張 希 明 東 李林楓 張雪君

1(天津大學精密儀器與光電子工程學院，天津 300072)

2(天津醫(yī)科大學醫(yī)學影像學院，天津 300072)

引言

目前，因疾病、交通事故、地震、戰(zhàn)爭及意外傷害而造成的下肢截肢、偏癱和截癱的患者數(shù)目正以成倍的速度增長。神經(jīng)肌肉電刺激(neuromuscular electrical stimulation，NMES)作為一種安全、有效的治療方式，能夠恢復患者損傷下肢的運動功能，使他們恢復生活自理能力和參加力所能及的活動。NMES是運用電刺激的手段、用精確的刺激順序和強度激活癱瘓肌群來幫助患者實現(xiàn)自主運動功能的方法[1]，其應(yīng)用最早出現(xiàn)在20世紀60年代，用于截癱患者的站立、行走，還有偏癱患者的肌力恢復，目前正逐漸應(yīng)用于臨床治療多種神經(jīng)肌肉疾病。NMES的應(yīng)用前景廣闊，其控制方式是康復工程領(lǐng)域的重要發(fā)展方向[2-3]。

限制NMES廣泛應(yīng)用的一個主要因素就是由其誘發(fā)的肌疲勞[4]。作為康復訓練中不可避免的一種生理現(xiàn)象，肌疲勞會直接影響刺激的康復效果。通過研究如何探測及評價肌疲勞程度，進一步克服肌疲勞帶來的負面影響，對于神經(jīng)肌肉系統(tǒng)認知、殘障康復工程和臨床理療評價等方面，均具有重要的方法學意義。

使用者感覺的反饋對NMES系統(tǒng)的有效控制是十分必要的[5]。由于由于表面肌電圖(surface electromyography，sEMG)信號是神經(jīng)肌肉系統(tǒng)活動時生物電活動的總和，因此探討sEMG信號的變化，也有助于從理論上了解該系統(tǒng)的基本活動規(guī)律，為揭示肌肉活動的神經(jīng)控制機制提供科學依據(jù)。

本研究設(shè)計了一套NMES誘發(fā)下肢運動疲勞的信息檢測系統(tǒng)，采集NMES誘發(fā)伸膝運動條件下的膝關(guān)節(jié)角度和疲勞肌電。從sEMG進行預處理、頻譜特征提取等環(huán)節(jié)，結(jié)合膝關(guān)節(jié)角度變化，對NMES誘發(fā)肌疲勞做出正確評價。

1 實驗對象與方法

1.1 實驗對象

本研究的NMES誘發(fā)下肢運動疲勞信息檢測實驗征集了10名受試者，包括7名男性大學生和3名女性大學生，年齡 22～25 歲(23.5±1.0)歲，體重45 ～75 kg，(64.8 ±19.2)kg，身高 162 ～ 180 cm，(172.2±10.2)cm。所有受試者均自愿參加此項目的測試，健康且無肌肉骨骼病史。受試前24 h內(nèi)未做劇烈運動，以排除過度運動殘余疲勞的影響。

1.2 實驗系統(tǒng)

實驗系統(tǒng)框圖如圖1所示。首先，NMES作用于受試者下肢肌群，然后分兩路通道進行信號采集：一路由表面電極采集肌電信號，傳送至肌電放大器進行放大，并通過AD采集卡進行模數(shù)轉(zhuǎn)換，最終將數(shù)字信號傳送入LabVIEW8.2軟件平臺進行顯示和記錄;另一路由角度探測器采集膝關(guān)節(jié)角度信號，并通過角度傳感器和USB接口傳送至計算機顯示和存儲。

NMES儀器選用美國芝加哥伊利諾伊大學與Sigmedics公司合作開發(fā)的Parastep-1型。北京祥云計算機技術(shù)公司生產(chǎn)的隔離肌電放大器EMG-200 μV 的分辨率 ＜1.5 μV，帶寬為 0.5～2000 Hz，增益為5000倍，共模抑制比CMRR＞120 dB。角度采集選用了PASCO測角儀，包括角度探測器、綁帶、角度傳感器、USB接口和角度采集軟件。

1.3 實驗方法

圖1 神經(jīng)肌肉電刺激誘發(fā)疲勞實驗系統(tǒng)框圖Fig.1 NMES inducing fatigue experiment system

實驗對象坐在實驗椅上，髖關(guān)節(jié)與椅子成90°，小腿自然下垂，股四頭肌起到伸膝的主要作用。將NMES作用于股四頭肌，正負電極距離6 cm。表面電極采用三點式差動輸入電極，正負電極置于股直肌肌腹處，電極與肌纖維平行放置，間距20 mm。參考電極放置在膝關(guān)節(jié)骨骼位置處。最后用測角儀的彈性綁帶將角度探測器綁在腿的側(cè)面，以膝關(guān)節(jié)處為中心。實驗場景如圖2所示。

圖2 實驗場景Fig.2 Experiment scene

為了將NMES誘發(fā)疲勞和自主收縮疲勞進行比較，本研究10名受試者均參加刺激組和對照組的實驗。刺激組首先對受試者施加一次電刺激來確定刺激級數(shù)，即膝關(guān)節(jié)伸展達到水平時的刺激強度。整個實驗過程保持刺激強度為這個級數(shù)不變。采用每間隔10 s進行一次持續(xù)20 s的電刺激，刺激電流波寬3 ms、頻率40 Hz，并在20 s的電刺激后立即進行3 s的自主小腿伸直動作，記錄下3 s的sEMG信號。為了使刺激組和對照組實驗過程保持一致，對照組每間隔10 s進行一次持續(xù)20 s的自主小腿伸直動作，并記錄下其后3 s動作的肌電信號。采樣率1 kHZ，由Labview軟件保存。用 PASCO角度采集軟件，記錄角度變化數(shù)據(jù)。

2 數(shù)據(jù)處理

受試者的sEMG信號和角度信號由軟件存儲，再利用Matlab軟件離線處理。將記錄的原始表面肌電信號進行預處理，然后進行頻譜分析。肌電信號本質(zhì)上是一種均值為零的類隨機信號，絕大部分能量集中在50～150 Hz之間。因此，肌電信號要通過20 Hz高通濾波器和自適應(yīng)陷波器來分別濾除低頻漂移和50 Hz工頻干擾[6]。

sEMG信號的功率譜分析廣泛應(yīng)用于肌肉疾病診斷和肌疲勞檢測。傳統(tǒng)的譜分析方法是通過傅里葉變換FT(Fourier transform，F(xiàn)T)將時域信號轉(zhuǎn)換為頻域信號進行頻譜分析，這里使用快速傅里葉變換FFT(fast Fourier transform FFT)，再對功率譜密度提取平均頻率MNF(mean frequency，MNF)和中值頻率 MDF(median frequency，MDF)指標[7]。

MNF的定義式為

MDF是將功率譜分成上、下兩個相等面積區(qū)域的頻率，其定義式為

式中，f為肌電信號的頻率，P(f)為其功率密度譜，f0是功率譜密度的上限頻率，即為采樣頻率的一半。

由于表面肌電信號本質(zhì)上是非平穩(wěn)的時變信號，采用時變參數(shù)模型可將時變參數(shù)用一些基函數(shù)的加權(quán)和來近似，從而就將線性非平穩(wěn)問題轉(zhuǎn)化為了線性平穩(wěn)時不變問題[8]。AR(autoregressive)參數(shù)模型法是現(xiàn)代譜分析法中重要的內(nèi)容，也是肌電信號分析的一個重要方法，肌電信號的性質(zhì)可以用AR模型的若干系數(shù)來表征。零均值、n階時變參數(shù)的AR模型為

式中，et是平穩(wěn)白噪聲過程，零均值，方差為σ2。

3 實驗結(jié)果

3.1 膝關(guān)節(jié)角度變化曲線

圖3所示為10名受試者NMES誘發(fā)伸膝運動的膝關(guān)節(jié)角度變化數(shù)據(jù)?？梢钥吹?，10名受試者在NMES誘發(fā)伸膝動作條件下，膝關(guān)節(jié)的伸展角度不斷減小，從初始的水平90°逐次降低。這說明周期性的刺激誘發(fā)了肌疲勞，導致肌力的減退，從而刺激級數(shù)達到最大級時膝關(guān)節(jié)伸展的幅度不能維持最大的伸展水平。

圖3 10名受試者NMES誘發(fā)伸膝運動的膝關(guān)節(jié)角度變化及線性回歸Fig.3 The knee joint change induced by NMES and linear regression curve of ten subjects

3.2 sEMG信號譜分析

3.2.1 經(jīng)典譜分析

本研究將NMES誘發(fā)疲勞和自主收縮疲勞的頻譜與AR模型參量進行對比，所有受試者顯示了相同的變化規(guī)律。圖4顯示了其中一名受試者的參加刺激組和對照組實驗的MNF和MDF及其線性回歸曲線，線性回歸的通式為y=b1x+b0?？梢钥闯?，對信號做頻譜分析，提取的頻率特征逐次降低，表明疲勞過程伴隨著頻譜左移，并且刺激組的下降斜率要遠大于對照組，說明了在相同條件下，NMES較自主收縮更容易誘發(fā)肌疲勞。

根據(jù)前人的研究經(jīng)驗，式(3)中AR模型的階數(shù)n取為4時，對信號的分析和識別性能是最好的[9]。此時式(3)計算得到的4組時變參數(shù)，一階參數(shù) a1是最重要的，是肌肉狀態(tài)隨時間變化的最直接的量[10]。其中一名受試者的a1值的線性回歸曲線的圖5所示，參數(shù)a1隨著肌肉的疲勞有逐次變小的趨勢。并且，刺激組的下降斜率要遠大于對照組，說明了相同條件下NMES較自主收縮更容易誘發(fā)肌疲勞。

圖4 一受試者NMES誘發(fā)伸膝運動的頻率變化曲線。(a)平均頻率;(b)中值頻率Fig.4 The frequency change curve of one subject knee stretch motion induced by NMES.(a)mean frequency;(b)median frequency

圖5 一名受試者NMES誘發(fā)伸膝運動的a1參數(shù)變化曲線Fig.5 The a1 value curve of one subject knee stretch motion induced by NMES

圖6和表1顯示了實驗結(jié)束時10名受試者的3種肌電特征參量的變化率，即結(jié)束時相對于初始值的下降百分比?？梢钥闯?，MNF和MDF變化情況比較接近，受試者中最大分別下降了 43.82%和55.49%;而AR模型的 a1參數(shù)下降百分比要明顯大于前兩者，受試者中最大下降了90.23%。這說明，用時變參數(shù)跟蹤肌疲勞與經(jīng)典的頻譜參數(shù)相比，具有顯著性的高分辨靈敏度。

圖6 10名受試者的3種肌電特征參量的變化率比較Fig.6 The compare of three sEMG character parameter change of ten subjects

表1 10名受試者的3種肌電特征參量的變化率比較Tab.1 The compare of three sEMG character parameter change of ten subjects

4 討論

NMES誘發(fā)肌疲勞是影響NMES作用的一個主要限制因素，刺激強度是影響肌疲勞的一個重要因素。為了采集股直肌最大收縮時的信號，刺激組首先對受試者施加一次電刺激來確定級數(shù)。由于不同個體自身的最大收縮力不同，所以達到膝關(guān)節(jié)最大伸展時的級數(shù)也不同，并且每周期刺激保持這個級數(shù)不變。而對照組是受試者自主最大收縮(即小腿伸直)的狀態(tài)。這樣，實驗組和對照組采集的都是肌肉最大收縮時的sEMG信號。

探究表征肌疲勞的因素，從而實現(xiàn)對NMES作用過程中肌疲勞的檢測，是一個研究熱點。隨著刺激過程疲勞的增加，直接導致肌力下降[11]。由于sEMG信號中時域和頻域指標的變化與肌肉活動及功能狀態(tài)之間有較好的關(guān)聯(lián)性，故sEMG信號常被用于肌肉活動狀態(tài)與疲勞狀態(tài)的分析。持續(xù)性最大力量肌肉收縮至肌疲勞后，sEMG幅值呈明顯降低[12]。近年來，平均頻率和中值頻率通常被認為是穩(wěn)定的肌疲勞指示器，肌疲勞時頻譜曲線左移[13]，本研究也發(fā)現(xiàn)了這一現(xiàn)象。這一現(xiàn)象與以下因素有關(guān)：在持續(xù)運動時，ATP耗竭，快運動單位(motor units，MUS)很快疲勞，而以慢運動單位替代;在疲勞時，為維持肌肉張力，加強了運動單位興奮的同步化;在肌疲勞時，肌內(nèi)壓升高，使血流受阻 、肌肉乳酸積累，引起肌膜興奮性降低，導致肌纖維傳導速度(muscle fiber conduction velocity，MFCV)降低。本研究結(jié)果顯示，隨NMES刺激時間增加，基于傅里葉變換的頻域指標 MDF下降率比MNF更大，其中最大的一組為 MDF(55.49%)和 MNF(43.82%)，表明反映肌疲勞方面MDF具有更高的敏感性。揚丹[14]等在研究長負荷誘發(fā)肱二頭肌疲勞過程中也發(fā)現(xiàn)sEMG變化時，MDF隨負荷時間延長，MDF下降斜率明顯大于 MNF，同樣認為 MDF對于反映肌疲勞較MNF更具敏感性。

然而，傅里葉變換是對線性時不變信號的頻域分析，sEMG信號具有典型的非穩(wěn)態(tài)信號的基本特征，而且時域分辨率與頻域分辨率的局部化矛盾也限制了傅里葉變換的使用。現(xiàn)代譜估計中的參數(shù)模型法從最小均方誤差擬合角度，對隨機信號進行分析，克服了經(jīng)典譜估計的頻率分辨率低和方差性能不好的缺點。與傅里葉變換相比，具有對時間窗口寬度和背景噪聲敏感性低的優(yōu)點，因此已被一些學者用于表面肌電信號的分析中。采用時變參數(shù)模型，可將時變參數(shù)用一些基函數(shù)的加權(quán)和來近似，從而就把線性非平穩(wěn)問題轉(zhuǎn)化為了線性平穩(wěn)時不變問題。曹玉珍等人應(yīng)用時變AR模型研究仰臥起坐誘發(fā)肌疲勞的 a1參數(shù)，它比傳統(tǒng)的 MDF對疲勞反應(yīng)的靈敏度高[10]。本研究證明，在NMES誘發(fā)肌疲勞條件下，肌電的a1參量比傳統(tǒng)的頻譜指標對疲勞反應(yīng)的靈敏度更高。此方法充分考慮了表面肌電信號的非平穩(wěn)性，對于數(shù)據(jù)長度要求不高，可用于在線實時分析，且提取的特征穩(wěn)定且易于識別。

本研究進一步對NMES誘發(fā)收縮和自主收縮疲勞進行比較，探究NMES誘發(fā)疲勞的機理。在第二個周期時，刺激組的 sEMG頻譜和AR模型參量已表現(xiàn)出明顯的下降，而對照組則變化緩慢。比起意志性收縮，NMES作用于骨骼肌所產(chǎn)生疲勞的速度更快。3個因素作用于這一現(xiàn)象：一是在意志性收縮中，運動單位的募集順序允許在低強度收縮時選擇性募集耐疲勞的運動單位[16]，而電激發(fā)的收縮即使是低強度刺激，也會使許多快速易疲勞的運動單位被募集起來;二是在意志性收縮中，產(chǎn)生接近最大肌力所需頻率似乎比電激發(fā)收縮要低得多，較高的頻率可引起更快的疲勞;三是進行意志性收縮時，中樞神經(jīng)系統(tǒng)(central nervous system，CNS)能變換使用運動單位，并且調(diào)整它們的放電率，以幫助維持目標水平的用力。但是，這種機制未曾在NMES誘發(fā)肌肉收縮中出現(xiàn)。

目前，對于肌疲勞的研究，大多在肌肉靜態(tài)等長收縮條件下，本研究在NMES誘發(fā)下肢動態(tài)收縮的條件下，檢測了膝關(guān)節(jié)角度的變化。實驗表明，隨著周期性的刺激，在達到初始設(shè)定的最大刺激強度時，膝關(guān)節(jié)的角度逐漸減小，說明隨著疲勞增加，肌力下降，膝關(guān)節(jié)不足以維持最大伸展水平。

由于神經(jīng)肌肉系統(tǒng)的高度復雜性和精細性，以及肌電信號本身具有非穩(wěn)態(tài)性和非線性等特點，故采用傳統(tǒng)的線性變化尚不足以反映信號變化的全部特征，因此還將對電刺激致肌疲勞后的肌電信號變化進行非線性分析。今后將疲勞過程中sEMG信號的變化實時地反饋到NMES系統(tǒng)，建立sEMG和肌疲勞關(guān)系的模型;通過對肌疲勞的檢測，相應(yīng)地調(diào)節(jié)NMES的作用參數(shù)，使NMES系統(tǒng)獲得最佳刺激效果，從而實現(xiàn)最優(yōu)控制。

5 結(jié)論

本研究設(shè)計了NMES誘發(fā)下肢運動條件下的肌疲勞的檢測系統(tǒng)。在NMES誘發(fā)伸膝運動疲勞過程中，實時采集膝關(guān)節(jié)角度和表面肌電信號，應(yīng)用頻譜分析對sEMG信號進行特征提取，表明中值頻率、平均頻率和AR模型指標可以作為NMES誘發(fā)疲勞的檢測指標。并且，AR模型法充分考慮了表面肌電信號的非平穩(wěn)性，在NMES誘發(fā)肌疲勞的判定等領(lǐng)域具有很大的應(yīng)用潛力。

[1]明東，萬柏坤.功能性電刺激技術(shù)在截癱行走中的應(yīng)用研究進展[J].生物醫(yī)學工程學雜志，2007，24(4)：932-936.

[2]Tepavac D，Schwirtlich L.Detection and Prediction of FES-induced Fatigue[J].Electromyogr Kinesiol，1997，7(1)：39-50.

[3]金德聞，張濟川.康復工程學的研究與發(fā)展[J].現(xiàn)代康復，2000，4(5)：643-646.

[4]Joseph Mizrahi，Oron Levin，Aviv Aviram，et al.Muscle fatigue in interrupted stimulation：Effect of partial recovery on force and EMG dynamics[J].Electromyogr Kinesiol，1997，7(1)：51-65.

[5]Patrick E. Sensors for use with functional neuromuscular stimulation[J].IEEE Trans on BME，1986，33(1)：256-268.

[6]吳麗萍.面向智能假肢的表面肌電信號采集與處理[D].南京：東南大學，2006.

[7]Merletti R，Knaflitz M，De Luca CJ.Myoelectric manifestations of fatigue in voluntary and electrically elicited contractions[J].J ADDI Phvsiol，1990，3(69)：1810-1820.

[8]Karlsson SB，Gerdle MA.Analyzing surface signals recorded during isokinetic contractions[J].IEEE Eng Med Bio Mag，2001，20(6)：97-105.

[9]羅志增，楊廣映.表面肌電信號的 AR參數(shù)模型分析方法[J].傳感技術(shù)學報，2003，12(4)：384-387.

[10]劉洪濤，曹玉珍，謝小波.表面肌電信號的時變 AR模型參數(shù)評估肌疲勞程度的研究[J].中國生物醫(yī)學工程學報，2007，26(4)：493-497.

[11]Mizrahi J.，Levy M.，Ring H.，et al.EMG as an indicator of fatigue in isometrically fes-activated paralyzed muscles[J].IEEE Trans Neural Syst Rehabil Eng，1994，10(2)：57-65.

[12]Tepavac D，Schwirtlich L.Detection and prediction of FES-induced fatigue[J].J Electromyogr Kinesiol.1997，7(1)：39-50.

[13]Merletti R， Conte LR.Advances in processing of surface myoeletric signals：Part l[J].Med Biol Eng Comput，1995，33(3)：362-372.

[14]揚丹.等長負荷誘發(fā)肱二頭肌疲勞過程中 sEMG信號變化[J].體育與科學，2000，21(5)：27-28.

[15]Fitts RH，Metzger JM，Mechanisms of muscular fatigue[J].Principles of Exercise Biochemistry，1988，5(10)：212-229.