肌电论文阅读笔记
肌电论文阅读笔记
一、《肌电测量技术的应用》1、肌电产生的机制2、肌电测量电极类型（1）针电极（2）表面电极（SEMG）：有线、无线遥测3、肌电测量指标（1）时域指标：是以时间为自变量，以肌电信号为函数，来描述肌电信号随时间变化的振幅特征，而不涉及肌电信号的频率变化的非时间自变量。
积分肌电IEMG（采用肌电图可以判定肌肉所处的不同状态、肌肉之间的协调程度、肌肉的收缩类型及强度、肌肉的疲惫程度及损伤、肌肉的素养等）均方根振幅RMS,（反映•段时间内肌肉放电的平均水平）最大值（映肌肉活动的最大放电力量）时序（反映肌肉活动的最大放电力量）时程（从肌电曲线开头偏离基线到回归基线的时间）（2）频域指标4、肌电测量的应用采用肌电图可以判定肌肉所处的不同状态、肌肉之间的协调程度、肌肉的收缩类型及强度、肌肉的疲惫程度及损伤、肌肉的素养等。
5、肌肉与疲惫肌肉疲惫判定（1）肌电信号频率肌肉疲惫，放电频率低（2）肌电幅度疲惫时，振幅增加（3）肌电积分判定快肌纤维疲惫时快肌纤维较多腓肠IEMG减小大二、《肌电生物反馈的非线性机制》1、使用数据：肌电振幅、肌电频率、近似端分析2、肌电与生物反馈：随着生物反馈次数的增加，在肌电振幅明显降低、肌电频率明显提升三、《肌电图（EMG）在运动生物力学讨论中的运用》1、数据处理：时域分析：（1）原始肌电图（EMG）:是直接纪录下来的肌电结果，从EMG振幅的大小可以直观看出肌肉活动的强弱。
（2）平均振幅（MA）：反映肌电信号的强度，与肌肉参加的运动单位数目的多少及放电频率的同步化变化程度有关。
（3）均方根肌电（RMS）:是运动单位放电有效值，其大小取决于肌电幅值的大小，与运动单位募集数量的多少和兴奋节律有关（4）积分肌电（iEMG）：是肌电信号经过全波整流后随时间变化的曲线下所包绕面积的总和，是全波整流信号的积分总值，它反映了肯定时间内肌肉中参加活动的运动单位总放电量。
iEMG值的大小在肯定程度上反映运动单位募集的数量多少和每个运动单位的放电大小，是评价肌纤维参加多少的重要指标.频率域分析是对肌电信号进行频率变化特征的分析，是将时域信号通过快速傅立叶转换（FFT）得出的频域信号，在表面肌电信号的检测与分析中具有重要的应用价值。
上臂表面肌电信号与肘关节角度的相关性研究_吴小鹰
上臂表面肌电信号与肘关节角度的相关性研究*吴小鹰1,侯文生1,郑小林1,王洪2,查敏1(1.重庆大学生物工程学院,重庆400044;2.重庆工学院,重庆400050)摘要:目的根据检测的上臂肱二头肌和肱三头肌表面肌电信号,研究表面肌电信号和肘关节角度之间的相关性。
方法在手握恒定目标力量时提取表面肌电信号,并分别从时域采用均方根和积分肌电值方法提取肌电信号的特征值。
结果实验结果表明肱二头肌和肱三头肌上的肌电信号幅度的均方根和积分肌电值的变化规律是不同的,前者的肌电信号幅度的均方根和积分肌电值都是随着肘关节角度的增加而增大,而后者的2种值都在肘关节弯曲90b时最大,在45b和135b时的值非常接近。
结论肱二头肌和肱三头肌的表面肌电信号,可以反映肘关节角度。
关键词:表面肌电信号;肘关节角度;积分肌电值中图分类号:R318104;R85711文献标识码:A文章编号:100220837(2007)0420259205Rela tionsh i p between Surface E MG and Angle of E lbow J oi n t.W U Xi a o2y i n g,HOU W e n2sheng,Z HENG Xi a o2li n,WANG Hong,ZHA M i n.Spa ce M e d i c i n e&M ed i c a l Eng i n e e ri n g,2007,20(4):259~263 Abstr act:O bjective To e xp l o r e the corr e l a ti o n be t w e en the m ovi n g a ng l e o f e l b ow j o i n t a nd surf a ce e l e c tr om yog r am s i g na l(sE MG)ac ti v iti e s o f b i c eps a nd tri c eps.M e thods The e i g enva l u e o f sE MG du ri n g e l b ow j o i n t m ovi n g unde r consta n t l o a d w e re ca l c u l a te d w ith m ea ns of root m e an squa re (RM S)a nd i n teg r a te d e l e c tr om yog r am(i E MG)i n tm i e dom a i n.R esu lts The e xpe rm i e nta l r e su lts show e d tha t bo th the cha vac te ri s ti c s o f RM S a nd i E MG f o r b i c e ps d iff e red fr om those o f tri c eps. The sE MG a c ti v iti e s o f b i c eps i n c r e ase d w ith the i n c rem e n t o f e l b ow j o i n t a ng l e,w h il e those from tri c eps r e ached to the m a xm i um va l u e s w he n e l b ow j o i n t a ng l e w a s90b.Furthe r m ore,the sE MG a c ti v iti e s o f tri c e ps a t the e l b ow a ng l e o f45b w a s s m i il a r w i t h tha t w hen e l b ow a ng l e w a s135b. Conc l u sion The sE MG fr om b i c eps and tri c eps can r e fl e c t the m ov i n g a ng l e o f e l b ow j o i n t unde r cons ta nt l o ad.K ey w ord s:su rf a ce e l e c trom yog r am s i g na;l e l b ow j o i n t ang l e;i n te gr a te d e l e c trom yog r amAddress r epr int requests to:WU Xi a o2yi n g.Bi o eng i n e e ri n g I nstitute,Chongq i n g Un i v e r s i t y, Chongq i n g400044,Ch i n a表面肌电信号(su rf a ce e l e c tr om yog r am s i g na,l sE MG)是从皮肤表面通过电极引导、放大、显示和记录下来的神经肌肉系统活动时的生物电信号,信号形态具有较大的随机性和不稳定性[1]。
基于肌电信号的行为识别的研究
本科毕业论文（设计）基于肌电信号的行为识别的研究毕业论文(设计)成绩评定表TITLE: Recognition Research Based On The Behavior of The EMG SignalMAJOR: Information And Computing Science内容摘要本文对前臂肌肉群多个位置（包括肱桡肌、桡侧腕屈肌、桡侧腕长伸肌、尺侧腕伸肌、尺侧腕屈肌）进行表面肌电信号的采集，用RMS（均方差）与AR模型两种方法分别对采集的肌电信号进行特征分析和特征提取，再通过不同的分类方法（包括监督式学习、LDA分类算法）对现有的信号数据进行模式识别，区别屈肘、屈腕、屈指和前臂旋转等多种动作，最终使用MATLAB实验软件绘图直观表示各种分类方法的识别率，得到多种分类方法的优劣程度并最终得出结论从而将该项的研究成果拓展到人体其他肌群及相关假肢的控制中，另外在仿生控制人工动力假肢研究领域同样具有重要的意义。
关键词：特征提取模式识别 MATLAB 表面肌电信号AbstractIn this research,I collect the surface EMGs in several of the forearm muscle groups (including brachioradialis、flexor carpi、carpi radialis longus、extensor carpi ulnaris and flexor carpi ulnaris). With the methods such as RMS and AR model ,I extract the feature from the EMGs which has been collected.Then by using classification methods(Supervised Learning:The LDA algorithm),I use the existing EMGs in order to differentiate between elbow、wrist flexion,、flexor 、forearm rotation and so on.I also use two more signal optimizations to raise recognition rate.Ultimately, we use MATLAB to plot pictures and intuitively to show the recognition rate.Finally the best recognition rate is 98.611%.Keywords: Pattern recognition Feature extraction SEMG目录1引言 (1)1．1理论研究 (1)1．2国内外文献综述与研究现状 (1)2 表面肌电信号的采集 (3)2．1 肌电信号的模型说明 (3)2．2 肌电信号的数据说明 (4)2.2.1肌电信号的拾取 (4)2.2.2肌电信号的位置 (5)2.2.3动作展示 (6)3表面肌电信号的预处理 (8)4模式识别 (9)4．1特征提取 (9)4.1.1时域特征值：RMS 均方根 (9)4.1.2频域特征值：AR 自回归模型 (9)4.2监督式学习 (11)4.3绘图展示 (13)4.3.1 表面肌电信号 (13)4.3.2 RMS特征值 (14)4.3.3 AR模型特征 (15)5 信号优化处理 (16)5.1 Majority Vote与去噪函数 (16)5.2绘图展示 (17)6 结论 (18)参考文献 (19)附录 (21)1引言表面肌电信号(Surface Electromyography，SEMG)是人自主活动中肌肉表层多个运动单位所发出的电位序列最终在皮肤表面通过电极检测得到的时间与空间综合叠加的结果[10]，是神经肌肉系统活动时伴随的生物电信号。
肌电方面的SCI文章
肌电方面的SCI文章中风引起的痉挛性轻瘫被认为会改变受损骨骼肌的结构。
肌肉结构的改变可能意味着被动机械性能的改变，从而导致力量传递和本体感觉反馈的改变。
这种变化反过来会影响甚至加重运动障碍。
临床上，更好地了解被动肌肉特性脊髓损伤（SCI）是脊柱损伤最严重的并发症，往往导致损伤节段以下肢体严重的功能障碍。
脊髓损伤不仅会给患者本人带来身体和心理的严重伤害，还会对整个社会造成巨大的经济负担。
由于脊髓损伤所导致的社会经济损失，针对脊髓损伤的预防、治疗和康复已成为当今医学界的一大课题。
机器人康复已被证明是促进运动康复的有效疗法。
表面肌电图（EMG）是通过皮肤表面局部电位变化间接测量肌肉收缩力，提供了一个促进患者参与康复的机会，为机器人康复干预提供了新的方案。
肌电图触发的神经肌肉刺激已被证明是中风恢复的有效治疗方法。
根据感觉运动整合理论，当患者产生高于某一阈值的肌肉活动时，如肌电图所检测到的，则对肌肉施加辅助性电刺激。
在这项工作中，提出了一个机器人康复系统，机器人协助取代电刺激。
通过同步有意识产生的肌电图与本体感觉反馈来增强运动学习。
中风引起的痉挛性轻瘫被认为会改变受损骨骼肌的结构。
肌肉结构的改变可能意味着被动机械性能的改变，从而导致力量传递和本体感觉反馈的改变。
这种变化反过来会影响甚至加重运动障碍。
临床上，更好地了解被动肌肉特性脊髓损伤（SCI）是脊柱损伤最严重的并发症，往往导致损伤节段以下肢体严重的功能障碍。
脊髓损伤不仅会给患者本人带来身体和心理的严重伤害，还会对整个社会造成巨大的经济负担。
由于脊髓损伤所导致的社会经济损失，针对脊髓损伤的预防、治疗和康复已成为当今医学界的一大课题。
机器人康复已被证明是促进运动康复的有效疗法。
表面肌电图（EMG）是通过皮肤表面局部电位变化间接测量肌肉收缩力，提供了一个促进患者参与康复的机会，为机器人康复干预提供了新的方案。
肌电图触发的神经肌肉刺激已被证明是中风恢复的有效治疗方法。
下肢肌电应用研究现状
下肢肌电应用研究现状作者：耿帅赵文韬马士龙来源：《体育时空·上半月》2015年第12期中图分类号：G804 文献标识：A 文章编号：1009-9328（2015）12-000-02摘要随着竞技体育的发展，竞技体育比赛日趋激烈，加大体育科研是提高运动成绩的有力保障。
而表面肌电技术是体育科研中不可或缺的手段。
本文收集近十年的相关文章，旨在找出肌电在下肢运动中的研究成果、现状和趋势，为进一步的研究提供理论支撑。
关键词下肢体育肌电肌电信号由神经肌肉系统中运动单位募集和激发频率的变化所决定，肌肉的收缩是由于中枢神经系统的α运动神经元发放神经冲动造成的，用适当的方法将骨骼肌兴奋时发生的电位变化引导、放大并记录所得到的图形为肌电图。
因此，肌电图是用来记录肌肉的电活动变化，常用来反映中枢神经系统的活动。
肌电图可以记录不同负荷下的肌电振幅、肌肉放电的开始与结束时间、不同肌肉参与活动的先后次序、频率、肌肉的收缩强度等，用以说明不同负荷与不同训练动作在神经肌肉功能的支配特点与差异。
一、研究内容在肌电运用中，目前最常用的是表面电极技术，其最大特点是可直接应用于运动实践中，而不影响运动员动作的完成，所记录的肌电信号为运动员完成动作时肌电信息的真实反映，在实践中可对运动员进行无损伤的、实时的测量。
因此现在研究中使用表面电极最多，而表面肌电技术在下肢肌肉的研究涉及到很多方面。
（一）运动冲击力对下肢肌电的影响在运动训练，冲击力对运动员身体及运动技术的影响是个不可忽略的因素，直接关系着运动员的人身安全和运动成绩，但是在实际的运动训练中，关于起跳弹跳力的研究多于冲击力的研究。
牛文鑫、王旸等人在《模拟跳伞着陆中踝关节防护对下肢肌电活动性的影响》中表示：踝关节防护和性别对所有肌肉的触地前下肢肌电持续期都无显著性影响，两因素也无显著性交叉影响。
佩戴护踝后胫骨前肌触地前肌电幅值显著增大，而外侧腓肠肌触地前肌电幅值则不受踝关节固定的显著性影响。
《肌电图诊断与临床应用 第2版 》读书笔记思维导图PPT模板下载
第五节 视觉诱发 电位
第六节 脑干听觉 诱发电位
第七节 体感诱发 电位
参考文献
下篇
第七章 单发性周 围神经病
第八章 神经丛和 神经根病变
第九章 上肢和肩 部近端神经病
第十章 多发性周 围神经病
第十一章 运动神 经元病
第十二章 神经肌 肉接头病变
第十三章 肌 病
第十四章 肌膜兴 奋性异常疾病
01
03
第三节 胸长神经 病
04
第四节 肌皮神经 病
06
参考文献
05
第五节 副神经病
1
第一节 概 述
第二节 获得 性非特异性炎
2
症性脱髓鞘性
周围...
3
第三节 营养、 代谢、药物中
毒性和其他多
发...
4 第四节 遗传
性周围神经病
5
参考文献
1
第一节 概 述
第二节 重症 2
肌无力
3 第三节 肌无
力综合征
再版前言
第1版前言
上篇
01
第一章 周围神经 解剖和生 理
02
第二章 肌电图检 查基础知 识
03
第三章 常见神经 传导检查
04
第四章 针电极肌 电图
06
第六章 诱发电位 基础知识
05
第五章 外伤性周 围神经损 伤
第一节 周围神经 生理
第二节 周围神经 解剖
第三节 周围神经 系统疾病分类
参考文献
《肌电图诊断与临床应 用 第2版 》
最新版读书笔记，下载可以直接修改
思维导图PPT模板
本书关键字分析思维导图
参考文献
临床
诱发电位
病变
表面肌电的信号分析及在体育科研中的应用
积， 导致运动单位传导速度降低， ＭＰＦ 和 ＭＦ 也 随 之 下 降 。 但
［ ２３］
也 有 研 究 发 现 并 不 支 持 上 述 观 点 ， ＢＯＵＩＳＳＯＵ 等 采 用 口 服 ＮａＨＣＯ３ 造 成 的 碱 化 与 非 碱 化 状 态 下 对 ８ 名 男 性 受 试 者 大 强 度 运动负荷时股外肌 ＭＰＦ 和肌细胞 ｐＨ 的变化关系研究发现，运动 前碱化组受试者血液 ｐＨ 值 较 对 照 组 高 ０．０８ 单 位 ， 运 动 时 碱 化 组肌乳酸累积明显大于对照组， 但两种状态下肌细胞内 ｐＨ 间却 无明显差异， 对照组在运动至疲劳时 ＭＰＦ 下降约 １０．１％±０．９％， 而 碱 化 组 则 下 降 约 １９％±２％， ＭＰＦ 下 降 与 肌 乳 酸 累 积 呈 直 线 相 关（ｒ＝０．６８，Ｐ＜０．０１）， 但 与 细 胞 内 ｐＨ 值 变 化 无 明 显 关 系 。 此 外 ， 另 有研究发现， 麦克阿特尔患者在剧烈运动至疲劳时同样发生
１ ｓＥＭＧ
表 面 肌 电 信 号 （ ｓｕｒｆａｃｅ ｅｌｅｃｔｒｏｍ ｙｏｇｒａｐｈｉｃ ｓｉｇｎａｌ， ｓＥＭＧ 信
号）是 从 皮 肤 表 面 通 过 电 极 引 导 、放 大 、显 示 和 记 录 下 来 的 神 经 肌
［ １］
肉系统活动时的生物电信号 ， 信号形态具有较大的随机性和不
［ ２］
０
０Ｐ（ ｆ） ｄｆ ＝ １ ／２∫Ｐ（ ｆ） ｄｆ
０
ＭＦ
０
此外， ｓＥＭＧ 的 ＦＦＴ 频谱曲线并非呈典型的正态分布， 因而
从统计学角度而言， 使用 ＭＦ 刻画 ｓＥＭＧ 的频谱特征的变化要优
于 ＭＰＦ， 但在具体实践中人们发现， 在反映肌肉的活动状态 和 功
肌电信号的时域和频域分析要点
肌电信号的时域和频域分析摘要：肌电信号是产生肌肉力的电信号根源，它是肌肉中很多运动单元动作电位在时间和空间上的叠加，反映了神经，肌肉的功能状态，在基础医学研究、临床诊断和康复工程中有广泛的应用。
其种类重要有两种：一，临床肌电图检查多采用针电极插入肌肉检测肌电图，其优点是干扰小，定位性好，易识别，但由于它是一种有创伤的检测方法，其应用收到了一定的限制。
二，表面肌电则是从人体皮肤表面通过电极记录下来的神经肌肉活动时发放的生物电信号，属于无创伤性，操作简单，病人易接受，有着广泛的应用前景。
本次设计基于matlab用小波变换对肌电信号进行消噪处理，分别选用20N 的肌电信号数据和50N的肌电数据进行对比，最后在GUI界面上完成相应的功能处理。
关键字：肌电信号 Matlab 小波去噪 GUI第一章绪论肌电信号是产生肌肉力的电信号根源，它是肌肉中很多运动单元动作电位在时间和空间上的叠加，反映了神经，肌肉的功能状态，在基础医学研究、临床诊断和康复工程中有广泛的应用。
其种类重要有两种：一，临床肌电图检查多采用针电极插入肌肉检测肌电图，其优点是干扰小，定位性好，易识别，但由于它是一种有创伤的检测方法，其应用收到了一定的限制。
二，表面肌电则是从人体皮肤表面通过电极记录下来的神经肌肉活动时发放的生物电信号，属于无创伤性，操作简单，病人易接受，有着广泛的应用前景。
肌电信号本身是一种较微弱的电信号。
检测和记录表面肌电信号，需要考虑的主要问题是尽量消除噪声和干扰的影响, 提高信号的保真度[1]。
第二章肌电信号的时域分析2.1 肌电信号时域图的显示及比较肌电信号采用两个不同的数据进行比较，通过比较时域图及其特性来进行分析[2]。
其图像如下所示：如上图所示：肌电数据分别是同一个体在20N的力和50N的力所反映的图像。
可以看出在不同作用力时，其图像的差别很大。
2.2 时域参数2.2.1 均值对于一个随机变量来说，均值是一个很重要的数值特征。
肌电图的数据分析
肌电图的数据分析摘要肌电图是肌肉生物电活动的记录，与其他生物电一样，肌电也是一种有规律的生物电现象。
肌电的测量可以对疾病进行辅助检查。
应用体表电机记录肌肉静止或收缩时的电活动。
通过此检查可以确定周围神经、神经元、神经肌肉接头及肌肉本身的功能状态。
而当运动单位发生各种病理变化时，会出现异常肌电图波形，所以常用肌电图来判断神经肌肉功能是否正常以及确定神经肌肉疾病发生的部位、性质和病变程度等。
现如今，肌电图已经成为神经肌肉病变的主要临床诊断工具。
所以学习如何采集肌电信号，处理以及分析肌电信号就显得尤为重要。
本篇文章主要介绍了肌电信号收集后的数据处理，处理的方法主要应用了整流，平滑，滤波等，着重进行了频域和时域的分析，其中以股二头肌，股三头肌和肱桡肌为例。
临床上常用表面肌电图对肌肉的疲劳进行研究，最常用的是频频域分析和时域分析。
这里对数据处理所用的软件是MR3，MR3可以自动对数据进行处理，生成需要的报告，因此本文的内容在于对生成图形的分析。
由于条件的限制没有患者的案例，所以选取的数据来自正常人做弯举10kg的哑铃，肩关节不动，保持肘关节90°角，直到手臂有酸痛的现象，然后放下哑铃，将波形记录在电脑中。
关键词：表面肌电信号；频域分析；时域分析；MR3；整流；平滑；滤波表面肌电图作为一种无创检测方法已得到广泛的应用，可以说它的存在使得康复更加具有可操作性和普遍性。
对于一些肢体有残疾的人来说，他的患侧到底达到什么程度才可以说他完全康复，原来依靠主观意识，这在一定的程度上存在着随机性和偶然性，但是肌电图的存在，使得康复程度可以量化，对于康复医师来说可以减少很多的困难，让他们的康复更加具有针对性和方向性。
肌肉最基本的功能就是兴奋和收缩，所以在测量的过程中主要让被测者进行屈伸运动，这样可以进行肌电信号的采集，其他的功能也可以，但是对于体表电机来说，所测得的数据会太杂乱，本身体表电机的测量就具有许多的干扰因素，所以要尽可能的避免干扰，这就是选择收缩功能的主要原因。
运动员表面肌电信号与分形
《运动员表面肌电信号与分形》读书报告一、肌电的简介关于肌电的记载，最早可以追溯到17世纪中叶，FrancescoRedi偶然中发现了电鱼的电能来源于一块高度特化的肌肉。
到1773年，Walsh证实了鳗鲡的肌肉可以产生电活动。
1791年，伽伐尼(Galvani)就通过一系列蛙类的肌肉收缩研究，证明肌肉收缩与电有密切的关系，这也被认为是人类对肌电的最早认识。
法国的杜波依斯·雷蒙德(DudoisReymond)是最早检测到肌肉自主收缩时能够产生电信号的人，他于1849年发现并描述了人体运动是和肌肉的电活动联系在一起的。
19世纪60年代，Duchenne开始利用电生理学方法系统的研究完整肌肉的功能和动力学，标志着这一领域工作的真正开始。
1907年，派柏(Piper)利用弦线检流计记录到人臂肌肉的电势差。
在1922年，加塞(Gasser)和厄兰格(Eflan粤'e)利用阴极射线示波器代替传统的检流计观测到肌电图，并因此获得1944年的诺贝尔奖。
整个19世纪和20世纪初叶，许多学者对神经肌肉电现象进行了大量研究，并建立了大量学说，为肌电技术在各个领域的应用奠定了理论基础。
从20世纪中叶以来，伴随计算机技术和神经生理学研究的飞速发展，肌电技术被更为广泛和深入的应用在各个领域：临床医学领域的神经肌肉疾病诊断、人机工效学领域肌肉工作的工效学分析、康复医学领域的肌肉功能评价以及体育科学中的疲劳判定、运动技术合理性分析、肌纤维类型和无氧阀值的无损伤性预测等方面。
运动神经元、轴突及其末梢和连接到这些末梢的肌肉纤维，构成了神经肌肉的功能单位，称为运动单位(motorunit，MN)。
运动单位是可以由意识而激活的最小单位。
一块骨骼肌包含着若干数量的运动单位，肌电信号是产生肌肉力的电信号根源，是肌肉中许多运动单元动作电位在时间和空间上的叠加，反应了神经肌肉的工作状态。
二、肌电信号研究现状有以下几个方向的研究1、对运动性疲劳的研究运动系疲劳特指运动引起的肌肉产生最大随意收缩力量或者输出功率暂时性下降的生理现象2、运动损伤及康复的研究3、肌肉工作性质的研究4、对假肢控制技术的研究5、生物反馈调节的研究6、肌肉收缩的顺序、力量、速度、角度等工作状态的研究7、评价肌肉类型、运动能力及选材的研究三、常用分析指标1、时域分析法以时间为变量，肌电信号作为时间的函数，主要反映的是sEMS信号的振幅在时间维度上的变化，是肌电信号分析最直接的方法，最常用的时域参数就是积分肌电值、均方根肌电值a 、积分肌电是指肌电图曲线所包含的面积，在一定程度上反映了一定时间内肌肉中运动单位的放电总量，b、均方根肌电值反应的是一定时间内的肌肉放电的平均水平，均方根肌电是时域中最常用的最可靠的参数。
运动员表面肌电信号与分形
读书笔记模板
01 思维导图
03 目录分析 05 读书笔记
目录
02 内容摘要 04 作者介绍 06 精彩摘录
思维导图
本书关键字分析思维导图
电信号
信号
分形
方法
现状及
肌肉 矩
运动员
研究
肌 研究
实验
电信号
电信号
分形
表面
训练
运动员
电
内容摘要
本书内容包括：肌电信号研究现状及进展、肌电信号研究方法、肌电信号的分形与混沌、研究创新与研究结 果等。
一、表面肌电信号谱特性的研究结果 二、不同训练水平运动员表面肌电信号的分形维数的分析结果所表明的趋势 三、不同训练水平运动员肌电信号的伪近邻判阶结果所表明的趋势 四、研究结果表明可以用表面肌电信号通过线性预测刻画力矩信号
一、存在的问题 二、建议
作者介绍
这是《运动员表面肌电信号与分形》的读书笔记模板，暂无该书作者的介绍。
第五节实验与预测
第四节自适应滤波 方法
第六节本章小结
一、肌电图与肌肉张力关系的研究现状 二、运动学信号、力矩信号的测量方法
一、自适应滤波方法的原理——最速下降法 二、最小均方（LMS）自适应滤波
第二节研究结果
第一节研究创新
第三节肌电信号研 究存在的问题及建
议
一、研究的创新 二、研究所做的主要工作
一、实验准备 二、数据采集 三、介绍实验过程
1
第一节分形的 概念
2
第二节自相似 性的概念
3
第三节分维的 计算
4 第四节运动员
表面肌电信号 的分形特征
5
第五节混沌的 概念
第六节表面肌 电信号的混沌
【doc】基于肌电信号的手臂运动状态的辨识
基于肌电信号的手臂运动状态的辨识24卷4期2005年8月中国生物医学工程ChineseJournalofBiomedicalEngineeringV o1.24No.4August2005基于肌电信号的手臂运动状态的辨识李醒飞杨晶晶史颖张国雄卢志扬(天津大学精密测试技术及仪器国家重点实验室,天津300072)摘要:本研究的目的是利用人体上肢肌肉的肌电信号辨识人体肘关节运动状态.当人体手臂做屈伸运动时,采集肱二头肌和肱三头肌的肌电(EMGs)信号和肘关节角度信号,对EMGs进行处理和特征提取.提取的特征值作为一个四层的神经网络模型的输入信号,运用改进后的误差反传学习算法最优化网络各层权值,映射出人体表面肌电信号和手臂运动状态间的非线性关系,并将处理后的肌电信号转换为相应时刻的肘关节运动角度.试验结果表明神经网络预测出的肘关节运动角度与测角仪测出的实际运动角度最大误差小于1度.关键词:EMGs;肘关节角;神经网络;状态辨识MotionStateIdentificationofHumanElbowJointBasedonEMGs LIXing??FeiYANGJing??JingSHIYingZHANGGuo??XiongLUZhi—y ang(StateKeyLaboratoryofPmc~eMeasurementTechnologyandInstrumentTi anfinUniversity,Tianjin300072)Abstract:Theobjectiveofthisstudyistoidentifythemotionstateofhumanelb oWiointbasedontheEMGs.EMGs werecollectedfromthebicepsandtricepsmusclesofnormalsubjectswhenthe ymovedtheirelbowflexion-extensionwithtime—varyingloads.TherawEMGsignalswereprocessedandthenewd efinedcharacteristicwaspickedup.Afour-layerfeed—forwardneuralnetworkmodelwiththecharacteristicasitsi nputwasdeveloped;theweightedvaluesof themodelwereoptimizedwiththeadjustedback-propagationalgorithm.Byt rainingthemodelcanmapthetransformation:fromtheprocessedEMGsignalstotheelbowjointangles.Th eexperimentalresultsshowedthatthe maximalerrorbetweenthejointanglepredictedbythenetworkandtheactualj ointanglemeasuredbythegoniometerislessthanldegree.Keywords:EMGs;ElbowJointAngleNeural;NetworkState;Identification 中图分类号Q811.212;文献标识码A文章编号0258—8021(2005)04—0416.05近年来,随着神经生理学和生物力学的发展,人们对肌电信号的产生机理有了充分的认识.肌电信号是人体自主运动时神经肌肉活动发放的生物电信号,它反映了神经,肌肉的功能状态一.不同肌肉的运动模式是由不同的肌群收缩产生,基于肌肉收缩所伴随的表面肌电信号(SEMG)不同,很多学者试图从SEMS中寻找与肌肉运动模式相对应的信号特征,并为此进行了大量的研究,但结果都不尽人意.基于肌电信号辨识人体肘关节的运动状态的研究具有重要的意义,因为辨识的结果不仅可以作为类人机械手和人工假肢的控制信号,还可以作为神经假肢的刺激信号,用于对人体进行康复治疗.其辨识过程也就是辨识模型的建立过程,而且可以用于对人体控制机理进行理论解释.本研究利用人体做肘关节屈伸运动时,肱二头肌和肱三头肌的肌电信号,建立肌电信号的特征值集,并将该特征值集作为神经网络模型的输入信号,运用改进后的误差反传学习算法最优化网络各层权值,建立了肌电信号到肘关节角度信号的非线性映射.收稿日期:2004—12—31,修回日期:2005—05—16.基金项目:国家自然科学基金资助项目(50375108);天津市自然科学基金资助项目(033601611).4期李醒飞等:基于肌电信号的手臂运动状态的辨识4l71原理和方法图1所示为测量和辨识系统的原理框图,人体在垂直面上做屈伸运动,采集肘关节角,上臂的肱二头肌和肱三头肌的肌电信号.对肌电信号进行滤波和特征提取,提取的肌电信号特征值作为神经网络辨识模型的输入信号,肘关节的角度信号作为期望的角度输出,用于对网络模型进行训练.为了得到辨识模型的最优权值,运用改进后的BP算法对神经网络进行训练,训练完成后,模型所建立起来的神经网络模型就建立起了肌电信号到肘关节运动状态的映射.肌电信号头肌随时间变化的肌电信号和肘关节随时间变化的角度信号.图1系统结构框图应该说明的是,所采集的肌电信号中包含了视觉反馈的作用,如图2所示.受试者通过视觉反馈不断检测肘关节的状态与目标之间的距离,调整对肱二头肌和肱三头肌的激励以控制肘关节的运动. 任务是根据所测的肌电信号来辨识肘关节的运动状态和轨迹.2EMG信号的采集和特征提取,,,,2.1EMG信号采集本研究利用NORAXOMMYOSYSTEM1200肌电仪和DAQ2006数据采集卡对肌电信号进行采集. 试验中使用两对差动电极,电极之间间隔2cm,构成双电极模式,分别在肱二头肌和肱三头肌上同时采集两路肌电信号.肌电仪完成前置放大功能,其低频截止频率为9Hz,高频截止频率为518Hz.受试者在肘关节作屈伸动作时,两组电极的差动信号以及测角仪所测的肘关节的角度信号通过数据采集卡同时存入计算机中,采样频率为1000Hz.图3,图4和图5分别表示肘关节做屈伸运动时,肱二头肌,肱三>量≥馨图2具有视觉反馈的肘关节运动控制框图006002>0主-002馨004图3肱二头肌原始的肌电信号征提取的方法如下:为了识别受试者手臂运动起始和终止状态,定义一个平方和函数2s(n):(EMG(n)一EMG,~)其中,EMG.(n),EMG(n)分别为从肘关节准备做屈伸运动到运动结束且处于放松状态的这段时间内肱二头肌上和肱三头肌的肌电信号值,丽是每条肌肉肌电信号的均值.当s(n)大于预先设定的阈值时,认为肘关节开始做屈伸运动.418中国生物医学工程24卷宴尝援{P020*******OOO800010000采集点数N/n图5肘关节运动角度(0度.6o度.0度l将每组肌肉上的肌电信号标准化,以满足两条肌肉上测得的肌电信号和值为1..(凡):EMG.(n)一丽2∑(EMG,(/2)一丽’):1经过此处理后每条肌肉的EMG信号特征值(n)不再依赖于肘关节运动时的用力大小.将两条肌肉上肌电信号特征提取处理后的两组向量. (n),(n)构造成神经网络模型的输入矩阵:,(凡)=[1,I(凡),2(凡),I(凡),I(凡)2(凡),2(凡)]矩阵中每个列向量分别作为神经网络输入层上6个神经元的输入值.3神经网络辨识模型3.1辨识模型的建立人工神经网络模仿生物神经元结构和神经传递机理,由许多具有非线性映射能力的神经元组成,神经元之间通过权系数相连结,构成自适应非线性动态系统.人工神经网络的自组织,自适应学习,极佳的容错性,非线性和鲁棒性,联想记忆能力以及推理意识功能,使得它在肌电信号的辨识和模式识别上显示出极大的优越性.同时,神经网络的并行结构加快了信号处理速度,减少了控制延时.本研究采用以多层感知器为主体的前馈神经网络对处理过的肌电信号进行运动模式分类,以辨识肘关节做屈伸运动时的运动状态,预测肘关节的运动轨迹.如图6所示,网络由输入层,隐层l,隐层2,输出层组成.输入层有6个神经元,分别为特征提取处理后的EMG信号,作为神经网络的输入;两个隐层分别有20个神经元;输出层只有一个神经元,其值为相应时刻神经网络预测出的手臂运动角度.同一层神经元间互不连接,层与层神经元间全互连.网络结构如图6所示.3.2神经网络训练算法输出层隐层2隐层l输入层图6四层的神经网络模型,其输入层为处理后EMG信号I(n),输出为网络预测的手臂肘关节运动角度网络实际应用之前,需要对网络进行训练,学习.本研究对网络的训练采用改进后的误差反传学习算法(ErrorBackPropagation).此算法包括两大步骤,其一是输入正相传播过程,处理后的信号加在网络的输入层后,逐层向输出层传播,得到输出响应. 如果网络输出与需要输出的误差大于标定值,将进行第二步,即输出误差反向传播过程,输出的误差值由输出层开始反向传播到输入层,传播到每一层的误差大小决定该层权值的改变.网络的训练实质上是一个最优化的过程,即找到使输出误差最小的网络权值J.训练结束后的网络权值,代表了神经网络输入输出的映射关系.l■.Or”t图7Slgmiod函数在该网络中,输入层和隐层采用非线性的Sigmoid函数(图7所示)作为神经元激励函数,输出层采用线性函数.首先,定义误差函数为:1(k)=÷[Y(k)一Y(k)]厶上式中,Y(k)为期望输出值,即手臂实际运动角度,Y(k)为网络输出值,即神经网络预测的手臂运动角度.本研究所定误差需小于0.001,因此需要由输出层开始反向推导网络权系数的修正值.(1)输出层神经元输出值及权值修正:加∞如∞∞加mOm4期李醒飞等:基于肌电信号的手臂运动状态的辨识419 ),(j})=厂(∑;”?hj一0)=,(∑埘?h;)A w;㈩=一’7=一Y(k)一),(k)]厂(),(k))h;式中厂(?)为线性函数,l3]为隐层2中第J_个神经元与输出层的权系数,h;为隐层2的神经元输出值,’=0,h=一1,即把神经元偏置的调整归人权系数的学习中,下面各隐层的情况也与之相同.(2)隐层2神经元输出值及权值修正:1h;=f(∑’?)△()=一叩[Y(k)一y(k)]厂(y())wf(h;)h式中厂(?)为sigmoid函数,为隐层1中第i个神经元与隐层2中第J.个神经元的权系数,h:为隐层1中第i个神经元输出值.(3)隐层1神经元输出值及权值修正:Ⅳ:(|i})=厂(∑(|i})?,(|i}))A w’.(k)=一叩[Y(k)一Y(k)]厂(h)-厂(Y(k)),(|i})式中厂(?)为sigmoid函数,1(k)为输入层中第m个神经元与隐层1中第i个神经元的权系数,,m(k) 为输入层中第m个神经元输入值.开始训练前,用小的随机数将权值初始化.为解决传统的BP算法中存在着收敛速度慢,目标函数容易陷入局部极小点的问题,本研究在实际训练中采用了如下改进措施:(1)学习率自适应调整:BP学习算法中学习速率’7取值较小,误差波动较小,但学习速度慢;叩取值较大,容易引起振荡甚至发散.因此采取学习率自适应调整,当连续两次迭代其梯度方向相同时,表明下降太慢,此时将步长增加;当连续两次迭代梯度方向相反时,表明下降过度,这时步长减小.本研究中采取了如下自适应方法调整:‘7(k)=叩(k一1)?f(A)其中:当误差梯度连续变号(除非叩(k)=叩一),f(A)=～;当误差梯度不连续变号(除非叩(k)=叩一),,(A)=A;当’7(k)=…或’7(k)=‘7时,f(A)=1.A为选定的大于1的常数,叩和’7为预先选定的最大和最小学习率,上述方案的思想是,只要不发生振荡就增大学习率直到叩,如发生了振荡就以较小的学习率,直到叩.(2)加入动量项:动量法在权值修正过程中加入了前一时刻负梯度的影响,相当于加入了阻尼项,降低了网络对误差曲面局部细节的敏感性,减小了学习过程的振荡趋势,有效的抑止了网络陷于局部极小.本研究采用改进后的BP算法,权值更新为:(k+1)=(k)+△(k)+[(k)一(k一1)J其中(k)一(k一1)]称为动量项,称为动量因子,可见,在加入动量项后,权值变化较缓慢时,修正量较大,权值变化较小时,修正量较小.(3)动量因子自适应调整:动量因子是决定收敛速度快慢的因素之一,本研究采用如下方法改变以调整权值的修正步长: ㈩:?A+7(k+rlS.㈩其中S.=Upt4测试结果及分析受试者在不同的运动速度(运动完成周期分别为2s,4s,6s,8s),手掌摆放位置(掌心向下,掌心向上)和任意的屈伸角度进行多组试验.在不同组动作的试验中,对该组动作样本任意选取50组作为神经网络控制器的训练集,剩余信号为测试集以考察EMG信号经过神经网络系统后预测的角度的准确率.设定当训练误差小于0.001时网络收敛,图8显示了均方根误差的收敛过程,从收敛图可以看出, 所设计的神经网络快速平稳收敛.网络参数收敛以后,使用经过训练的网络分别和测试样本中余下的的肌电信号来预测其相应手臂运行角度.图9为受试者在运动周期为6s,掌心向上,做(0—60—0)屈伸运动.使用均方根误差分析测试结果:MS=其中Y为预测角度,Y为实际角度.均方差误差均小于1,表明实际角度与预测角度的误差在1度以内.420中国生物医学工程24卷星嘏杠1O41031O2jI1lj1O橥0010.1101O.10.!\\/|_\!\,,/\～,l0102O3O4O5O6O7O8O9O周期数N/n图8神经网络训练误差的收敛过程图9预测与实测的关节角曲线5结论本研究使用人体肘关节做屈伸运动时的肱二头肌和肱三头肌的肌电信号,经过数据处理建立了一个肌电信号特征数据集,并以此作为神经网络辨识模型的输入,使用改进后的BPiJil练算法优化随模型的权值.该辨识模型能将处理后的肌电信号转换为相应时刻肘关节运动角度信号.受试者在不同的运动速度,屈伸角度和手掌摆放位置下进行试验,神经网络模型能够很好地预测出的肘关节运动角度.结果表明神经网络模型及训练算法能够成功的映射出人体表面肌电信号和手臂运动状态间的关系.6讨论神经网络模型类似于一个黑盒子,它运用特殊的训练方法来最优化各层神经元间的权值,建立起输入输出间的非线性关系.训练和测试结果表明神经网络能够成功的通过肌电信号预测出人体手臂的运动情况.然而,由于EMG信号不仅与人肢体运动状态有关,而且还会受到人体生理状态以及测试时电极安放位置等客观因素的影*fo因此建立的神经网络模型所应用的数据对不同的受试者是独立的,不同的受试者不能享用相同的网络模型.实际上,对于同一个受试者,在不同组次的试验中如果移动了手臂上的电极位置,网络也需要进行重新训练.这就意味着没有固定的神经网络模型预测肘关节所有的运动状态.当然,可以利用当前保存的权值作为网络的初始值来训练新的神经网络,以加快网络训练过程得到新的最优化网络权值.参考文献[1]丁海曙,容观澳,王广志.人体运动信息检测与处理[M].北京:宇航出版社,1992,94—121.SepulvedaG,WellsDM,VaughanCL.Aneuralnetwork representationofelectromyographyandjointdynamicsinhumangait [J].JBiomech,1993.26:101—109FukudaO,TsujiT,KanekoM.PatternclassificationofEMG signalsusingneuralnetworksduringaseriesofmotions[J].TransInstElectEng,1997,117(10):1490—1497.TsujiT,FukudaO,IchinobeH,eta1.Alog—linearizedGaussian mixturenetworkanditsapplicationtoEEGpatternclassification IJJ.IEEETransSystManCybernC.1999.29:60—72.TsujlT,FukudaO.KanekoM.eta1..Patternclassificationof time?seriesEMGsignalsusingneuralnetworks[J].IntJAdaptive ControlandSignalProcessing,2000,14:829—848.张乃尧,阎平凡.神经网络与模糊控制[M].北京:清华大学出版社,1998.1—9.LuhJJ,ChangGC,ChengCK,eta1.Isokineticelbowjoint torquesestimationfromsurfaceEMGandjointkinematicdata: Usinganartificialneuralnetworkmodel[J].JEleetromyogr Kinesiol,1999,9:173—183.LiuMM,HerzogW,SavelbergHH.Dynamicmuscleforce predictionsfromEMG:Anartificialneuralnetworkapproach[J].J ElectromyogrKinesiol,1999,9:391—4OO. LippmannRP.AnIntroductiontoComputingwithNeuralNets[J]. AIEEEASSPMag.1987.8:4—22.杨行竣,郑君里.人工神经网络[M].北京:高等教育出版社, 1992.23:40.]]]]]]]]23456789[[[[[[[[[。
运动性肌肉疲劳对肌电与脑电相干性分析
运动性肌肉疲劳对肌电与脑电相干性分析作者：李梅杰来源：《智富时代》2019年第11期【摘要】大脑是人体的运动中枢，脊髓运动神经元生物电活动受大脑皮层控制产生肌电信号，大脑皮层自发或诱发的脑电活动则称之为脑电信号。
探讨二者之间的关系对于深入认识运动性肌肉疲劳的本质具有重要意义，文章据此做简单的实验性分析。
【关键词】运动性肌肉疲劳;肌电;脑电一、实验阶段（一）受试者选取从XX高校随机选取15名健康青年男性志愿者作为受试者，受试者皆无专业体育运动训练经历，且都是右利手;所有受试者在实验前需接受问卷调查，确保受试者身体健康状况良好。
（二）实验程序正式实验进行之前，受试者坐在座椅上，上身保持直立，分别调节座椅高度和身体姿势，使得髋、膝、踝关节保持90°，双脚平放于地面。
右前臂与右上臂保持垂直，右上臂与水平面保持垂直，另一侧手臂自然下垂于体侧。
嘱咐受试者身体保持放松，内心保持平静，记录受试者在安静状态自由眨眼20次过程中的眼电和脑电活动，已备后期去除眼电伪迹时用。
之后进行屈肘疲劳负荷实验。
受试者在保持实验开始前准备姿势的条件下，使受试者右臂腕部拉住可在肘关节处产生20%MVC的重物，至受试者不能坚持负荷运动任务时结束实验。
记录静态屈肘疲劳负荷过程中受试者肱二头肌表面肌电信号及脑电信号。
（三）表面肌电信号采集记录实验过程中受试者右侧肱二头肌表面肌电信号。
放置电极前利用磨砂膏打磨皮肤表面以去除角质和表面污垢，之后用75%酒精棉球清理皮肤表面，以减小阻抗。
利用医用胶带将测试电极置于右侧肱二头肌肌腹表面，两电极间距2cm。
通过注射针管往每个肌电测试电极内注入导电膏，并通过导联电阻监测图了解测试导联与皮肤的接触情况。
实验过程中保证2个测试肌电电极的电阻低于10000Ω，SEMG采样频率设置为2000HZ，带通滤波1～1000HZ。
（四）脑电信号采集按照国际10/20系统安放电极。
实验时先让受试者带上电极帽，并将具有松紧性的电极帽套罩在电极帽上，以增加脑电电极与头皮的接触。
基于肌电信号的人体上肢运动识别
传统的康复训练主要是由经验丰富的医师对患者进行早期的基础护理、中期的针灸和推拿以及后期的针刺疗法[3][4]，这种一对一的康复训练对于双方都是一个枯噪乏味的过程。其训练效果很大程度上取决于康复医师的临床经验、技术娴熟程度。传统疗法不仅效率低下，而且医师的体能状况和主观推断以及其手法都会对康复训练效果起到相应的制约，这些弊端往往导致大量患者错失最佳的康复时机[5]。
苏州大学本科毕业设计论文17表21不同动作需要的肌肉动作所用肌肉大臂小臂同时抬至水平大臂竖直小臂抬至水平手腕逆时针转动直臂向上三角肌肱三头肌直臂向前直臂向右三角肌中部冈上肌直臂向左三角肌前部胸大肌肩胛下肌肩逆时针转动肩胛下肌大圆肌肩顺时针转动冈内肌小圆肌结合以上分析本文选择了方便给志愿者贴肌电片的8个通道依次为尺侧腕屈肌肱桡肌肱二头肌肱三头肌三角肌前部三角肌中部三角肌后部和冈上肌
3.The feature extraction method based on wavelet coefficients is studied and implemented. The eigenvalues of wavelet coefficients and their ability to characterize signals are compared. Finally, the singular value and the maximum value of wavelet coefficients were used as feature vectors to characterize the signal. Then the papercompared with a variety of linear distance discrimination, BP neural network and other classification algorithms. Fisher linear discriminant was used to classify the signal features off-line, and the ten types of motion intent recognition were achieved with the correct rate of 96.75% for 8 channels and 93.25% for 2 channels. Finally, the signal was divided into 200ms small window and input BP neural network, the recognition rate of up to 97.6%, can achieve the purpose of high accuracy rate of action in the classification.
毕业论文_国内外利用表面肌电对运动技术分析的应用研究
目录第一部分前言 .........................................................................................................................1.1选题依据……………………………………………………………………………….1.2 研究意义……………………………………………………………………………….第二部分文献综述……………………………………………………………………2.1网球双手反手击球基本特征………………………………………………..2. 2国内外利用高速摄像机对运动技术分析的应用现状…………..2.3国内外利用表面肌电对运动技术分析的应用现状………………第三部分研究对象与方法…………………………………………………………..2.1研究对象……………………………………………………………………………..2.2研究方法……………………………………………………………………………..2.2.1文献资料法………………………………………………………………………2.2.2专家访谈法……………………………………………………………………….2.2.3实验法……………………………………………………………………………… 第四部分实验结果与分析……………………………………………………………4.1 高速摄像实验结果与分析…………………………………………………..4.1.1引拍时段运动学分析………………………………………………………4.1.1.1左右膝关节角的分析……………………………………………………..4.1.1.2肩髋角的分析…………………………………………………………………..4.1.2挥拍时段运动学分析……………………………………………………………4.1.2.1左右肩关节角的分析………………………………………………………..4.1.2.2左右肘关节角的分析………………………………………………………4.1.2.3肩髋角的分析…………………………………………………………………..4.1.2.4拍头速度的分析…………………………………………………………………..4.1.3随挥时段运动学分析…………………………………………………………….4.1.3.1左右肩关节角的分析……………………………………………………….4.1.3.2左右肘关节角的分析……………………………………………………….4.1.3.3右膝关节角的分析………………………………………………………….4.2表面肌电实验结果与分析第五部分结论 ...........................................................................................................................第一部分前言1.1选题依据网球运动起源于12世纪的欧洲，于1885年传入我国。
读书笔记
脚背内侧踢球摆动腿的运动学与肌电信号特征研究研究目的: 运用三维录像解析与肌电信号特征分析对其摆动腿的摆动研究脚背内侧踢球技术的运动学特征与肌电信号特征.实验对象: 以8名男子足球运动员为研究对象,均接受过系统的专业训练,运动水平为国家二级运动员水平以上.实验方法: 运动员进行充分热身后用脚背内侧踢球方法进行踢准练习,每个运动员最少踢2次,保证最少有两次踢入15 m圆圈内,获得每个运动员的2次有效数据,其中1次较为理想数据。
采用八通道肌电采集系统对踢球腿的股直肌、股内肌、股外肌、股二头肌、半腱肌、胫骨前肌、腓肠肌内外侧,从摆动腿离地到击球进行全程测试.结论: 摆动腿蹬离地面前大、小腿主要肌群都出现强烈放电现象,主要包括使髋关节伸的股后肌群、使膝关节伸的股四头肌以及使足关节屈的小腿三头肌,其中,股后肌群、小腿三头肌振幅最大,这与体育动作中最基本的蹬伸动作主要原动肌是基本相同的。
摆动腿用力蹬伸结束后,摆动腿蹬离地面进入主动后摆阶段,大腿积极后伸,主要原动肌为股二头肌以及半腱肌,但是二者放电时间较短,且很快不再主动用力(无放电现象),这说明摆动腿离地后的主动后摆阶段时间较短,此阶段的后摆主要是依靠摆动腿用力蹬伸时的惯性力向后摆动。
由此看出,助跑最后一步摆动腿的蹬伸程度是决定后摆幅度的重要因素之一。
通过观察肌肉的平均频率MPF 和平均肌电AEMG可知,在此阶段主要是股二头肌、半腱肌以及腓肠肌内侧在起主要作用,而实际中,教练员或运动员往往忽略对股后肌群的训练。
大腿后摆结束后进入前摆阶段,在大腿前摆初期小腿仍然在做屈曲运动。
因此,股后肌群仍呈强烈放电趋势,它们的平均频率MPF和平均肌电AEMG还是非常大。
之后,大腿前摆速度迅速达到最大值,紧接着小腿达到最大前摆速度,0.02 s后脚开始触球。
通过观察肌肉平均频率MPF与平均肌电AEMG可知,除了大、小腿前摆肌群的主要原动肌表现出兴奋性强、做功大的特点外,股二头肌、半腱肌以及腓肠肌内侧也表现出兴奋性强、做功大的特点,甚至其兴奋性与做功量超过原动肌。
肱二头肌离心和向心收缩的肌电信号特征
肱二头肌离心和向心收缩的肌电信号特征张海红;王健;杨红春【期刊名称】《浙江大学学报（工学版）》【年(卷),期】2006(040)011【摘要】采用线性分析指标平均振幅、平均功率频率和非线性分析指标Lempel-Ziv复杂度、确定性线段百分比,分别对在5、10和15 kg 3种负荷水平下肱二头肌离心和向心收缩运动诱发肌肉疲劳过程中表面肌电信号的变化进行了分析.结果发现,表面肌电信号的线性和非线性指标的均值在离心和向心2种收缩类型间均存在显著差异(P＜0.05),平均振幅和确定性线段百分比的均值在3种负荷水平间存在显著差异(P＜0.05),而平均功率频率和 Lempel-Ziv复杂度的均值在3种负荷水平间无显著差异.线性和非线性指标的斜率在3种负荷水平间均存在显著差异(P＜0.05),但在离心和向心2种收缩类型间仅有平均振幅存在显著差异(P＜0.001).实验结果为在疲劳过程中表面肌电信号的疲劳相关性指标的变化具有非疲劳特异性的观点提供了新的实验证据.【总页数】5页(P1937-1941)【作者】张海红;王健;杨红春【作者单位】浙江大学,心理与行为科学系,浙江,杭州,310028;浙江大学,心理与行为科学系,浙江,杭州,310028;浙江大学,体育科学与技术研究所,浙江,杭州,310028;浙江大学,心理与行为科学系,浙江,杭州,310028【正文语种】中文【中图分类】R857.11;R741.044【相关文献】1.工程心理学——肱二头肌离心和向心收缩的肌电信号特征 [J], 张海红;王健;杨红春2.不同器械锻炼对肱二头肌肌电信号变化特征的研究 [J], 陈奇琛3."腘绳肌离心收缩力矩/股四头肌向心收缩力矩"在预防腘绳肌运动性拉伤和膝关节前交叉韧带损伤方面的应用 [J], 曹峰锐4.跳跃运动员膝关节屈伸肌群等速向心收缩时肌力与sEMG变化特征 [J], 刘耀荣;周里;时倩5.负重离心收缩诱导人体肱二头肌延迟性肌肉酸痛模型的实验研究 [J], 李武;艾坤;蒋全睿;刘小卫;唐锦忠;曾莉华;李江山因版权原因，仅展示原文概要，查看原文内容请购买。
肌电与肌力矩、膝关节角度、膝关节运动速度之关系(摘要)
肌电与肌力矩、膝关节角度、膝关节运动速度之关系(摘要)蒋海鹰;张汇兰;林建英;龚明
【期刊名称】《上海体育学院学报》
【年(卷),期】1988(000)003
【摘要】<正> 一、前言在体育运动中,人们很想知道人体各块肌肉的肌力变化的情况,但测力需要将人体的环节与传感器相联,这在实际运动时,会妨碍运动。
遥测肌电仪能在人体运动时进行测试(不妨碍运动的)所以,人们一直想用肌电图的指标来代替难以进行直接测量的肌肉力量。
正如加拿大著名生物力学家winter所说:“用肌电信号来测定肌肉产生的力是机能解剖学家和运动生物力学家长久以来的梦想”。
【总页数】4页(P30-33)
【作者】蒋海鹰;张汇兰;林建英;龚明
【作者单位】《上海体育学院》;《上海体育学院》;《上海体育学院》;研究生;教授;副教授
【正文语种】中文
【中图分类】G807.4
【相关文献】
1.膝关节屈曲角度对主动肌和拮抗肌共同收缩和力矩的影响 [J], 张琦;李佳齐;徐燕文;张卓;周凯丽
2."腘绳肌离心收缩力矩/股四头肌向心收缩力矩"在预防腘绳肌运动性拉伤和膝关
节前交叉韧带损伤方面的应用 [J], 曹峰锐
3.后稳定型膝关节置换术胫骨平台假体后倾角对膝关节运动学、股四头肌肌力以及髌股关节接触应力的影响 [J], Okamoto S;Mizu-Uchi H;Okazaki K;胡孔足(译)
4.膝关节最大和次最大等速运动至疲劳过程中主动肌与拮抗肌肌电特征分析 [J], 张肃;高峰
5.膝关节最大和次最大等速运动至疲劳过程中主动肌与拮抗肌肌电特征分析 [J], 张肃;高峰;
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
一、《肌电测量技术的应用》
1、肌电产生的机制
2、肌电测量电极类型
（1）针电极（2）表面电极（SEMG）：有线、无线遥测
3、肌电测量指标
（1）时域指标：是以时间为自变量，以肌电信号为函数，来描述肌电信号随时间变化的振幅特征，而不涉及肌电信号的频率变化的非时间自变量。
积分肌电IEMG(利用肌电图可以判定肌肉所处的不同状态、肌肉之间的协调程度、肌肉的收缩类型及强度、肌肉的疲劳程度及损伤、肌肉的素质等)
均方根振幅RMS, (反映一段时间内肌肉放电的平均水平)
最大值(映肌肉活动的最大放电能力)
时序（反映肌肉活动的最大放电能力)
时程（从肌电曲线开始偏离基线到回归基线的时间)
（2）频域指标
4、肌电测量的应用
利用肌电图可以判定肌肉所处的不同状态、肌肉之间的协调程度、肌肉的收缩类型
及强度、肌肉的疲劳程度及损伤、肌肉的素质等。
5、肌肉与疲劳
肌肉疲劳判定
（1）肌电信号频率
肌肉疲劳，放电频率低
（2）肌电幅度
疲劳时，振幅增加
（3）肌电积分判定快肌纤维
疲劳时快肌纤维较多腓肠IEMG减小大
二、《肌电生物反馈的非线性机制》
1、使用数据：肌电振幅、肌电频率、近似熵分析
2、肌电与生物反馈：随着生物反馈次数的增加, 在肌电振幅明显降低、肌电频率明显上升
三、《肌电图（EMG）在运动生物力学研究中的运用》
1、数据处理：时域分析：(1)原始肌电图（EMG）：是直接记录下来的肌电结果，从EMG 振幅的大小可以直观看出肌肉活动的强弱。
（2）平均振幅（MA）：反映肌电信号的强度，与肌肉参与的运动单位数目的多少及放电频率的同步化变化程度有关。
(3）均方根肌电（RMS）：是运动单位放电有效值，其大小取决于肌电幅值的大小，与运动单位募集数量的多少和兴奋节律有关（4）积分肌电（iEMG）：是肌电信号经过全波整流后随时间变化的曲线下所包绕面积的总和，是全波整流信号的积分总值，它反映了一定时间内肌肉中参与活动的运动单位总放电量。
iEMG 值的大小在一定程度上反映运动单位募集的数量多少和每个运动单位的放电大小，是评价肌纤维参与多少的重要指标.频率域分析是对肌电信号进行频率变化特征的分析，是将时域信号通过快速傅立叶转换（FFT）得出的频域信号，在表面肌电信号的检测与分析中具有重要的应用价值。
频域分析主要指标有平均功率频率（MPF）、中位频率（MF）等，主要用于判断肌肉的疲劳情况。
此外对肌电信号“小波处理”的方法.
2疲劳与肌电：肌肉疲劳对其肌电活动也会发生变化，因此可以用肌电研究肌肉疲劳的发生及机制。
（1）肌电幅值的变化电信号振幅大小：肌肉疲劳加深肌电幅值增加，积分肌电（EMG）和均方根振幅（RMS）（2）肌电信号频谱变化频谱变化：疲劳加深，平均功率降低。
平均功率频率（MPF）、中心频率（FC）
3、肌电与生物反馈
生物反馈是利用电子仪器与心理过程有关的机体生物学信息加以处理，以视觉或听觉的方式显示给人，训练人们通过对这些信息的认识，有意识的调控自身的心理生理活动。
肌电反馈是生物反馈放松训练方式之一。
肌电的松弛和紧张程度与生物反馈仪测量的表面肌电电压幅度有良好的线性关系。
肌肉紧张时，肌电值迅速上升，肌肉放松时，肌电值迅速下降。
肌电反馈的有点是，能较为敏感且迅速的。