Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Nghiên cứu mô phỏng về mối quan hệ giữa số lượng đơn vị vận động cơ bắp và các mức độ phi-Gauss/phi-tuyến tính của điện cơ bề mặt
Tóm tắt
Nghiên cứu gần đây đã chỉ ra rằng tín hiệu điện cơ bề mặt (sEMG) có các thuộc tính không phải Gauss và không tuyến tính. Người ta biết rằng khi mức độ gắng sức tăng lên, số đơn vị vận động cơ bắp được tuyển dụng nhiều hơn và tỷ lệ bắn (FR) cũng tăng theo. Một giả thuyết đã được đề xuất rằng mức độ kiểm định Gaussian (Sg) và mức độ kiểm định tuyến tính (Sℓ) của tín hiệu sEMG có liên quan đến số lượng đơn vị vận động cơ bắp hoạt động (nMUs) và FR. Giả thuyết này mới chỉ được thảo luận sơ bộ trong các nghiên cứu thực nghiệm. Chúng tôi đã sử dụng một mô hình sEMG mô phỏng bao gồm thông tin không gian (MUs hoạt động) và thông tin tạm thời (ba FR) để kiểm tra giả thuyết. Các thống kê bậc cao (HOS) từ miền bi-tần số đã được sử dụng để thực hiện Sg và Sℓ. Phân tích hiệp phương sai đa biến và kiểm định tương quan đã được áp dụng để xác định mối quan hệ nMUs-Sg và nMUs-Sℓ. Kết quả cho thấy nMUs, FR và tương tác giữa nMUs và FR đều ảnh hưởng đến giá trị Sg và Sℓ. Số lượng nMUs có tương quan âm với cả giá trị Sg và Sℓ. Có nghĩa là, ở ba FR, tín hiệu sEMG có xu hướng phân bố gần với Gaussian hơn và tuyến tính hơn khi mức độ gắng sức và số lượng nMUs tăng lên. Nghiên cứu đã giới hạn các yếu tố thí nghiệm vào các mức độ phi-Gauss và phi-tuyến tính của sEMG. Nghiên cứu mô tả định lượng nMUs và FR của cơ bắp, điều này không có sẵn trực tiếp từ các thí nghiệm. Phát hiện của chúng tôi có ý nghĩa hướng dẫn cho việc đánh giá khả năng của cơ bắp và kiểm soát chân giả.
Từ khóa
#sEMG #Gaussianity #non-linearity #muscle motor units #exerciseTài liệu tham khảo
Buchthal F, Erminio F, Rosenfalck P. Motor unit territory in different human muscles. Acta Physiol Scand, 1959, 45: 72–87
Merletti R, Rainoldi A, Farina D. Electromyography: Physiology, Engineering and Noninvasive Application. New Jersey: John Wiley & Sons, 2004
Merletti R, Roy S H, Kupa E, et al. Modeling of surface myoelectric signals—Part II: model-based signal interpretation. IEEE Trans Biomed Eng, 1999, 46: 821–829
Day S J, Hulliger M. Experimental simulation of cat electromyogram: evidence for algebraic summation of motor-unit action-potential trains. J Neurophysiol, 2001, 86: 2144–2158
Bilodeau M, Cincera M, Arsenault A B, et al. Normality and stationarity of EMG signals of elbow flexor muscles during ramp and step isometric contractions. J Electromyogr Kines, 1997, 7: 87–96
Zazula D. Experience with surface EMG decomposition using higher-order cumulants. In Proceedings of Signal Processing 2001 of IEEE Workshop, Poznãn, Poland, 2001. 19–24
Shahid S, Walker J, Lyons G M, et al. Application of higher order statistics techniques to EMG signals to characterize the motor unit action potential. IEEE Trans Biomed Eng, 2005, 52: 1195–1209
Kaplanis P A, Pattichis C S, Hadjileontiadis L J, et al. Surface EMG analysis on normal subjects based on isometric voluntary contraction. J Electromyogr Kines, 2009, 19: 157–171
Nazarpour K, Sharafat A R, Firoozabadi S M P. Application of higher order statistics to surface electromyogram signal classification. IEEE Trans Biomed Eng, 2007, 54: 1762–1769
Naik G, kumar D. Evaluation of higher order statistics parametes for multi channel sEMG using different force levels. In: 33rd Annual International Conference of the IEEE, Boston, USA, 2011. 3869–3872
Hussain M S, Mamun M D. Effectiveness of the wavelet transform on the surface EMG to understand the muscle fatigue during walk. Meas Sci Rev, 2012, 12: 28–33
Zhou P, Rymer W Z. Can standard surface EMG processing parameters be used to estimate motor unit global firing rate? J Neural Eng, 2004, 1: 99–110
Kernell D. Organized variability in the neuromuscular system: a survey of task-related adaptations. Arch Ital Biol, 1992, 130: 19–66
Staudenmann D, Roeleveld K, Stegeman D F, et al. Methodological aspects of sEMG recordings for force estimation-A tutorial and review. J Electromyogr Kines, 2009, 20: 375–387
Turker K S, Miles T S. Cross-talk from other muscles can contaminate EMG signals in reflex studies of the human leg. Neurosci Lett, 1990, 111: 164–169
Wang W, Stefano A D, Allen R. A simulation model of the surface EMG signal for analysis of muscle activity during the gait cycle. Comput Biol Med, 2006, 36: 601–618
Gabriel D A, Kamen G. Experimental and modeling investigation of spectral compression of biceps brachii SEMG activity with increasing force levels. J Electromyogr Kines, 2009, 19: 437–448
Duchêne J, Hogrel J Y. A model of EMG generation. IEEE Trans Biomed Eng, 2000, 47: 192–201
Fuglevand A J, Winter D A, Patla A E. Models of recuitment and rate coding organization in motor-unit pools. J Neurophysiol, 1993, 70: 2470–2488
McGill K C. Surface electromyogram signal modelling. Med Biol Eng Comput, 2004, 42: 446–454
Nandedkar S D, Stålberg E. Simulation of sigle fiber action potentials. Med Biol Eng Comput, 1983, 21: 158–165
LorentedeNó R. Analysis of the distribution of action currents of nerve in volume conductors. Stud Rockfeller Inst Med Res, 1974, 132: 384–477
Zhou P, Rymer W Z. Factor governing the form of the relation between muscle force and the EMG: A simulation study. J Neurophysiol, 2004, 92: 2878–2886
Andreassen S, Rosenfalck A. Relation of intracellular and extracellular action potentials of skeletal muscle fibers. OCR Crit Rev Biomed Eng, 1981, 6: 267–306
Sigl J C, Chamoun N C. An introduction to bispectral analysis for the electroencephalogram. J Clin Monit, 1994, 10: 392–404
Zhou Q X, Chen Y H, Ma C, et al. Evaluation of upper limb muscle fatigue based on surface electromyography. Sci China Tech Sci, 2011, 54: 939–944
DeLuca C J, LeFever R S, McCue M P, et al. Behaviour of human motor units in different muscles during linearly varying contractions J Physiol, 1982, 329: 113–128
Henneman E. Relation between size of neurons and their susceptibility to discharge. Science, 1957, 126: 1345–1347