动态运动中的肌肉疲劳:限制和挑战,实验设计和新的研究视野.
Natalia Daniel1, Jerzy Małachowski2, Kamil Sybilski2
1Institute of Rocket Technology and Mechatronics, Faculty of Mechatronics, Armament and Aviation, Military University of Technology, 00-908 Warsaw, Poland.
Bioengineering (Basel, Switzerland)
|February 27, 2026
概括
在动态运动期间调查肌肉疲劳存在挑战. 波形变换和人工智能等先进方法在生物力学中显示出准确的表面电肌图 (sEMG) 分析的前景.
科学领域:
- 生物力学 生物力学
- 神经科学是一个神经科学.
- 运动科学 运动科学 运动科学
背景情况:
- 动态运动期间的肌肉疲劳很难用表面电肌图 (sEMG) 准确测量.
- 诸如皮肤阻抗,电极位移和主观感知等因素使sEMG分析复杂化.
- 经典指标具有局限性,需要先进的分析方法.
研究的目的:
- 概述动态运动中的肌肉疲劳研究的指南和挑战.
- 专注于活动选择,设备验证,sEMG信号分析和AI利用.
- 为了解决生物力学中sEMG测量的复杂性.
主要方法:
- 使用时间频率方法,如波波变换 (WT) 对于非静止的sEMG信号.
- 结合非线性指标 (例如,) 和多传感器数据 (EMG,加速度计,fNIRS,EEG).
- 应用人工智能 (AI) 算法,特别是协同人工智能与WT用于sEMG分解和提取.
主要成果:
- 波形变换 (WT) 和人工智能证明了从sEMG信号中检测肌肉疲劳的有效性.
- 人工智能和WT的协同应用改善了复杂,动态的sEMG数据的分析.
- 多传感器数据集成提供了对疲劳的更全面的了解.
结论:
- 需要对人工智能在疲劳检测中的系统概括和多传感器数据集成进行进一步研究.
- 协议的标准化和公共数据集的创建对于推进动态肌肉疲劳研究至关重要.
- 人工智能与WT等先进的信号处理技术相结合,具有准确的肌肉疲劳评估的巨大潜力.
