识别和量化用于脚康复的肌肉合收缩通过变化模式分解在表面电肌图的表面电肌图
Sania Yasmeen1, Asim Waris1, Faisal Amin1
1Department of Biomedical Engineering and Sciences, School of Mechanical and Manufacturing Engineering, National University of Sciences and Technology (NUST), Islamabad, Pakistan.
Scientific reports
|April 28, 2025
概括
这项研究引入了变化模式分解 (VMD) 来分析表面肌电图 (sEMG) 信号,以评估脚肌肉共同收缩. 在量化这些关键的康复指标方面,VMD表现出高于连续波形变换 (CWT) 的精度.
科学领域:
- 生物力学 生物力学
- 生物医学工程 生物医学工程
- 康复科学 康复科学 康复科学
背景情况:
- 脚关节功能对于像走路这样的日常活动至关重要.
- 脚功能受损导致步态异常,疼痛和炎症,阻碍恢复.
- 准确评估肌肉协同收缩对于有效的非药物康复策略至关重要.
研究的目的:
- 引入和评估一种使用变态分解 (VMD) 来分析表面电肌图 (sEMG) 信号的新方法.
- 用VMD和一个coscalogram函数来评估下肢对手肌肉的肌肉合收缩.
- 为了比较VMD与连续波形变形 (CWT) 的性能,用于协同收缩分析.
主要方法:
- 分析了来自下肢对手肌肉的表面电肌图 (sEMG) 信号.
- 使用变化模式分解 (VMD) 结合图可视化.
- 使用可斯卡罗格拉姆函数来评估肌肉的共同收缩.
- 在量化方面,VMD的性能与使用信号对噪声比率 (SNR) 和根平均平方误差 (RMSE) 的连续波形变换 (CWT) 进行了比较.
主要成果:
- 在改善SNR方面,VMD显著超过CWT (VMD: -17.65 ± 8.1dB到2.98 ± 2.2dB与CWT: -17.65 ± 3.7dB到1.34 ± 1.5dB).
- 与CWT (0.023 ± 0.0027到0.020 ± 0.0025) 相比,VMD在RMSE (0.023 ± 0.0029到0.017 ± 0.0015) 中实现了较大的减少.
- 定量评估显示,VMD始终识别出比CWT更高的平均峰幅度的更强烈的共收缩事件.
结论:
- VMD提供了一种更准确,更有效的方法来分析sEMG信号,以评估脚肌肉的共同收缩.
- 在SNR和RMSE中VMD的优异性能表明在识别共收缩事件时的精度提高.
- 这些发现对改善临床评估和制定针对脚病理的目标康复策略具有重大意义.
