پیچیدگی و آنتروپی sEMG در خستگی

سال انتشار: 1401
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 93

نسخه کامل این مقاله ارائه نشده است و در دسترس نمی باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

SPORTC06_124

تاریخ نمایه سازی: 14 تیر 1402

چکیده مقاله:

پیچیدگی و آنتروپی sEMG به صورت خطی با افزایش درجه خستگی کاهش می یابد. در حرکت پویا، آنتروپی تقریبی ابتداافزایش می یابد و سپس برای اکثر افراد کاهش می یابد. آنتروپی طیف حاشیه ای (MSE) (جرو و راماکریشنان، ۲۰۱۹) یک روشمفید ارزیابی خستگی عضلانی در زمان واقعی با مزایای ارزیابی سریع و قابل اعتماد خستگی عضلانی و ضد نویز است. در مقایسه باآنتروپی تقریبی و MDF ، MSE را می توان به سرعت محاسبه کرد، استحکام طول داده ها بهتر است، و خستگی عضلانی را می توانبه طور قابل اعتماد ارزیابی کرد. پایداری بالا برای افراد مختلف و مقاومت خوبی در برابر صدا دارد. SampEn (کوی و همکاران،۲۰۱۷)، احتمال تولید الگوهای جدید در سیگنال ها را با اندازه گیری پیچیدگی سری های زمانی اندازه گیری می کند. SampEnدارای توانایی ضد نویز قوی است و می تواند انحراف داده ها را کاهش دهد. هرچه پیچیدگی دنباله بیشتر باشد، آنتروپی بیشتر است.آنتروپی چند مقیاسی (فن و همکاران، ۲۰۱۸) سیگنال ها ی sEMG با افزایش بار کاهش می یابد، که با دقت بیشتری پیچیدگیسیستم عضلانی را نشان می دهد. در مقایسه با SampEn سنتی، می تواند به طور عینی تری وضعیت کار و درجه خستگی عضله رامنعکس کند. تجزیه و تحلیل آنتروپی چند مقیاسی مقدار کمی از محاسبات دارد و می تواند با پیچیدگی انقباض عضلانی پویا تحتبارهای متغیر با زمان سازگار شود. در کار عملی، آنتروپی چند مقیاسی متوسط نرمال شده را می توان به عنوان یک شاخص کمی برایاندازه گیری درجه خستگی پویا عضلات استفاده کرد. تحلیل کمیت عود (RQA) (چن و همکاران، ۲۰۱۸) برای تعیین درصد بخشهای خط (% DET) که منعکس کننده تناوب سیگنال ها هستند استفاده می شود. از نرم افزار RQA برای محاسبه و تعیین درصدپاره خط استفاده می شود. تحت بارهای دینامیکی و استاتیکی، % DET به صورت خطی با بروز خستگی عضلانی افزایش می یابد.لجونو همکاران (۲۰۱۸) از Cn)) برای ارزیابی خستگی در تمرینات دوچرخه سواری همه جانبه استفاده کرد.کوی و همکاران (۲۰۱۷) ازSampEn برای بررسی ویژگی های خسته کننده واحدهای تاندون عضلانی (MTUs) در عضلات اسکلتی در طی کارهای انقباضایزومتریک استاتیک استفاده کرد.هرناندز و کامیک (۲۰۱۹) تاثیر وضعیت خستگی و نوع انقباض بر پیچیدگی سیگنال sEMG بااستفاده از SampEn و تجزیه و تحلیل نوسانات (Detrended (DFA بررسی شد.کال و هافمن (۲۰۱۶) عملکرد الگوریتم هایتشخیص خستگی مختلف را برای تعیین کمیت خستگی عضلانی بر اساس سیگنال های sEMG مقایسه کرد. الگوریتم های تشخیصخستگی شامل نسبت گشتاورهای طیفی (SMR، SampEn) ، آنتروپی تقریبی فازی (fApEn)، و (RQA %DET) محاسبهشدند. پس از شناسایی ویژگی های استخراج شده از سیگنال sEMG ، مرحله مهم بعدی طبقه بندی برای تشخیص حالت خستگی است.

کلیدواژه ها:

نویسندگان

راضیه رمضان زاده درآباد

دانشجوی کارشناسی ارشد فیزیولوژی ورزشی کاربردی دانشگاه محقق اردبیلی

لطفعلی بلبلی

عضو هیات علمی دانشگاه محقق اردبیلی

رضا فرضی زاده

عضو هیات علمی دانشگاه محقق اردبیلی

باقر شجاع انزابی

دانشجوی دکتری فیزیولوژی ورزشی دانشگاه محقق ادربیلی