低维运动控制在投掷运动表示

文摘

在这项研究中,我们确定了控制机制在投掷运动的低维表示来自各种主题和目标的距离。控制表示被确认在任务和关节空间运动水平,分别在肌肉活动级别使用肌肉的协同效应理论。投掷运动的代表特征在所有这些空间选择被调查。使用分解特征提取和集群技术的肌肉太没经验对象的数据(不同的形态和物理条件)在一系列的任务。两个协同萃取方法进行测试来评估他们的一致性。任务特性,自由度(自由度),和肌肉研究结果可以概括为(1)跨科目组成的控制表示只有两个协同效应的激活水平和代表在任务和关节空间特性,(2)减少控制冗余(因为协同效应的数量小于的数量操作控制),(3)协同效应引发强度和投掷距离之间的联系,最后(4)提取方法的一致性。这样的结果是有用的,以更好地代表机制隐藏在这种动态的运动,可以提供一种很有前途的合成运动的控制表示muscle-driven字符。

1。介绍

理解人类如何控制运动是各种领域的一个重要方面,从神经科学到机器人和动画(1]。提出了几个理论旨在揭示高效和人体运动生成背后强大的机制。神经科学和生物力学的一些目标识别等机制来验证现有的电机控制理论,诊断和治疗疾病,或提高运动性能。在动画和机器人技术,识别这样的机制是提高的现实主义和效率的关键虚拟人类和机器人的运动,因为它将允许更现实的运动控制器的发展,反映出全球控制的运动(2]。更现实的运动意味着人类更高程度的相似性,视觉,运动和动态水平。

我们的动机在于神经科学领域和动画。在动画领域,角色与更详细的执行器(或肌肉)开始被用于运动合成。使用”再也字符需要几个优点例如平滑转矩一代(3扰动[],更现实的反应4,5),和一个缓解模拟病理和疲劳6,7]。然而,增加使用肌肉复杂控制问题的非线性和冗余,在至少两个肌肉必须开动每个自由度(8]。此外,文中针对计算昂贵的解决方案,不可能代表人类如何控制运动,用于计算大量的控制信号。

因此,有必要定义契约控制方案减少控制这样的应用程序的复杂性。神经科学提供了一些有趣的方式来规避这个问题,如肌肉的协同效应理论(1,9),试图减少冗余通过识别的一种简单而通用的控制表示给定的任务。这个理论是基于一个有趣的假设的冗余是由中枢神经系统(CNS):它假设的存在之间的联系的整体肌肉控制信号在一个任务的性能,从而减少冗余。因此,通过协同作用,肌肉组织和不单独控制。有支持神经组织的协同效应(10,11),同时保持一个开放的问题(12,13]。即使低维度的解释了分解方法是主题讨论14,15),这些方法允许创建一个紧凑和低维控制表示基于实验数据的简单和复杂运动。的确,肌电图(EMG)信号处理策略(主成分分析、非负矩阵分解)能够从EMG信号中提取紧凑的特点,即使这些提取的协同作用可能是一个更复杂的机制的结果(16,17]。许多研究提取协同效应在人类各种简单的上身动作(如指向和达到18,19])。然而,作者的知识,只有少数研究处理复杂,无约束(或免费),和动态运动(20.,21),其中,头顶扔很有趣,通过这一理论来分析。

一个头顶投掷运动由发射物体,用一只胳膊肩膀上面。这是运动的类型与人类可以把速度和准确度(22]。与简单的操作任务,如达到,起重,拉,推,这个任务更复杂,要求更高的协调,准确性,和技巧。因此,它是高度冗余的和非线性的任务,其中包括一个动态操作(23]。它是高度冗余的,因为存在无限的解决方案或运动实现相同的目标。是高度非线性由于位置和速度是耦合的,为了达到预期的目标,目前的球释放,手速度,位置,和对象的飞行时间应该满足抛物型抛物方程。最后,它也是动态的,因为高加速度和动量在某些运动阶段。因此,这项工作的目的是确定一个控制机制背后的紧凑表示头顶投掷运动以(1)提取方法和验证控制表示(2)产生一个低维控制表示以后可以利用合成投掷动作在动画。这样表示以后可以从其他类型的投掷动作(如边频带和阴险的抛出)和简单的手臂动作如指出,养活一个控制器库,可能会产生各种各样的运动从这些紧凑的表示24]。

通用表示形式应该包含一组降低的控制变量(少于联合行动研究)的数量。它还应该编码重要时间和空间控制的趋势,在各种形态不变。最后,它应该显示这些控制变量之间的联系和任务空间目标或功能,必须作为控制器的输入运动合成工具。我们的一个以前的工作(25]表明控制策略可以表示为在投掷运动的协同效应。然而,这种分析理解完全激活空间和一个独特的主题。在本文中,我们提出延长这一分析,提取控制策略从不同的学科,通过分析他们与运动目标的关系。

为此,我们提出一个分析来识别控制策略的通用表示开始在任务空间层面,关节空间层面,直到最后达到激活(或驱动)空间层面,我们提取协同效应或基础控制功能。首先,实验装置用于提取和肌肉运动数据。接下来,任务控制变量或特性,联合和激活空间定义。然后紧接着详细解释的方法用于提取控制表示,它包含集群和矩阵分解技术。两种方法被用来提取肌肉协同效应和评估结果的一致性。最后,通用控制策略表示进行了说明和解释。结果表明存在一个通用的控制表现在各种形态的激活水平投掷任务,及其与工作空间的关系的目标和功能。以后我们的新模型可以用来控制更大的各种各样的人物和一个更大的家庭涉及类似的任务空间的运动目标。

2。材料和方法

2.1。实验装置

2.1.1。主题

十个健康男性(年龄为29.8±5.6岁;体重72.4±9.9公斤;身高1.77±0.07米)自愿参加实验。受试者右手和所有除了一个主题(3)从未在右手臂受伤。此外,每一个参与者都是职业运动员,他们都有不同的物理条件(平均每周体育活动的小时数为3.85±3.07)。每个主题提供一份书面知情同意前参与形式。实验进行了符合赫尔辛基宣言(1964年)。伦理委员会批准的这项研究是m2实验室的雷恩大学的2。

2.1.2。任务

进行了一系列的实验,右手开销的任务是把一个静态目标放置在不同的距离固定的网站。目标是放置在2米,4米,7米沿着一条直线把站点。目标是一个孔的直径0.7米放置在1.5米。球是一个标准的美式足球球,0.28米长,0.15米,重达0.4公斤。在开始实验之前,受试者接受了一个简短的培训,他们练习远距离扔5到10分钟。一旦训练完成后,实验开始了。在这些实验中,把顺序是随机的(减少学习效应),对每个距离受试者执行6抛出总共18抛出。运动的描述和实验装置中数据1和2。扔的开销是由四个主要阶段(26]:起始位置、击发、加速度、释放和跟进。在起始位置,喷射器的职位他身体一侧的预定目标。击发阶段包括起始位置之间的运动,直到达到最大外部旋转球前开始前进。加速度开始时球向前移动,完成球释放。这一阶段被称为爆炸性阶段以来球的速度在短时间内变化从零到最大值。最后,释放和跟进在减速阶段包括投掷臂球一旦释放。

对于每一扔,站在起始位置(见图1)。记录开始(发病)当检测到运动的手(阈值为0.05 m / s)和结束当球被释放(抵消)。

2.1.3。数据采集和处理

把任务期间,右手臂和身体的活动的几个肌肉运动学记录。在这项研究中,我们重点研究4自由度(自由度)和6的肌肉。节段性交互原则声明之间传输能量可以部分,顺序和同步和协调运动,能量转移的身体通过连接段系统(28]。然而,研究表明,与棒球扔在足球扔(或通过),旋转或贡献的腿、骨盆,上半身是有限的(29日]。因此,我们决定首先专注于手臂的运动链(开始在盂肱关节)和自由度最高的贡献将每段。这些自由度的肩膀内部/外部旋转和肩、肘、腕屈/扩展。肩膀内部/外部旋转和肘部弯曲/扩展被特别挑选的因为他们是主要的上肢动作在投掷(23),主要是在加速阶段(30.]。

接下来,我们选择一组肌肉含有主动肌肌群和拮抗肌群(1)至少一个每个自由度下研究,(2)肌肉在投掷和重要贡献(31日,32),和(3)肌肉可达到的表面EMG电极(33]。因此,记录肌肉是三角肌后部和前部,肱二头肌,三头肌长,和手腕(伸肌手提键盘,伸腕桡侧的和ulnaris)和屈肌(屈肌手提键盘,屈腕桡侧的和ulnaris),记录作为一个群体。

肌肉活动收集电极表面使用无线肌电图(Cometa Waveplus EMG系统)和著名的电极安置协议(33,34]。这个活动是使用一个标准的协议处理35]:肌电图放大(1000年获得),数字化(1 kHz)带通滤波(10 - 450 Hz,四阶巴特沃斯滤波器与无相移),纠正和低通滤波(6赫兹,四阶巴特沃斯滤波器无相移(36])。此外,心电图(ECG)工件被使用(ica过滤过程(37]。运动被利用Vicon系统(16个摄像头,100 Hz采样率)和反光标记。标记放置在骨性标志(49标记)推荐的(ISB)[国际生物力学学会的38- - - - - -41(6),在目标标记),和球(9标记)(图3)。每个标记的轨迹是低通滤波(10 Hz,四阶巴特沃斯低通滤波器与无相移)。

2.2。控制功能

投掷运动特征可以在三个不同的层次:在任务空间,在关节空间,激活空间(肌肉空间)。以下部分旨在描述运动在每一个层次通过定义一组运动和肌肉功能。

2.2.1。任务空间的特性

头顶投掷运动是水平抛射体运动是由三个因素决定的:速度释放,释放的高度,释放角(42]。在此基础上观察,一组任务空间特性的定义和分析空间条件。这些任务特性的释放速度和手释放高度规范化的主体的高度,如图4。由于其没有考虑的角度释放造成的困难估计的标志标记occlusion-some失去了手臂的时候释放球,和释放角计算非常敏感的方法重建缺失的轨迹标记。然而,研究表明,最重要的参数在确定的范围将是释放速度(43,44]。这是抛物运动的方程,也证明了这一点,显示范围是大致成正比的释放速度的平方。

发布的时间是计算最大的即时速度了,因为它知道这事件发生时几乎平行于球释放在加速阶段。为了这个目的,一个反光标记放在外一侧的手(第三掌骨)和它的位置被记录。这个标记的推导轨迹后,最大速度或释放速度是计算如下: 在哪里 , ,和是手的速度组件标记在全球坐标框架,定义在图吗4(方面,)。手在释放高度(h)确定如下,除以主题的高度允许一个主体间的比较 在哪里是手组件沿z和标记的位置主题的高度。

这两个特性是为每个主题和重复计算。然后,他们每投掷距离(分组d),这可能是2米,4米,收益率或7米,共有六个向量。后来这些向量的均值和标准差计算,导致一个任务特征向量为主题j:

2.2.2。关节空间的特性

关节的关节空间特性包括位置和速度。动作捕捉的关节位置估计,使用逆运动学方法允许段长度和标记位置校准(45]。关节速度计算推导的关节位置轨迹。关节空间分析的重点集中在以下投掷臂的自由度:肩膀内部/外部旋转和肩,肘,腕屈/扩展( , , ,和 ,职责)。

平均轨迹计算为每个主题,每个自由度,每个在投掷的距离。这些轨迹以后规范化学科之间为了让部分的主体间的比较2.3。1。一个关节空间的特征向量/主题j构造,包含的意思是关节位置每个在投掷的距离矩阵: 每个关节位置矩阵包含平均位置在哪里每一个自由度

2.2.3。激活空间特性

肌肉的控制做的水平是我们最感兴趣的,因为它是驱动空间。这种控制可以通过肌肉激活被描述。然而,一个激活表示是多余的,因为有更多的肌肉比自由度和每个肌肉需要自己的激活信号。更简单和更少的冗余表示这些信号可以实现通过肌肉的协同效应(18,46]。

代表这种协同效应的一个方法是通过定常协同模式8,25]。在这个模型中,协同作用被定义为一个 向量的系数,指定M-muscles的相对激活水平。每个协同配合时变组合系数向量 ,这决定了它的演化。一组N-synergies可以线性组合生成M-muscle激活模式 : 在哪里是 样本矩阵包含记录肌肉激活模式,W是 肌肉协同矩阵,是 样本组合系数矩阵。分离和每个协同作用突出的贡献和它的系数肌肉活动模式,前面的方程可以写成

基于这个模型,定常激活空间特性被定义为矩阵W,激活空间时变特性被定义为矩阵 : 在哪里

每个子矩阵的维度 ,在那里是样品的总数中包含抛出距离吗d。

在我们的例子中,这个模型被用于两种方法(见部分2.3。2)。他们的研究结果比较来测试他们的鲁棒性和一致性。第一个方法是提取协同模型( 每科目),第二种方法是提取一个协同模型的所有主题的代表。因此,在第一种情况下,各种各样的W矩阵代表每个主题生成的,在第二种情况下,一个单一的W矩阵生成代表所有科目和抛出。

两种模型的组合系数矩阵编码的时间演化的协同作用在每个。这些系数将进一步描述的形状(1),(2)他们的能量变化与投掷距离,和(3)他们的触发顺序。一般来说,平均图像的能量每个组合系数矩阵中包含是计算如下: 在哪里n每在投掷的距离和试验的数量吗当前时间样本。

2.3。控制表示提取

一旦特性分析是在每个级别上定义(任务、联合和激活空间)和为每个主题j基于这些特征提取、控制表示。这样一个萃取的目的是验证如果一个通用的控制表示存在开销扔在主题。这种表示是用索引所有概括主题特征向量(j前面的所有参与者。

这些表示的识别是通过聚类算法对定常特性和平均和互相关的时变特性。

聚类技术,包括功能的分配到组或基于相似性标准的子集。在下一节中,我们将看到,通用表示形式的存在在每一个空间的数量将取决于集群或组发现这些技巧。

在使用聚类算法的第一步是功能扩展。这个预处理步骤是必要的因为聚类算法使用距离分类特性。因此,功能应该是同等重要的标准化,这样他们的贡献的距离测量。

两种不同类型的聚类算法被用来提取控制表示从定常特性:centroid-based集群(k——)算法和connectivity-based聚类算法(层次聚类)。这两个算法是为了验证,如果使用不同的技术产生了类似的控制表示。此外,特定的兴趣使用层次聚类来验证,如果选择的集群的数量k——自然分裂算法匹配数据。

K聚类则是一个迭代的数据分区分配算法或分类特性之一k集群定义为重心。算法的主要步骤如下,k:(1)选择k初始聚类质心,(2)计算每个特征每个集群质心之间的距离,(3)分配到集群的特性与最接近的重心一下子(阶段1),和单独分配点如果它减少了距离的总和(阶段2),(4)获得新的重心平均在每个集群的特性,和(5)重复步骤2 - 4直到作业不改变或迭代达到最大值。的k——+ +算法在MATLAB使用方欧几里得范数来计算距离。该算法的优点是它使用的启发式47]找到重心的种子k——集群。这导致更快的收敛更高质量的解决方案或更低的平方和point-to-cluster质心的距离(在每个集群)。最后,为了评估k聚类质量,则称为集群轮廓是一项指标计算(48,49]。这使我们能够区分明确的指标从弱的集群。它衡量相似的特性是在自己的集群功能,功能在其他集群相比,计算如下: 在哪里平均距离吗功能相同的集群的其他特性j和最小平均距离吗点对点在不同的集群中,最小化在集群。轮廓值的范围可以从−1比1。通过平均轮廓的集群中的每个特性值,平均轮廓可以获得整个集群。这个值的主观解释提出了作者的49)评估聚类质量,如表所示1。

这个解释是用来选择的数量k集群数据的分离 或者如果没有分离,在这种情况下只有一个集群的存在。

完成这个评估,层次聚类也用于分区功能空间分成组。分层聚类是聚类分析的算法,旨在分组特性在不同层次上使用一个集群树或系统树图。在会凝聚的层次聚类,每个特性开始在自己的集群;然后,这些集群通过一个度量和一个连杆标准相结合。距离度量定义了一个双功能,和链接标准定义了集之间的距离计算两两之间的距离特性。这种策略的一个优点是,它不需要一个初始的集群的数量,因此,它揭示了自然部门数据。实施,分层算法在MATLAB工具使用的欧氏距离度量和未加权的平均距离(欧几里得)联系。

以下部分展示如何将这些方法和协同萃取(9)被用来提取控制学科之间表示。

2.3.1。任务和关节空间控制表示提取

首先,我们决定如果在任务空间学科之间存在共同表示。因此,特征向量在(3)第一次被标准化,然后作为聚类算法的输入。首先,k则算法适用于不同集群的数量并检查集群分离由于集群的轮廓值。在这个空间中,因为每个主题的特征是一个向量,我们期望存在时常见的表示 。换句话说,当非常相似的特性,不能形成截然分开的集群。如果这是这样,那么,常见的策略是由平均任务特征向量定义跨科目:

为了进一步验证的结果k则,层次聚类应用。该算法不需要初始估计的所需数量的集群;因此,为了确定如果自然集群使用部门数据的同意所提供的结果k则。换句话说,如果没有发现自然集群部门和学科之间常见的任务控制策略存在。最后,Wilcoxon秩和检验进行学科之间的特性来检测重要改变他们的价值观对投掷的距离(置信水平低于0.05)。

在关节空间层次,功能用于表示动作都是随时间变化的每个主题接头位置(平均)。因此,互相关被用来评估关节轨迹的相似性在主题和投掷距离和速度。高相关性所指的关节轨迹或速度相似的主题之一。低相关性表示运动的相似性很低。常见的关节空间策略被定义为平均关节轨迹和速度在主题:

2.3.2。提取激活空间控制表示

协同效应及其组合系数(部分2.2.3通过NMF)提取(非负矩阵分解)50)算法。该算法将非负矩阵分解成一个非负基向量的线性组合,通过求解优化问题如下:

应用该算法时,协同效应的协同模型秩序或数量应该定义提取。为此,我们使用了两个标准。第一个标准是选择一个数量的协同效应N不到的数量记录肌肉 为了获得一个低维控制表示。第二个标准,试图保持一个好质量的重建原来的激活。因此,基于平均系数测定标准原始和重建肌肉之间的模式(9,18使用了)。这一标准,协同效应的选择数量应该对应的斜率变化幅度最大曲线(结果)内提交的版本。这变化斜率是解释为点分离的“结构化”noise-dependent可变性。在这一点上,额外的协同效应开始捕捉只小残余noise-dependent变异性;因此,这可以用来定义捕捉任务相关特性的最小数量的协同效应(46,51,52]。我们强调这样一个事实,这些标准保证控制变量的数量N要小于肌肉的数量或执行机构;然而,没有保证他们将少于自由度的数量。这是一个可能的增加值代表通过协同效应。NMF算法是开发用于(53)和更新规则是使用非负最小二乘法。

我们使用两种方法对于识别代表协同使用这个提取算法(或定常特性)。第一个是基于k——(54)和层次聚类,第二个是基于识别过程(9]。的比较结果从两种方法提取有用的测试这些提取方法的一致性和鲁棒性。

第一种方法包括三个阶段:(1)提取的个人主体协同模型,(2)的标准化向量,和(3)的应用k则和层次聚类算法。在第一阶段矩阵,肌肉(6×3600个样本)是由连接激活信号个别受试者的试验。这种方法使我们能够考虑intrasubject协同萃取的可变性。连接信号被其最大价值获得归一化激活框架在0和1之间。接下来,NMF应用在这个矩阵来获取一个N-synergy模型( , 每个主题。一旦模型为每个主题,获得协同矩阵W标准化的使用的聚类算法。从本质上讲,每一个协同每一个主题是一个特征向量包含肌肉的相对激活水平。这些向量分别治疗,不指定对应到一个特定的主题。他们被用来创建一个协同池k和层次聚类则以确定此协同池之间的共同特征。的k则算法首先应用在不同集群的数量k。我们预期的一个独特的策略存在 换句话说,当集群的数量等于协同提取的数量为每个主题。如果这是这样,那么这些簇的质心向量代表的意思是协同作用或代表激活控制表示通过方法我所有科目 。

最后,运用层次聚类。这个算法是为了确定使用自然集群的数据对应的数量k——重心。

第二协同提取方法包括直接识别所有学科的共同激活控制策略,基于[9]。在这种方法中,NMF算法是应用于一个矩阵肌肉(6×36000个样本),由连接激活信号的所有试验科目。因此,通过应用NMF的池EMG信号,一个常见的协同模型被发现的所有科目。

然而,系数在这种方法中编码多少每个协同为每个重复触发和主题。因此,确定一个共同的时变控制表示所有科目和重复 ,平均和相关计算。首先,意味着组合系数/主题/在投掷的距离计算。接下来,学科之间互相关被用于制造比较每次投掷的距离。因此,常见的组合系数是计算通过第二个平均在所有科目。 在哪里包含每在投掷的距离系数矩阵

3所示。结果与讨论

3.1。全球的考虑

定义的运动,在上面的任务描述中,平均持续时间为1.67±0.27年代所有的抛出主题。因此,标准差似乎足够的低,比较不同抛出和规范化与时间,因为它已经完成的一些处理提取。受试者全球性能高于80%,这意味着很容易完成的任务和可再生的试验。以下部分详述了表示从实验数据中提取的任务,关节,和活动空间。我们执行的所有互相关,滞后的平均值小于10⁻¹⁵%的信号长度,这意味着大多数的信号形状直接可比的。因此,我们不存在滞后与互相关的结果在相应的表中。

3.2。任务空间控制表示

课题任务功能收集和代表任务空间控制表示节中描述提取2.3。1。每个主题特色的任务特征矢量图5。逐渐增加的释放速度和高度可以看到跨科目在投掷的距离也在不断增加。此外,Wilcoxon等级和测试,证明了这种增量统计在9/10主题相关的速度和在7/10科目手高度。

接下来,k则和分层聚类特征向量,以确定是否存在一个唯一的任务空间控制表示。我们预期的一种独特的控制表示如果没有强大的分离群体中可以找到主题任务向量,换句话说,如果一个集群的存在。

k——第一次被应用在不同的集群的数量k。图6显示了每个集群的剪影。平均轮廓值低于0.71(表吗1),k增加。在 ,它达到一个值高于该阈值但集群包含1 - 2主题向量开始形成。因此,自k分析则没有区分受试者,控制任务的一个常见的表示空间级可以获得从任务的平均空间特性。

层次聚类被应用来验证的结果k聚类则与自然的数据是一致的。层次聚类只是用来考虑定性和视觉信息数据。图7集群特性产生的树。在这棵树,没有视觉上存在重大分歧。这是高度的链接所示每一层不定性与下面的链接的高度不同,表明高跨组亲密。此外,这个过程中,我们可以看到,随着集群的数量增加,群体包含很少话题向量开始形成。因此,我们得出的结论是,所有科目都呈现相似的变化在任务空间特性对任务约束(在投掷的距离)。换句话说,主题显著增加手释放速度和高度的投掷距离增加。平均任务功能计算了平均任务主题特征向量,如图8。速度增量约为1.3 m / s, 0.05手高/ subject-height增量被视为增加2到3米的距离。此外,范围大约是成正比的平方释放速度,也可以证明通过抛物运动的方程。因此,我们的研究结果是一致的与其他研究表明增加高度和速度在投掷的距离和速度之间的比例关系的存在和范围(23]。这是一个直接的结果,可能引发的主要运动约束(距离,运动类型)和战略主题之间的差异可能会出现的变化从一个距离另一个,它可以观察到图5。然而,任务的平均空间特征的独特表示控制在任务空间意义自趋势图8尊重相同的模式的看到所有的科目。

3.3。关节空间控制表示

主体共同特性被用于确定一个常见的关节空间控制表示存在,如部分所述2.3。1。功能显示高重复性在受试者每次投掷的距离,无论经验不足和小投掷的风格差异。这些运动相似性量化对象之间的相关性,如表所示2。把执行,运动是可重复的前进方向。因此,高相关性的关节轨迹,尤其是在肩膀上和肘部弯曲/扩展。低,但仍显著相关性的肩膀内部/外部旋转和手腕弯曲/扩展 。内部/外部的差异旋转可能是由于每个主题的投掷风格,而手腕弯曲/扩展的差异可以链接到事实最精度远段有较大贡献的速度(32,55]。

关节速度而言,运动是不重复的。然而,正如在前一节中所看到的,在关节空间内不同速度控制策略可以导致一个共同的速度特性在任务空间跨科目。这些差异可能与个体差异的投掷策略,不能用作控制表示在关节空间的共同特征。

最后,一个代表关节空间控制策略是通过计算平均在主题和投掷距离关节轨迹作为一个特性。这个控制表示在图9和表3。类似的运动趋势是跨扔共享类型。例如,把进展,肩膀内部旋转弯曲,而肘部扩展和手腕逐渐弯曲。最后,这些相似之处还体现在主体和interdistance相关性,导致所有自由度非常高的相关系数,如表所示3。

3.4。激活空间控制表示

协同提取方法中描述的部分2.3。2应用在每个主题的肌电图数据集而不同数量的协同效应。目标是确定一个模型与协同效应小于的数量记录肌肉或执行机构 ,对于每一个主体,保证良好的原始EMG信号重建。图10描述了重建的质量为每个主题和协同模型。这条曲线的斜率发生的最大变化 8和主题 2主题。因此,我们选择了2-synergy模型允许跨科目平均质量重建为0.7382。

3.4.1。协同作用模型()

方法我是为了确定应用的常见表示控制激活空间。首先,2-synergy模型为每个主题提取。这时,一个池包含个人的协同效应所有科目的构造,没有指定如果协同效应属于相同的主题。因此,池包含20协同效应(2协同效应/主题)。最后,k - means聚类应用于该池,而不同簇的数量k。我们期望共同存在时控制表示 或者当集群的数量等于协同提取每个主题的数量。图11表明确实最好的集群实现分离 或 ,这两组患者的平均轮廓值等于0。0.7181。如果找到了更多的集群或分离,平均轮廓值减少和集群包含很少形成协同效应。这个证据2集群足以分类的协同效应。

进一步验证的两组数据相对应的自然部门独特的协同效应,层次聚类应用。这导致集群树图12。在这棵树,我们可以看到20池中协同效应划分为若干个2集群。这是显示的链接将协同数据分为两个分支是不符合下面的链接。它表明更高的亲密关系中比在每组每组内的协同效应。

有趣的是,树中的每个集群中的各个协同匹配通过k - means集群计算的。因此,意味着激活控制表示对所有对象的质心提取2-cluster模型获得通过k——(图6,最高)。每一个重心或意味着协同效应包含组肌肉的相对行动水平。最后,我们想展示的协同作用代表所有的受试者的个人协同效应。为了做到这一点,规范化的点积之间的协同作用(重心),每个受试者的2-synergy模型W(集群点)计算。结果表明,这些模型之间存在相似性高,平均归一化点积为0.9495±0.0485和0.9170±0.0537 。

方法二世被应用于确定代表协同模型直接从池中包含所有科目的EMG信号。因此,这个池包含6信号(每个肌肉一个),和每一个信号包含180个连接激活对应的每个受试者的试验(10主题,3投掷的距离,和6试验/距离)。在个人主体协同拔牙、协同效应的数量被选为相应数量的最大变化曲线。这种变化发生再次 协同效应,0.6526的重建质量。这轻微的重建质量的减少对个人的抽取,预计自二方法试图重建高数量的试验同时由不同的主题。

由此产生的代表协同作用描绘在图13。再一次,每个协同包含一组肌肉的相对激活水平在整个运动。第一个协同可以被看作是受体激动剂的协同作用,第二个协同作用可以被视为对手协同运动。因此,包含一个高肌肉激活相应的承担弯曲,内部旋转(三角肌前),手肘扩展(肱三头肌多头),和手腕弯曲(腕屈肌群)。而包含一个高激活肌肉对应屈肘(肱二头肌),手腕扩展(腕伸肌组),和一个非常低的激活肩部肌肉(三角肌前部和后部)。

最后,代表协同向量(W)计算两种方法相似,如图所示的产品(0.9248归一化点0.9524,)。因此,发现一个共同的分组和肌肉的相对激活不同的任务空间条件和对象在投掷运动。这强调了这两种方法得到的结果的一致性找到一个适当的激活空间运动的控制表示。然而,为了定义一个共同的控制表示扔在激活空间,这也是必要的,以确定一个具有代表性的模式时变协同效应(组合系数)的一部分。以下部分介绍了分析的结果。

3.4.2。组合系数(C)

方法二世还导致一组的时变系数编码每个主题的触发时间和强度及其重复 。每个主题和投掷距离的平均系数计算中数据14和15。可重复的趋势和主题中可以看到。例如,第一个系数通常是钟形(如弹道运动的速度剖面),而第二个系数更不规则,振幅较低,倾向于减少执行扔。相当主体间重复性在每个在投掷的距离也证明了高相关系数,如表4。

高,内主体间重复性轮廓相似的存在每个学科之间协同作用的激活和投掷距离。因此,一个激活空间控制表示学科之间是通过执行计算平均每次投掷的距离。平均每距离系数是描绘在图16。高interdistance相关系数(表见5)。因此,这些系数不仅保护的主要趋势在每个受试者的平均,也强调通过投掷距离方面的相似之处的形状。

除了一个重复性的形状,组合系数表现出学科之间的差异。图17显示了系数和从数据14和15在一个相同的情节。在全球范围内,刚开始的时候(对手的协同作用)被激活,这种协同作用的振幅减少,直到(受体激动剂的协同作用)被激活。在这一刻再次被激活,最重要coactivation发生协同作用。相同的行为被认为代表激活空间战略图16。这是符合这一事实弹道运动展览并发受体激动剂和拮抗剂肌肉活动56]。在这些动作,第一次激活需要加快肢体向目标(),其次是第二个激活减速和停止运动()。这个序列的脉冲(从拮抗剂激动剂和拮抗剂)的特点对手投掷时上肢的活动。这样的“三合会”爆炸序列在肌电图分析发现扔(在手腕和肘部肌肉)(32和羽毛球粉碎中风55]。

结合个体差异系数之间的触发可以看到主题,特别是 。这表明即使是可能找到的一个常见的表示为定常特性控制激活空间W,组合系数封装单个策略和对象之间的区别。

另一个特点,分析了能量的变化在扔类型。图18显示了平均能量在每个每个主题在投掷的距离,所述10。结果表明,能量的变化系数与任务空间的变化特点:如任务空间特性,能量系数增加而在投掷的距离。为(受体激动剂的协同作用),这个增量总是逐渐递增,并统计相关科目的6/10。这增加的驱动信号(或协同效应)是一致的扭矩大小的增加,观察不同范围(在投掷运动的合成23]。

这之间的联系的任务空间和激活空间基本以指定”再也控制器可用合成运动从一个任务空间的目标。事实上,这种控制器将定义一个控制律开动肌肉以达到任务空间目标和当前研究的结果有助于设计这些控制律2]。

3.4.3。激活重建

最后,我们使用代表显示EMG重建质量的协同模型( , 通过方法II)发现。我们终于得到一个整体重建的质量= 0.6526 180连接肌肉激活。这反映通过不同程度的质量重建中试验。在数据19和20.,激活重建7 m审判的例子显示了不同的主题。在第一种情况下,触发的顺序和形状重建激活密切关注记录的。在第二个例子中,原激活包含许多小振荡,不能很好地重建。这些振荡可能是噪音,因此被排除在重建的工件重建质量标准 ,因为它一直在解释部分的方法。此外,考虑到试验的数量正在重建的同时,这种差异在重建精度的预期。

此外,我们可以看到(图21)重建质量/提取肌肉对协同效应的数量在全球设置(方法2)。我们可以看到,结果相当一致的从一个肌肉到另一个。事实上,大多数肌肉尊重规则,最大的变化的斜率后出现2的协同效应。然而,重建肱二头肌表现出相对较低的水平似乎2协同效应和最高的变化斜率3协同效应。这个结果可以解释为肱二头肌的激活水平相对较低,在任务期间,可能不太好被协同萃取比激活肌肉肱三头肌长。更一般地,肌肉,稳定运动被低阶的协同效应可能不如肌肉产生运动。

3.5。总结

前面的结果表明存在一个共同的控制表示(肌肉和景深的子集)在各种投掷的任务,和主题没有特定的投掷运动训练或投掷运动。这个表示是通过一组功能描述任务,关节,和活动空间。确定在任务空间控制表示由增加手释放高度和速度达到更长的距离目标。这些端点特性是通过一组常见的共同趋势,但不同学科之间速度的趋势。

激活空间的低维表示及其控制与确定了任务空间的变化特性。这种控制策略包括只使用2协同效应(一个受体激动剂和拮抗剂的协同作用)代表6右手臂的肌肉的激活。这些协同效应是引发预期的顺序和并发的弹道运动,及其引发的强度与所需的发射距离、速度的增加,释放的高度。因此,在驱动层,我们可以提取(肌肉协同效应)与降低控制表示任务条件下,高冗余,非线性和动态运动。这样的方法,通过提供一个紧凑的表示,有兴趣描述个人和共同控制特性的方式所产生的运动是每一个主题,似乎有助于更好地理解所使用的控制策略。这并不证明电机控制机制的存在,将肌肉的协同效应。然而,结果是兼容肌肉协同效应的概念由神经系统来实现这样的控制策略。

此外,单一的协同模型的直接提取从一个实验涉及到这样一个复杂的运动,和各种各样的人类形态,技能,和任务条件下,也是一种贡献。协同提取的两种方法获得的结果显示出令人鼓舞的结果,因为他们的一致性和鲁棒性是通过比较明确。支持这种协同模型研究的准确性(57]证据更高性能的矩阵分解算法在实验协议将无约束的任务,不同的条件,和运动变化(EMG协同提取时间序列数据而不是平均值)。

值得注意的是,这些结果跨一组有限的自由度和肌肉和提取的协同效应,这个任务可以改变取决于肌肉的数量和选择(58]。他们还强调通用但基本机制需要控制一个开销投掷运动到一个特定的距离。分析精度、效率或扔的性能,研究在关键时刻与附加功能和他们的关系成功击中目标是必要的。这些功能可能包括工作空间特性,比如释放角;关节空间特性,比如在释放速度和加速度;和激活空间特性,包括更多的肌肉和量化的方式微妙的差异协同效应是引发不同抛出。有更多的功能,我们能找到更多的链接任务,关节,和活动空间。

未来的贡献可能包括重复分析专业投掷(如足球运动员或投手)。我们预计高重复性各级训练科目。同时,分析未来可能包括扔到更大的距离和球的使用不同的质量和大小。

最后,在目前的研究中获得的协同效应将应用和验证”再也域的角色动画。例如,两个控制变量之间的关系(或协同效应)和定义良好的任务空间目标(预期的释放速度和高度)将被利用来控制高度冗余字符。一项研究[8,24subject-scaled字符)已经测试了协同效应。这将是有趣的测试通用协同效应提出了各种各样的形态。最终,这个应用程序可以为动画需要协同数据库的建设。数据库包含协同效应和目标与任务的关系空间,丰富多样的运动(达到,写作,或其他手势),自由度,和肌肉,也可以作为一个基础在基于物理的动画合成运动。

4所示。结论

看来,运动控制可以通过低维控制封装表示每个任务的执行,实现快速、高效、和协调运动。协同效应编码多种肌肉信息减少了时间和空间的设置信号,因此一个好的候选人代表以紧凑的方式控制。许多研究已经从EMG信号提取肌肉协同效应在上身和下半身运动。我们的研究发现受试者在任务中常见的控制特性,关节,和激活空间,尤其是通过肌肉的协同效应的提取从一组EMG信号,动态和非循环运动。这一运动是由下面的科目但一般准则,允许自由运动。

我们首先描述了把任务和实验提取的控制策略。接下来,我们通过一组运动特征的控制功能任务,关节,和激活空间和详细的方法来提取它们。最后,结果表明,与这组特征(1)学科之间存在共同控制表示,(2)这种表示方法显著减少了冗余coactivated肌肉的激活空间通过封装在一个低维表示(2协同编码6肌肉)的行为,(3)之间存在的联系和激活任务空间的特性,揭示了不同投掷的距离,最后(4)协同萃取的方法都能够提供一致和相似的结果,因此这些方法合理的提取。

最后,自确定控制表示包含的使用不如驱动器控制信号和景深,这将是有用的合成运动与overactuated或”再也字符降低计算成本。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

作者要感谢安东尼的雄鹿为他贡献期间和之后的实验和安东尼·穆勒提供逆向运动学算法。这项研究是由ANR项目ENTRACTE(赠款协议:ANR 13 -线- 002 - 01)。

引用

1. 亚历山德罗,熟食店,紫菜,s . Panzeri和b . Berret“肌肉神经系统和机器人协同效应:从输入空间到工作空间的视角,“计算神经科学前沿7卷,2013。视图:出版商的网站|谷歌学术搜索
2. a . l .克鲁斯Ruiz c . Pontonnier n . Pronost和g·杜蒙特”再也控制角色动画,“计算机图形学论坛,36卷,不。6,122 - 147年,2017页。视图:出版商的网站|谷歌学术搜索
3. s . r . j . m . Wang港港,s . l . Delp诉Koltun,“优化运动控制器使用生物性致动器和目标,“ACM交易图片没有,卷。31日。4、1 - 11,2012页。视图:出版商的网站|谷歌学术搜索
4. t . Geijtenbeek m . van de平绒,a·f·范德Stappen“灵活”再也运动两足动物,”ACM交易图片,32卷,不。6、1 - 11,2013页。视图:出版商的网站|谷歌学术搜索
5. k . g . m . Gerritsen a . j . van den Bogert,和b . m . Nigg,”直接影响阶段的动力学仿真heel-toe运行,”生物力学杂志,28卷,不。6,661 - 668年,1995页。视图:出版商的网站|谷歌学术搜索
6. t高、y品川和t . l . Kunii”创建和gdp8 %的运动人体肌肉骨骼模型,”计算机视觉,16卷,不。5,254 - 270年,2000页。视图:出版商的网站|谷歌学术搜索
7. t . Kwon y . Lee m . s .公园和j·李,“很多肌类人型机器人的运动控制,”ACM交易图片,33卷,不。6、1 - 11,2014页。视图:出版商的网站|谷歌学术搜索
8. a . l .克鲁斯Ruiz c . Pontonnier j . Levy和g·杜蒙特”通过肌肉的协同效应:运动控制应用程序抛出,”第八届ACM SIGGRAPH会议程序运动游戏,米格15,页65 - 72年,巴黎,法国,2015年11月。视图:出版商的网站|谷歌学术搜索
9. Saltiel a d 'Avella, p, e . Bizzi“肌肉协同效应的组合自然的运动行为,建设”自然神经科学》第六卷,没有。3、300 - 308年,2003页。视图:出版商的网站|谷歌学术搜索
10. s . a . Overduin a d 'Avella, j .卢武铉j . m . Carmena和e . Bizzi”表示肌肉协同效应的灵长类动物大脑,”神经科学杂志》上,35卷,不。37岁,12615 - 12624年,2015页。视图:出版商的网站|谷歌学术搜索
11. t .武井,j . Confais s Tomatsu t欧亚,和k .塞其“手肌肉协同效应的神经基础灵长类动物脊髓,”美国国家科学院院刊》上的美利坚合众国,卷114,不。32岁,8643 - 8648年,2017页。视图:出版商的网站|谷歌学术搜索
12. v . c .张a d 'Avella, m . c . Tresch大肠Bizzi,“中央和感官贡献肌肉的激活和组织协同效应在自然运动行为,”神经科学杂志》上,25卷,不。27日,6419 - 6434年,2005页。视图:出版商的网站|谷歌学术搜索
13. l . h . Ting h . j . Chiel r . d . Trumbower et al .,“Neuromechanical原则基础运动模块化和对康复的影响,“神经元,卷86,不。1,38-54,2015页。视图:出版商的网站|谷歌学术搜索
14. m . c . Tresch和a . Jarc“赞成和反对的情况下肌肉的协同效应,”目前在神经生物学的观点,19卷,不。6,601 - 607年,2009页。视图:出版商的网站|谷歌学术搜索
15. j·j·喀奇和f . j . Valero-Cuevas”挑战和新方法证明神经起源的肌肉协同效应的存在,”PLoS计算生物学,8卷,不。5篇文章e1002434 2012。视图:出版商的网站|谷歌学术搜索
16. m . Hirashima和t .欧亚,“大脑如何解决肌肉冗余?填充优化之间的差距和肌肉协同作用假说,”神经科学研究卷,104年,第87 - 80页,2016年。视图:出版商的网站|谷歌学术搜索
17. a . Santuz a . Ekizos l . Janshen诉Baltzopoulos和a . Arampatzis”的方法论意义上提取从人类运动肌肉的协同效应,”国际期刊的神经系统,27卷,不。05年,1750007条,2017年。视图:出版商的网站|谷歌学术搜索
18. s . Muceli a . t . Boye a d 'Avella, d .淀粉,“识别代表协同矩阵来描述肌肉激活模式在水平面,多向到达”神经生理学杂志,卷103,不。3、1532 - 1542年,2010页。视图:出版商的网站|谷歌学术搜索
19. a d 'Avella和f . Lacquaniti控制达到运动的肌肉协同组合,”计算神经科学前沿p。42卷。7日,2013年。视图:出版商的网站|谷歌学术搜索
20. 修道士和f .拥抱,“主客体之间的可变性的肌肉协同效应在一个复杂的运动技能,”计算神经科学前沿》第六卷,2012年。视图:出版商的网站|谷歌学术搜索
21. m . D 'Andola Cesqui, a . Portone l·费尔南德斯f . Lacquaniti a和D 'Avella,“球捕捉时空特征的肌肉模式”,计算神经科学前沿7卷,2013。视图:出版商的网站|谷歌学术搜索
22. 美国樱井”,反手把运动生物力学:过去、现在和未来的研究趋势,”国际运动生物力学的研究劳特利奇,页17-26,英格兰,2002年。视图:谷歌学术搜索
23. j·h·金,y, j .杨j . s . Arora, k . Abdel-Malek“自由式的动态运动规划把两足人类的多体系统,”多体系统动力学,24卷,不。1 - 24,2010页。视图:出版商的网站|谷歌学术搜索
24. A . l .克鲁斯Ruiz c . Pontonnier j . Levy和g·杜蒙特”overactuated字符synergy-based控制解决方案:应用程序抛出,“计算机动画和虚拟世界,2016年。视图:出版商的网站|谷歌学术搜索
25. a . l .克鲁斯Ruiz c . Pontonnier a .雄鹿和g·杜蒙特”识别代表肌肉协同效应在头顶足球抛出,“计算机在生物力学和生物医学工程的方法补充1卷。18日,第1919 - 1918页,2015年。视图:出版商的网站|谷歌学术搜索
26. k . e . Wilk k .迈斯特g . Fleisig和j·r·安德鲁斯“投掷运动生物力学的开销,”运动医学与关节镜检查,8卷,不。2、124 - 134年,2000页。视图:出版商的网站|谷歌学术搜索
27. “谁管理存储库”,http://anyscript.org/。视图:谷歌学术搜索
28. d·努森生物力学基础施普林格科学与商业媒体,纽约,纽约,美国,2007年。
29. g . s . Fleisig r·f·Escamilla j·r·安德鲁斯·t·松尾Satterwhite y,和s . w . Barrentine“运动学和动力学对比棒球投手和足球传球,”应用生物力学杂志,12卷,不。2、207 - 224年,1996页。视图:出版商的网站|谷歌学术搜索
30. p . Huijbregts”头顶投掷运动的生物力学和病理学:一个文献综述,”手动&操纵的治疗》杂志上》第六卷,没有。1,17-23,1998页。视图:出版商的网站|谷歌学术搜索
31. n·m·DiGiovine f·w·Jobe m .粉红色和j·佩里,“投手上肢的突变分析,“杂志的肩部和肘部手术,1卷,不。1、15 - 25,1992页。视图:出版商的网站|谷歌学术搜索
32. m . Hirashima h . Kadota樱井,k .奖赏和t . Ohtsuki”顺序肌肉活动及其功能作用在上肢和躯干在自由式的扔,“体育科学杂志》,20卷,不。4、301 - 310年,2002页。视图:出版商的网站|谷歌学术搜索
33. h . j . Hermens b . Freriks r . Merletti et al .,“欧洲表面肌电图,建议”Roessingh研究和开发,8卷,不。2,13-54,1999页。视图:谷歌学术搜索
34. e·克里斯补习的介绍表面肌电图琼斯& Bartlett出版商,萨德伯里,妈,美国,2010年。
35. p•康拉德ABC的肌电图:实用介绍Kinesiological肌电图。版本1.0,斯科茨代尔Noraxon USA Inc . AZ,美国,2005年。
36. t·s·布坎南d·g·劳埃德·k . Manal和t . f . Besier”Neuromusculoskeletal建模:肌肉力量和关节力矩和运动估计的测量神经命令,“应用生物力学杂志,20卷,不。4、367 - 395年,2004页。视图:出版商的网站|谷歌学术搜索
37. n . w . Willigenburg a . Daffertshofer Kingma,和j·h·范·Dieen”删除从EMG记录心电图污染:比较ica和其他过滤程序,”肌电图、运动机能学杂志》上,22卷,不。3、485 - 493年,2012页。视图:出版商的网站|谷歌学术搜索
38. s . g . Wu Siegler, p . Allard et al .,”该校推荐各种关节的关节坐标系的定义为人类共同的报告motion-part我:脚踝,臀部,和脊柱,”生物力学杂志,35卷,不。4、543 - 548年,2002页。视图:出版商的网站|谷歌学术搜索
39. w .通用电气、f·c·范德执掌h·e·Veeger et al .,”该校推荐各种关节的关节坐标系统的定义为人类共同的报告motion-part II:肩、肘、腕关节和手,“生物力学杂志,38卷,不。5,981 - 992年,2005页。视图:出版商的网站|谷歌学术搜索
40. 答:穆勒、c . Pontonnier和g·杜蒙特”不确定性传播在人类多体动力学模型,多体系统动力学,40卷,不。2、177 - 192年,2017页。视图:出版商的网站|谷歌学术搜索
41. 答:穆勒,d . Haering c Pontonnier, g·杜蒙特“肌肉骨骼模型校准,非侵入性技术”召开了法国Mecanique、里尔、法国,2017年。视图:谷歌学术搜索
42. k·戴维斯、美国班尼特和k·m·纽厄尔“运动系统的变化,”变化在电动机输出和奥运会的表演者人类动力学,页89 - 92年,香槟市,美国,2006年。视图:谷歌学术搜索
43. r·巴特利特,”生物力学在运动”扔的原则380年,页365 -布莱克威尔科技有限公司,2008年版。视图:出版商的网站|谷歌学术搜索
44. n . p . Linthorne“最佳释放角铅球,”体育科学杂志》,19卷,不。5,359 - 372年,2001页。视图:出版商的网站|谷歌学术搜索
45. 答:穆勒,c·日尔曼,c . Pontonnier和g·杜蒙特”一个简单的方法校准运动学不变量:应用程序开销扔,”第33国际会议在运动生物力学(isb 2015)普瓦捷,页78 - 81年,法国,2015年。视图:谷歌学术搜索
46. 亚历山德罗,熟食店,紫菜,s . Panzeri和b . Berret“肌肉神经系统和机器人协同效应:从输入空间到工作空间的视角,“计算神经科学前沿7卷,2013。视图:出版商的网站|谷歌学术搜索
47. d·亚瑟和s . Vassilvitskii“k - means + +:小心播种的优势,”十八届ACM-SIAM学报》研讨会上离散算法,苏打水' 07新奥尔良,页1027 - 1035年,洛杉矶,美国,2007年,工业与应用数学学会的。视图:谷歌学术搜索
48. p . j . Rousseeuw”剪影:图形援助的解释和验证聚类分析,“计算和应用数学杂志》上卷。20日,53 - 65年,1987页。视图:出版商的网站|谷歌学术搜索
49. l·考夫曼和p . j . Rousseeuw分区在Medoids(程序PAM)约翰•威利& Sons Inc ., 2008年。视图:出版商的网站
50. h·金和h .公园”,非负矩阵分解基于交替nonnegativity约束最小二乘和有效集方法,”暹罗《矩阵分析和应用程序,30卷,不。2、713 - 730年,2008页。视图:出版商的网站|谷歌学术搜索
51. a . d 'Avella a . Portone l·费尔南德斯和f . Lacquaniti”控制fast-reaching运动的肌肉协同组合,”《神经科学杂志》上,26卷,不。30日,第7810 - 7791页,2006年。视图:出版商的网站|谷歌学术搜索
52. m . c . Tresch v c·k·张,a . d 'Avella”矩阵分解算法的识别肌肉协同效应:评价模拟和实验的数据集,”神经生理学杂志,卷95,不。4、2199 - 2212年,2006页。视图:出版商的网站|谷歌学术搜索
53. 李y和a .在“非负矩阵分解生物数据挖掘、工具箱”生物学和医学的源代码,8卷,不。1,p。2013。视图:出版商的网站|谷歌学术搜索
54. p . Saltiel, k . Wyler-Duda a D 'Avella, m . c . Tresch和e . Bizzi“脊髓内肌肉的协同效应编码:证据从焦脊柱内的门冬氨酸离子电渗疗法在青蛙,”神经生理学杂志,卷85,不。2、605 - 619年,2001页。视图:谷歌学术搜索
55. 樱井和t . Ohtsuki”,肌肉活动的性能和准确性在羽毛球粉碎中风参照技能和实践,“体育科学杂志》,18卷,不。11日,第914 - 901页,2000年。视图:出版商的网站|谷歌学术搜索
56. j·b·李,t .松本,t·奥斯曼et al .,“Coactivation屈肌肌肉的增效剂与两种弹道手指扩展运动中训练有素的剑道和空手道运动员,”国际运动医学杂志》上,20卷,不。1、7 - 11,1999页。视图:谷歌学术搜索
57. k·m·斯蒂尔m . c . Tresch和e . j . Perreault”的后果生物限制任务协同的设计和解释分析,“神经生理学杂志,卷113,不。7,2102 - 2113年,2015页。视图:出版商的网站|谷歌学术搜索
58. k·m·斯蒂尔m . c . Tresch和e . j . Perreault”的数量和选择肌肉影响肌肉协同分析的结果,“计算神经科学前沿7卷,2013。视图:出版商的网站|谷歌学术搜索

版权

版权©2017年安娜·露西亚克鲁斯Ruiz et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。