پیچیدگی و آنتروپی sEMG در خستگی

راضیه رمضان زاده درآباد¹ لطفعلی بلبلی² رضا فرضی زاده³ باقر شجاع انزابی⁴

1) دانشجوی کارشناسی ارشد فیزیولوژی ورزشی کاربردی دانشگاه محقق اردبیلی
2) عضو هیات علمی دانشگاه محقق اردبیلی
3) عضو هیات علمی دانشگاه محقق
4) دانشجوی دکتری فیزیولوژی ورزشی دانشگاه محقق ادربیلی

محل انتشار : چهارمین همایش بین المللی و ششمین همایش ملی تازه های پژوهش در علوم ورزشی(umasport2022.ir)
چکیده :
چکیده: پیچیدگی و آنتروپی sEMG به صورت خطی با افزایش درجه خستگی کاهش می یابد. در حرکت پویا، آنتروپی تقریبی ابتدا افزایش می یابد و سپس برای اکثر افراد کاهش می یابد. آنتروپی طیف حاشیه ای (MSE) (جرو و راماکریشنان، 2019) یک روش مفید ارزیابی خستگی عضلانی در زمان واقعی با مزایای ارزیابی سریع و قابل اعتماد خستگی عضلانی و ضد نویز است. در مقایسه با آنتروپی تقریبی و MDF، MSE را می توان به سرعت محاسبه کرد، استحکام طول داده ها بهتر است، و خستگی عضلانی را می توان به طور قابل اعتماد ارزیابی کرد. پایداری بالا برای افراد مختلف و مقاومت خوبی در برابر صدا دارد. SampEn (کوی و همکاران، 2017)، احتمال تولید الگوهای جدید در سیگنال ها را با اندازه گیری پیچیدگی سری های زمانی اندازه گیری می کند. SampEn دارای 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، 2018) سیگنال های sEMG با افزایش بار کاهش می یابد، که با دقت بیشتری پیچیدگی سیستم عضلانی را نشان می دهد. در مقایسه با SampEn سنتی، می تواند به طور عینی تری وضعیت کار و درجه خستگی عضله را منعکس کند. تجزیه و تحلیل آنتروپی چند مقیاسی مقدار کمی از محاسبات دارد و می تواند با پیچیدگی انقباض عضلانی پویا تحت بارهای متغیر با زمان سازگار شود. در کار عملی، آنتروپی چند مقیاسی متوسط نرمال شده را می توان به عنوان یک شاخص کمی برای اندازه گیری درجه خستگی پویا عضلات استفاده کرد. تحلیل کمیت عود (RQA) (چن و همکاران، 2018) برای تعیین درصد بخش های خط (%DET) که منعکس کننده تناوب سیگنال ها هستند استفاده می شود. از نرم افزار RQA برای محاسبه و تعیین درصد پاره خط استفاده می شود. تحت بارهای دینامیکی و استاتیکی، %DET به صورت خطی با بروز خستگی عضلانی افزایش می یابد.لجون و همکاران (2018) از Cn)) برای ارزیابی خستگی در تمرینات دوچرخه سواری همه جانبه استفاده کرد.کوی و همکاران (2017) از SampEn برای بررسی ویژگی‌های خسته‌کننده واحدهای تاندون عضلانی (MTUs) در عضلات اسکلتی در طی کارهای انقباض ایزومتریک استاتیک استفاده کرد.هرناندز و کامیک (2019) تأثیر وضعیت خستگی و نوع انقباض بر پیچیدگی سیگنال sEMG با استفاده از SampEn و تجزیه و تحلیل نوسانات Detrended (DFA) بررسی شد.کال و هافمن (2016) عملکرد الگوریتم‌های تشخیص خستگی مختلف را برای تعیین کمیت خستگی عضلانی بر اساس سیگنال‌های sEMG مقایسه کرد. الگوریتم‌های تشخیص خستگی شامل نسبت گشتاورهای طیفی (SMR)، SampEn، آنتروپی تقریبی فازی (fApEn)، و RQA (%DET) محاسبه شدند. پس از شناسایی ویژگی های استخراج شده از سیگنال sEMG، مرحله مهم بعدی طبقه بندی برای تشخیص حالت خستگی است.
کلمات کلیدی : آنتروپی sEMG – خستگی - سیگنال