許全盛，白茹雪，李世明

力量訓(xùn)練負荷和肌肉疲勞對表面肌電非線性參數(shù)的雙重調(diào)節(jié)

許全盛1，白茹雪1，李世明2*

1.燕山大學(xué)，河北秦皇島 066004；2.中國海洋大學(xué)，山東青島 266100

目的：研究力量訓(xùn)練負荷和肌肉疲勞對表面肌電信號非線性參數(shù)的作用規(guī)律，探索精準力量訓(xùn)練中對肌力、肌肉做功和疲勞因素敏感的非線性指標。方法： 6名受試者在非疲勞和疲勞狀態(tài)下分別完成徒手至90%最大負荷共7個負重水平的下蹲起動作，采集股四頭肌的表面肌電、足底壓力和膝關(guān)節(jié)角數(shù)據(jù)，提取表面肌電非線性參數(shù)分形維、多尺度熵、科爾莫戈諾夫熵、LZ復(fù)雜度，由足底壓力和膝關(guān)節(jié)角計算膝關(guān)節(jié)力矩，對疲勞前后負重蹲起動作過程的肌電參數(shù)和膝關(guān)節(jié)力矩進行回歸分析。結(jié)果：無論肌肉是否處于疲勞狀態(tài)，表面肌電的非線性參數(shù)均隨負重水平增加而增大，但同等負重水平下，肌肉疲勞導(dǎo)致參數(shù)降低。其中，科爾莫戈諾夫熵的線性增長性最顯著，而分形維的數(shù)值穩(wěn)定性最高，其峰值出現(xiàn)在60%～75%最大負重。結(jié)論： 1）骨骼肌系統(tǒng)的復(fù)雜度受到肌肉疲勞和肌肉收縮的共同作用，在運用表面肌電非線性參數(shù)評價肌肉疲勞時，應(yīng)消除肌力或關(guān)節(jié)力矩的影響；2）表面肌電分形維能較好地反映肌肉做功能力，更全面地評估肌肉工作狀態(tài)，可以作為精準化快速力量訓(xùn)練及肌肉傷病康復(fù)治療的評價指標。

表面肌電信號；力量訓(xùn)練；肌肉疲勞；復(fù)雜度；遞增負重

在健康中國背景下，人們的健身意愿日益強烈，參與健步走、廣場舞、慢跑等有氧運動越來越普遍。相較有氧運動，我國群眾無氧運動參與程度較低，尤其是力量練習(xí)，盡管力量素質(zhì)對各年齡段人群的健身活動都很重要，但對多數(shù)人而言力量練習(xí)的量和強度較難把握。因此，科學(xué)的健身指導(dǎo)非常必要，一方面應(yīng)實時監(jiān)測肌肉活動狀態(tài)，如果肌肉疲勞了仍繼續(xù)練習(xí)容易造成肌肉和關(guān)節(jié)的損傷；另一方面，應(yīng)控制好練習(xí)量和強度，量和強度過大容易受傷，過小則無法達到最佳的健身效果。檢驗力量練習(xí)對個體的肌肉力量的鍛煉效果，可通過表面肌電（surface electromyography， sEMG）信號分析對肌肉活動狀態(tài)進行評定，預(yù)防過度訓(xùn)練導(dǎo)致的肌肉損傷，并使力量練習(xí)的量和強度達到必要的水平，實現(xiàn)力量練習(xí)的科學(xué)化和精準化。

有研究證實，sEMG時域和頻域指標在靜態(tài)收縮和中低強度動態(tài)收縮時對肌肉活動的解釋效果很好，比如，sEMG平均頻率、中值頻率隨肌肉疲勞的發(fā)展呈下降趨勢，而均方根振幅、積分肌電等時域指標則呈上升趨勢（王健，2001）。此外，肌肉疲勞與肌力、運動負荷、肌電振幅和頻譜間存在內(nèi)在聯(lián)系：運動負荷改變迫使肌力變化，負荷增大會加速疲勞發(fā)展，而肌電振幅和頻譜對肌力和疲勞狀態(tài)具有雙重依賴性（李世明，2014）。在中等負荷范圍內(nèi)，肌電振幅隨肌力增大和疲勞的產(chǎn)生而增長；頻域指標隨肌力增大而增大，但隨疲勞的發(fā)生而降低。因此，當時域指標增大同時頻域指標下降可判定肌肉已經(jīng)疲勞。但當肌肉處于中高強度的動態(tài)收縮時，由電極位置、動作電位傳導(dǎo)速度、肌力以及肌纖維長度等因素帶來的變化使sEMG具有高度的非平穩(wěn)性、非線性和混沌背景（曲峰，2008；González et al.， 2010）。此時，通過肌電時域和頻域分析來評估肌肉疲勞具有較大的局限性，在力量訓(xùn)練和健身活動指導(dǎo)方面無法取得滿意效果。

有2種方法能夠克服生理信號的非平穩(wěn)性和非線性：1）時頻分析法，根據(jù)信號能量在時域和頻域的聯(lián)合分布計算出時變的頻域參數(shù)，尤其適合檢測和評估動態(tài)肌肉疲勞（李世明等，2016； González et al.， 2010），但時頻分析的計算量大，數(shù)值穩(wěn)定性也較差；2）非線性動力學(xué)分析，直接在時域提取信號的近似熵、樣本熵（sample entropy，SampEn）、多尺度熵（multi-scale entropy，MSE）、科爾莫戈諾夫熵（Kolmogorov entropy，KE）、LZ復(fù)雜度（LZ Complexity，LZC）、分形維數(shù)（fractal dimension，F(xiàn)D）、赫斯特指數(shù)以及李雅普諾夫指數(shù)等非線性特征（劉秉正等，2004）。這些特征從不同角度反映了系統(tǒng)的復(fù)雜度，由于生理系統(tǒng)往往表現(xiàn)出復(fù)雜的混沌模式和不規(guī)則行為，參考這些非線性特征參數(shù)有助于研究系統(tǒng)本身。SampEn是最早用于衡量生理系統(tǒng)的復(fù)雜性和無序性的參數(shù)之一；MSE是在多個離散時間尺度上的SampEn，能夠更完整的反映系統(tǒng)信息和時域演化進程（Costa et al.， 2002； Silva et al.， 2015）；Kolmogorov把信息熵的概念精確化，用KE量度系統(tǒng)在運動過程中的混亂或無序程度；Lempel和Ziv提出了一種更一般性的復(fù)雜度定義LZC，以反映一個時間序列隨其長度的增長出現(xiàn)新模式的速率（劉秉正等，2004）；FD是混沌系統(tǒng)中吸引子幾何結(jié)構(gòu)復(fù)雜性程度的完全表征；非線性參數(shù)與時頻參數(shù)也無須信號的平穩(wěn)性假設(shè)，但計算量更小。骨骼肌運動單位、動作電位和神經(jīng)支配具有復(fù)雜性，因此，sEMG非線性分析成為研究肌肉系統(tǒng)的有力手段（Liu et al.， 2005），尤其是肌肉在中高強度的動態(tài)收縮時，非線性分析相比傳統(tǒng)時域和頻域分析具有明顯優(yōu)勢。

根據(jù)生理系統(tǒng)的復(fù)雜性理論，健康系統(tǒng)對復(fù)雜和不良環(huán)境的調(diào)節(jié)適應(yīng)能力更強，復(fù)雜度更高，相反，病理和衰老系統(tǒng)的信息量由于生理控制能力退化而下降，復(fù)雜度降低（Costa et al.， 2002； Goldberger et al.， 2002； Silva et al.， 2015）。對肌肉系統(tǒng)而言，肌肉疲勞時力量輸出調(diào)節(jié)受損，系統(tǒng)處于“病態(tài)”，無論是靜態(tài)還是動態(tài)疲勞，sEMG非線性參數(shù)大體呈下降趨勢（Ancillao et al.， 2014； Kathick et al.， 2018）。但許全盛等（2017）發(fā)現(xiàn)，MSE對肌肉疲勞和收縮強度同時敏感，提示在評估肌肉系統(tǒng)復(fù)雜性時，必須同時考慮這2個因素。

目前對sEMG肌肉疲勞的研究已較為透徹，結(jié)論也比較明朗，但針對肌肉收縮力量（以下簡稱“肌力”）或收縮強度、運動負荷與sEMG非線性特征關(guān)系的研究仍然不足。特別是哪些或哪一種非線性參數(shù)能同時對肌肉疲勞、運動負荷以及肌肉做功能力的變化更為敏感尚不清楚，這在一定程度上限制了sEMG分析對力量練習(xí)和健身活動的指導(dǎo)作用。因此，本研究通過遞增負重下蹲實驗，研究力量訓(xùn)練中運動負荷、疲勞因素與sEMG 4類典型非線性參數(shù)（MSE、KE、LZC和FD）間的協(xié)同變化規(guī)律，探索力量訓(xùn)練中sEMG敏感指標。

1 研究對象與方法

1.1　實驗對象

以體育專業(yè)6名男生為受試者，年齡（20.7±1.3）歲，身高（1.73±0.03）m，體質(zhì)量（65.90±2.28）kg。所有受試者均為右利手，身體狀況良好，無任何運動損傷，實驗前24 h未熬夜，未飲酒，未參與任何形式的劇烈運動，并在實驗前簽署了知情同意書。

1.2　實驗數(shù)據(jù)采集

1.2.1最大力量測試

采用McNeely推薦的間接測試法測試受試者蹲起的最大負重，具體步驟為：1）采用受試者能輕松重復(fù)5～10次的重量進行熱身；2）休息2 min；3）重量增加10%～20%，盡量多的重復(fù)，使受試者在2～20次達到疲勞；4）利用公式計算最大負重。計算公式為：最大力量（RM）=［（0.033×重復(fù)次數(shù)）×重量］＋重量，其中，重復(fù)次數(shù)指蹲起的次數(shù)，重量指蹲起的重量，如果受試者的重復(fù)次數(shù)超過10次，則休息10 min后，將重量再增加10%～20%，再次測試。

1.2.2非疲勞狀態(tài)下遞增負重實驗

選擇負重下蹲（包括下蹲和起立2個階段）動作完成數(shù)據(jù)采集，便于控制實驗條件使肌力和關(guān)節(jié)力矩在較大范圍內(nèi)變化，便于大量重復(fù)操作。準備姿勢為：將杠鈴置于頸后，雙手抓握杠鈴，身體挺直，兩眼平視前方，兩腳與肩同寬，足尖外斜約15°，負重下蹲后接著負重起立還原。實驗員指導(dǎo)受試者依次在三維測力臺上完成從0% 1RM（徒手）、15% 1RM、30% 1RM、45% 1RM、60% 1RM、75% 1RM和90% 1RM共7個負重水平的下蹲起動作，其中30% 1RM、45% 1RM對應(yīng)力量耐力練習(xí)模式，60% 1RM、75% 1RM對應(yīng)爆發(fā)力量練習(xí)模式，90% 1RM對應(yīng)最大力量練習(xí)模式。每次動作重心都下蹲到最低位（深蹲）后，再全力快速蹬起，每個負重水平重復(fù)做3次，前2次為熟悉性操作，在實驗員的指導(dǎo)下感受動作速度和幅度，最后1次時采集實驗數(shù)據(jù)，每個負重水平間休息2 min。實驗過程中完成如下測量：1）采用三維測力臺測試雙腳受力及壓心變化，采樣頻率1 000 Hz；2）采用Simi-Motion運動錄像解析系統(tǒng)在矢狀面內(nèi)對動作過程進行拍攝，拍攝頻率100 Hz，采集右側(cè)膝關(guān)節(jié)角和角速度；3）采用JE-TB0810八通道肌電系統(tǒng)采集右側(cè)腹直肌、股內(nèi)側(cè)肌、股外側(cè)肌的sEMG信號，采樣頻率1 000 Hz。實驗時將測力臺的觸發(fā)信號輸入肌電儀和運動錄像解析系統(tǒng)，實現(xiàn)硬件同步。

1.2.3疲勞實驗

采用部義峰等（2013）研究中的蹬車方案，利用功率自行車給受試者施加遞增負荷至疲勞狀態(tài)。受試者手戴心率遙測表，首先在零負荷下蹬踏功率自行車（MONARK824型）1 min，適應(yīng)50轉(zhuǎn)/min的轉(zhuǎn)速后進入正式測試。起始負荷50 W，每3 min遞增50 W，轉(zhuǎn)速保持50轉(zhuǎn)/min，負荷遞增到200 W后不再增加。每一負荷結(jié)束前5 s記錄自覺用力評分指數(shù)（rating of perceived exertion，RPE）等級及心率。如果受試者經(jīng)鼓勵督促仍不能按規(guī)定強度運動持續(xù)10 s以上，并同時滿足達到預(yù)期最大心率（220-年齡）和RPE＞18，便認為受試者股四頭肌已進入疲勞狀態(tài)，停止運動。

1.2.4非疲勞狀態(tài)下遞增負重實驗

疲勞實驗后立即進行負重下蹲起實驗。疲勞后受試者很難連續(xù)力量耐力和爆發(fā)力量練習(xí)，隨著實驗的進行，疲勞程度逐漸降低，而且不同受試者的恢復(fù)能力存在差異，因此，在疲勞狀態(tài)下只進行1～2個負重水平的測試，要求與非疲勞狀態(tài)下測試一致。完成后休息足夠長的時間，使機體完全恢復(fù)后，再次通過功率自行車達到疲勞狀態(tài)，進行下一個負重水平的測試。

1.3　肌電信號采集與預(yù)處理

采用八通道肌電采集系統(tǒng)（JE-TB0810，中國）采集sEMG信號，肌電儀佩戴于受試者腰部，電極片采用Ag/AgCI一次性使用圓形心電電極（上海鈞康醫(yī)用設(shè)備有限公司），直徑2.5 cm；3個電極成等邊三角形貼于待測肌肉肌腹沿肌纖維走向的方向上。放置電極貼前分別用磨砂紙和醫(yī)用酒精擦拭皮膚以減小電阻。肌電儀配備截止頻率為10 Hz的2階巴特沃茲高通濾波器和截止頻率為500 Hz的低通濾波器，以消除環(huán)境噪聲和運動偽跡的影響，信號采樣頻率1 000 Hz，增益119 dB，共模抑制比＞100 dB，輸入阻抗＞1012Ω，輸入范圍±3 mV。將采集的sEMG信號導(dǎo)入計算機，利用MATLAB 2014a對股直肌、股內(nèi)側(cè)肌和股外側(cè)肌的疲勞前后7個負重級別的sEMG信號進行預(yù)處理，設(shè)計2階橢圓數(shù)字陷波器濾除50 Hz工頻干擾后，將每位受試者共42段原始sEMG信號（3塊肌肉在非疲勞和疲勞后的7級負荷）轉(zhuǎn)換為待處理的時間序列數(shù)據(jù)，備后續(xù)分析使用。

1.4　參數(shù)計算

選擇MSE、KE、LZC和FD 4種具有代表性的非線性特征參數(shù)，利用MATLAB直接在sEMG信號時域提取參數(shù)值，從不同角度反映肌肉系統(tǒng)復(fù)雜度。利用逆向動力學(xué)算法由采集的足底測力數(shù)據(jù)計算負重下蹲動作的膝關(guān)節(jié)力矩，以此反映肌肉收縮強度或肌力水平。

1.4.1MSE

本研究將SampEn在所有尺度上的平均值（mean multi-scale entropy，MMSE）作為MSE復(fù)雜度測量。研究表明，MMSE相比單一尺度的SampEn能更有效地識別肌肉動態(tài)疲勞（許全盛等，2017）。

1.4.2KE

1.4.3LZC

3）當趨于∞時幾乎所有的（）都會趨于一常數(shù)，即：

其中，（）為序列的漸進行為，為字符串中不同字符的個數(shù)。用（對（進行歸一化得：

1.4.4FD

分形物體的基本特征是其長度、面積或體積取決于測量尺度。將sEMG信號視為一維曲線，F(xiàn)D就是曲線復(fù)雜性的特征，F(xiàn)D最常用的是盒型算法（box counting）（劉秉正等，2004）和Katz算法（Katz， 1988）。Liu等（2005）研究認為，Katz算法對信號的隨機性最敏感，對運動相關(guān)信號的量化能力最強。因此，本研究選擇Katz算法量化sEMG復(fù)雜性變化，其原理為：

對一段連續(xù)平面曲線，F(xiàn)D的一般定義為：

其中，是曲線的總長度，是曲線的直徑（平面范圍）。對一段波形，它們是由一系列點（x，y）的有序集，總長度是連續(xù)點之間距離的之和：

其中，為序列長度，即x和y的個數(shù)。由于波形有一個自然的起始點，平面范圍可以看作是起始點（1，1）與波形的任何其他點（點）間的最遠距離，即：

對一維離散波形，F(xiàn)D計算需歸一化為平均步長/，代入公式（8）可得Katz的FD：

其中，=/是曲線中的步數(shù)。對單調(diào)進行“向前”的平面曲線，F(xiàn)D介于1.0（直線）和1.5（高尖峰波）之間。真實波形永遠不會變得足夠復(fù)雜來填充一個平面，因此波形永遠不會有接近平面2.0維數(shù)FD。

1.5　膝關(guān)節(jié)力矩與非線性參數(shù)和疲勞因素的回歸分析

本研究通過膝關(guān)節(jié)角運動學(xué)數(shù)據(jù)、足底測力臺數(shù)據(jù)，利用逆向動力學(xué)算法計算得到膝關(guān)節(jié)合力矩，膝力矩反映膝關(guān)節(jié)肌群的肌力貢獻，大小取決于肌肉收縮強度。膝力矩計算的核心是牛頓-歐拉方程，其中膝關(guān)節(jié)角度通過運動錄像解析系統(tǒng)根據(jù)髖膝踝骨性標志點的坐標計算得到，下肢關(guān)節(jié)轉(zhuǎn)動慣量根據(jù)受試者身高、體質(zhì)量，通過運動解析系統(tǒng)中人體環(huán)節(jié)參數(shù)模型獲得。測力臺數(shù)據(jù)包括足底壓力和轉(zhuǎn)矩，將測力臺關(guān)于矢狀面受力和冠狀軸轉(zhuǎn)矩數(shù)據(jù)，和轉(zhuǎn)動慣量、膝關(guān)節(jié)角一起代入牛頓方程得到膝關(guān)節(jié)力矩，其數(shù)值求解過程通過MATLAB多剛體力學(xué)工具箱實現(xiàn)。

利用MATLAB對所有受試者在非疲勞和疲勞態(tài)下分別完成負重下蹲動作過程膝關(guān)節(jié)力矩的平均值與股直肌、股內(nèi)側(cè)肌和股外側(cè)肌sEMG非線性參數(shù)值間的相關(guān)性進行統(tǒng)計分析。通過繪制非線性參數(shù)隨膝關(guān)節(jié)力矩的變化的散點圖，運用最小二乘法對散點圖進行線性回歸并計算其回歸系數(shù)、可決系數(shù)2和統(tǒng)計量，探究對力量練習(xí)負荷和疲勞程度敏感的sEMG指標，回歸方程如下：

2 研究結(jié)果

2.1　時域波形

股直肌、股內(nèi)側(cè)肌和股外側(cè)肌是對負重蹲起動做貢獻最大的3塊肌肉。本研究中每位受試者在非疲勞狀態(tài)和疲勞狀態(tài)完成負重下蹲動作各產(chǎn)生21段肌電信號（7種負重水平，3塊肌肉），以受試者馬XX股內(nèi)側(cè)肌疲勞前后的原始肌電波形為例，無論是非疲勞狀態(tài)還是疲勞狀態(tài)時，肌電振幅和信號時長均隨負重水平從0% 1RM（徒手）至90% 1RM而遞增；與非疲勞狀態(tài)相比，負重較輕時振幅有所增大，但負重較大時并不顯著（圖1）。

圖1　受試者馬XX在非疲勞狀態(tài)（左）和疲勞狀態(tài)（右）下不同負重時股內(nèi)側(cè)肌的原始肌電波形

Figure 1. Raw sEMG of Vastus Medialis of Subject Ma XX in Fatigue-Free（Left） and Fatigue State（Right） at Different Loads

2.2　sEMG參數(shù)

6名受試者股直肌、股內(nèi)側(cè)肌和股外側(cè)肌sEMG 4個非線性參數(shù)在疲勞和非疲勞狀態(tài)下的計算結(jié)果（平均值±標準差）中MMSE計算時容許誤差取0.2，嵌入維取2，時間延遲取1，考慮到受試者完成下蹲起動作記錄的長度大多在1 500～2 000 ms，MSE最大時間尺度選擇50（表1）。

2.3　膝關(guān)節(jié)力矩

根據(jù)逆向動力學(xué)算法得到6名受試者的膝關(guān)節(jié)力矩在每個負重水平的所有最大值的平均值和標準差（表2）。

以受試者馬XX疲勞狀態(tài)和非疲勞狀態(tài)的膝關(guān)節(jié)力矩隨時間變化為例，膝力矩最大值和平均值均隨負重增加而增加，由于完成動作的難度隨負重逐漸增大，膝關(guān)節(jié)角速度逐漸變慢，膝力矩發(fā)揮作用的時長逐漸增加（圖2）。

2.4　膝力矩和疲勞對肌電參數(shù)的影響

2.4.1sEMG非線性參數(shù)隨遞增負重水平的變化

以股內(nèi)側(cè)肌為例，將疲勞狀態(tài)和非疲勞狀態(tài)時各參數(shù)的平均值和標準差數(shù)據(jù)繪制成按負重水平遞增的柱狀圖（圖3）。從徒手到最大負重90% 1RM全部7個負重水平，疲勞后的sEMG非線性參數(shù)均顯著低于非疲勞狀態(tài)下的數(shù)值。無論是疲勞還是非疲勞狀態(tài)，4種參數(shù)變化趨勢基本類似，總體上均隨負重遞增而遞增。其中，KE的線性增長性最顯著，MMSE和LZC在30% 1RM負重時稍有下降，但LZC在75% 1RM時稍大于90% 1RM，而FD在60% 1RM和75% 1RM時數(shù)值接近，但在90% 1RM時有明顯下降；從數(shù)值穩(wěn)定性看，MMSE在不同受試者間個體差異最大，LZC次之，而FD的方差最小，表現(xiàn)最為穩(wěn)定。

為觀察肌電參數(shù)在不同肌肉間的變化情況，將股直肌、股內(nèi)側(cè)肌和股外側(cè)肌的MMSE隨負重水平的變化繪制為柱狀圖（圖4），3塊肌肉的肌電參數(shù)在不同負重水平下的排序并不完全相同，但疲勞前后的總體變化趨勢基本一致，其他參數(shù)在不同肌肉間變化情況與MMSE類似。

由圖5可知，肌電參數(shù)與膝關(guān)節(jié)力矩總體呈正相關(guān)，同時，疲勞狀態(tài)下膝關(guān)節(jié)力矩和肌電參數(shù)均降低（數(shù)據(jù)點在非疲勞時的左下方）。由圖可見，MMSE和LZC的線性性較差，30% 1RM和45% 1RM負重下疲勞和非疲勞狀態(tài)MMSE和LZC數(shù)值有所交疊，而KE和FD增長的線性性更明顯。進一步觀察可見LZC和FD的峰值都出現(xiàn)在75% 1RM，但FD在60% 1RM時的數(shù)值比LZC更加接近75% 1RM。

2.4.2sEMG非線性參數(shù)與膝關(guān)節(jié)力矩的回歸分析

將6名受試者從徒手至90% 1RM共7個負重水平的sEMG參數(shù)和膝關(guān)節(jié)力矩的對應(yīng)關(guān)系繪制成散點圖（圖6）。其中疲勞狀態(tài)和非疲勞狀態(tài)的數(shù)據(jù)點各由42個散點組成，根據(jù)最小二乘法對散點數(shù)據(jù)進行線性回歸。結(jié)果發(fā)現(xiàn)，疲勞狀態(tài)數(shù)據(jù)點的回歸線均位于非疲勞狀態(tài)的下方；從散點的分布范圍看，MMSE最大，F(xiàn)D最為集中，而KE和LZC介于兩者之間；從擬合的直觀效果看KE的線性性最顯著。

表1　受試者肌電非線性參數(shù)匯總表

表2　受試者的膝關(guān)節(jié)力矩最大值統(tǒng)計

總結(jié)4類非線性參數(shù)與膝關(guān)節(jié)力矩的回歸方程的可決系數(shù)（2統(tǒng)計量）、統(tǒng)計量以及回歸系數(shù)，結(jié)果1全部為正，而2全部為負，說明sEMG的非線性參數(shù)與肌力或力矩呈正相關(guān)而與疲勞程度的呈負相關(guān)。KE的2統(tǒng)計量和統(tǒng)計量顯著高于其他3類參數(shù)，說明其線性擬合的效果最佳（表3）。

圖2　受試者馬XX在非疲勞狀態(tài)（a）和疲勞狀態(tài)（b）遞增負重練習(xí)的膝關(guān)節(jié)力矩

Figure 2. Knee Joint Torque of Subject Ma XX in Fatigue-Free （a） and Fatigue State （b） at Different Loads

3 分析與討論

力量素質(zhì)對各年齡段人群都很重要。力量訓(xùn)練過程中，練習(xí)者直觀感覺是運動負荷增大迫使肌肉加強收縮，以產(chǎn)生更大肌力或力矩來完成動作，同時，負荷增大也會加速疲勞發(fā)展。但無論是健身愛好還是專業(yè)訓(xùn)練，掌握力量練習(xí)的量和強度僅憑感覺是不夠的，因為人的主觀感受是整體性的，尤其在專項力量訓(xùn)練中很難形成某塊肌肉或某個肌肉群的精確感覺，所以需要有科學(xué)的量化指導(dǎo)。通過sEMG信號對肌肉狀態(tài)進行監(jiān)測評估可以具體到某一塊肌肉，由力量訓(xùn)練負荷和練習(xí)模式不同所帶來的肌肉收縮力、收縮速度、關(guān)節(jié)力矩、輸出功率、疲勞程度的變化信息都蘊含在sEMG信號中，通過時域、頻域、時頻域以及非線性參數(shù)定量得以反映。利用sEMG對肌肉活動狀態(tài)進行評定，能有效預(yù)防過度訓(xùn)練導(dǎo)致的肌肉損傷，制定最佳的練習(xí)量和強度，使肌肉力量獲得最大限度的超量恢復(fù)。

圖3　股內(nèi)側(cè)肌sEMG非線性參數(shù)隨遞增負重水平的變化

Figure 3. The Variation of sEMG Nonlinear Parameters in Medial Femoral with Increasing Load Level

圖4　股直肌、股內(nèi)側(cè)肌和股外側(cè)肌在非疲勞狀態(tài)（a）和疲勞狀態(tài)（b）sEMG平均多尺度熵隨負重水平的變化

Figure 4. The Variation of Mean Multiscale Entropy of sEMG with Load Level in Rectus Femoris， Medial Femoris and Lateral Femoris in Fatigue-Free （a） and Fatigue State （b）

圖5　 sEMG非線性參數(shù)隨膝關(guān)節(jié)力矩最大值的變化

Figure 5. Variation of Nonlinear Parameters of sEMG with the Maximum Knee Joint Torque

肌力與骨骼肌運動單元的募集程度呈正相關(guān)，運動單元募集和發(fā)放率最大時形成最大肌力，sEMG信號是骨骼肌運動單元異步發(fā)放產(chǎn)生的多個脈沖串疊加的結(jié)果，運動單元越多，產(chǎn)生的sEMG信號越復(fù)雜。當肌肉被激活并施加負荷時，由此產(chǎn)生的sEMG信號的復(fù)雜性隨肌肉收縮加劇而增加。因此，可以推測肌肉系統(tǒng)為適應(yīng)收縮強度增大、肌力增加的變化使sEMG的復(fù)雜度也隨之增大。本研究選擇的sEMG 4種非線性參數(shù)從不同側(cè)面反映了肌肉系統(tǒng)的復(fù)雜度。股四頭肌是膝關(guān)節(jié)控制肌群中最重要的大肌肉，在屈膝和伸膝過程中分別完成退讓式收縮和克制性收縮。圖2表明，隨著負重等級增大，以股四頭肌為主的伸肌群收縮強度增大，以產(chǎn)生更大的肌力和膝力矩。表3、圖3、圖4、圖5中系數(shù)1都說明了sEMG 4種非線性參數(shù)值與負重水平或膝力矩正相關(guān)，也證明了肌肉收縮強度和肌力水平的確與復(fù)雜度呈正相關(guān)，但在圖5中FD和LZC的峰值并沒有出現(xiàn)在最大負重上。

圖6　 sEMG非線性參數(shù)與膝關(guān)節(jié)力矩的回歸結(jié)果

Figure 6. Regression Results of sEMG Nonlinear Parameters and Knee Joint Torque

表3　 sEMG非線性參數(shù)對膝關(guān)節(jié)力矩回歸統(tǒng)計量

健康系統(tǒng)對復(fù)雜和不良環(huán)境的調(diào)節(jié)適應(yīng)能力更強，而病態(tài)和衰老系統(tǒng)的信息量由于生理控制能力退化而下降，表現(xiàn)為復(fù)雜度降低（Costa et al.， 2002； Goldberger et al.， 2002； Silva et al.， 2015）。對肌肉系統(tǒng)而言，肌肉疲勞時力量輸出調(diào)節(jié)受損，系統(tǒng)可視為處于“病態(tài)”。本實驗結(jié)果證實，疲勞時肌肉活動的復(fù)雜度的確降低。其中，圖3、圖4說明在同等負荷下，疲勞后的sEMG 4類非線性參數(shù)值均顯著低于非疲勞狀態(tài)；疲勞抵消了一部分非線性參數(shù)隨膝力矩增長的趨勢（圖5），同時，疲勞引起了骨骼肌最大隨意收縮力量和輸出功率下降，同等負重下的膝關(guān)節(jié)力矩均有不同程度的降低；6名受試者的平均值的變化趨勢（圖3、圖4、圖5）和42個樣本點的線性回歸，疲勞狀態(tài)數(shù)據(jù)點的回歸線均位于非疲勞狀態(tài)的左下方（圖6），同樣說明疲勞抵消了非線性參數(shù)隨負重的一部分增長；系數(shù)2則說明，sEMG非線性參數(shù)與疲勞程度呈負相關(guān)（表3）。綜上，本研究認為sEMG非線性參數(shù)對力量訓(xùn)練負荷和疲勞狀態(tài)具有雙重依賴性，或者說肌肉系統(tǒng)復(fù)雜度對肌力和疲勞因素同時敏感。

肌力的產(chǎn)生和肌肉收縮速度的結(jié)合將輸出肌肉功率。對sEMG非線性參數(shù)與肌肉做功之間聯(lián)系的研究較少。Liu等（2005）對受試者手持測力裝置時腦電信號分析，腦電FD與所測握力呈線性相關(guān)；Gupta等（1997）研究表明，sEMG FD對肌力的大小和收縮速度都很敏感，與肌肉的運動潛力密切相關(guān)；而Ancillao等（2014）發(fā)現(xiàn)，縱跳高度與FD正相關(guān)。人體縱跳高度與下肢肌肉爆發(fā)力也就是肌肉功率密切相關(guān)，因此，可推斷FD是一個對肌力和肌肉功率同時敏感的指標，本實驗結(jié)果也證實了這一點。從圖5可見，F(xiàn)D峰值都出現(xiàn)在60% 1RM附近，而LZC出現(xiàn)在75% 1RM，考慮到60%～75% 1RM的力量訓(xùn)練接近爆發(fā)力量練習(xí)模式，即肌力和肌肉收縮速度的乘積最大，肌肉輸出功率最大的模式，而中低負荷時（30% 1RM和45% 1RM）肌肉快速收縮和高負荷時（90% 1RM）肌肉慢速收縮分別屬于力量耐力和最大力量練習(xí)模式，這2種情況下肌肉輸出功率都無法達到最大值接近力量耐力模式，因此，F(xiàn)D和LZC屬于與肌力和肌肉功率同時敏感的指標，但FD更能反映爆發(fā)力量素質(zhì)。

進一步分析可知，由于FD和LZC的峰值不在最大負重水平上，破壞了公式（12）的線性假設(shè)，所以表3中FD和LZC的2和統(tǒng)計量均顯著小于線性擬合效果最好的KE，而圖5也更直觀地反映了FD對肌肉功率的敏感性。

4 結(jié)論與建議

骨骼肌系統(tǒng)的復(fù)雜度受到肌肉疲勞和收縮強度的雙重調(diào)制，在運用非線性參數(shù)評價肌肉動態(tài)疲勞時，應(yīng)同時考慮肌肉收縮強度的影響。

FD能更全面地反映骨骼肌的工作狀態(tài)。在實際工作中，F(xiàn)D可作為快速力量訓(xùn)練效果檢驗、運動員選材以及肌肉傷病康復(fù)治療的評價指標。

sEMG信號非線性參數(shù)提取在時域直接進行，計算復(fù)雜度較小，且無須信號的平穩(wěn)性假設(shè)，有利于對力量練習(xí)者的肌肉活動狀態(tài)的實時監(jiān)測和評估，實現(xiàn)力量訓(xùn)練的科學(xué)化、定量化和精準化。

部義峰，李世明，2013. 遞增負荷誘發(fā)肌肉疲勞過程中肌肉sEMG與負荷的非線性關(guān)系研究［J］. 山東體育學(xué)院學(xué)報，29（6）： 47-52.

李世明，2014.運動技術(shù)診斷概論［M］.北京：科學(xué)出版社.

李世明，許全盛，翟佳麗，等，2016.基于表面肌電時頻分析的遞增負荷誘導(dǎo)肌肉周期動態(tài)疲勞估計［J］.中國體育科技， 52（3）：48-56.

劉秉正，彭建華， 2004.非線性動力學(xué)［M］.北京：高等教育出版社.

曲峰，2008.運動員表面肌電信號與分形［M］.北京：北京體育大學(xué)出版社.

王健，2001.靜態(tài)負荷肌肉疲勞過程中肌肉功率譜轉(zhuǎn)移特征［J］.中國運動醫(yī)學(xué)雜志，20（2）： 199-201.

許全盛，李世明，季淑梅，2017.基于sEMG多尺度熵分析的遞增負荷誘導(dǎo)肌肉動態(tài)疲勞評估［J］.天津體育學(xué)院學(xué)報，32（4）： 344-349.

ANCILLAO A， GALLI M， RIGOLDI C， et al.， 2014. Linear correlation between fractal dimension of surface EMG signal from rectus femoris and height of vertical jump［J］. Chaos Soliton Fract， 66： 120-126.

COSTA M， GOLDBERGER A L， PENG C K， 2002. Multiscale entropy analysis of complex physiologic time series［J］. Phys Rev Lett， 89（6）： 1-4.

GOLDBERGER A L， PENG C K， LIPSITZ L A， 2002. What is physiologic complexity and how does it change with ageing and disease？［J］. Neurobiol Aging， 23（1）： 23-26.

GONZáLEZ M， MALANDA A， NAVARRO A， et al.， 2010. EMG spectral indices and muscle power fatigue during dynamic contractions［J］. J Electromyogr Kinesiol， 20（2）： 233-240.

GUPTA V， SURYANARAYANAN S， REDDY N P， 1997. Fractal analysis of surface EMG signals from the biceps［J］. Int J Med Inform， 45（3）： 185-192.

KATHICK P A， GHOSH D M， RAMAKRISHNAN S， 2018. Surface electromyography based muscle fatigue detection using high-resolution time-frequency methods and machine learning algorithms［J］. Comput Methods Programs Biomed， 154： 45-56.

KATZ M J， 1988. Fractals and the analysis of waveforms［J］. Comput Biol Med， 18（3）：145-156.

LIU J Z， YANG Q， YAO B， et al.， 2005. Linear correlation between fractal dimension of EEG signal and handgrip force［J］. Biol Cybern， 93（2）：131-140.

SILVA L E， CABELLA B C， NEVES U P， et al.， 2015. Multiscale entropy-based methods for heart rate variability complexity analysis［J］. Physical A， 422（1）： 143-152.

Strength Training Load and Muscle Fatigue Cooperatively Modulates the Nonlinear Parameters of Surface Electromyography

XU Quansheng1，BAI Ruxue1，LI Shiming2*

1.Yanshan University, Qinhuangdao 066004, China;2.Ocean University of China, Qingdao 266100, China.

Objective: This paper is aimed to study the effect of strength training load and muscle fatigue on nonlinear parameters of sEMG signal, and to explore the nonlinear indexes sensitive to muscle strength, muscle work and fatigue factors in precision strength training. Methods: Six volunteers were enrolled to perform weight-bearing crouching experiment under seven loading level from zero to 90% maximum load in fatigue and fatigue-free condition, respectively. The sEMG, plantar pressure and knee joint angle data of quadriceps femoris were collected; the nonlinear parameters of sEMG, including fractal dimension, multi-scale entropy, Kolmogorov entropy and LZ complexity, were extracted, and the knee joint torque was calculated from plantar pressure and knee joint angle by inverse dynamics; the nonlinear parameters of sEMG and knee joint torque in weight-bearing squatting were analyzed by regression analysis. Results: Whether the muscles are non-fatigued or fatigued, the nonlinear parameters increased with the increase of weighting load level, but at the same load level, muscle fatigue lead to lower parameters. The linear increase property of Kolmogonov entropy was the most significant, and the numerical stability of fractal dimension was the best, and the peak value appeared between 60% and 75% of the maximum load. Conclusions: 1) the complexity of skeletal muscle system is affected by muscle fatigue and muscle contraction, hence the influence of muscle strength when using nonlinear parameters to evaluate muscle fatigue should be eliminated; 2) fractal dimension can reflect the ability of muscle power to some extent, and evaluate the working state of skeletal muscle more comprehensively, therefore it could be used as an evaluation index of accurate explosive strength training and rehabilitation of muscle injuries.

1002-9826（2022）08-0083-08

10.16470/j.csst.2020081

國家體育總局科技服務(wù)項目（2017B047）

許全盛（1973-），男，博士，碩士研究生導(dǎo)師，主要研究方向為生物醫(yī)學(xué)信號處理、運動生物力學(xué)，E-mail：123122122@qq.com。

通信作者簡介：李世明（1969-），男，教授，博士，碩士研究生導(dǎo)師，主要研究方向為運動生物力學(xué)，E-mail：leesm0503@ 163.com。

G808.1

A

（2019-12-19；修訂日期：2022-03-23； 編輯：丁合）