长热量
S4:根据当前肌力水平和绝对收缩速度,计算机械功
其中:是机械功热率,FCE、VCE、t是当前肌肉收缩单元的肌力大小、收缩速度、收缩时间;
S5:将步骤S1~S4中分别得到的肌肉激活热量肌肉维持热量/>肌肉缩短-拉长热量/>和机械功/>进行相加,即为肌肉能量消耗/>
进一步的,步骤S1包括如下步骤:
S11:根据大数据的人体测量学参数或影像化技术手段确定肌肉质量m;所述人体测量学参数是指肌肉占体重的百分比;所述影像化技术手段包括但不限于核磁共振;
S12:根据生物活检技术或模拟仿真相关研究确定肌肉的快肌纤维质量分数和慢肌纤维质量分数/>
S13:获取快肌纤维和慢肌纤维的原始肌肉激活信号,经过预处理和归一化处理后得到标准化的肌电信号,进入神经激活模型解算神经激活强度,最后根据肌肉激活模型得到以下参数:快肌纤维肌肉激活度μf(t)、慢肌纤维肌肉激活度μs(t)、快肌纤维维持热量常数mf、慢肌纤维维持热量常数ms;所述预处理包括滤波和全波整流;所述归一化处理是指MVC标准化;
S14:计算肌肉激活热量
进一步的,步骤S2包括如下步骤:
S21:纳入肌纤维理想长度建立肌纤维长度Lm相对于理想长度的分段函数L(Lm):
S22:根据S11得到的肌肉质量m、S12得到的快肌纤维质量分数和慢肌纤维质量分数/>S13得到的快肌纤维肌肉激活度μf(t)、慢肌纤维肌肉激活度μs(t)、快肌纤维维持热量常数mf、慢肌纤维维持热量常数ms以及S21确定的分段函数L(Lm),计算维持热量/>
进一步的,步骤S3包括如下步骤:
S31:通过离体实验或在体实验分别确定快肌纤维最大收缩速度和慢肌纤维最大收缩速度/>进而根据快慢肌纤维可产生的最大热量,计算快肌纤维缩短热系数αsFT和慢肌纤维缩短热系数αsST:
S32:根据肌腱刚度系数k和伸长率d计算弹性势能Ep:
S33:根据力-长度-速度曲线或肌骨超声确定当前状态下的肌纤维速度S31得到的快肌纤维缩短热系数αsFT和慢肌纤维缩短热系数αsST、S32得到的肌腱弹性势能Ep,计算肌肉收缩热量/>
(1)若并且肌纤维长度LCE≤理想长度LCE-OPT,则:
(2)若并且肌纤维长度LCE>理想长度LCE-OPT,则:
(3)若并且肌纤维长度LCE≤理想长度LCE-OPT,则:
(4)若并且肌纤维长度LCE>理想长度LCE-OPT,则:
其中:代表肌肉收缩形式为向心收缩,/>代表肌肉收缩形式为离心收缩。
本发明有益的技术效果在于:
该方法可实现激活热量、维持热量、缩短-拉长热量、机械功热率和静息热量的准确描述和量化分离,并可进一步计算肌肉运动效率。这对于评判外骨骼助力性能、监控运动疲劳及肌肉功能评估具有重要理论意义和应用价值。
附图说明
图1是本发明计算方法的流程示意图;
图2是实施例的步行能量消耗随时间变化图;
图3是实施例的股后肌群能量消耗随时间变化图;
图4是实施例的比目鱼肌能量消耗随时间变化图;
图5是实施例的胫骨前肌能量消耗随时间变化图。
具体实施方式
下面结合附图和实施例,对本发明进行具体描述。显然,所描述的实施例仅仅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,实施例包括如下步骤:
S1:根据肌肉质量、肌肉快慢肌纤维占比、激活热量常数以及肌肉激活度,计算肌肉激活热量可细分为如下步骤:
(1)采用核磁共振获取受试者静息态下肌肉形态学数据,确定肌肉体积V;根据大数据的人体测量学参数获知肌肉密度为ρ=1059.7kg/m3;肌肉质量m等于肌肉体积V与密度ρ的乘积:
m=ρV
(2)根据生物活检技术或模拟仿真相关研究确定肌肉的快肌纤维质量分数和慢肌纤维质量分数/>具体比例如表1所示。
表1肌肉快慢肌纤维占比
(3)计算肌肉激活度,包括快肌纤维肌肉激活度μf(t)和慢肌纤维肌肉激活度μs(t)。可细分为如下步骤:
(3-1)采用阵列式肌电分别获取肌肉中快肌纤维和慢肌纤维的激活信息,及最大随意收缩(MVC)的激活信号;
(3-2)首先采用带通滤波10-400Hz滤除原始EMG信号中的高频噪声干扰、运动伪迹和低频噪声信号,之后进行全波整流,并对整流后的EMG信号进行MVC归一化处理;
(3-3)将归一化的EMG信号导入递归的神经激活模型求解神经激活强度;
(3-4)将上步骤获取的神经激活强度信号导入非线性的肌肉激活模型,得到以下数据:快肌纤维肌肉激活度μf(t)、慢肌纤维肌肉激活度μs(t)、快肌纤维维持热量常数mf、慢肌纤维维持热量常数ms。
(4)根据上述步骤分别得到的肌肉质量m、快肌纤维质量分数慢肌纤维质量分数/>快肌纤维肌肉激活度μf(t)、慢肌纤维肌肉激活度μs(t),计算肌肉激活热量/>
其中:αf=133W/kg,αs=40W/kg。
S2:纳入肌纤维理想长度,建立肌纤维长度相对于理想长度的分段函数,结合肌肉质量、快慢肌纤维占比、维持热量常数和肌肉兴奋水平,计算肌肉维持热量。可细分为如下步骤:
(1)维持热量是相对稳定的热量,是源于肌球蛋白-肌动蛋白的跨桥建立,其大小取决于激活度和横桥数目(即长度)。本方法纳入肌纤维理想长度建立肌纤维长度Lm相对于理想长度的分段函数L(Lm):
该肌纤维长度的分段函数表示,当肌肉缩短长度低于理想长度维持热量约为0.5;当肌肉长度超过/>但低于/>时,维持热量随长度的增加而增加;当长度超过/>但低于/>维持热量随长度的增加而降低;当其超过/>时,这个位置没有肌球蛋白和肌动蛋白的重叠,维持热量降低至0。
(2)根据上述步骤得到的肌肉质量m、快肌纤维质量分数慢肌纤维质量分数快肌纤维肌肉激活度μf(t)、慢肌纤维肌肉激活度μs(t)、快肌纤维维持热量常数mf、慢肌纤维维持热量常数ms及分段函数L(Lm),计算维持热量/>
其中:mf=111W/kg,ms=74W/kg。
S3:确定当前肌纤维收缩或拉长速度,根据肌肉收缩类型、相对肌纤维速度和相对肌纤维长度确定缩短-拉长热系数,计算肌纤维缩短-拉长热量和跟腱弹性势能,进而得到肌肉缩短-拉长热量。可细分为如下步骤:
(1)通过离体实验或在体实验分别确定快肌纤维和慢肌纤维得最大收缩速度/>进而根据快慢肌纤维可产生的最大热量,计算快肌纤维缩短热系数αsFT和慢肌纤维缩短热系数αsST:
其中:在最大等长激活时,当肌肉快肌纤维高达100%时,那么激活热量和维持热量达153w/kg,而全部为慢肌纤维时,则为25w/kg。
(2)采用肌骨超声在肌肉MVC下确定肌腱刚度k,并根据肌纤维-肌腱结合位点相对于深筋膜的位移变化确定肌间的伸长量d,则在肌腱拉长过程中储存的弹性势能Ep计算如下:
(3)可根据力-长度-速度曲线或肌骨超声确定当前状态下的肌纤维速度快肌纤维缩短热系数αsFT、慢肌纤维缩短热系数αsST和肌腱弹性势能Ep,计算肌肉收缩热量肌肉缩短-拉长热量与肌肉收缩类型、收缩速度和收缩长度相关,则:
(3-1)若肌肉收缩形式为向心收缩肌纤维长度(LCE)≤理想长度(LCE-OPT):
(3-2)若肌肉收缩形式为向心收缩肌纤维长度(LCE)>理想长度(LCE-OPT):
(3-3)若肌肉收缩形式为离心收缩肌纤维长度(LCE)≤理想长度(LCE-OPT):
(3-4)若肌肉收缩形式为离心收缩肌纤维长度(LCE)>理想长度(LCE-OPT):
S4:根据当前肌力水平和绝对收缩速度,计算机械功
其中:是机械功热率,FCE、VCE、t是当前肌肉收缩单元的肌力大小、收缩速度、收缩时间。
S5:将S1~S4步骤中分别得到的肌肉激活热量肌肉维持热量/>肌肉缩短-拉长热量/>和机械功/>进行相加,即为肌肉能量消耗。
在本实施例中,将上述建立的肌肉能量消耗方法结合至模拟仿真中,基于OpenSim和Gait_2392模型,采用动态优化的方法在计算肌力的同时,完成了步行能量消耗和各肌肉能量消耗的预测和计算,结果如图2-4所示。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,对于本领域的普通技术人员而言,在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节。
Claims (4)
1.一种肌肉能量消耗的量化分析方法,其特征在于,包括如下步骤:
S1:根据肌肉质量、肌肉快慢肌纤维占比、激活热量常数以及肌肉激活度,计算肌肉激活热量
S2:纳入肌纤维理想长度,建立肌纤维长度相对于理想长度的分段函数,结合肌肉质量、快慢肌纤维占比、维持热量常数和肌肉兴奋水平,计算肌肉维持热量
S3:确定当前肌纤维收缩或拉长速度,根据肌肉收缩类型、相对肌纤维速度和相对肌纤维长度确定缩短-拉长热系数,计算肌纤维缩短-拉长热量和跟腱弹性势能,进而得到肌肉缩短-拉长热量
S4:根据当前肌力水平和绝对收缩速度,计算机械功
其中:是机械功热率,FCE、VCE、t是当前肌肉收缩单元的肌力大小、收缩速度、收缩时间;
S5:将步骤S1~S4中分别得到的肌肉激活热量肌肉维持热量/>肌肉缩短-拉长热量/>和机械功/>进行相加,即为肌肉能量消耗/>
2.根据权利要求1所述的一种肌肉能量消耗的量化分析方法,其特征在于,步骤S1包括如下步骤:
S11:根据大数据的人体测量学参数或影像化技术手段确定肌肉质量m;所述人体测量学参数是指肌肉占体重的百分比;所述影像化技术手段包括核磁共振;
S12:根据生物活检技术或模拟仿真相关研究确定肌肉的快肌纤维质量分数和慢肌纤维质量分数/>
S13:获取快肌纤维和慢肌纤维的原始肌肉激活信号,经过预处理和归一化处理后得到标准化的肌电信号,进入神经激活模型解算神经激活强度,最后根据肌肉激活模型得到以下参数:快肌纤维肌肉激活度μf(t)、慢肌纤维肌肉激活度μs(t)、快肌纤维维持热量常数mf、慢肌纤维维持热量常数ms;所述预处理包括滤波和全波整流;所述归一化处理是指MVC标准化;
S14:计算肌肉激活热量
3.根据权利要求2所述的一种肌肉能量消耗的量化分析方法,其特征在于,步骤S2包括如下步骤:
S21:纳入肌纤维理想长度建立肌纤维长度Lm相对于理想长度的分段函数L(Lm):
S22:根据S11得到的肌肉质量m、S12得到的快肌纤维质量分数和慢肌纤维质量分数S13得到的快肌纤维肌肉激活度μf(t)、慢肌纤维肌肉激活度μs(t)、快肌纤维维持热量常数mf、慢肌纤维维持热量常数ms以及S21确定的分段函数L(Lm),计算维持热量/>
4.根据权利要求1所述的一种肌肉能量消耗的量化分析方法,其特征在于,步骤S3包括如下步骤:
S31:通过离体实验或在体实验分别确定快肌纤维最大收缩速度和慢肌纤维最大收缩速度/>进而根据快慢肌纤维可产生的最大热量,计算快肌纤维缩短热系数αsFT和慢肌纤维缩短热系数αsST:
S32:根据肌腱刚度系数k和伸长率d计算弹性势能Ep:
S33:根据力-长度-速度曲线或肌骨超声确定当前状态下的肌纤维速度S31得到的快肌纤维缩短热系数αsFT和慢肌纤维缩短热系数αsST、S32得到的肌腱弹性势能Ep,计算肌肉收缩热量/>
(1)若并且肌纤维长度LCE≤理想长度LCE-OPT,则:
(2)若并且肌纤维长度LCE>理想长度LCE-OPT,则:
(3)若并且肌纤维长度LCE≤理想长度LCE-OPT,则:
(4)若并且肌纤维长度LCE>理想长度LCE-OPT,则:
其中:代表肌肉收缩形式为向心收缩,/>代表肌肉收缩形式为离心收缩。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111611091.9A CN114431832B (zh) | 2021-12-27 | 2021-12-27 | 一种肌肉能量消耗的量化分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111611091.9A CN114431832B (zh) | 2021-12-27 | 2021-12-27 | 一种肌肉能量消耗的量化分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114431832A CN114431832A (zh) | 2022-05-06 |
CN114431832B true CN114431832B (zh) | 2023-10-20 |
Family
ID=81363780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111611091.9A Active CN114431832B (zh) | 2021-12-27 | 2021-12-27 | 一种肌肉能量消耗的量化分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114431832B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013021336A1 (en) * | 2011-08-05 | 2013-02-14 | Murli Krishna Pata V | System and method of determining body mass functional index |
CN106202739A (zh) * | 2016-07-14 | 2016-12-07 | 哈尔滨理工大学 | 一种骨骼肌力学行为多尺度建模方法 |
CN108629074A (zh) * | 2018-03-15 | 2018-10-09 | 哈尔滨理工大学 | 一种骨骼肌肌束的有限元模型 |
CN110638449A (zh) * | 2019-09-30 | 2020-01-03 | 福州大学 | 一种基于机械功的肌肉量化分析方法 |
CN112263254A (zh) * | 2020-06-11 | 2021-01-26 | 复旦大学附属华山医院 | 一种基于表面肌电信号传感器的人体能量消耗预测系统及其预测方法 |
CN113160931A (zh) * | 2021-04-12 | 2021-07-23 | 深圳英鸿骏智能科技有限公司 | 健身动作能量消耗评估方法、装置、设备及存储介质 |
CN113576463A (zh) * | 2021-07-31 | 2021-11-02 | 福州大学 | 肌电信号驱动的膝关节肌骨模型接触力估计方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012040402A2 (en) * | 2010-09-21 | 2012-03-29 | Somaxis Incorporated | Methods for promoting fitness in connection with electrophysiology data |
-
2021
- 2021-12-27 CN CN202111611091.9A patent/CN114431832B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013021336A1 (en) * | 2011-08-05 | 2013-02-14 | Murli Krishna Pata V | System and method of determining body mass functional index |
CN106202739A (zh) * | 2016-07-14 | 2016-12-07 | 哈尔滨理工大学 | 一种骨骼肌力学行为多尺度建模方法 |
CN108629074A (zh) * | 2018-03-15 | 2018-10-09 | 哈尔滨理工大学 | 一种骨骼肌肌束的有限元模型 |
CN110638449A (zh) * | 2019-09-30 | 2020-01-03 | 福州大学 | 一种基于机械功的肌肉量化分析方法 |
CN112263254A (zh) * | 2020-06-11 | 2021-01-26 | 复旦大学附属华山医院 | 一种基于表面肌电信号传感器的人体能量消耗预测系统及其预测方法 |
CN113160931A (zh) * | 2021-04-12 | 2021-07-23 | 深圳英鸿骏智能科技有限公司 | 健身动作能量消耗评估方法、装置、设备及存储介质 |
CN113576463A (zh) * | 2021-07-31 | 2021-11-02 | 福州大学 | 肌电信号驱动的膝关节肌骨模型接触力估计方法及系统 |
Non-Patent Citations (2)
Title |
---|
"Energy demand and supply in human skeletal muscle";C. J. Barclay;《J Muscle Res Cell Motil》;全文 * |
"青少年短跑运动员选材指标的研究综述";孙立冰;《文体用品与科技》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114431832A (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108785997B (zh) | 一种基于变导纳的下肢康复机器人柔顺控制方法 | |
JP5607952B2 (ja) | 歩行障害自動分析システム | |
CN113576463B (zh) | 肌电信号驱动的膝关节肌骨模型接触力估计方法及系统 | |
Hayashi et al. | A variance distribution model of surface EMG signals based on inverse gamma distribution | |
CN110400618B (zh) | 一种基于人体运动结构特征的三维步态生成方法 | |
CN109758336A (zh) | 一种利用患者患侧sEMG进行主动康复治疗的控制方法 | |
CN114431832B (zh) | 一种肌肉能量消耗的量化分析方法 | |
Dejnabadi et al. | A new approach for quantitative analysis of inter-joint coordination during gait | |
CN102764167A (zh) | 基于相关系数的肌电假肢控制源导联优化方法 | |
CN110032987B (zh) | 一种基于小脑神经网络模型的表面肌电信号分类方法 | |
Jurčević Lulić et al. | Biomechanical analysis of walking: Effects of gait velocity and arm swing amplitude | |
CN113974612A (zh) | 一种卒中患者上肢运动功能自动化评估方法与系统 | |
Zou et al. | Prediction on the medial knee contact force in patients with knee valgus using transfer learning approaches: Application to rehabilitation gaits | |
CN105769186A (zh) | 基于复杂网络的肌电信号采集位置选取方法 | |
CN114722870A (zh) | 一种基于gra-ics-svr模型和mmg信号的肌力估计方法 | |
Peng et al. | An sEMG-driven neuromusculoskeletal model of upper limb for rehabilitation robot control | |
CN112580587A (zh) | 基于振动噪声信号的骨关节受损信息评估系统及评估方法 | |
CN112043268B (zh) | 一种基于康复运动主动性参与判定的上肢康复评价方法 | |
CN113459158B (zh) | 外骨骼助力效能测评方法、装置及计算机可读存储介质 | |
Zhu et al. | Prediction of Human Dynamic Ankle Moment Based on Surface Electromyography Signals | |
Pauk et al. | Parametric identification of lower limbs during walking of a man | |
CN117334293A (zh) | 基于动作矫正的运动训练系统及方法 | |
Spilla | Statistical shape modelling of thigh muscles on healthy young and elderly arthrosic subjects | |
Zhou et al. | Evaluation of activation mechanism of ankle muscles during upright stance push-recovery | |
Karimi Bokti et al. | Using electromyography of five muscles and joint angle to predict knee joint moment |
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 |