CN114431832A - 一种肌肉能量消耗的量化分析方法 - Google Patents

一种肌肉能量消耗的量化分析方法 Download PDF

Info

Publication number
CN114431832A
CN114431832A CN202111611091.9A CN202111611091A CN114431832A CN 114431832 A CN114431832 A CN 114431832A CN 202111611091 A CN202111611091 A CN 202111611091A CN 114431832 A CN114431832 A CN 114431832A
Authority
CN
China
Prior art keywords
muscle
heat
fiber
activation
contraction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111611091.9A
Other languages
English (en)
Other versions
CN114431832B (zh
Inventor
牛文鑫
黄尚军
沈以昕
王乐军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN202111611091.9A priority Critical patent/CN114431832B/zh
Publication of CN114431832A publication Critical patent/CN114431832A/zh
Application granted granted Critical
Publication of CN114431832B publication Critical patent/CN114431832B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
    • A61B5/4519—Muscles
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/22—Ergometry; Measuring muscular strength or the force of a muscular blow
    • A61B5/224—Measuring muscular strength
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/389—Electromyography [EMG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4866—Evaluating metabolism
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Primary Health Care (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Epidemiology (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Data Mining & Analysis (AREA)
  • Radiology & Medical Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Physiology (AREA)
  • Rheumatology (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Dentistry (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Obesity (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Acyclic And Carbocyclic Compounds In Medicinal Compositions (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

一种肌肉能量消耗的量化分析方法，包括如下步骤：根据肌肉质量、快慢肌纤维占比、激活热量常数以及激活度，计算肌肉激活热量；建立肌纤维长度相对于理想长度的分段函数，结合肌肉质量、快慢肌纤维占比、维持热量常数和兴奋水平，计算肌肉维持热量；根据收缩类型、相对速度和相对长度确定热系数，计算肌纤维缩短‑拉长热量和跟腱弹性势能；根据当前肌力水平和绝对收缩速度，计算机械功；则肌肉能量消耗为上述分项之和。本发明可实现激活热量、维持热量、缩短‑拉长热量、机械功热率和静息热量的准确描述和量化分离，并可进一步计算肌肉运动效率。本发明对于评判外骨骼助力性能、监控运动疲劳及肌肉功能评估具有重要理论意义和应用价值。

Description

一种肌肉能量消耗的量化分析方法
技术领域
本发明涉及运动能量消耗评估、人体运动疲劳监测和肌肉效率量化分析等技术领域，特别涉及一种肌肉能量消耗的量化分析方法。
背景技术
肌肉能量消耗是运动产生的根本原因。肌肉利用ATP水解自由能实现肌肉兴奋活化和纤维收缩，最终产生机械功和热量，形成外在客观的运动。在运动人体科学和康复等领域，肌肉能量消耗的量化评估具有重要理论意义和应用价值。如，肌肉能量消耗可用于评判外骨骼的助力性能，辅助优化设计；在运动训练和康复评估方面，肌肉能量消耗则可用于评估肌肉功能、量化肌肉效率(机械功/能量消耗，该值越大反映功能越好)及监测运动疲劳；此外，肌肉能量消耗最小化则是模拟仿真领域中动作优化和肌力分配的准则。
然而，当前此领域内并未有可完整描述和量化肌肉能量消耗的方法。
多环节肌肉的肌骨***建模是探究肌肉收缩行为的有利工具，其理论来源于Hill模型。较为不足的是，希尔模型仅可用于描述肌肉的机械力学行为，但无法描述肌肉能量消耗行为。热力学揭示了能量形式转化的宏观规律，具有广泛的应用。因此，将热力学和Hill模型有机的结合起来，为描述肌肉的能量消耗行为提供了可能。
发明内容
针对现有技术存在的上述问题，本发明提供了一种肌肉能量消耗的量化分析方法，从肌肉收缩力学和热力学的角度量化肌肉收缩的能量消耗，该方法可实现激活热量、维持热量、缩短-拉长热量、机械功热率和静息热量的准确描述和量化分离，并可进一步计算肌肉运动效率。
本发明的技术方案如下：
一种肌肉能量消耗的量化分析方法，包括如下步骤：
S1：根据肌肉质量、肌肉快慢肌纤维占比、激活热量常数以及肌肉激活度，计算肌肉激活热量
Figure BDA0003434889710000021
S2：纳入肌纤维理想长度，建立肌纤维长度相对于理想长度的分段函数，结合肌肉质量、快慢肌纤维占比、维持热量常数和肌肉兴奋水平，计算肌肉维持热量
Figure BDA0003434889710000022
S3：确定当前肌纤维收缩或拉长速度，根据肌肉收缩类型、相对肌纤维速度和相对肌纤维长度确定缩短-拉长热系数，计算肌纤维缩短-拉长热量和跟腱弹性势能，进而得到肌肉缩短-拉长热量
Figure BDA0003434889710000023
S4：根据当前肌力水平和绝对收缩速度，计算机械功
Figure BDA0003434889710000024
Figure BDA0003434889710000025
Figure BDA0003434889710000026
其中：
Figure BDA0003434889710000027
是机械功热率，FCE、VCE、t是当前肌肉收缩单元的肌力大小、收缩速度、收缩时间；
S5：将步骤S1～S4中分别得到的肌肉激活热量
Figure BDA0003434889710000028
肌肉维持热量
Figure BDA0003434889710000029
肌肉缩短-拉长热量
Figure BDA00034348897100000210
和机械功
Figure BDA00034348897100000211
进行相加，即为肌肉能量消耗
Figure BDA00034348897100000212
Figure BDA00034348897100000213
进一步的，步骤S1包括如下步骤：
S11：根据大数据的人体测量学参数或影像化技术手段确定肌肉质量m；所述人体测量学参数是指肌肉占体重的百分比；所述影像化技术手段包括但不限于核磁共振；
S12：根据生物活检技术或模拟仿真相关研究确定肌肉的快肌纤维质量分数
Figure BDA00034348897100000214
和慢肌纤维质量分数
Figure BDA00034348897100000215
S13：获取快肌纤维和慢肌纤维的原始肌肉激活信号，经过预处理和归一化处理后得到标准化的肌电信号，进入神经激活模型解算神经激活强度，最后根据肌肉激活模型得到以下参数：快肌纤维肌肉激活度μf(t)、慢肌纤维肌肉激活度μs(t)、快肌纤维维持热量常数mf、慢肌纤维维持热量常数ms；所述预处理包括滤波和全波整流；所述归一化处理是指MVC标准化；
S14：计算肌肉激活热量
Figure BDA0003434889710000031
Figure BDA0003434889710000032
进一步的，步骤S2包括如下步骤：
S21：纳入肌纤维理想长度
Figure BDA0003434889710000033
建立肌纤维长度Lm相对于理想长度的分段函数L(Lm)：
Figure BDA0003434889710000034
S22：根据S11得到的肌肉质量m、S12得到的快肌纤维质量分数
Figure BDA0003434889710000035
和慢肌纤维质量分数
Figure BDA0003434889710000036
S13得到的快肌纤维肌肉激活度μf(t)、慢肌纤维肌肉激活度μs(t)、快肌纤维维持热量常数mf、慢肌纤维维持热量常数ms以及S21确定的分段函数L(Lm)，计算维持热量
Figure BDA0003434889710000037
Figure BDA0003434889710000038
进一步的，步骤S3包括如下步骤：
S31：通过离体实验或在体实验分别确定快肌纤维最大收缩速度
Figure BDA0003434889710000039
和慢肌纤维最大收缩速度
Figure BDA00034348897100000310
进而根据快慢肌纤维可产生的最大热量，计算快肌纤维缩短热系数αsFT和慢肌纤维缩短热系数αsST：
Figure BDA00034348897100000311
Figure BDA00034348897100000312
S32：根据肌腱刚度系数k和伸长率d计算弹性势能Ep：
Figure BDA0003434889710000041
S33：根据力-长度-速度曲线或肌骨超声确定当前状态下的肌纤维速度
Figure BDA0003434889710000042
S31得到的快肌纤维缩短热系数αsFT和慢肌纤维缩短热系数αsST、S32得到的肌腱弹性势能Ep，计算肌肉收缩热量
Figure BDA0003434889710000043
(1)若
Figure BDA0003434889710000044
并且肌纤维长度LCE≤理想长度LCE-OPT，则：
Figure BDA0003434889710000045
(2)若
Figure BDA0003434889710000046
并且肌纤维长度LCE＞理想长度LCE-OPT，则：
Figure BDA0003434889710000047
(3)若
Figure BDA0003434889710000048
并且肌纤维长度LCE≤理想长度LCE-OPT，则：
Figure BDA0003434889710000049
(4)若
Figure BDA00034348897100000410
并且肌纤维长度LCE＞理想长度LCE-OPT，则：
Figure BDA00034348897100000411
其中：
Figure BDA00034348897100000412
代表肌肉收缩形式为向心收缩，
Figure BDA00034348897100000413
代表肌肉收缩形式为离心收缩。
本发明有益的技术效果在于：
该方法可实现激活热量、维持热量、缩短-拉长热量、机械功热率和静息热量的准确描述和量化分离，并可进一步计算肌肉运动效率。这对于评判外骨骼助力性能、监控运动疲劳及肌肉功能评估具有重要理论意义和应用价值。
附图说明
图1是本发明计算方法的流程示意图；
图2是实施例的步行能量消耗随时间变化图；
图3是实施例的股后肌群能量消耗随时间变化图；
图4是实施例的比目鱼肌能量消耗随时间变化图；
图5是实施例的胫骨前肌能量消耗随时间变化图。
具体实施方式
下面结合附图和实施例，对本发明进行具体描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，实施例包括如下步骤：
S1：根据肌肉质量、肌肉快慢肌纤维占比、激活热量常数以及肌肉激活度，计算肌肉激活热量
Figure BDA0003434889710000054
可细分为如下步骤：
(1)采用核磁共振获取受试者静息态下肌肉形态学数据，确定肌肉体积V；根据大数据的人体测量学参数获知肌肉密度为ρ＝1059.7kg/m3；肌肉质量m等于肌肉体积V与密度ρ的乘积：
m＝ρV
(2)根据生物活检技术或模拟仿真相关研究确定肌肉的快肌纤维质量分数
Figure BDA0003434889710000051
和慢肌纤维质量分数
Figure BDA0003434889710000052
具体比例如表1所示。
表1肌肉快慢肌纤维占比
Figure BDA0003434889710000053
Figure BDA0003434889710000061
(3)计算肌肉激活度，包括快肌纤维肌肉激活度μf(t)和慢肌纤维肌肉激活度μs(t)。可细分为如下步骤：
(3-1)采用阵列式肌电分别获取肌肉中快肌纤维和慢肌纤维的激活信息，及最大随意收缩(MVC)的激活信号；
(3-2)首先采用带通滤波10-400Hz滤除原始EMG信号中的高频噪声干扰、运动伪迹和低频噪声信号，之后进行全波整流，并对整流后的EMG信号进行MVC归一化处理；
(3-3)将归一化的EMG信号导入递归的神经激活模型求解神经激活强度；
(3-4)将上步骤获取的神经激活强度信号导入非线性的肌肉激活模型，得到以下数据：快肌纤维肌肉激活度μf(t)、慢肌纤维肌肉激活度μs(t)、快肌纤维维持热量常数mf、慢肌纤维维持热量常数ms。
(4)根据上述步骤分别得到的肌肉质量m、快肌纤维质量分数
Figure BDA0003434889710000062
慢肌纤维质量分数
Figure BDA0003434889710000063
快肌纤维肌肉激活度μf(t)、慢肌纤维肌肉激活度μs(t)，计算肌肉激活热量
Figure BDA0003434889710000064
Figure BDA0003434889710000065
其中：αf＝133W/kg，αs＝40W/kg。
S2：纳入肌纤维理想长度，建立肌纤维长度相对于理想长度的分段函数，结合肌肉质量、快慢肌纤维占比、维持热量常数和肌肉兴奋水平，计算肌肉维持热量。可细分为如下步骤：
(1)维持热量是相对稳定的热量，是源于肌球蛋白-肌动蛋白的跨桥建立，其大小取决于激活度和横桥数目(即长度)。本方法纳入肌纤维理想长度
Figure BDA0003434889710000071
建立肌纤维长度Lm相对于理想长度的分段函数L(Lm)：
Figure BDA0003434889710000072
该肌纤维长度的分段函数表示，当肌肉缩短长度低于理想长度
Figure BDA0003434889710000073
维持热量约为0.5；当肌肉长度超过
Figure BDA0003434889710000074
但低于
Figure BDA0003434889710000075
时，维持热量随长度的增加而增加；当长度超过
Figure BDA0003434889710000076
但低于
Figure BDA0003434889710000077
维持热量随长度的增加而降低；当其超过
Figure BDA0003434889710000078
时，这个位置没有肌球蛋白和肌动蛋白的重叠，维持热量降低至0。
(2)根据上述步骤得到的肌肉质量m、快肌纤维质量分数
Figure BDA0003434889710000079
慢肌纤维质量分数
Figure BDA00034348897100000710
快肌纤维肌肉激活度μf(t)、慢肌纤维肌肉激活度μs(t)、快肌纤维维持热量常数mf、慢肌纤维维持热量常数ms及分段函数L(Lm)，计算维持热量
Figure BDA00034348897100000711
Figure BDA00034348897100000712
其中：mf＝111W/kg，ms＝74W/kg。
S3：确定当前肌纤维收缩或拉长速度，根据肌肉收缩类型、相对肌纤维速度和相对肌纤维长度确定缩短-拉长热系数，计算肌纤维缩短-拉长热量和跟腱弹性势能，进而得到肌肉缩短-拉长热量。可细分为如下步骤：
(1)通过离体实验或在体实验分别确定快肌纤维
Figure BDA00034348897100000713
和慢肌纤维得最大收缩速度
Figure BDA00034348897100000714
进而根据快慢肌纤维可产生的最大热量，计算快肌纤维缩短热系数αsFT和慢肌纤维缩短热系数αsST：
Figure BDA0003434889710000081
Figure BDA0003434889710000082
其中：在最大等长激活时，当肌肉快肌纤维高达100％时，那么激活热量和维持热量达153w/kg,而全部为慢肌纤维时，则为25w/kg。
(2)采用肌骨超声在肌肉MVC下确定肌腱刚度k，并根据肌纤维-肌腱结合位点相对于深筋膜的位移变化确定肌间的伸长量d，则在肌腱拉长过程中储存的弹性势能Ep计算如下：
Figure BDA0003434889710000083
(3)可根据力-长度-速度曲线或肌骨超声确定当前状态下的肌纤维速度
Figure BDA0003434889710000084
快肌纤维缩短热系数αsFT、慢肌纤维缩短热系数αsST和肌腱弹性势能Ep，计算肌肉收缩热量
Figure BDA0003434889710000085
肌肉缩短-拉长热量与肌肉收缩类型、收缩速度和收缩长度相关，则：
(3-1)若肌肉收缩形式为向心收缩
Figure BDA0003434889710000086
肌纤维长度(LCE)≤理想长度(LCE-OPT)：
Figure BDA0003434889710000087
(3-2)若肌肉收缩形式为向心收缩
Figure BDA0003434889710000088
肌纤维长度(LCE)＞理想长度(LCE-OPT)：
Figure BDA0003434889710000089
(3-3)若肌肉收缩形式为离心收缩
Figure BDA00034348897100000810
肌纤维长度(LCE)≤理想长度(LCE-OPT)：
Figure BDA00034348897100000811
(3-4)若肌肉收缩形式为离心收缩
Figure BDA00034348897100000812
肌纤维长度(LCE)＞理想长度(LCE-OPT)：
Figure BDA0003434889710000091
S4：根据当前肌力水平和绝对收缩速度，计算机械功
Figure BDA0003434889710000092
Figure BDA0003434889710000093
Figure BDA0003434889710000094
其中：
Figure BDA0003434889710000095
是机械功热率，FCE、VCE、t是当前肌肉收缩单元的肌力大小、收缩速度、收缩时间。
S5：将S1～S4步骤中分别得到的肌肉激活热量
Figure BDA0003434889710000096
肌肉维持热量
Figure BDA0003434889710000097
肌肉缩短-拉长热量
Figure BDA0003434889710000098
和机械功
Figure BDA0003434889710000099
进行相加，即为肌肉能量消耗。
Figure BDA00034348897100000910
在本实施例中，将上述建立的肌肉能量消耗方法结合至模拟仿真中，基于OpenSim和Gait_2392模型，采用动态优化的方法在计算肌力的同时，完成了步行能量消耗和各肌肉能量消耗的预测和计算，结果如图2-4所示。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，对于本领域的普通技术人员而言，在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节。

Claims (4)

1.一种肌肉能量消耗的量化分析方法，其特征在于，包括如下步骤：
S1：根据肌肉质量、肌肉快慢肌纤维占比、激活热量常数以及肌肉激活度，计算肌肉激活热量
Figure FDA0003434889700000011
S2：纳入肌纤维理想长度，建立肌纤维长度相对于理想长度的分段函数，结合肌肉质量、快慢肌纤维占比、维持热量常数和肌肉兴奋水平，计算肌肉维持热量
Figure FDA0003434889700000012
S3：确定当前肌纤维收缩或拉长速度，根据肌肉收缩类型、相对肌纤维速度和相对肌纤维长度确定缩短-拉长热系数，计算肌纤维缩短-拉长热量和跟腱弹性势能，进而得到肌肉缩短-拉长热量
Figure FDA0003434889700000013
S4：根据当前肌力水平和绝对收缩速度，计算机械功
Figure FDA0003434889700000014
Figure FDA0003434889700000015
Figure FDA0003434889700000016
其中：
Figure FDA0003434889700000017
是机械功热率，FCE、VCE、t是当前肌肉收缩单元的肌力大小、收缩速度、收缩时间；
S5：将步骤S1～S4中分别得到的肌肉激活热量
Figure FDA0003434889700000018
肌肉维持热量
Figure FDA0003434889700000019
肌肉缩短-拉长热量
Figure FDA00034348897000000110
和机械功
Figure FDA00034348897000000111
进行相加，即为肌肉能量消耗
Figure FDA00034348897000000112
Figure FDA00034348897000000113
2.根据权利要求1所述的一种肌肉能量消耗的量化分析方法，其特征在于，步骤S1包括如下步骤：
S11：根据大数据的人体测量学参数或影像化技术手段确定肌肉质量m；所述人体测量学参数是指肌肉占体重的百分比；所述影像化技术手段包括但不限于核磁共振；
S12：根据生物活检技术或模拟仿真相关研究确定肌肉的快肌纤维质量分数
Figure FDA00034348897000000114
和慢肌纤维质量分数
Figure FDA00034348897000000115
S13：获取快肌纤维和慢肌纤维的原始肌肉激活信号，经过预处理和归一化处理后得到标准化的肌电信号，进入神经激活模型解算神经激活强度，最后根据肌肉激活模型得到以下参数：快肌纤维肌肉激活度μf(t)、慢肌纤维肌肉激活度μs(t)、快肌纤维维持热量常数mf、慢肌纤维维持热量常数ms；所述预处理包括滤波和全波整流；所述归一化处理是指MVC标准化；
S14：计算肌肉激活热量
Figure FDA0003434889700000021
Figure FDA0003434889700000022
3.根据权利要求2所述的一种肌肉能量消耗的量化分析方法，其特征在于，步骤S2包括如下步骤：
S21：纳入肌纤维理想长度
Figure FDA0003434889700000023
建立肌纤维长度Lm相对于理想长度的分段函数L(Lm)：
Figure FDA0003434889700000024
S22：根据S11得到的肌肉质量m、S12得到的快肌纤维质量分数
Figure FDA0003434889700000025
和慢肌纤维质量分数
Figure FDA0003434889700000026
S13得到的快肌纤维肌肉激活度μf(t)、慢肌纤维肌肉激活度μs(t)、快肌纤维维持热量常数mf、慢肌纤维维持热量常数ms以及S21确定的分段函数L(Lm)，计算维持热量
Figure FDA0003434889700000027
Figure FDA0003434889700000028
4.根据权利要求1所述的一种肌肉能量消耗的量化分析方法，其特征在于，步骤S3包括如下步骤：
S31：通过离体实验或在体实验分别确定快肌纤维最大收缩速度
Figure FDA0003434889700000029
和慢肌纤维最大收缩速度
Figure FDA00034348897000000210
进而根据快慢肌纤维可产生的最大热量，计算快肌纤维缩短热系数αsFT和慢肌纤维缩短热系数αsST：
Figure FDA00034348897000000211
Figure FDA0003434889700000031
S32：根据肌腱刚度系数k和伸长率d计算弹性势能Ep：
Figure FDA0003434889700000032
S33：根据力-长度-速度曲线或肌骨超声确定当前状态下的肌纤维速度
Figure FDA0003434889700000033
S31得到的快肌纤维缩短热系数αsFT和慢肌纤维缩短热系数αsST、S32得到的肌腱弹性势能Ep，计算肌肉收缩热量
Figure FDA0003434889700000034
(1)若
Figure FDA0003434889700000035
并且肌纤维长度LCE≤理想长度LCE-OPT，则：
Figure FDA0003434889700000036
(2)若
Figure FDA0003434889700000037
并且肌纤维长度LCE＞理想长度LCE-OPT，则：
Figure FDA0003434889700000038
(3)若
Figure FDA0003434889700000039
并且肌纤维长度LCE≤理想长度LCE-OPT，则：
Figure FDA00034348897000000310
(4)若
Figure FDA00034348897000000311
并且肌纤维长度LCE＞理想长度LCE-OPT，则：
Figure FDA00034348897000000312
其中：
Figure FDA00034348897000000313
代表肌肉收缩形式为向心收缩，
Figure FDA00034348897000000314
代表肌肉收缩形式为离心收缩。
CN202111611091.9A 2021-12-27 2021-12-27 一种肌肉能量消耗的量化分析方法 Active CN114431832B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111611091.9A CN114431832B (zh) 2021-12-27 2021-12-27 一种肌肉能量消耗的量化分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111611091.9A CN114431832B (zh) 2021-12-27 2021-12-27 一种肌肉能量消耗的量化分析方法

Publications (2)

Publication Number Publication Date
CN114431832A true CN114431832A (zh) 2022-05-06
CN114431832B CN114431832B (zh) 2023-10-20

Family

ID=81363780

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111611091.9A Active CN114431832B (zh) 2021-12-27 2021-12-27 一种肌肉能量消耗的量化分析方法

Country Status (1)

Country Link
CN (1) CN114431832B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120071733A1 (en) * 2010-09-21 2012-03-22 Somaxis Incorporated Methods for assessing and optimizing muscular performance
WO2013021336A1 (en) * 2011-08-05 2013-02-14 Murli Krishna Pata V System and method of determining body mass functional index
CN106202739A (zh) * 2016-07-14 2016-12-07 哈尔滨理工大学 一种骨骼肌力学行为多尺度建模方法
CN108629074A (zh) * 2018-03-15 2018-10-09 哈尔滨理工大学 一种骨骼肌肌束的有限元模型
CN110638449A (zh) * 2019-09-30 2020-01-03 福州大学 一种基于机械功的肌肉量化分析方法
CN112263254A (zh) * 2020-06-11 2021-01-26 复旦大学附属华山医院 一种基于表面肌电信号传感器的人体能量消耗预测***及其预测方法
CN113160931A (zh) * 2021-04-12 2021-07-23 深圳英鸿骏智能科技有限公司 健身动作能量消耗评估方法、装置、设备及存储介质
CN113576463A (zh) * 2021-07-31 2021-11-02 福州大学 肌电信号驱动的膝关节肌骨模型接触力估计方法及***

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120071733A1 (en) * 2010-09-21 2012-03-22 Somaxis Incorporated Methods for assessing and optimizing muscular performance
WO2013021336A1 (en) * 2011-08-05 2013-02-14 Murli Krishna Pata V System and method of determining body mass functional index
CN106202739A (zh) * 2016-07-14 2016-12-07 哈尔滨理工大学 一种骨骼肌力学行为多尺度建模方法
CN108629074A (zh) * 2018-03-15 2018-10-09 哈尔滨理工大学 一种骨骼肌肌束的有限元模型
CN110638449A (zh) * 2019-09-30 2020-01-03 福州大学 一种基于机械功的肌肉量化分析方法
CN112263254A (zh) * 2020-06-11 2021-01-26 复旦大学附属华山医院 一种基于表面肌电信号传感器的人体能量消耗预测***及其预测方法
CN113160931A (zh) * 2021-04-12 2021-07-23 深圳英鸿骏智能科技有限公司 健身动作能量消耗评估方法、装置、设备及存储介质
CN113576463A (zh) * 2021-07-31 2021-11-02 福州大学 肌电信号驱动的膝关节肌骨模型接触力估计方法及***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
C. J. BARCLAY: ""Energy demand and supply in human skeletal muscle"", 《J MUSCLE RES CELL MOTIL》 *
孙立冰: ""青少年短跑运动员选材指标的研究综述"", 《文体用品与科技》 *

Also Published As

Publication number Publication date
CN114431832B (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
Schache et al. Lower-limb muscular strategies for increasing running speed
Op De Beéck et al. Fatigue prediction in outdoor runners via machine learning and sensor fusion
Buchanan et al. Estimation of muscle forces and joint moments using a forward-inverse dynamics model
Taha et al. Systems modelling of the relationship between training and performance
Rigoldi et al. Measuring regularity of human postural sway using approximate entropy and sample entropy in patients with Ehlers–Danlos syndrome hypermobility type
CN106890009A (zh) 一种骨骼肌体积变化的自动测量方法和装置
CN113974612B (zh) 一种卒中患者上肢运动功能自动化评估方法与***
CN113576463B (zh) 肌电信号驱动的膝关节肌骨模型接触力估计方法及***
CN106730766A (zh) 一种基于心率数据的成人运动负荷的评价方法
Liu et al. sEMG-based dynamic muscle fatigue classification using SVM with improved whale optimization algorithm
CN111445978A (zh) 运动方案反应性预测模型及建模方法、电子设备
CN110032987B (zh) 一种基于小脑神经网络模型的表面肌电信号分类方法
JP2019084130A (ja) 歩行動作評価装置、歩行動作評価方法及びプログラム
CN107913075B (zh) 一种基于多参数的精神压力评估装置及其评估方法
CN114431832A (zh) 一种肌肉能量消耗的量化分析方法
CN115544777B (zh) 一种表征关节助力补偿值的方法及***
Hakansson et al. Functional roles of the leg muscles when pedaling in the recumbent versus the upright position
CN105769186A (zh) 基于复杂网络的肌电信号采集位置选取方法
CN107684438B (zh) 一种基于超声图像的疼痛程度检测方法及装置
CN114642424A (zh) 一种基于体感交互技术的体能评估方法和装置
Peng et al. An sEMG-driven neuromusculoskeletal model of upper limb for rehabilitation robot control
Suganthi et al. Evaluation of muscle fatigue based on SEMG using deep learning techniques
Caporaso et al. Development of site–specific biomechanical indices for estimating injury risk in cycling
Bueno et al. Effect of muscular fatigue on fractal upper limb coordination dynamics and muscle synergies
CN117334293A (zh) 基于动作矫正的运动训练***及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant