中国组织工程研究 ›› 2022, Vol. 26 ›› Issue (35): 5707-5715.doi: 10.12307/2022.1009
• 组织构建综述 tissue construction review • 上一篇 下一篇
刘 洋1,朱志强2,赵晓炜1,向玉洁1,肖 坚1,程丽芬1
收稿日期:
2022-02-07
接受日期:
2022-03-03
出版日期:
2022-12-18
发布日期:
2022-05-18
通讯作者:
朱志强,博士,教授,博士生导师,2022北京奥组委特聘专家,哈尔滨体育学院,黑龙江省哈尔滨市 150001
程丽芬,教授,在读博士,南昌师范学院体育学院,江西省南昌市 330023
作者简介:
刘洋,男,1986年生,黑龙江省大庆市人,博士,副教授,上海体育学院博士毕业,成都体育学院博士后,主要从事运动生物力学、运动损伤等研究。
基金资助:
Liu Yang1, Zhu Zhiqiang2, Zhao Xiaowei1, Xiang Yujie1, Xiao Jian1, Cheng Lifen1
Received:
2022-02-07
Accepted:
2022-03-03
Online:
2022-12-18
Published:
2022-05-18
Contact:
Zhu Zhiqiang, PhD, Professor, Doctoral supervisor, Harbin Sport University, Harbin 150001, Heilongjiang Province, China
Cheng Lifen, PhD candidate, Professor, School of Physical Education, Nanchang Normal University, Nanchang 330023, Jiangxi Province, China
About author:
Liu Yang, PhD, Associate professor, School of Physical Education, Nanchang Normal University, Nanchang 330023, Jiangxi Province, China
Supported by:
摘要:
文题释义:
肌电图(Electromyography):是指将单个或者多个肌细胞或者肌肉组织活动时产生的生物电变化经电极放大,记录所获得的电压变化的一维时序信号图形。
肌电疲劳指数(Electromyography fatigue index):是指根据肌肉疲劳过程中肌电图信号中位频率或者平均功率频率下降率来检测和评价局部抗肌肉疲劳能力的非损伤性评价指标。
背景:肌电图在人体肢体动作或肌肉活动测量中应用较多,已经受到医学、运动科学、人机功效学等领域专家学者的广泛认可,但国内外肌电图在人肢体动作应用研究的相关综述略显不足。
目的:梳理国外Web of Science核心数据库的相关肌电在人肢体动作应用的研究成果,以期为应用肌电图学进一步优化人体康复、人体工程学等方案设计方面提供建议。
方法:在Web of Science核心数据库中,语种选择英语,基于布尔逻辑运算,进行主题词进行检索。检索主题词策略为TS=
“electromyography”OR“sEMG” OR“surface EMG”and“human movement”or“movement”。利用知识图谱软件Citespace Ⅴ对所获得的文献进行去重后,进行学科、国家发文量分析,并利用关键词、高被引、共被引等知识图谱分析相关研究的主题热点与国际前沿趋势。
结果与结论:①表面肌电测量技术在人肢体动作应用研究主要在神经领域、工程学和体育科学领域发文量较多。美国、中国和加拿大发文量排名前3。②肌电在人体肢体运动中应用主要关注肌电控制(myoelectric control);慢性下腰痛(chronic low back pain);皮质脊髓兴奋性(corticospinal excitability);帕金森病(Parkinson’s disease);注意力练习(attentional focus);中风存活患者(stroke survivor);前交叉韧带损伤(anterior cruciate ligament injury);肌肉协同(muscle synergies)等热点主题。③国际前沿领域研究分为早期前沿、现代前沿,早期前沿主要从肌电控制、肌电影响因素、肌电算法等领域到现代前沿的人机交互、人机功效学(人体假肢)等研究领域过渡。④肌电图学在人体工程学、运动生物力学(肌肉激活程度、激活时间)、评价动作模式、疲劳标准、评价康复性训练效果等领域提供肌电信息参数诊断。肌电在中风或脑卒中患者躯干肌电恢复时间、大小和对称性方面存在显著差异,肌电图学在揭示脑卒中患者单侧肢体抗阻训练对未训练肢体激活反应的机制方面仍然有待进一步研究。
https://orcid.org/0000-0002-3378-0475 (刘洋)
中国组织工程研究杂志出版内容重点:组织构建;骨细胞;软骨细胞;细胞培养;成纤维细胞;血管内皮细胞;骨质疏松;组织工程
中图分类号:
刘 洋, 朱志强, 赵晓炜, 向玉洁, 肖 坚, 程丽芬. 国外肌电图学在肢体动作领域的主题热点与国际前沿分析[J]. 中国组织工程研究, 2022, 26(35): 5707-5715.
Liu Yang, Zhu Zhiqiang, Zhao Xiaowei, Xiang Yujie, Xiao Jian, Cheng Lifen. Hot topics and international frontiers of electromyography in the field of body movements[J]. Chinese Journal of Tissue Engineering Research, 2022, 26(35): 5707-5715.
不同国家和地区的发文量及影响力不同:排名第1是美国(USA),发文量为784篇,中介中心性为0.21;第2是中国(PEOPLES R CHINA),发文数量373篇,中介中心性0.04;第3为加拿大(CANADA),发文量为313篇,中介中心性0.06;第4是日本(JAPAN),发文量为262篇,中介中心性0.05;第5是英国(ENGLAND),发文量为227篇,中介中心性0.28;第6是德国(GERMANY)发文量为212篇,中介中心性0.17;第7是意大利(ITALY),发文量为208篇,中介中心性0.16;第8是澳大利亚(AUSTRALIA),发文量为199篇,中介中心性0.16;第9是韩国(SOUTH KOREA),发文量为188篇,中介中心性0.01;第10是巴西(BRAZIL),发文量为149篇,中介中心性0.02。从发文量来看,美国、中国和加拿大排名前3名;从中介中心性来看(紫色外圈),美国、英国和法国排名前3。见表1。
2.1.2 文献学科领域分布 Citespace V界面中,节点类型(Node Types)选择category(学科领域),时间分割(time slicing)选择1年运行后共形成了节点n=96,E=216,Q=0.382 6 > 0.3,神经科学和神经病学(NEUROSCIENCES & NEUROLOGY);神经科学发文量为2 182篇;工程学(ENGINEERING)发文量为756篇;体育科学(SPORT SCIENCES)发文量为716篇;康复工程(REHABILITATION)发文量为586篇,生物医学(CLINICAL NEUROLOGY)发文量为472篇;生理学(PHYSIOLOGY)发文量为380篇;临床神经病学(CLINICAL NEUROLOGY)发文量为376篇;骨科(ORTHOPEDICS)发文量为230篇;心理学(PSYCHOLOGY)发文量为196篇;科学和技术-其他主题(SCIENCE & TECHNOLOGY-OTHER TOPICS)发文量为170篇,可以说表面肌电技术在人体中较多领域广泛应用,主要在神经领域、工程学和体育科学领域发文量较多,排在前3位。见图3。
2.2 国际研究主题热点分析 研究主题热点是在某一个时间段内,有内在联系的、数量相对较多的一组论文所探讨的研究问题或专题,出现频次高的关键词和名词短语通常用来代表某一研究领域的热点主题[8]。Citespace V软件的节点类型(Node Types)选择keyword,时间分割(time slicing)选择1年,阈值项选择“Top N per slice”,节点阈值设定为每个切片中频次最高的50。修剪选择minimum spaning tree点击运行。在运动图像窗口点击自动聚类,共聚成了8个聚类,形成了节点n=579,E=1 957,Q=0.459 1 > 0.3。这8聚类也是主要肌电图学在人体测量应用主要分类:第1类肌电控制(myoelectric control);第2聚类慢性下腰痛(chronic low back pain);第3聚类皮质脊髓兴奋性(corticospinal excitability);第4聚类帕金森病(Parkinson’s disease);第5聚类注意力(attentional focus);第6聚类中风存活患者(stroke survivor);第7聚类膝关节前交叉韧带损伤(anterior cruciate ligament 简称ACL);第8聚类肌肉协同(muscle synergies)。见图4。
第1聚类:肌电控制(myoelectric control),该聚类探究的是提取、预处理、处理原始肌电信号的方法,如现阶段工程学领域的肌电数据识别提取方法等工程学研究不断深入或利用机器学习[9]、深度学习(deep learning)[10]、模式识别(pattern recognition)以及各种人体运动中测量方法和文献不断出现。相关研究报道为肌电图应用寻找处理肌电数据方法提供文献支撑和参考,如采用非负矩阵因式分解法,从不同肌肉的肌电图数据中提取肌肉协同效应的方法[11]。
第2聚类:慢性下腰痛(chronic low back pain)[12-17],该聚类关注躯干肌肉活动(trunk muscle activity);下腰痛(low back pain);预期姿势调整(anticipatory postural adjustment);背部疼痛(back pain)等相关研究,这些关键词主要针对职业病/办公室人群或者腰部损伤人群相关报道。
第3聚类:皮质脊髓兴奋性(corticospinal excitability)[18-27],人类脊髓损伤(human spinal cord injury)等关键词[28],这些关键词是表面肌电技术测量应用到人体康复、假肢等领域。
第4聚类:帕金森病(Parkinson’s disease)[29-36],面部肌肉激活模式(facial muscle activation pattern),节律性肌肉活动(rhythmic muscle activity),运动性震颤(kinetic tremor),自主收缩(voluntary movement)等关键词,这些关键词聚类主要关注患有神经系统疾病节律性肌肉活动帕金森病患者治疗和机制研究。
第5聚类:注意焦点状态(attentional focus)[37-41],同在一个类中有神经肌肉激活(neuromuscular activation),如不同注意焦点状态对肌肉抗阻活动的影响,评价肌肉力量和训练经验对肌肉活动的可能影响。一般来说,内部注意力集中已经被证明可以增强对运动的有意识控制,从而在运动系统中诱发“噪音”。
第6聚类:脑卒中存活患者(stroke survivor)[10,42-47],脑卒中后患者(post-stroke patient)[48],慢性脑卒中(chronic stroke)。此关键词聚类,关注中风患者的电刺激或者训练后干预情况,近些年备受专家、学者关注。
第7聚类:前交叉韧带(anterior cruciate ligament injury,简称ACL)损伤[49-54],该聚类探究关注肌电关注膝关节损伤,以及生物力学分析(biomechanical analysis)[55],表面肌电信号(sEMG)具有分析人体下肢运动能力,包括人类步态步态评估(human gait)和关节角度估计等,可以为人体与外骨骼矫形器的交互作用提供高水平支持。
第8聚类:肌肉协同(muscle synergies)[56-63],健康人动作控制(healthy human | motor control);神经力学适应(neuromechanical adaptation),环境依赖性变化(context-dependent change);健康成人(healthy adult),肌肉力量(muscle force)[48]。肌肉协同和动作控制方面研究如在运动过程中利用多通道肌电记录仪将肌电记录下来,然后根据运动中每块肌肉放电顺序和肌电幅度,结合高速摄像等技术,对人体动作进行评估和诊断[64]。
2.3 国际研究前沿分析
2.3.1 共被引文献图谱分析 节点类型(Node Types)选择Reference 时间分割(time slicing)选择1年,阈值项选择“Top N per slice”,节点阈值设定为每个切片中频次最高的50。在控制面板中,阈值(Threshold)设置25,字体大小(font size)设置为5,节点(node size)设置200,运行Citespace软件后共得到节点n=925,E=2 374,Q=0.382 6 > 0.3,生成图5。
从分析结果可以看出,按引用次数排名第1位的文献是(Farina D,2014),共被引用次数为72次;第2位文献是(De Luca CJ,2010),共被引用次数为53次;第3位文献是(Phinyomark A,2012),共被引用次数为51次;第4位文献是(Atzori M,2014),共被引用次数为45次;第5位文献是(Scheme E,2011),共被引用次数为41次;第6位文献是(Hahne JM,2014),共被引用次数为38次;第7位文献是(Clark DJ,2010),共被引用次数为36次;第8位文献是(Cheung VCK,2012),共被引用次数为35次;第9位文献是(Phinyomark A,2013),共被引用次数为35次;第10位文献是(Burden A,2013),共被引用次数为35次。从共被引文献可知相关文献在一定的时间段内论文的高被引的次数,说明文献的重要性,见表2,通过文献传输的方式下载和阅读,了解前沿趋势。
2.3.2 高被引文献突现分析 在CiteSpace中,研究前沿表现为涌现的施引文献组,即“某一时段内,以突现文献(burst articles) 为知识基础的一组文献所探讨的科学问题或专题”。通过研究前沿的识别与追踪,研究者能够了解该学科各阶段研究演化动态,预测研究领域的发展趋势并识别需要进一步探索的问题。运行Citespace V软件的面板后,共获得 25篇突现文献(见图6),根据突现文献突现开始和截止时间,将研究前沿归纳为早期研究前沿(2010-2016)和最新研究前沿(2017-2021)两种时间段类型,以进一步厘清肌电图学在人体肢体动作领域中不同时期的研究前沿。
(1)早期研究前沿(2010-2016):重点关注表面肌电图的整体特征与潜在的生理过程之间的关系研究[65],多数文献存在学术争议包括肌电采集、处理的方法(线性、非线性肌电信号处理)以及到肌电信号的检测、处理、分类和指标选择(RMS、IEMG、MDF…等)。肌电信号由原始生物电信号和干扰噪声信号组成,原始肌电图的振幅可以通过滤波、平滑和重新线性化的方案来进行处理,如利用小波分析或者因子分解算法提取原始生物电信号[66]。
原始肌电信号处理也受很多因素的影响,如噪声干扰(检测仪器、环境电磁0-60 Hz低频部分)、电极粘贴方法如电极间距离[67]、采样时姿势、电阻影响、动作方式(解剖和生理)、脂肪厚度、性别与年龄、容积传导等等对原始肌电信号影响较大。由于多数肌电控制方案都利用了表面肌电的宏观特征,而这些特征又依赖于信号中所包含的神经和外周信息,其表现受到影响动作电位形状或神经驱动到肌肉因素的影响[65]。电极对重新定位、电极-皮肤之间阻抗变化(如出汗、毛发)、肌肉与电极相对运动因素包括肌纤维拉长、缩短或向心、离心收缩时的解剖学位置变化影响肌电信号采集。受试者个体之间动作电位形状的分布存在差异,不同肌肉、个体之间比较时,要注意进行肌电均方根值标准化。依据研究方案设计不同,表面肌电图时域、频域分析方法有较大差异。除了上述因素,较多影响因素不是直观的,肌电设备进行人体肢体动作试验时要特别注意肌电设备操作条件,规避影响肌电图/信号的因素,保证表面肌电信息采集客观性以及分析的准确性。
(2)最新研究前沿(2017-2021):肌电图最新前沿领域研究在商业和临床研究有较多延伸。肌萎缩性脊髓侧索硬化症(Amyotrophic lateral sclerosis,简称渐冻症)、脑干中风、脑或脊髓损伤、脑瘫、肌肉营养不良、多发性硬化症和许多其他疾病会损害控制肌肉的神经通路或损害运动细胞。那些受影响最严重的患者可能会失去所有的自主肌肉控制能力,并可能完全锁定在身体内,无法以任何方式进行交流。现代生命支持技术可以让大多四肢瘫痪/残疾患者,能够更好地适应生活,让他们能与外界进行互动、减轻痛苦。假肢或者辅助性设备是利用人机交互界面的肌电信号实现神经康复辅助设备的控制,在研究过程中,利用肌电设备探测大脑和其他脊髓上区域[68]、周围神经或肌组织接口肌电信号信息得以实现人机交互,如通过采集正常人体肌肉活动动作的表面肌电活动信号信息来设计假体肌电信号模式[69],或制作假肢肌电激活数学模型进行人机功效学等领域探索[70-71]。
[1] GROSS D, GRASSINO A, ROSS WR, et al. Electromyogram pattern of diaphragmatic fatigue. J Appl Physiol Respir Environ Exerc Physiol. 1979;46(1):1-7. [2] DE LUCA CJ. Myoelectrical manifestations of localized muscular fatigue in humans. Crit Rev Biomed Eng. 1984;11(4):251-279. [3] 江婉婷,王兴,江志鹏. 国外肌肉衰减综合征的运动疗法研究热点与内容分析——基于科学知识图谱的可视化研究[J].体育科学, 2017,37(6):75-83. [4] 刘洋,王德新,程丽芬,等.基于运动生物力学视角研究运动性疲劳干预方案的可视化知识图谱分析[J].中国组织工程研究,2019, 23(27):4291-4299. [5] 邢聪,吴瑛,项贤林.美国运动损伤前沿研究热点与内容分析--基于科学知识图谱的可视化研究[J].体育科学,2016,36(9):66-72. [6] 水祎舟,黄竹杭.耿建华. 国外足球运动体能训练前沿热点与演化分析--基于科学知识图谱的可视化研究[J].体育科学,2016(1):67-78. [7] 李小芬,许佳慧.国内外体育舞蹈研究进展分析——基于科学知识图谱的可视化研究[J].北京体育大学学报,2018,41(4):89-97. [8] 李欢.彭燕.近十年录像示范法在自闭症谱系障碍干预研究中的国际热点主题和研究前沿分析[J].中国特殊教育,2018(10):26-32. [9] SHE H, ZHU JY, TIAN Y, et al. SEMG Feature Extraction Based on Stockwell Transform Improves Hand Movement Recognition Accuracy. Sensors (Basel). 2019;19(20):4457. [10] LI Y, ZHANG X, GONG Y, et al. Motor Function Evaluation of Hemiplegic Upper-Extremities Using Data Fusion from Wearable Inertial and Surface EMG Sensors. Sensors (Basel). 2017;17(3):582. [11] KRISTIANSEN M, SAMANI A, MADELEINE P, et al. Muscle synergies during bench press are reliable across days. J Electromyogr Kinesiol. 2016;30:81-88. [12] ALSUBAIE AM, MARTINEZ-VALDES E, DE NUNZIO AM, et al. Trunk control during repetitive sagittal movements following a real-time tracking task in people with chronic low back pain. J Electromyogr Kinesiol. 2021;57:102533. [13] CHRISTE G, AUSSEMS C, JOLLES BM, et al. Patients With Chronic Low Back Pain Have an Individual Movement Signature: A Comparison of Angular Amplitude, Angular Velocity and Muscle Activity Across Multiple Functional Tasks. Front Bioeng Biotechnol. 2021;9:76974. [14] DANEAU C, TÉTREAU C, DEROCHE T, et al. Impact of load expectations on neuromuscular and postural strategies during a freestyle lifting task in individuals with and without chronic low back pain.PLoS One. 2021;16(2):e0246791. [15] JONES SL, HITT JR, HENRY SM. Dual goals of trunk restriction and stability are prioritized by individuals with chronic low back pain during a volitional movement.Gait Posture. 2021;90:16-22. [16] LI X, LO WLA, LU SW, et al. Trunk muscle activity during pressure feedback monitoring among individuals with and without chronic low Back pain. BMC Musculoskelet Disord. 2020;21(1):569. [17] SHIGETOH H, NISHI Y, OSUMI M, et al. Combined abnormal muscle activity and pain-related factors affect disability in patients with chronic low back pain: An association rule analysis.PLoS One. 2020;15(12):e0244111. [18] BETTI S, CASTIELLO U, GUERRA S, et al. Overt orienting of spatial attention and corticospinal excitability during action observation are unrelated.PLoS One. 2017;12(3):e0173114. [19] COPITHORNE DB, FORMAN DA, POWER KE. Premovement Changes in Corticospinal Excitability of the Biceps Brachii are Not Different Between Arm Cycling and an Intensity-Matched Tonic Contraction. Motor Control. 2015;19(3):223-241. [20] DEMPSEY LM, KAVANAGH JJ. Muscarinic receptor blockade causes postcontraction enhancement in corticospinal excitability following maximal contractions. J Neurophysiol. 2021;125(4):1269-1278. [21] GRANDJEAN J, DEROSIERE G, VASSILIADIS P, et al. Towards assessing corticospinal excitability bilaterally: Validation of a double-coil TMS method. J Neurosci Methods. 2018;293:162-168. [22] HELM F, MARINOVIC W, KRÜGER B, et al. Corticospinal excitability during imagined and observed dynamic force production tasks: effortfulness matters. Neuroscience. 2015;290:398-405. [23] HYDE C, FUELSCHER I, WILLIAMS J, et al. Corticospinal excitability during motor imagery is reduced in young adults with developmental coordination disorder. Res Dev Disabil. 2018;72:214-224. [24] MATSUMOTO A, LIANG N, UEDA H, et al. Corticospinal Excitability of the Lower Limb Muscles During the Anticipatory Postural Adjustments: A TMS Study During Dart Throwing.Front Hum Neurosci. 2021;15:703377. [25] MIZUGUCHI N, UMEHARA I, NAKATA H, et al. Modulation of corticospinal excitability dependent upon imagined force level. Exp Brain Res. 2013;230(2):243-249. [26] POWER KE, COPITHORNE DB. Increased corticospinal excitability prior to arm cycling is due to enhanced supraspinal but not spinal motoneurone excitability. Appl Physiol Nutr Metab. 2013;38(11):1154-1161. [27] ROWLAND RS, JENKINSON N, CHIOU SY. Age-Related Differences in Corticospinal Excitability and Anticipatory Postural Adjustments of the Trunk. Front Aging Neurosci. 2021;13:718784. [28] KRUCOFF MO, ZHUANG K, MACLEOD D, et al. A novel paraplegia model in awake behaving macaques. J Neurophysiol. 2017;118(3):1800-1808. [29] GUILLOT A, DI RIENZO F, MACINTYRE T, et al. Imagining is not doing but involves specific motor commands: a review of experimental data related to motor inhibition. Front Hum Neurosci. 2012;6:247. [30] KNOX J, GUPTA A, BANWELL HA, et al. Comparison of EMG signal of the flexor hallucis longus recorded using surface and intramuscular electrodes during walking. J Electromyogr Kinesiol. 2021;60:8. [31] KUBIAK CA, SVIENTEK SR, DEHDASHTIAN A, et al. Physiologic signaling and viability of the muscle cuff regenerative peripheral nerve interface (MC-RPNI) for intact peripheral nerves. J Neural Eng. 2021;18(4): doi: 10.1088/1741-2552/ac1b6b. [32] KUĆ J, SZAREJKO KD, ALEKSANDROWICZ K, et al. The role of soft tissue mobilization in reducing orofacial and general complaints in a patient with Kimmerle anomaly and temporomandibular joint disorder: A case report. Cranio. 2021;39(1):74-87. [33] KWONG E, NG KK, LEUNG MT, et al. Application of Ultrasound Biofeedback to the Learning of the Mendelsohn Maneuver in Non-dysphagic Adults: A Pilot Study.Dysphagia. 2021;36(4):650-658. [34] LABANCA L, MOSCA M, GHISLIERI M, et al. Muscle activations during functional tasks in individuals with chronic ankle instability: a systematic review of electromyographical studies. Gait Posture. 2021;90:340-373. [35] LANE K, CHANDLER E, PAYNE D, et al. Stroke survivors’ recommendations for the visual representation of movement analysis measures: a technical report. Physiotherapy. 2020;107:36-42. [36] LAVIGNE G, KATO T, HERRERO BABILONI A, et al. Research routes on improved sleep bruxism metrics: Toward a standardised approach. J Sleep Res. 2021;30(5):e13320. [37] CALATAYUD J, VINSTRUP J, JAKOBSEN MD, et al. Mind-muscle connection training principle: influence of muscle strength and training experience during a pushing movement. Eur J Appl Physiol. 2017;117(7):1445-1452. [38] CALATAYUD J, VINSTRUP J, JAKOBSEN MD, et al. Attentional Focus and Grip Width Influences on Bench Press Resistance Training. Percept Mot Skills. 2018;125(2):265-277. [39] HALPERIN I, HUGHES S, PANCHUK D, et al. The Effects of Either a Mirror, Internal or External Focus Instructions on Single and Multi-Joint Tasks. PLoS One. 2016;11(11):e0166799. [40] TURNER C, CROW S, CROWTHER T, et al. Preventing non-contact ACL injuries in female athletes: What can we learn from dancers? Phys Ther Sport. 2018;31:1-8. [41] WULF G, DUFEK JS, LOZANO L, et al. Increased jump height and reduced EMG activity with an external focus. Hum Mov Sci. 2010;29(3):440-448. [42] BARRY AJ, MURRAY WM, KAMPER DG. Development of a dynamic index finger and thumb model to study impairment. J Biomech. 2018;77:206-210. [43] BOYACI A, TOPUZ O, ALKAN H, et al. Comparison of the effectiveness of active and passive neuromuscular electrical stimulation of hemiplegic upper extremities: a randomized, controlled trial. Int J Rehabil Res. 2013;36(4):315-322. [44] BURNS A, ADELI H, BUFORD JA. Upper Limb Movement Classification Via Electromyographic Signals and an Enhanced Probabilistic Network. J Med Syst. 2020;44(10):176. [45] CHAE J, HARLEY MY, HISEL TZ, et al. Intramuscular Electrical Stimulation for Upper Limb Recovery in Chronic Hemiparesis: An Exploratory Randomized Clinical Trial. Neurorehabil Neural Repair. 2009;23(6):569-578. [46] PIZZAMIGLIO S, DESOWSKA A, SHOJAII P, et al. Muscle co-contraction patterns in robot-mediated force field learning to guide specific muscle group training.Neurorehabilitation. 2017;41(1):17-29. [47] VERMILLION BC, DROMERICK AW, LEE SW. Toward Restoration of Normal Mechanics of Functional Hand Tasks Post-Stroke: Subject-Specific Approach to Reinforce Impaired Muscle Function. IEEE Trans Neural Syst Rehabil Eng. 2019;27(8):1606-1616. [48] CHOU LW, PALMER JA, BINDER-MACLEOD S, et al. Motor unit rate coding is severely impaired during forceful and fast muscular contractions in individuals post stroke.J Neurophysiol. 2013;109(12):2947-2954. [49] LIU L. Biomechanical analysis of sidestep cutting movement which causes anterior cruciate ligament injury during sports. Med Sport. 2019;72(4):586-595. [50] MAROTTA N, DEMECO A, DE SCORPIO G, et al. Late Activation of the Vastus Medialis in Determining the Risk of Anterior Cruciate Ligament Injury in Soccer Players. J Sport Rehabil. 2020;29(7):952-955. [51] SHANBEHZADEH S, MOHSENI BANDPEI MA, EHSANI F. Knee muscle activity during gait in patients with anterior cruciate ligament injury: a systematic review of electromyographic studies. Knee Surg Sports Traumatol Arthrosc. 2017;25(5):1432-1442. [52] THEISEN D, RADA I, BRAU A, et al. Muscle Activity Onset Prior to Landing in Patients after Anterior Cruciate Ligament Injury: A Systematic Review and Meta-Analysis. PLoS One. 2016;11(5):e0155277. [53] TRULSSON A, MILLER M, HANSSON GÅ, et al. Altered movement patterns and muscular activity during single and double leg squats in individuals with anterior cruciate ligament injury. BMC Musculoskelet Disord. 2015;16:28. [54] XIE D, URABE Y, OCHIAI J, et al. Sidestep cutting maneuvers in female basketball players: Stop phase poses greater risk for anterior cruciate ligament injury. Knee. 2013;20(2):85-89. [55] WANG IL, GRAHAM RB, BOURDON EJP, et al. Biomechanical Analysis of Running Foot Strike in Shoes of Different Mass. J Sport Sci Med. 2020;19(1):130-137. [56] BOTZHEIM L, LACZKO J, TORRICELLI D, et al. Effects of gravity and kinematic constraints on muscle synergies in arm cycling. J Neurophysiol. 2021;125(4):1367-1381. [57] CHENG R, SUI Y, SAYENKO D, et al. Motor Control After Human SCI Through Activation of Muscle Synergies Under Spinal Cord Stimulation. IEEE Trans Neural Syst Rehabil Eng. 2019;27(6):1331-1340. [58] ESCALONA MJ, BOURBONNAIS D, GOYETTE M, et al. Effects of Varying Overground Walking Speeds on Lower-Extremity Muscle Synergies in Healthy Individuals.Motor Control. 2021;25(2):234-251. [59] GENG Y, DENG H, SAMUEL OW, et al. Modulation of muscle synergies for multiple forearm movements under variant force and arm position constraints.J Neural Eng. 2020;17(2):026015. [60] MASOUMDOOST A, SAADATYAR R, KOBRAVI HR. A muscle synergies-based movements detection approach for recognition of the wrist movements.EURASIP J Adv Signal Process. 2020;2020(1):19. [61] MICHAUD F, SHOURIJEH MS, FREGLY BJ, et al. Do Muscle Synergies Improve Optimization Prediction of Muscle Activations During Gait? Front Comput Neurosci. 2020;14:54. [62] MILETI I, ZAMPOGNA A, SANTUZ A, et al. Muscle Synergies in Parkinson’s Disease. Sensors. 2020;20(11):21. [63] PELLEGRINO L, COSCIA M, CASADIO M. Muscle activities in similar arms performing identical tasks reveal the neural basis of muscle synergies. Exp Brain Res. 2020;238(1):121-138. [64] WANG XJ, DONG DP, CHI XK, et al. sEMG-based consecutive estimation of human lower limb movement by using multi-branch neural network. Biomed Signal Process Control. 2021;68:9. [65] FARINA D, MERLETTI R, ENOKA RM. The extraction of neural strategies from the surface EMG. J Appl Physiol (1985). 2004;96(4):1486-1495. [66] CHEUNG VC, TUROLLA A, AGOSTINI M, et al. Muscle synergy patterns as physiological markers of motor cortical damage. Proc Natl Acad Sci U S A. 2012;109(36):14652-14656. [67] DE LUCA CJ, GILMORE LD, KUZNETSOV M, et al. Filtering the surface EMG signal: Movement artifact and baseline noise contamination. J Biomech. 2010;43(8):1573-1579. [68] CHOWDHURY A, DUTTA A, PRASAD G. Corticomuscular Co-Activation Based Hybrid Brain-Computer Interface for Motor Recovery Monitoring. IEEE Access. 2020;8:174542-174557. [69] ZHANG X, LI R, LI H, et al. Novel approach for electromyography-controlled prostheses based on facial action. Med Biol Eng Comput. 2020;58(11):2685-2698. [70] ATZORI M, GIJSBERTS A, CASTELLINI C, et al. Electromyography data for non-invasive naturally-controlled robotic hand prostheses. Sci Data. 2014;1:140053. [71] FARINA D, JIANG N, REHBAUM H, et al. The Extraction of Neural Information from the Surface EMG for the Control of Upper-Limb Prostheses: Emerging Avenues and Challenges. IEEE Trans Neural Syst Rehabil Eng. 2014;22(4):797-809. [72] ABE D, HOTTA N, FUKUOKA Y, et al. Biomechanical Analysis of Gait and Sit-to-Stand Patterns Using a Specially Made Knee Supporter in Healthy Young and Elderly Individuals. J Physiol Anthropol. 2010;29(2):65-70. [73] KRASNOW D, WILMERDING MV, STECYK S, et al. Biomechanical Research in Dance: A Literature Review. Med Probl Perform Art. 2011; 26(1):3-23. [74] WONG DWC, LEE WCC, LAM WK. Biomechanics of Table Tennis: A Systematic Scoping Review of Playing Levels and Maneuvers. Appl Sci Basel. 2020;10(15):21. [75] MANOLOPOULOS E, KATIS A, MANOLOPOULOS K, et al. Effects of a 10-week resistance exercise program on soccer kick biomechanics and muscle strength. J Strength Cond Res. 2013;27(12):3391-3401. [76] STÖGGL T, LINDINGER S, MÜLLER E. Biomechanical validation of a specific upper body training and testing drill in cross-country skiing. Sports Biomech. 2006;5(1):23-46. [77] LIU AM, CHU IH, LIN HT, et al. Training Benefits and Injury Risks of Standing Yoga Applied in Musculoskeletal Problems: Lower Limb Biomechanical Analysis. Int J Environ Res Public Health. 2021;18(16): 8402. [78] FORGHANY S, NESTER CJ, RICHARDS B, et al. Rollover footwear affects lower limb biomechanics during walking. Gait Posture. 2014;39(1): 205-212. [79] MACKALA K, STODÓŁKA J, SIEMIENSKI A, et al. Biomechanical analysis of standing long jump from varying starting positions. J Strength Cond Res. 2013;27(10):2674-2684. [80] RAO G, BERTON E, AMARANTINI D, et al. An EMG-Driven Biomechanical Model That Accounts for the Decrease in Moment Generation Capacity During a Dynamic Fatigued Condition. J Biomech Eng. 2010; 132(7):071003. [81] FEGER MA, DONOVAN L, HERB CC, et al. Effects of 4-week impairment-based rehabilitation on jump-landing biomechanics in chronic ankle instability patients. Phys Ther Sport. 2021;48:201-208. [82] CABRAL ALCES, JORGE JG, DIONISIO VC. Biomechanical analysis during single-leg squat in individuals with knee osteoarthritis. Knee. 2021;28:362-370. [83] DAI B, SORENSEN CJ, DERRICK TR, et al. The Effects of Postseason Break on Knee Biomechanics and Lower Extremity EMG in a Stop-Jump Task: Implications for ACL Injury. J Appl Biomech. 2012;28(6):708-717. [84] COOREVITS P, DANNEELS L, CAMBIER D, et al. Correlations between short-time Fourier- and continuous wavelet transforms in the analysis of localized back and hip muscle fatigue during isometric contractions. J Electromyogr Kinesiol. 2008;18(4):637-644. [85] 戴艳.运动性疲劳的产生机制及恢复措施的研究[J].沈阳体育学院学报,2004,23(3):333-335. [86] 付克翠,陈菊平,陈元武.运动性疲劳概述[J].四川体育科学, 2004(2):30-32. [87] 王军,王有清.运动性疲劳的测定和消除[J].当代教育论坛, 2003(3):96-96. [88] ABBOUD J, NOUGAROU F, LORANGER M, et al. Test-retest reliability of trunk motor variability measured by large-array surface electromyography. J Manipulative Physiol Ther. 2015;38(6):359-364.. [89] STULEN FB, DELUCA CJ. Frequency parameters of the myoelectric signal as a measure of muscle conduction velocity. IEEE Trans Biomed Eng. 1981;28(7):515-523. [90] SCHWEITZER TW, FITZGERALD JW, BOWDEN JA, et al. Spectral analysis of human inspiratory diaphragmatic electromyograms. J Appl Physiol Respir Environ Exerc Physiol. 1979;46(1):152. [91] COOREVITS P, DANNEELS L, CAMBIER D, et al. Assessment of the validity of the Biering-Sorensen test for measuring back muscle fatigue based on EMG median frequency characteristics of back and hip muscles. J Electromyogr Kinesiol. 2008;18(6):997-1005. [92] ROLDÁN JIMÉNEZ C, BENNETT P, ORTIZ GARCÍA A, et al. Fatigue Detection during Sit-To-Stand Test Based on Surface Electromyography and Acceleration: A Case Study. Sensors (Basel). 2019;19(19):14. [93] HIEMSTRA LA, LO IK, FOWLER PJ. Effect of fatigue on knee proprioception: implications for dynamic stabilization. J Orthop Sports Phys Ther. 2001;31(10):598. [94] BAILLY F, CEGLIA A, MICHAUD B, et al. Real-Time and Dynamically Consistent Estimation of Muscle Forces Using a Moving Horizon EMG-Marker Tracking Algorithm-Application to Upper Limb Biomechanics. Front Bioeng Biotechnol. 2021;9:642742. [95] 弗拉基米尔. 运动生物力学:运动成绩的提高与运动损伤的预防[M].北京:人民体育出版社.2004 [96] CROCE RV, MILLER JP, SMITH WJ, et al. Surface electromyographic alterations of the knee extensor musculature based on contraction intensity and velocity. Isokinetics Exerc Sci. 2012;20(3):155-165. [97] BABYAR SR, HOLLAND TJ, ROTHBART D, et al. Electromyographic Analyses of Trunk Musculature after Stroke: An Integrative Review. Top Stroke Rehabil. 2021:1-16. doi: 10.1080/10749357.2021.1940725. [98] ZHANG XF, LI X, DAI JT, et al. The design of a hemiplegic upper limb rehabilitation training system based on surface EMG signals. J Adv Mech Des Syst Manuf. 2018;12(1):12. [99] DENIZOGLU KULLI H, KARABULUT D, SAKA T, et al. Force irradiation effect of kinesiotaping on contralateral muscle activation. Hum Mov Sci. 2019;66:310-317. [100] ADAMSON M, MACQUAIDE N, HELGERUD J, et al. Unilateral arm strength training improves contralateral peak force and rate of force development. Eur J Appl Physiol. 2008;103:553-559. [101] DRAGERT K, ZEHR EP. High-intensity unilateral dorsiflexor resistance training results in bilateral neuromuscular plasticity after stroke. Exp Brain Res. 2013;225(1):93-104. [102] DEVINE KL, LEVEAU BF, YACK HJ. Electromyographic Activity Recorded from an Unexercised Muscle During Maximal Isometric Exercise of the Contralateral Agonists and Antagonists. Phys Ther. 1981;61:898-903. [103] POST M, BAKELS R, ZIJDEWINd I. Inadvertent Contralateral Activity during a Sustained Unilateral Contraction Reflects the Direction of Target Movement. J Neurosci. 2009;29:6353-6357. [104] ZIJDEWIND I, BUTLER JE, GANDEVIA SC, et al. The origin of activity in the biceps brachii muscle during voluntary contractions of the contralateral elbow flexor muscles. Exp Brain Res. 2006;175:526-535. |
[1] | 赵 静, 刘小菠, 张 月, 张家铭, 钟冬灵, 李 涓, 金荣疆. 基于CiteSpace软件对神经肌肉电刺激治疗作用、热点及发展趋势的可视化分析[J]. 中国组织工程研究, 2022, 26(8): 1234-1241. |
[2] | 佘 建, 赵 静, 张家铭, 夏海莎, 钟冬灵, 李雨谿, 郑 重, 李 涓, 金荣疆. 眼动技术对自闭症患者认知行为学研究的可视化分析[J]. 中国组织工程研究, 2022, 26(35): 5724-5732. |
[3] | 李小军, 李 嘉, 高 峰, 李 浪, 李 沁, 欧阳翔宇. 人坐骨神经内部神经纤维的功能区分及可视化分析[J]. 中国组织工程研究, 2022, 26(32): 5148-5154. |
[4] | 何其泽, 孟 林, 王 杰, 翁晨祎. 基于Citespace软骨前体细胞修复软骨相关文献的可视化分析[J]. 中国组织工程研究, 2022, 26(29): 4723-4728. |
[5] | 邹梦瑶, 王俊华, 秦鹏飞, 钟伟华. 国内外虚拟现实技术治疗脑卒中的知识图谱分析[J]. 中国组织工程研究, 2022, 26(26): 4224-4233. |
[6] | 李志帅, 张红倩, 刘建全, 张翰坤, 李 丽. 前交叉韧带重建后康复训练研究热点的可视化分析[J]. 中国组织工程研究, 2022, 26(26): 4234-4241. |
[7] | 董佳乐, 魏远好, 张洪武. 基于知识图谱的骨缺损治疗可视化分析[J]. 中国组织工程研究, 2022, 26(18): 2906-2913. |
[8] | 陈科奕, 王定宣, 赵四可, 夏章容. 加压训练在康复领域的研究热点及10年文献资料的可视化分析[J]. 中国组织工程研究, 2022, 26(15): 2406-2411. |
[9] | 李志帅, 张红倩, 李 丽, 韩新文, 冯 静. 膝关节有限元分析的研究热点及趋势[J]. 中国组织工程研究, 2022, 26(15): 2412-2418. |
[10] | 薛夏利, 邓钟义, 孙君志, 李 宁, 任文博, 周 凌, 合 烨. 康复机器人领域10年研究热点:基于Web of Science数据库的文献计量学分析[J]. 中国组织工程研究, 2022, 26(14): 2214-2222. |
[11] | 王素素, 李丽凤, 张一民. 运动干预老年人肌少症近10年研究进展及国际热点可视化分析[J]. 中国组织工程研究, 2022, 26(14): 2223-2230. |
[12] | 许 杰, 周文琪, 罗小兵. 髌股关节疼痛综合征研究热点与内容的可视化分析[J]. 中国组织工程研究, 2022, 26(12): 1877-1887. |
[13] | 王梦婷, 古艳萍, 任文博, 覃 倩, 白冰怡, 廖远朋. 运动干预功能障碍人群血流限制训练的文献热点可视化分析[J]. 中国组织工程研究, 2021, 25(8): 1264-1269. |
[14] | 罗 琳, 宋乃庆, 黄 瑾, 邹晓东. 国际儿童动作发展评估研究的回顾与展望:基于Citespace可视化分析[J]. 中国组织工程研究, 2021, 25(8): 1270-1276. |
[15] | 吴子健, 胡昭端, 谢有琼, 王 峰, 李 佳, 李柏村, 蔡国伟, 彭 锐. 3D打印技术与骨组织工程研究文献计量及研究热点可视化分析[J]. 中国组织工程研究, 2021, 25(4): 564-569. |
肌电图(electromyography)是指将单个或者多个肌细胞或者肌肉组织活动时产生的生物电变化经电极放大,记录所获得的电压变化的一维时序信号图形。表面肌电测量技术的实质是利用肌电仪器设备收集人体肢体或者肌肉活动电信号并制作好肌电时序图形,为后期处理及为研究设计服务。表面肌电作为一种电的诊断检测手段与方法,尽管在肌肉外周测量,而不是直接从神经细胞中获得,但它们包含了执行运动任务的神经信息,值得进一步探索。肌电评测与肌力测试、运动分析共同构成了人体神经肌肉功能在身体检测与评价的“三架马车”,被广泛应用到康复医学、临床医学、体育科学等领域。
肌电图可以评定人体运动过程中局部肌肉疲劳,如通过时域分析和频域分析2个指标进行综合判定。有许多研究观察了表面肌电信号的频谱参数,观察信号的平均频率、中位频率以及高频成分和低频成分的比值等[1-2]。虽然肌电图已在各个领域得到了广泛的应用,但是关于肌电图在人体应用的研究荟萃分析相对不足,为此,该研究梳理了人体表面肌电图学在人体肢体动作研究领域应用的主题热点与国际前沿,以期为中国研究者进行人体康复设计、人机功效学等研究提供理论参考。
中国组织工程研究杂志出版内容重点:组织构建;骨细胞;软骨细胞;细胞培养;成纤维细胞;血管内皮细胞;骨质疏松;组织工程
1.1 设计 文献研究的可视化知识图谱分析。
1.2 时间及地点 文献检索、数据图谱可视化以及文献分析于2021年12月。
1.3 数据来源 利用Web of Science(SCI、SCIE、A&HCI、ESCI、CCRE、IR)核心合集数据库,以检索主题词方式进行检索,检索词包括肌电图、肌电和人体运动等主题词。基于检索词搭配逻辑与“and”、逻辑或“OR”、逻辑非“NOT”等布尔逻辑运算符号进行检索,具体检索词:TS=“electromyography” OR “sEMG”OR“surface EMG”and“human movement” or “movement”,检索时间跨度为2010-01-01/2021-12-20近11年文献,语种选择英语,共检索得到3 284篇文献,并将所有数据命名为“download_**txt”格式。导入到 Citespace V 5.8R1.6bit软件安装文件夹下的“Data”文件夹,剔除重复文献数据后得到3 273篇纳入分析,2010-2021年发文量趋势见图1。文献管理软件采用Endnote X9软件将Web of Science文献以savedrecs (1-500,501-1 000…3 001-3 273).ciw格式,选择全纪录与引用的参考文献下载题录,并将题录信息导入Endnote X9软件进行文献管理。文献排除标准:文献重复检索时去除重复文献、动物类文献。文献通过百度学术、谷歌学术、sci-hub、研究之门(research gate)、文献鸟Stork 等传输界面获得。
1.4 分析工具及方法 采用陈超美博士研发的Citespace V 5.8R1.6bit 软件为工具分析,该软件在绘制各个科学领域的科学知识图谱、分析不同节点特征和类型的引文网络以及识别和呈现科学发展新趋势和新动态等方面具有较强的技术和功能优势,能够让研究者在大量文献数据中直接观察到其隐含的信息,直观地体现了文献研究的重点,为研究决策提供依据[3-4]。每一个节点代表一种分析类别,节点之间的连线表明节点与节点之间的联系,线条曲线越粗表示关系越紧密[5];节点最外层的紫色外环表示文献的中介中心性,中介中心性是Citspace V知识图谱中起连接作用大小的度量,紫色外环宽度越厚,其中介中心性越大[6-7]。
软件分析与设置:Citspace V界面中的时间设置为2010年1月至2021年12月,时间切片设置为1年。运行后得到相应节点的可视化知识图谱,可看到每个节点的多方面信息,如有紫色外圈的节点,具有高的中介中心性的点等;节点大小代表总被引次数,节点越大则总被引频次越高(Hub Node);枢纽节点,具有高度中介中心性。此外,通过各个年轮的颜色可判断被引时间分布,聚类之间的知识流向也可从时间(色彩)上看到(由冷色到暖色)等[8-10]。
运动装备研发领域中,肌电图参与观察不同运动鞋的质量、脚垫类型设计与不同踩踏方式生物力学情况[55],利用肌电图观察不同运动鞋对下肢不同肌肉激活情况,研究数据结果提示了175 g和415 g质量的跑鞋对胫前肌的激活作用最强(P < 0.05)。在推起阶段,随着鞋的质量增加,受试者下肢的半腱肌、腓肠肌外侧肌和比目鱼肌的激活程度也随之升高(P < 0.05);在减速制动阶段,质量较小的跑鞋可能会增加受试者下肢小腿腓肠肌的疲劳;在向上推起阶段,质量较大的跑鞋可能会导致受试者下肢半腱肌和小腿三头肌(腓肠肌及比目鱼肌)肌肉疲劳的发生。小结:肌电图学在人体工程学广泛应用,判断不同材料结合、不同肢体动作阶段下人机功效学的生理、生物力学特征,为造福人类提供参数诊断。
3.1.2 肌电结合高速摄像进行生物力学分析 在体育科学领域,从表面肌电中提取的信息通常被认为是运动单位(motor units)激活的全域测量。在肢体运动过程中利用多通道肌电记录仪将肌电记录下来,然后根据运动中每块肌肉放电顺序和肌电幅度、肌肉的激活程度等,结合高速摄像动作捕捉等技术对人体肢体动作进行评估和诊断,如肌电图在舞蹈[73]、乒乓球[74]、足球[75]、越野滑雪[76]、站立式瑜伽[77]、步态等运动项目中应用研究深入[64,78]。肢体动作模式研究如跳远[79]、下蹲动作[80]、下落跳(慢性踝关节稳定性)[81]、手臂自行车等评价下肢股腓肠肌、臀大肌、股直肌、胫骨前肌、股二头肌和股内侧肌等肌肉肌电活动特征、协同策略等[56]。利用表面肌电sEMG结合人体肢体动作模式在医学领域广泛应用,如单侧下蹲功能性动作(the single-leg squat,SLS) 评价老年人的膝关节骨性关节炎以及急停起跳动作评价膝关节前交叉韧带损伤等[82-83]。阅读文献中发现,多数肌电参与的生物力学文献,肢体动作类研究手段或技术均会同时使用三维动作捕捉和肌电图学共同分析肢体动作生物力学特征,肌电图提供了人体神经-肌肉活动信息的相关参数指标。可以说在大量肢体动作的生物力学分析的研究文献中肌电图使用深受广大学者的信赖。
3.2 表面肌电技术在人体疲劳和肌力评价领域应用
3.2.1 利用表面肌电评价局部疲劳 肌电图评定人体肢体动作时局部肌肉疲劳的方式较为客观、准确,已经得到了学界共识。肌电疲劳指数(electromyography fatigue index)是指根据肌肉疲劳过程中表面肌电信号中位频率或者平均功率频率下降率来检测和评价局部抗肌肉疲劳能力的非损伤性评价指标。肌电图判断疲劳主要通过时域分析和频域分析2个指标进行综合判定,利用快速傅里叶变换(STFT)和连续小波变换(CWT)等频域指标分析局部肌肉疲劳[84]。局部肌肉疲劳时肌电活动发生改变,肌电振幅会增大,而频率会降低[85-87]。通过时域和频域指标进行神经传导速度评价,频域分析主要通过频谱研究。利用矩阵肌电图评估无症状参与者在肌肉疲劳时的躯干肌肉激活测试可靠性[88]。STULEN等[89]建立的肌电信号数学模型表明,其功率谱密度可作为肌肉纤维CV的函数,肌电信号的功率谱变化能反映CV的变化,因而也能反映疲劳程度。
表面肌电频率是在1912年被发现的[90],通过分析频率指标可以获得更多肢体动作肌电的特征信息。研究显示,表面肌电信号的频率范围通常在0-500 Hz,功率谱的最大频率通常在30-300 Hz,可观察到低频成分在放大而高频部分在变小,肌电频谱曲线的变化,指出频域相关指标参数与肌肉疲劳有关。有许多研究开始观察了表面肌电信号的频谱参数,观察信号的平均频率、中位频率以及高频成分和低频成分的比值[1-2]。利用肌电设备配合测试动作(如Sorensen背肌测试)观察中位频率随时间的变化(MDF/s)现象,MDF/s呈线性降低,斜率为负值时,说明Sorensen背肌测试时受试者的疲劳程度增加[91]。有研究通过肌电图,利用肢体动作的30 s坐-立(30-STS)测试来描述的肌肉疲劳[92],股内侧肌疲劳表现为快速傅里叶变换(STFT)的频谱中心降低,侧提示疲劳[92]。另外,疲劳时一系列神经调节反射发生障碍,例如膝跳发射阈值升高;反应时延长[85-86],疲劳时人体的本体感觉功能会下降,皮肤两点间的距离感会下降[93]。脑电图测定,疲劳时脑电图的α波和β波略加快,波幅增高15%-20%[85],肌力运动后肌力下降不能及时恢复,视为疲劳,疲劳时呼吸肌耐力下降[85-87],这些外周性疲劳评定均可以利用肌电图直接或者间接方式测定。
3.2.2 利用表面肌电评价评价肌力 疲劳可引起神经-肌肉控制能力下降[80],从而减少肌肉收缩的力量。观察肌电图信号的平均频率、中位频率以及高频成分和低频成分的比值可以判断局部肌肉疲劳[1-2]。国外SCI文献对表面肌电研究中有关表面肌电-肌力的关系得到共识,肌肉收缩过程中神经对肌肉激活和募集数量在一定程度上取决于肌力大小。肌肉力量的实时生物反馈可以提醒医生调整患者运动策略,但是,由于这些肌肉力量不能被直接测量,研究人员已经开发了数字模型和方法,并通过肌电图频域指标和身体运动学来估计[94]。研究表明,在一定条件下,肌肉收缩产生的力或功率与表面肌电信号的平均振幅(aEMG)间存在线性关系,即肌肉收缩强度越大,表面肌电信号幅值也相应增加;同时积分肌电值(IEMG)与肌力之间也存在高度相关关系。在深蹲过程中,表面肌电信号振幅随着疲劳而明显增加(mean+23.27%)[80]。最大自愿收缩(maximum voluntary contraction,MVC)时的肌电与肌力的相关研究发现,当肌肉用40%MVC以下强度收缩时,肌力与肌电呈线性关系,60%MVC以上强度时,肌力与肌电也呈现象关系,此时的直线的斜率较大,当40%-60%MVC时线性关系往往不存在了,离心收缩时的表面肌电信号幅度小于向心收缩[48]。另外,有学者研究发现,表面肌电信号的增加对训练任务的特异性,受试者进行离心训练峰值力矩增加36%,表面肌电信增加17%,但在向心训练中峰值力矩和表面肌电信都增加7%[95]。有人研究收缩强度(100%、75%、50%和25% MVC)和运动速度[0,100,200,300和
400 (°)/s]等速伸展运动中大腿内侧肌和股直肌表面肌电图的均方根振幅(SEMG-RMS)和中频功率谱(SEMG-MPF)的影响,结果说明随着强度增加,会募集更多快肌纤维参与抗阻运动中来[96]。
3.3 表面肌电技术在人体运动性康复领域应用
3.3.1 脑卒中对躯干以及四肢肌肉激活影响 脑卒中会影响人的日常肌肉活动,给人们带来生活上的困扰。脊髓传递给肌肉的神经电信号与所采集的表面肌电信号密切相关[71]。肌电信息可以反映出脑卒中患者的运动单位动员是如何被限制或运动迟缓背后的机制信息[48],有综述发现,可以利用肌电信号监测脑卒中患者的躯干肌肉激活程度,也可以利用表面肌电图分析脑卒中患者单侧训练活动以及判断对侧肌肉激活程度[97]。这为脑卒中所致偏瘫患者设计上肢康复训练监测指标系统提供参考[98]。不同文献中,脑卒中患者的康复训练后的躯干、四肢肌电恢复时间、大小和对称性方面存在显著差异。可以从瘫痪和非瘫痪患者的胫骨前部记录等长的踝关节背屈力、动作电位和表面肌电图变化情况,在瘫痪的肢体中,力量减少了38%,力量发展的速度慢了63%。线性图可描述和比较运动时肌电图线性变化与力量之间的关系,在80%MVC的恒定力量收缩中,瘫痪肢体的速率编码被压缩,放电频率较低;在高达90%MVC的快速肌肉收缩过程中,瘫痪肢体的肌电信号的第一个棘突间歇延长了[48],表面肌电信号幅度上升的速度也较低。脑卒中患者康复策略的未来研究可以集中在恢复运动单元速率编码和神经肌肉激活等具体方面。
3.3.2 在康复训练领域中应用 肌电图对肢体损伤或者中风患者的康复训练进行评价,如康复训练干预对落地时下肢神经肌肉力学(踝关节和膝关节)的影响[81]。对脑卒中患者的康复训练研究发现,单侧进行等速肌力抗阻训引起肌肉激烈收缩时,对侧同源性肌肉会发生不自主肌肉活动[99-100],这一研究结果将有助于对脑卒中或偏瘫患者进行抗阻训练设计,帮助患肢实现康复。关于偏瘫患者单侧抗阻训练导致对侧同源性肌肉激活的潜在机制有几种观点,一些理论将对侧激活的起源归因于肌肉、神经、皮质、皮质下结构和脊髓[101-102]。在单侧肢体收缩运动中,对侧肢体的不自主肌肉活动,对侧肌肉活动量取决于从中央运动通路到活动肌肉的刺激的量,以及对侧运动神经元的传入能力[103-104],解释了单侧训练提升对侧运动表现的神经机制,为进一步干预训练提供理论基础。小结:肌电图学在揭示脑卒中患者单侧肢体抗阻训练对未训练肢体激活反应的机制方面仍有待进一步研究。
3.4 文章局限性 该研究的局限性主要在检索时间、数据库选择以及语种等3个方面。检索文献时限在2010年1月至2021年12月,2010年之前的文献均不纳入分析;另外,检索数据库只在WOS核心数据库(SCI、SCIE、A&HCI、ESCI、CCRE、IR),不包括KCI-Korean Journal Database、Russian Science Citation Index 等普通数据库;另外,在WOS核心数据库中,进行精炼时只选择“英语”,不纳入其他语种如德语、法语、西班牙语等,检索不全面。结论:肌电图在人的肢体动作领域研究应用广泛,发文领域分布于神经领域、工程学和体育科学领域;发文量较多国家主要是美国、中国和加拿大;主题热点主要关注肌电控制、慢性下腰痛、皮质脊髓兴奋性、帕金森病、注意力练习、中风存活患者、前交叉韧带损伤、肌肉协同等;国际前沿领域研究分为早期前沿、现代前沿,早期前沿主要从肌电控制、肌电影响因素、肌电算法等领域到现代前沿的人机交互、人机功效学(人体假肢)等研究领域过渡;肌电在中风或脑卒中患者躯干肌电恢复时间、大小和对称性方面存在显著差异,肌电图学在揭示脑卒中患者单侧肢体抗阻训练对未训练肢体激活反应的机制方面仍然有待进一步研究。
文题释义:
肌电图(Electromyography):是指将单个或者多个肌细胞或者肌肉组织活动时产生的生物电变化经电极放大,记录所获得的电压变化的一维时序信号图形。
肌电疲劳指数(Electromyography fatigue index):是指根据肌肉疲劳过程中肌电图信号中位频率或者平均功率频率下降率来检测和评价局部抗肌肉疲劳能力的非损伤性评价指标。
肌电评测与肌力测试、运动分析共同构成了人体神经肌肉功能在身体检测与评价的“三架马车”,被广泛应用到康复医学、临床医学、体育科学等领域。
阅读次数 | ||||||
全文 |
|
|||||
摘要 |
|
|||||