使用马尔科夫过渡网络分析诱导的动态双肩EMG信号复杂性

科学领域:

• 生物力学 生物力学
• 神经康复疗法 神经康复疗法
• 运动医学 运动医学

背景情况:

• 表面电肌图 (sEMG) 是评估肌肉电活动的关键非侵入性方法.
• 在肌肉疲劳期间分析sEMG信号对于了解神经肌肉条件和性能至关重要.

研究的目的:

• 提出一种新的方法,利用马尔科夫过渡场 (MTF) 将sEMG信号转化为复杂的网络.
• 为了研究肌肉疲劳对sEMG信号复杂性的影响.
• 评估正常化到最大自愿收缩 (MVC) 的重要性.

主要方法:

• 动态sEMG信号从双腿臂在恒定负载和50%的MVC协议下记录.
• sEMG信号经过预处理并转化为MTF复杂网络.
• 提取了关键网络特征,包括平均自我转换概率,集群系数和模块化.

主要成果:

• 所有提取的网络特征都显示出统计学意义.
• 在从非疲劳过渡到疲劳的过程中,观察到平均聚类系数的下降和平均自我过渡概率和模块化的增加.
• 与恒定负载记录相比,sEMG信号正常化为50%的MVC显示出更高的特征分离性.

结论:

• 在MTF方法有效地表明sEMG信号的复杂性,在非疲劳状态观察到更高的复杂性.
• 这些发现表明,MTF方法在研究各种神经肌肉疾病中的肌肉行为方面具有实用性.
• 该研究强调了MTF对客观肌肉疲劳评估和监测的潜力.