基于肌音信号短时傅里叶变换的桡侧腕屈肌疲劳程度研究

章 悦, 夏春明, 钟 豪, 顾晓琳(华东理工大学机械与动力工程学院,上海 200237)

基于肌音信号短时傅里叶变换的桡侧腕屈肌疲劳程度研究

章 悦, 夏春明, 钟 豪, 顾晓琳
(华东理工大学机械与动力工程学院,上海 200237)

肌肉疲劳是由运动引起的肌肉最大随意收缩力减小的现象,其研究可应用于生理医学的职业病预防或体育工程的运动员训练等方面。本文采用短时傅里叶变换对肌音信号进行处理,提取频域特征平均功率频率(Mean Power Frequency,MPF)和中值频率(Median Frequency,MDF),研究其与肌肉疲劳程度之间的关系。9名健康的男性志愿者参与了本次试验,采用等值于60%最大随意收缩力(MVC)的力产生恒力肌肉疲劳,同步记录每一位受试者桡侧腕屈肌的肌音信号,对提取的频域参数进行分析。将持续30 s的肌肉疲劳过程分为6个时间阶段(每个阶段为5 s),并对每个时间阶段内的MPF和MDF计算均值。结果表明,随着肌肉疲劳程度加深,肌音信号的MPF和MDF在每个时间阶段内的均值均呈现近似线性下降的趋势。在30 s肌肉疲劳过程中,从第1阶段(1～5 s)到第6阶段(26～30 s),MPF均值下降了15.8%,MDF均值下降了26.1%。基于短时傅里叶变换提取的MPF和MDF指标能良好地反映疲劳敏感性和稳定性,在评定肌肉静态疲劳方面是较好的参考指标。本文采用的方法和得到的结果为后期更深入地使用肌音信号对肌肉疲劳程度进行量化研究提供了依据。

肌音; 短时傅里叶变换; 平均功率频率; 中值频率

肌肉疲劳研究是体育科研工作者多年来研究探讨的重点,同时也受到工效学领域学者的关注。肌肉疲劳的本质可通过其产生的生化机制进行研究[1-2],但在实际生活中的很多领域并不适用,因此希望找到一种相对方便的替代研究方式,如可使用生物医学信号进行研究,主要包括生物电信号和声信号两类。

肌音信号(MMG)是一种生物声信号,经过生物组织(肌肉)产生,通过加速度传感器将信号检测出来,体现了肌纤维振动的力学特性[3]。Barry等[4]使用肌音信号对肌肉疲劳的研究结果表明,肌音信号的振幅因疲劳而降低,且下降率与用力大小成正比。Ce等[5]的一项研究表明,在肌肉力学活动过程中肌音信号是监控肌肉从放松到疲劳变化的一种有效且可靠的指标,并且在疲劳恢复过程中同样可监控肌肉疲劳变化。之前对于肌肉疲劳研究较多的是肌电信号(EMG),即一种生物电信号,反映的是肌肉的电生理特性,目前运用肌电信号对肌肉疲劳进行分析相比于其他生物信号而言较为成熟。 例如Kankanpaa等[6]利用肌电信号对肌肉动态收缩过程中的肌肉疲劳过程进行研究,频谱曲线表现出随肌肉疲劳程度加深而左移的变化规律。陈伟婷等[7]运用熵对动态收缩的肌电信号进行疲劳特征分析。王乐军等[8]提出一种利用小波分析与人工神经网络相结合的方式来研究运动性肌肉疲劳过程中EMG变化特征的方法。近来混合细菌觅食(BF)-粒子群优化(PSO)-模糊支持分类向量机(FSVCM)模型[9]在对肌电信号的疲劳状态识别中得到应用,研究结果表明BF-PSO-FSVCM是一种有效工具,不同的支持向量分类机(SVCM)可便利地进行肌肉疲劳状况的诊断。从两种信号的采集方式来看,肌音信号相比于肌电信号较为方便。肌音信号不仅具有可辅助肌电信号的作用[10-11],从信号的强度和抗干扰性等方面来看,肌音信号相比肌电信号也具备一定的优点[12],在某些应用领域具有一定的可代替性和优势[13]。但肌电信号应用于肌肉疲劳方面的一些研究方法可以为肌音信号所借鉴。

对信号进行频域分析最基本的方法是采用傅里叶变换,作为离散傅里叶变换(DFT)的一种快速算法,快速傅里叶变换(FFT)具有运算快速的优点,在处理宏量信号方面具有优势。短时傅里叶变换(STFT)相比FFT有更高的灵敏度及更广的应用范围。本文首先对采集到的肌音信号进行预处理,然后运用短时傅里叶变换进行处理,提取与疲劳程度可能相关的频域特征,最后对特征值进行计算以获得最终结果。

1 肌音信号的采集与预处理分析

本文使用EH101电子握力计作为测力仪器,该设备可显示各个受试者在发力过程中的握力变化,并可记录在此过程中的最大握力。测试3次握力数值(每次间隔3 min)并取平均值作为最大随意收缩力(MVC)。本研究使用的信号采集设备是NI9205数字信号模块,肌音信号检测采用TD-3加速度传感器。传感器的测量位置为手臂前臂处的桡侧腕曲肌,当用手对握力计做等值于60% MVC持续恒定握力的过程中,该处肌肉有明显的疲劳感。利用Matlab2013对NI采集卡采集获得的信号进行记录(采样频率为1 000 Hz),实验如图1所示。

肌音信号主要集中在低频段,尤其是5～60 Hz,根据之前研究者得出的结论,肌音信号的有效范围为5～100 Hz[14]。其中直流偏置干扰以及50 Hz的工频干扰为信号的主要噪声,除此以外还受到外界环境以噪声信号混杂其中的干扰,可利用椭圆形数字带阻滤波器消除工频干扰,具体参数为:通带上截止频率为49.5 Hz,通带下截止频率为50.5 Hz,阻带下起始频率为49.9 Hz,阻带上起始频率为50.1 Hz。再利用5～100 Hz椭圆型数字带通滤波器保留有效频段的肌音信号。对肌音信号选取不同的小波母函数进行小波阈值去噪实验后,根据信噪比(SNR)和均方误差(MSE)两个指标进行综合考虑[15-16],根据Daubechies9 (db9)小波和Rigrsure阈值选取方法,以及第1层的系数进行噪声层的估计来调整阈值以获得较好的去噪效果。应用上述方法对采集到的各个受试者的肌音信号进行预处理,获得的肌音信号如图2所示。

图1 受试者进行桡侧腕屈肌疲劳试验

图2 持续恒定握力过程中桡侧腕屈肌的肌音信号

2 桡侧腕屈肌疲劳的肌音信号短时傅里叶变换与特征提取

在信号处理过程中利用傅里叶变换进行分析,能量频谱将表明信号的某些特征,例如频率的峰值,但无从了解时间。因此,最简单也是最直接的处理方法是对信号采用分段处理,利用分段信号的傅里叶变换,实现对信号的时频局域性分析。时频分析法既能保持傅里叶变换的优点,又能弥补其不足。时频分析方法有线性时频表示和双线性时频表示两种,短时傅里叶变换就是一种常见的线性时频表示。其本质是加窗的傅里叶变换,随着时间窗的移动而形成信号的一种时频表示。对于某一信号s(t),给定一个时间宽度很短的窗函数,让窗滑动,则信号的短时傅里叶变换为

(1)

其中:t为时间;f为频率;h(t)为窗函数;h*(τ-t)表示h(τ-t)的复共轭函数。

正是由于窗函数h(t)的存在,使得短时傅里叶变换具有了局部特性,它既是时间的函数,也是频率的函数。对于给定的时间t,STFT(t,f)可看做是该时刻的频谱。

在计算机进行数字信号处理过程中,需要对STFT(t,f)进行离散化处理,为此在时频面上等间隔时频网格点(mΔt,nΔf)处采样,其中Δt,Δf分别表示时间变量和频率变量的采样间隔,令s(k)表示s(t)的离散形式,即为由采集卡获得数字信号作为输入方式的肌音信号,则短时傅里叶变换的离散形式为

(2)

其中h(t)是窗函数,在此选用汉明窗,设置窗长为512,同时此数值作为整个疲劳过程中肌音信号每一帧的长度。每帧移动256,每帧肌音信号的短时傅里叶变换可以认为是该帧所在时刻的信号频谱。该肌音信号采用窗长度进行的傅里叶变换及其时-频图分别如图3和图4所示。

图3 肌音信号采用窗长度进行的傅里叶变换

图4 肌音信号短时傅里叶变换的时-频图

对每一帧的信号采用类似方法,从而获得短时功率谱,用平均功率频率(MPF)和中值频率(MDF)作为频率特征参数对疲劳过程中的肌音信号进行分析,其算法如式(3)和式(4)所示。

(3)

(4)

其中:f1和f2为肌音信号的最小和最大有效频率;P(f)为功率谱密度。

为了解肌音信号的各个特征参数随肌肉疲劳程度加深的总体变化趋势以及判别在本文中各个特征参数是否具有敏感性和有效性,本文对每个受试者握力肌肉疲劳过程中短时分析的各个特征参数随疲劳程度加深而产生的变化情况进行观察。每一帧可对应求得信号的各个特征参数值,即整个疲劳过程中每个参数具有N个值,如图5所示。

图5 30 s肌音信号的平均功率频率

根据帧数N将信号各个指标的短时分析特征分为m个时间段求平均值,即把肌肉疲劳整个过程的T秒按照每段T/m秒进行划分,分别取两个特征在每个T/m秒内(即N/m个值)的平均值。根据每个时间段内的均值,通过对比来观察特征随肌肉疲劳程度加深的变化趋势。

3 试验与数据分析

3.1 试验对象

试验招募了9名男性志愿者作为受试者,所有受试者均在对本研究的目的和试验方式充分知情的前提下自愿参与了这项试验。受试者年龄在23～25周岁,无任何神经肌肉方面的疾病,并且在最近的3 d内未进行剧烈运动,无肌肉酸痛或乏力等症状。这项研究的所有试验都是在20 ℃,湿度为50%,以及安静的室内环境中进行。

3.2 试验方式

将加速度传感器用绑带绑在受试者的桡侧腕屈肌的表面,受试者将握力从0增加到60% MVC,然后尽量保持肌力大小不变,即维持握力计的示数波动很小,直到力竭无法维持。从试验情况来看,一般能坚持的时间为35～50 s。9个受试者的MVC如表1所示。

表1 9个受试者的最大肌肉随意收缩力

3.3 数据分析

对采集到的9个受试者在稳定肌力等值于60% MVC过程中(取其中的30 s)的信号段进行信号预处理并计算。由于每个受试者肌音信号的初始MPF或MDF并不相同,需进行归一化处理(即将每个受试者在疲劳第1阶段特征的均值归一化为1)。可观察到某位受试者在桡侧腕屈肌疲劳过程中的6个时间段按第1阶段进行归一化处理后的MPF如图6所示。从图中可以明显看出,该受试者疲劳过程中6个时间段的MPF平均值呈现明显的递减趋势。将9位受试者疲劳过程中两个频域特征平均值按第1阶段归一化计算,对数据进行统计。

图6 某个受试者疲劳过程中归一化后6个时间段的MPF均值

3.4 试验结果

两个频域特征在6个时间段的均值按第1时间段归一化后的下降比例分别如图7和图8所示。由计算结果,9位受试者的频域特征平均值绝大多数都呈现了很好的下降趋势。虽然在此过程中每个人各个阶段的下降幅度与其他人相比较而言具有一定的差异,然而单从趋势而言,与图6具有一定的共性。

图7 肌肉疲劳持续时间的MPF平均值变化示意图

图8 肌肉疲劳持续时间的MDF平均值变化示意图

根据图7和图8的统计结果看来,受试者在6个时间段的肌肉疲劳频域特征均值的下降比例在一定幅度内。

作为研究者在以肌电信号为工具进行肌肉疲劳分析时经常选用的频域特征,MPF和MDF对于肌肉疲劳程度的评估具有一定的有效性和敏感性。且MDF和MPF作为频谱移动指标具有各自特点:MPF较稳定,对于低负荷条件下的频谱变化有高度敏感性;MDF抗噪声干扰性强,适应的负荷水平范围较广,在各类肌肉以及各种收缩中负荷都随力的增加而增加[17]。

在本研究中,对于频域特征MPF而言,在每个5 s时间段内的均值呈现出良好的单调递减趋势,从第1时间段到第6时间段,均值累计下降幅度为15.8%。并且MPF均值的平均下降幅度基本为线性。对于频域特征MDF而言,以第1时间段到第6时间段的平均下降幅度为26.1%,也接近于线性。

以上计算结果说明,之前在肌肉疲劳的过程中肌电信号的频域特征体现出一定的变化规律性,如今肌音信号过程也可以观察到这一现象。而从这两个频域特征看来,总体而言,MPF较稳定,变化幅度较小;MDF较敏感,变化幅度较大。

4 结 论

本文记录了9名成年健康男性以等值于60% MVC的收缩力下桡侧腕屈肌的肌音信号,运用短时傅里叶变换进行处理,并提取MPF和MDF作为两个频域特征进行计算。根据本文结果可以看出,MPF均值随着疲劳程度的加深而线性减小,从第1时间段到第6时间段,累计降幅为15.8%;MDF均值随着疲劳程度的加深而接近线性减小,从第1时间段到第6时间段,累计降幅为26.1%。从而以两个频域特征在各个时间段内的均值作为指标,与肌肉疲劳程度呈负相关性。因此,研究人体肌音信号与肌肉疲劳的关系,利用肌音信号衡量肌肉的疲劳程度,在运动学等领域具有一定的应用前景。

[1]张婧,熊正英.运动中枢疲劳的生物学机制[J].体育学刊,2003,10(5):42-44.

[2]陈建春,柏娟,刘尧.运动性疲劳及其产生机制的研究[J].青岛科技大学学报(自然科学版),2007,28(z1):168-172.

[3]胡淑娴,施俊,郭静宜,等.等张收缩肱二头肌特性的多信号结合研究[J].生物医学工程进展,2009,30(4):195-199.

[4]BARRY D L,COLE N M.Muscle sounds are emitted at the resonant frequencies of skeletal muscle[J].IEEE Transactions on Biomedical Engineering,1990,37(5):525-537.

[5]CE E,RAMPICHINI S,LIMONTA E,etal.Torque and mechanomyogram correlations during muscle relaxation:Effects of fatigue and time-course of recovery[J].Journal of Electromyography and Kinesiology,2013,23(6):1295-1303.

[6]KANKANPAA M,TAIMELA S,WEBBER C L,etal.Lumbar paraspinal muscle fatigability in repetitive isoinertial loading:EMG spectral indices,Borg scale and endurance time[J].European Journal of Applied Physiology and Occupational Physiology,1997,76(3):236-242.

[7]陈伟婷,王志中,胡晓,等.基于熵的动态收缩sEMG信号疲劳特征分析[J].中国医学物理学杂志,2006,23(3):204-208.

[8]王乐军,黄勇,龚铭新,等.小波包分析与人工神经网络想结合探索运动性肌肉疲劳过程中的sEMG变化特征[J].体育科学,2009,29(12):51-55.

[9]WU Q,MAO J F,WEI C F,etal.Hybrid BF-PSO and fuzzy support vector machine for diagnosis of fatigue status using EMG signal features[J].Neruocomputing,2016,173(3):483-500.

[10]BECK T W,HOUSH T J,JOHNOSON G O,etal,Comparison of Fourier and wavelet transform procedures for examining the mechnomyographic and electromyographic frequency domain responses during fatiguing isokinetic muscle actions of the biceps brachii[J].Journal of Electromyography and Kinesiology,2005,15(2):190-199.

[11]IOI H,KAWAKATSU M,NAKATA M,etal.Mechanomyogram and electromyogram analyses for investigating human masseter muscle fatitue[J].Orthodontic Waves,2006,65(1):15-20.

[12]TARATA M T.Mechanomyography versus electromyography,in monitoring the musclar fatigue[J].Biomedical Engineering Online,2003,2(1):1-10.

[13]TIAN S L,LIU Y,LI L,etal.Mechanomyography is more sensive than EMG in detecting age-related sarcopenia[J] Journal of Biomechanics ,2010,43(3):551-556.

[14]BECK T W,TSCHARNER V V,HOUSH T J,etal.Time/frequency events of surface mechanomyographic signals resolved by nonlinearly scaled wavelets[J].Biomedical Signal Processing and Control,2008,3(3):255-266.

[15]吕瑞兰,吴铁军,于玲.采用不同小波母函数的阈值去噪方法性能分析[J].光谱学与光谱分析,2004,24(7):826-829.

[16]高清河,刚晶,王和禹.基于平稳小波变换心音信号阈值去噪的对比分析[J].计算机与数字工程,2015(6):957-959.

[17]王笃明,王健,葛列众.肌肉疲劳的sEMS时频分析技术及其在工效学中的应用[J].航天医学与工程,2003,16(5):387-390.

Muscle Fatigue of Flexor Carpi Radialis Based on Short-Time Fourier Transform to Mechanomyography

ZHANG Yue, XIA Chun-ming, ZHONG Hao, GU Xiao-lin

(School of Mechanical and Power Engineering,East China University of Science and Technology,Shanghai 200237,China)

Muscle fatigue,caused by doing sports,is a phenomenon of the decrease of the maximum voluntary contraction (MVC),which could be used in the fields of the prevention of occupational diseases in physiology or medicine and of the training of athletes in physical engineering.This paper adopted short-time Fourier transform to process the MMG,then gained the features of frequency domain,that is,mean power frequency (MPF) and median frequency (MDF),and finally investigated the relationship between these features and the degree of muscle fatigue.The subjects of this experiments were 9 healthy male volunteers who produced the muscle fatigue with constant force by performing 60% of MVC and simultaneously were recorded separately the mechanomyography (MMG) signals of flexor carpi radialis.By analyzing the parameters of the the frequency-domain gaining from the experiment,the results demonstrated that if the process of muscle fatigue were divide into 6 time segments,with the degree of muscle fatigue increasing,the average values of MPF and MDF——the two features of frequency-domain respectively presented the trend of an approximately linear decline at each time segment.During the 30 s of muscle fatigue,the declining range of the average values of MPF was 15.8% from the first to the sixth time segment,the declining range of the average values of MDF was 26.1% from the first to the sixth stage.The index of MPF and MDF based on short-time Fourier transform demonstrated high sensibility and stability to reflect muscle fatigue,suggesting the potential application of MPF and MDF as reference indices in evaluating static muscle fatigue.The method adopted in this paper and the results of this experiment provided the basis for the quantitative research of the degree of muscle fatigue by using MMG further in the future.

mechanomyography;short-time Fourier transform;mean power frequency;median frequency

1006-3080(2017)02-0286-06

10.14135/j.cnki.1006-3080.2017.02.021

2016-09-02

章 悦(1990-),男,江苏南通人,硕士生，研究方向为生物医学信号处理。

夏春明,E-mail:cmxia@ecust.edu.cn

R496

A