EMG 相关应用场景
特征识别
利用 sEMG 特征来识别动作。目前除了 sEMG 外,还有下面方案:
- 基于计算机视觉的人体姿态识别;
- 基于惯性测量单元的人体姿态识别。
sEMG 的主要应用领域为手势识别:
肌肉疲劳
通过肌电疲劳阈值(electromyogram fatigue threshold, $EMG_{FT}$)测量法进行肌肉疲劳分析:
可以认为是借助 sEMG 以及 $EMG_{FT}$ 算法来测定个体运动过程中的肌肉疲劳拐点。
除了 $EMG_{FT}$ 外,监测肌肉疲劳的方法还有:
- 通气阈值(ventilator threshold, VT);
- 基于计算机视觉的人体姿态识别;
- 基于惯性测量单元的人体姿态识别(IMU);
- 乳酸阈值(AT)。
肌肉激活程度
每块肌肉都有相应的「最大自主等长收缩(maximal voluntary isometric contraction, MVIC)」,可通过 EMG 振幅表示。而每个动作都有相应的募集肌肉,以及肌肉的激活程度 %MVIC。例如 Distefano 等人研究了健康自愿者的臀大肌和臀中肌肌电图振幅,这些自愿者进行了 12 种不同难度的下肢力量训练。每个训练重复四次求平均值用于分析。侧卧髋部外展对臀中肌的激活最大,为 81%MVIC。单肢深蹲和单肢硬拉可有效激活臀中肌(分别是 64% 和 58%MVIC)和臀大肌(分别为 59% 和 59%MVIC)。
但不是说动作募集肌肉的 %MVIC 越高,动作就越能刺激相关肌肉成长。还要看其他因素:
- 活动范围(rang of motion, ROM);
- 动作在肌肉延展状态下施加张力的大小和时间。
此外还要加以区分概念:最大自主收缩或者最大肌力(maximum voluntary contraction, MVC)。
EMG 相关应用场景
https://wonderhoi.com/2023/08/28/EMG-相关应用场景/