论文摘要
目的:通过对表面肌电图相关指标变化的分析和研究,探讨功率自行车不同负荷与踏蹬频率运动中下肢肌表面肌电图的变化特征。通过对iEMG、MF进行曲线优度拟合,以获得曲线拟合方程通式,分析肌肉疲劳拟合曲线的特点及其影响肌肉疲劳的主要因素。方法:受试者为苏州大学体育学院8名男性青年,利用MONARK功率自行车,对受试者在不同负荷以及不同踏蹬频率下进行测试至疲劳,同时对股直肌、股外侧肌、股内侧肌、胫骨前肌、腓肠肌内侧头和腓肠肌外侧头进行表面肌电信号的采集与记录。分析iEMG与MF指标的变化,并用minitab.15统计软件,按照在F检验的统计学差异极为显著(P<0.001)的前提下,选取判定系数R2最大,偏差的平方和最小的原则,对实验结果进行曲线优度拟合。结果:1.功率自行车150W不同踏蹬频率运动中,下肢肌iEMG值随运动时间的延长而增加;300W-40r与300W-60r功率自行车运动中,下肢肌iEMG值随运动时间的延长呈现出先上升后下降的趋势;300W-80r功率自行车运动中,下肢肌iEMG值随运动时间的延长而下降;递增负荷运动中,下肢肌iEMG值伴随运动时间的延长而增加。2.功率自行车150W不同踏蹬频率运动中,下肢肌MF值随运动时间的延长呈现出先上升后下降的变化趋势;300W不同踏蹬频率运动中,下肢肌MF值随运动时间的延长而下降;递增负荷运动中,下肢肌MF值随运动时间的延长呈现出先上升后下降的变化趋势。3.功率自行车150W不同踏蹬频率运动中,各组间iEMG和MF值比较具有显著性、非常显著性差异(P<0.05或P<0.01);功率自行车300W不同踏蹬频率运动中,iEMG值和MF值各组间比较均无显著性差异(P>0.05)。4.功率自行车150W运动中,iEMG与MF指标的最优拟合曲线均为三次项曲线,曲线拟合方程通式为:Y = b0 + b1x + b2x2 + b3x3。功率自行车300W运动中iEMG与MF指标的最优拟合曲线均为二次项曲线,曲线拟合方程通式为:Y = b0 + b1x + b2x2。结论:1.功率自行车150W运动中,运动单位被动员的数量随运动时间的延长而增多;肌纤维的募集形式由运动初始快肌纤维募集数量逐渐增多向慢肌纤维募集比例增高转变;运动单位动员数量及快肌纤维的募集比例随着踏蹬速度的增加而增加。2.功率自行车300W运动中,运动单位被动员的数量随运动时间的延长呈先多后少或直接减少的变化趋势;肌纤维的募集形式从运动初期的快肌纤维募集为主逐渐向慢肌纤维募集比例增高转变;运动单位动员数量及肌纤维的募集形式随着踏蹬速度的增加无显著性变化。3.功率自行车递增负荷运动中,运动单位被动员的数量随运动时间的延长不断增多,肌纤维的募集形式也由运动初始快肌纤维募集数量逐渐增多向慢肌纤维募集比例增高转变。4.功率自行车150W运动中,肌肉疲劳的拟合曲线均为三次项曲线,提示影响肌肉疲劳的主要因素有三个;300W运动中,肌肉疲劳的拟合曲线均为二次项曲线,提示影响肌肉疲劳的主要因素有二个。
论文目录
相关论文文献
- [1].基于sEMG的联合收获机驾驶人颈肌疲劳识别研究[J]. 工业工程与管理 2020(05)
- [2].基于深度神经网络的sEMG手势识别研究[J]. 计算机工程与应用 2019(23)
- [3].基于sEMG的联合收获机驾驶人腰部肌肉疲劳研究[J]. 工业工程 2020(01)
- [4].递增负荷诱发肌肉疲劳过程中肌肉sEMG与负荷的非线性关系研究[J]. 山东体育学院学报 2013(06)
- [5].sEMG指标监测快速点击鼠标致指伸肌疲劳的适用性评价研究[J]. 体育科学 2013(01)
- [6].小波分析在表面肌电信号(sEMG)研究中的应用[J]. 黑龙江大学自然科学学报 2008(04)
- [7].小波包分析与人工神经网络相结合探索运动性肌肉疲劳过程中sEMG变化特征[J]. 体育科学 2009(12)
- [8].基于SEMG控制的智能轮椅无障碍人机交互系统[J]. 华中科技大学学报(自然科学版) 2011(S2)
- [9].骨骼肌不同速度离心收缩时肌力与sEMG交互特征[J]. 西安体育学院学报 2008(05)
- [10].基于人工神经网络对sEMG信号的手势动作识别[J]. 传感器与微系统 2017(06)
- [11].基于sEMG的人体上肢动作特征提取与识别分类的实验研究[J]. 智能计算机与应用 2020(03)
- [12].旋转推铅球最后用力阶段肌肉用力特征的sEMG分析[J]. 山东体育学院学报 2014(01)
- [13].赛艇运动员拉桨技术运动学特征及其相关肌肉sEMG分析[J]. 上海体育学院学报 2012(05)
- [14].带置信度的基于sEMG的无声语音识别研究[J]. 电脑知识与技术 2020(17)
- [15].基于SEMG的膝关节康复动作模式识别技术研究[J]. 机械制造与自动化 2016(06)
- [16].基于sEMG与足底压力信号融合的跌倒检测研究[J]. 仪器仪表学报 2015(09)
- [17].艺术体操难度动作“侧倒平衡”sEMG对比研究[J]. 体育世界(学术版) 2019(09)
- [18].脑卒中患者不同强度随意运动时的sEMG反应特点[J]. 中国康复医学杂志 2008(01)
- [19].非疲劳动态运动中女性股四头肌的sEMG信号特征[J]. 浙江大学学报(理学版) 2011(04)
- [20].基于sEMG的按摩椅绩效人机评价模型实验研究[J]. 中国机械工程 2012(02)
- [21].基于sEMG的男子旋转推铅球运动员单支撑阶段肌肉用力特征研究[J]. 体育科学 2010(01)
- [22].振动训练缓解肌肉运动性疲劳的sEMG研究[J]. 湖南师范大学自然科学学报 2015(04)
- [23].低负荷静态收缩诱发屈肘肌疲劳的协同肌sEMG相干性[J]. 上海体育学院学报 2013(05)
- [24].旋转推铅球过渡阶段肌肉用力特征的sEMG分析[J]. 北京体育大学学报 2010(05)
- [25].基于sEMG的改进SVM+BP肌力预测分层算法[J]. 计算机科学 2020(S1)
- [26].采用sEMG的手势识别用APSO/CS-SVM方法[J]. 电子测量与仪器学报 2020(07)
- [27].应用sEMG技术研究PETTLEP表象训练对背越式跳高的效果[J]. 中国应用生理学杂志 2013(03)
- [28].基于人工鱼群算法优化SVM的手部动作sEMG识别[J]. 传感器与微系统 2016(02)
- [29].深刺治疗对脑卒中后吞咽障碍患者的疗效及SEMG的影响[J]. 深圳中西医结合杂志 2018(12)
- [30].基于DBN的sEMG智能轮椅人机交互系统[J]. 华中科技大学学报(自然科学版) 2015(S1)