文摘
肌肉协同理论为不同的研究领域是一个新的吸引人的方法。本研究旨在通过肌肉的协同效应评估EMG重建的鲁棒性和可重复性肌肉协同参数作为潜在的神经生理学指标。八个健康受试者进行散步,走,跑,升序和降序楼梯的五个重复试验三个交易日。十二个肌肉占统治地位的腿进行了分析。“非负矩阵分解”和“可变性”被用来提取肌肉协同效应和评估EMG善重建,分别。组内相关被用来量化方法的可靠性。余弦相似性和确定系数评估的可重复性肌肉协同向量和颞活动模式,分别。4-synergy模型选择EMG信号分解。组内相关优秀的整体重建,而这范围从公平适合单一肌肉。肌电图重建被发现可重复的跨会话和主题。 Considering the selection of neurophysiological indices, the number of synergies was not repeatable neither within nor between subjects. Conversely, the cosine similarity and coefficient of determination values allow considering the muscle synergy vectors and the temporal activity patterns as potential neurophysiological indices due to their similarity both within and between subjects. More specifically, some synergies in the 4-synergy model reveal themselves as more repeatable than others, suggesting focusing on them when seeking at the neurophysiological index identification.
1。介绍
几个机车的活动,如散步、跑步、和升序和降序楼梯,通常在日常生活中,不断进行(1]。虽然被看作是简单的,这些活动包括大量的肌肉的协调下肢的2]。一般理解,中枢神经系统(CNS)可以降低神经激活输出控制肌肉的维数,实现一个预定义的运动(3,4]。减少通过同时coactivation肌肉群,称为肌肉的协同效应(5,6]。肌肉协同模型的参数估计通常是获得的分解肌(EMG)信号通过分解算法(7]。非负矩阵分解(8)是最普遍的,即使其他的方法,如本金或独立分量分析和逆高斯分布,会导致类似的结果(7,9]。
EMG信号的分解通过肌肉的协同模型被用于一些任务,如运动(9,10],平衡[11,12),(13,14),或运动姿态,比如骑自行车,卧推,划船15- - - - - -17]。如今,利用肌电图和肌肉协同的目标参数作为神经生理学指标,在临床常规(18- - - - - -20.)、运动(17,21),机器人控制(22- - - - - -25),正在获得越来越多的吸引力(26]。至于临床常规,罗德里格斯et al。19)表明,帕金森症患者采用一个简化的肌肉控制,即。,a lower number of muscle synergies, during walking with respect to healthy subjects, while Shuman et al. [18)提供了一个比较脑瘫患儿(CP)和年龄组,评估一个低数量的实验组的肌肉的协同效应。低数量的肌肉的协同效应也观察到在卒中后患者(27,28]。
在体育领域,团友和拥抱21]表明,3协同效应足以解释EMG信号在落后的大回环体操运动员单杠由专家。Kristiansen et al。17)发现中枢神经系统激活的能力只有两个在卧推练习健美运动员肌肉的协同效应。作为一个交叉污染的例子在机器人领域,Artemiadis和Kyriakopoulos22完全没用,et al。23)使用肌肉的协同效应来控制机器人的上肢康复,分别与CP成人和儿童。
验证肌肉协同效应并不仅仅是一个数学方法的输出但是一个有用的工具来了解中枢神经系统组织的成就机动任务,几项研究调查了方法论的EMG分解问题。特别是,斯蒂尔et al。29日)数量和具体的效果进行评估检查肌肉,发现两个变量影响肌肉的协同效应的结构。Tresch和他的同事们(7),相反,表明不同的分解算法允许达到相同的结果,也证实了Santuz et al。9]。滤波器参数的影响所需肌肉的肌电图预处理的协同效应证明考虑的可重复性(9)和准确性(30.)所选的肌肉的协同效应。最后,奥利维拉et al。31日]他们的研究集中于平均的影响或连接重复相同的任务,获得更高的重建质量评估,一般允许即使它忽视了step-to-step可变性的贡献。此外,评估使用肌肉协同参数作为神经生理学指标的可行性,肌肉协同提取的鲁棒性需要深入调查。一个优秀的受试可重复性,内部和之间的天,已经证明在脑瘫患儿步行试验(18)在健康受试者的行走和奔跑试验(9]。至于主客体之间的可重复性,它已经显示在卧推练习好17)和骑车试验(15]。所有上述文件有一些方法的局限性,因为他们没有量化(i)中,主客体之间重复性任务不同的步态涉及日常生活活动,如介入地方和升序和降序楼梯,可以实现为有用的场景在下肢机器人的控制设备和(2)中,主客体之间的健壮性肌电图重建通过特定的肌肉协同模型分别考虑整体重建和每一块肌肉。最好的作者的知识,这些方法论的影响没有被评估。验证之前彻底调查是强制性的神经生理学参数基于肌肉协同萃取和洞察力的信息给控制设计的参与人员下肢机械设备。
本研究的目的是探讨肌肉协同理论的可靠性,以下两个关键问题仍未开发。首先,我们调查了EMG重建的鲁棒性在主客体之间的分析,关注整体重建和重建每一个肌肉。肌电图重建的鲁棒性,事实上,是一个强制性的要求在临床使用肌电图分解时,机器人和体育应用程序(9,26]。其次,我们评估了受试可重复性。,both within and between sessions, and the between-subject repeatability of the parameters provided by the muscle synergy model in several daily life activities, to evaluate the viability of muscle synergy parameters as robust neurophysiological indices.
2。材料和方法
2.1。试验协议
8个健康志愿者(三个男人和五个女人,年龄:27.8±3.8岁,身高:1.72±0.12 m,质量:61.5±14.9公斤)进入实验协议。主题从来没有已知的神经肌肉和前庭疾病。从参与者获得一份书面知情同意是根据1964年的赫尔辛基宣言中概述的道德标准。
协议包括五项任务:走(W),步进(S),运行(R),上行楼梯(A), (D)和下行楼梯。W和R通过15米的途径进行自我选择的速度,并收购了一段后的最后途径。任务持续了15年代,每个主题是自由选择首选节奏。和D任务,受试者被要求执行只有一个提升(A)或下降(D) /重复使用楼梯和20个步骤。所有任务在赤脚条件重复5次。整个协议是对三种不同的会话,重复彼此分离至少24小时。因此,每个主题共执行75次试验5个重复的五个任务三个会议。
12肌肉的活动,如图1,从占主导地位的腿被记录,标识为一个用来踢球(32]。所有的受试者都占主导地位。被动的位置表面Ag / AgCl圆形电极(BlueSensor M, Ambu、Ballerup、丹麦)在微分配置是由熟练的操作员,相同的所有科目,根据SENIAM指南(33]。遵循这些指导方针,最大电极大小肌肉纤维的方向= 9毫米。此外,这些指导方针确保电极放置足够远的神经支配区,从而影响记录信号。等建议选择SENIAM是公认的肌电图研究协会(34]。重复在同一会话进行没有消除电极,在电极之间的替代进行会话。没有措施进行,以确保相同的定位没有标记的主题是在不同会话。因此,潜在影响intraoperator电极替代被考虑为一个变量对肌肉的协同参数重复性。
主导的脚边配有两个脚踏开关(脚踏开关FSR传感器、波、Cometa、意大利)在脚趾和脚跟。EMG和脚踏开关信号通过无线系统同步获得在2000 Hz的肌电图(波,Cometa,意大利米兰)。
2.2。数据处理
脚踏开关状态(压力/不压)是用来确定W的进步和R任务和年代的单一事件,A和D的任务,都定义为两个连续的脚跟罢工之间的时间间隔相同的脚。为了避免加速和减速阶段的影响,并考虑相同数量的周期任务,只有数据对应于八步W和S R或步骤,A, D获得信号的选择。特别是,W和R任务,八步的中心获得的信号。此外,脚踏开关输出被用来计算节奏,表现在步骤/分钟,每个重复和会话中的每个主题相关,独立地为每一个任务。然后,意味着和SD被计算为每个任务主题和会议。SD和平均之间的比率,表示为百分数,允许计算变异系数(x),在每个任务量化节奏的变化。
后提出的方法论的指导方针Santuz et al。9),中值被撤EMG信号和应用50 Hz高通滤波器。EMG信号被整流和低通滤波在20赫兹,提取信封。零相位,所有过滤器都是四阶巴特沃斯型。负在生成的信号由于低通滤波器过度被人为地设置为0。包络信号被分成八个先前确定的进步基于脚踏开关数据,插入到1000帧,和平均进步,获得更高的重建质量(31日]。肌电图的振幅矢量归一化对最大激活,定义为一组中的最大值包括所有任务和所有会话。因此,一个值为每个肌肉用于正常化过程提出的德马奇et al。35]。一个肌电图的矩阵( )为每个任务获得,每个重复,每个会话通过分组吗 - - - - - -样本信号的被认为是肌肉的行。在我们的例子中,等于12,是等于1000。
从EMG肌肉协同参数矩阵的提取进行了通过非负矩阵分解(NNMF),它允许将EMG信号分解为多个肌肉协同向量( )和时间活动模式( ),根据线性组合,如下列方程(8]: 在哪里代表的数量测试模型和剩余的肌肉协同效应被认为是后天的区别EMG矩阵和重构。简单地说,每一个是定常向量,由积极的重量,表明每一块肌肉的相对贡献的 - - - - - -协同作用。每一个是一个时变波形向量假设的神经命令激活吗 - - - - - -协同作用。
方程(1)可以提供多个解决方案和 ,一旦数量协同效应的模型被选中。我们解决了方程的12倍,增加从1到 ,使用以下参数:50之间的复制和1000平方最小化剩余的最大迭代获得和重建信号(18]。我们执行NNMF MATLAB (2012 b, MathWorks公司,纳蒂克,麻萨诸塞州,美国)。
2.3。数据分析
可变性占(VAF)被选为评估收购和重建EMG信号之间的相似性(36),计算所有测试数据的协同效应。VAF偏心皮尔森系数的计算,用百分比表示。特别是,皮尔逊相关系数的获得和重建EMG矩阵被用来计算全球VAF ( ),而当地VAF ( )计算了相关收购和重建的每一块肌肉的肌电图信号。
为每个主题、任务重复,和会话,我们选择模型与最小数量的协同效应(NoS),同时满足两个选择标准:≥90%,≥75% (15,36]。为每个主题范围内的NoS在三个交易日计算,和每个号的中值和统计频率计算在所有的重复和主题,分别为每个任务。因此,NoS的潜力被认为是神经生理学指标评估关注重复性内和主题之间的所有检查任务。
只关注最常见的模型选择研究对象考虑所有的检查任务,我们评估的可重复性肌肉协同效应考虑三个分析:(i)within-subject-within-session(WW),量化的健壮性肌肉协同萃取的可变性不同引起的肌肉激活相同的主题来达到相同的运动任务;(2)within-subject-between-sessions(WB),量化的健壮性的可变性肌肉激活相同的主题由于电极更换;和(3)主题之间(B),量化算法的鲁棒性对不同肌肉激活不同的主题来达到相同的运动任务。
至于WW分析,意味着和SD和为每个主题和每个会话都单独计算。然后,最小值和最大值的平均值和标准差(SDs)对象和会话被选为每个任务。SDs量化重建的鲁棒性善的EMG收集的数据来自同一主题在同一个会话。此外,评估的可靠性 ,我们计算了余弦相似度( ),数积之间的比例和两个向量的欧式规范的产物,如下列方程(9]: 在哪里和代表了对测试反过来。这个索引范围从0到1,分别对应于没有和完美的相似性。的阈值假设相似性将0.60 [3]。而评估的相似性 ,我们计算确定系数( )如下(9]: 在哪里和代表了对测试反过来。范围从1,1表示完美的相似性和0.70是评估相似的阈值(9]。
考虑到模型中的协同效应获得的顺序通过NNMF不同算法的运行(之间的不一致18),我们进行了 - - - - - -意味着聚类分析来选择和订购类似重复之间的协同效应,会话,每个任务和主题(37]。特别是,最相关的协同向量,根据在一个集群 - - - - - -意味着输出同样被认为是相关的 - - - - - -th重复之间选择模型中的协同作用,会议,为每个任务和主题。
WW,和值,分别通过两两比较的和有关五重复相同的会话。因此,我们执行10为每个主题的比较,每一个会话,每个任务,每个选择模型中的协同作用。均值和SD的和在对比计算;然后,最小值和最大值和相关SDs跨主题和会话。每个SD被用来量化的健壮性肌肉协同向量和时间的活动模式在同一会话中执行同样的话题。此外,整体模型的均值和SD被独立的平均值计算和相关的所有肌肉的协同效应。
关于世行分析、均值和SD的和每个学科都单独计算,考虑获得的值在所有的会话。然后,最小值和最大值的平均值和相关SDs在受试者评估为每个任务。SDs量化重建的鲁棒性善的EMG收集的数据来自同一主题在不同会话。至于的重复性肌肉协同参数向量和颞活动,我们首先平均和有关每个会话的5个重复,获得三个和 。然后,和的三个值被计算两两比较和三个 。因此,我们进行了三个比较对于每一个主题,每个任务,每个选择模型中的协同作用。然后,意味着和SD和在比较计算,最小值和最大值和相关SDs在受试者评估。这些参数量化的健壮性肌肉协同向量和时间活动模式在不同的会议由相同的主题。此外,整体模型的均值和SD被独立的平均值计算和相关的所有肌肉的协同效应。
最后,对于B分析、均值和SD的和是计算考虑获得的值在所有会话和对象在一起。SDs被用来量化重建的鲁棒性善的EMG收集的数据从不同的科目在不同会话。此外,计算和值,我们首先平均和三个交易日单独的每一个主题,然后我们进行两两之间的比较对象使用获得的意思和平均 。因此,我们为每个任务执行28比较和选择中的每个协同模型。然后,意味着和SD和在比较被量化的健壮性肌肉协同计算向量和颞活动模式在不同的会议由不同的科目。此外,整体模型的均值和SD被独立的平均值计算和相关的所有肌肉的协同效应。
考虑的结果 , , , , ,和 ,我们评估的潜力和 ,与整体构成和有关 - - - - - -选择肌肉协同模型中的协同作用,被认为是神经生理学指标。
2.4。统计分析
评估的可靠性方法,国际刑事法庭是在计算和对于每个任务,考虑所有会话。ICC值在0.00 - -0.39范围划分为差,0.40 - -0.59是公平的,0.60 - -0.74,-1.00和0.75优秀(38]。
号的所有数据,除了与Shapiro-Wilk测试,测试正常,他们正态分布。以下测试,一组显著性水平等于0.05。
克鲁斯卡尔-沃利斯非参数测试进行评估的统计差异NoS,考虑任务作为自变量。如果统计差异被发现,邓恩的测试进行了分析,存在的差异。
进行了单向重复测量方差分析测试的平均值 ,考虑肌肉作为独立的变量。Greenhouse-Geisser修正采用球形的假设是否违反了。Bonferroni测试的统计差异被发现时进行多重比较。
的影响 - - - - - -th协同作用在和在选定的协同模型通过单向方差分析测试,独立地为每一个任务。统计差异被发现时,Bonferroni进行多重比较的测试。
使用SPSS软件包进行统计分析(美国纽约阿蒙克的ibm SPSS Inc .)。
3所示。结果
下面的节奏值是通过处理脚踏开关输出:(i) 120±10个步骤/分钟变化等于8.3% W, (ii) 110±8步骤/分钟年代变化等于7.2%,(3)155±15个步骤/分钟变化等于9.7%,R, (iv) 100±6步骤/分钟变化等于6.0%,和(v) 102±9步骤与可变性等于8.8% D /分钟。
至于号,每个主题相关的所有任务的范围被报道在表1。考虑到三个交易日,无标题招募了相同的肌肉协同模型在每个任务相关的所有检查重复。考虑所有科目,NoS范围从3到6和中值总是等于4的所有测试的日常生活活动。然而,一些统计差异被发现在活动:W和S, W和R, S和R, S与R和R和D(总是 )。
在图2的频率选择协同模型的所有任务。最常见的模式是4-synergy所有任务,除了运行(3协同效应)。此外,还发现6-synergy模型是不太可能选择所有任务,因为它是一个与频率发生的最小值,除了介入(3协同效应)。意味着和SDs为每个任务的协同效应的函数图3。比较结果在日常生活的任务,我们只关注4-synergy模型,因为它导致大多数选择模型考虑所有的主题和任务。
关注可靠性分析,刑事法庭的值和报道在表之间的会话2。全球重建方法显示一个出色的可靠性在所有任务。考虑每一块肌肉,可靠性范围从公平的步行和从优秀到卓越的其他任务。
考虑到within-subject-within-session (WW)分析,和分别值总是高于90.4%和71.6%(表3)。最高的SD值分别为1.2%和9.7%的全球和当地的重建,分别。报道在表4,范围从0.71到0.99考虑所有协同效应和活动,而SD 0.24被发现。总体平均值最高,平均模型中的协同效应,是相关的,即。0.94,最低的一个有关D,即。0.89点。考虑到相似性与颞活动模式,范围从0.80到0.99考虑所有协同效应和任务,而SD的最大值为0.10(表5)。总体平均值与R最高(0.94),最低的一个D (0.91)。
关注within-subject-between-session (WB)分析,差异的一个典型例子和三个交易日期间与一个主题相关的在一个任务如图4和5。表6报道称,最低的和值分别为91.9%和74.2%,而最高的SD值分别为1.9%和9.8%。通过分析表7,范围从0.84到0.99考虑所有的协同效应和所有活动和SD 0.08被发现。结果平均获得的所有肌肉模型中的协同效应的结果显示最高的总体平均值R和一个(0.95)和W的最低(0.92)。专注于表8,范围从0.85到0.99,最大SD值等于0.08。考虑整体组成、R有关最高价值(0.91)和其他任务最低(0.90)。
最后,考虑到主客体分析(B),肌肉协同向量的平均值和时间的活动模式考虑所有对象和会话数据所示6和7为每一个任务。直方图和波形是有用的澄清的内在成分的协同效应模型,必须了解以下结果的可重复性与每个特定的协同作用有关。表9报告的最小值为93.9%和84.3%和和最大SD值的1.7%和7.6%,分别。至于统计结果,均值GLU相关统计不同于地方政府相同的参数计算( )在W的任务。之间的任务,统计差异被发现也与助教和公司( )。至于一个任务,统计之间的差异被发现伦敦交通局和裁判的一个计算( ),VLAT ( ),vm ( ),佩罗( ),助教( ),索尔( ),和公司( )和其他之间的差异观察GLU和REF的计算( ),VLAT ( ),vm ( ),佩罗( ),索尔( ),和公司( )。在R(无统计差异被发现 )和D ( )。的值的范围在0.79 - -0.90,SD 0.10(表10)。差异的具体模型中的协同效应在W(总是被发现 ),R(总 ),和D(总是 ),报道在表10。通过平均所有肌肉的协同效应的模型,相关的总体平均值最高到最低(0.86)和S (0.82)。最后,在0.84 - -0.92范围,SD 0.08。差异的具体模型中的协同效应(总是被发现在所有任务 ),报道在表11。通过考虑整体组成,所有任务达成等于0.87,除了D (0.84)。
4所示。讨论
目前的研究是一个实验有关的可靠性synergy-based EMG信号分解。具体来说,我们评估中,主客体之间变异性EMG信号重建的相关技术。进一步说,我们的目的是评估的可重复性肌肉协同参数,这是肌肉的协同效应,善的重建,肌肉协同向量,和时间活动模式、内部和之间的会话期间的日常生活活动。
4.1。EMG重建可靠和可重复的试和主客体分析?
结果的可靠性相关肌肉协同萃取允许假设分解通过肌肉的肌电图数据协同表达了一个很好的可靠性,考虑到全球重建肌肉活动在检查任务。相反,公平的可靠性与当地重建的一些肌肉证实这项发现报告Kristiansen et al。17),建议特别注意方法的变化,当处理数据从一些特定的肌肉如肱二头肌、肱三头肌brachii,股直肌,也发现了一个最低的ICC在这项研究的价值。这些结果可以归因于高VAF主客体之间的变化,正如已经显示Kristiansen et al。17]。
行走任务显示较低的可靠性比其他运动的任务,这表明中枢神经系统能够控制这些运动通过不同的激活模式,也报道了德马奇et al。39]。走路和跑步相比,低可靠性的结果可以合理的考虑到步态周期变得不那么变量随着速度的增加(40];相反,比较与其他检查行走任务,我们推测,外部约束,如楼梯,导致减少步态变化也报道了Donath et al。41]。
至于EMG重建美好的可重复性,高价值的和低SD值证明了选择标准对全球重建一直是在内部,主客体之间的分析任务。因此,变化引起的不同肌肉激活相同的主题,也就是说,不同号的招聘执行相同的任务,并不影响使用的线性组合的美好全球重建。考虑这些结果,我们可以肯定的健壮性肌电图分解通过4-synergy模型如果研究必须注意只有全球重建的EMG活动。通过高SD值相关 ,我们可以肯定,最常见的协同模型的选择可能会导致不准确的EMG重建相关的一些特定的肌肉;特别是,EMG信号的重建与伦敦交通局、助教,GLU通常似乎是一个不准确在所有任务4-synergy模型被选中。最后,统计平均值的差异楼梯在行走、步进和提升建议仔细选择肌肉包括在实验设置中,尊重的美好重建所需的特定的应用程序。更多数量的统计差异被发现臀肌,楼梯在行走和提升,然后张招牌教廷的提升任务。这些发现可以归因于更相关的软组织和相声工件由于电极的位置(42]。
通过总结相关研究结果的可靠性和可重复性VAF的分析,提取肌肉协同作用的非负矩阵分解可以用于多个应用程序,需要强劲的EMG重建,如临床分析,体育绩效评估或机器人。然而,通过肌肉的肌电图分解的使用建议协同效应只有在需要一个可靠的应用程序的整体重建了EMG信号。事实上,当单一肌肉的重建是必需的,比如控制机器人装置通过肌肉的协同效应(22)或监视一个病理学的严重程度(43),实际的可靠性和可变性的具体肌肉重建必须被考虑。
4.2。可能肌肉协同参数被认为是神经生理学指标?
范围(3 - 6)和中值(4)在本研究中发现的NoS的所有任务提供一个进一步证实假设中枢神经系统降低了实现电动机的肌肉活动的复杂性任务,也从未探索的活动,比如升序和降序楼梯。关于NoS的频率值,我们观察到的结果,与步行和踩,按照文献[5,9,36,44]。相反,较低维度的协同模型中观察到正在运行的任务对Santuz et al。9]。特别是,他们分析了低的激活和上半身的肌肉和发现更多的肌肉协同效应在跑步比走路。这种差异可以归因于我们分析肌肉的减少数量,我们忽视了那些上半身。值得注意的是,同步的手臂动作必须保持平衡在运行45]。因此,我们推测,缺乏上半身的肌肉在实验设置可以解释我们模型的维数是如何运行的任务与文学相比,但根据步行和踩,招聘的上半身肌肉身体平衡的关键。此外,统计差异的中值发现NoS在其他测试运行与日常生活活动表明,EMG信号期间收集运行可以重建较低数量的协同效应。NoS的缺乏频率等于100%的所有任务,内部和之间的会话的健康受试者人口学特征相似,可能归因于中枢神经系统的能力来生成不同的激活配置文件达到同样的运动任务,导致不同数量的肌肉的协同效应(39]。号的区分健康受试者和神经系统疾病患者以前评估在脑瘫患者18)和帕金森病(19]。特别是,作者发现的最大传播2号之间的控制和患者团体行走任务。我们的研究结果显示2号区别也在受试和主客体分析上执行一个健康的人口。因此,NoS缺乏足够的可重复性水平被认为是一个健壮的神经生理学指标。
关注的权重 ,相反,我们观察到总是高于0.60的阈值为每个协作和整体模型;然而,相关的可变性一些协同效应并不是微不足道的。事实上,SDs表示值也横跨0.60的相似性阈值下,考虑95.5%的置信区间,即。,平均值±2 sd。肌肉协同向量的变化可能对中枢神经系统功能产生不同的受试激活配置文件来达到相同的运动任务(15]。它证实了我们的研究结果与不同的号来执行相同的任务由相同的主题。搬到 ,以来的变化可以被认为是微不足道的SD值与每个协同和整体模型相似性阈值以上还考虑95.5%的置信区间。通过总结的可变性在会话分析也意味着值低于0.60;因此,我们的研究结果建议谨慎在假设相关的权重 - - - - - -th肌肉协同一致重复相同的任务由相同的话题如果平均在不进行重复。类似的重复性对观察到的Santuz et al。9)内部和interday重复性走路和跑步是在这项研究中观察到。因此,我们可以推测,跑步机的使用,就像在(9),不影响走路和跑步模式(46]。关于 ,的平均值低于WW和世行分析评估。这些发现可以主要归因于著名的主客体之间的可变性EMG信号(47]。作为一个备择假设,他们的变化可能是由于生物力学数据执行相同的任务由不同的科目。然而,这样的效果有限,出现如图所示的变化节奏总是低于10%。然而,一些 - - - - - -th协同效应和肌肉协同的整体组成向量达到平均值高于95.5%的相似性阈值也有信心,肯定自己学科之间可重复的和潜在的有用的神经生理学指标。这一发现的唯一例外是第四协同相关任务。从统计结果,为步行和下行楼梯,第三和第四运行可以被认为是最可重复的协同相关向量每个电机的任务。相反,没有显著差异在步进和上行楼梯不允许选择只有一个是最可重复的。我们可以得出结论,肌肉协同相关向量中一些具体的协同4-synergy模型可以被认为是可接受的神经生理学指标由于示范在一群相似的主题相似的人口统计特征和健康状况。此外,值得注意的是,在W, D,和R,建议只使用最可重复的 。
同样的趋势可以观察到肌肉协同向量的重复性分析相关参数通过考虑WW和世行时间活动。事实上,和值总是高于0.70的阈值为每个协同和整体模型,但一些SD相关的价值表明WW的一些比较分析没有达到设定阈值被认为是如果一个置信水平95.5%。发现值符合一个通过Santuz et al。9]。至于 ,颞可变性的活动模式表明,中枢神经系统可以组织不同的肌肉激活来达到相同的运动任务(15]。因此,我们的研究结果表明,在假设每个谨慎4-synergy模型是一致的在重复相同的任务由相同的主题在同一个会话。通过移动到 ,相关的所有值之间的协同作用和整体模型相似性阈值也在考虑一个置信区间为95.5%,除第三协同步行和第一个步进的协同作用。然而,考虑到统计的结果,我们可以选择神经生理学指数最可重复的时间为每个任务活动模式,特别是相关的第二步进和运行协同和与第一个下行楼梯的协同作用。进一步选择识别最可重复的与第一和第二之间协同效应在W和相关的一个第一,第三,第四的协同效应与发现上行楼梯不能执行统计结果。总之,我们国家也可以时间活动模式与4-synergy模型中的一些具体的协同作用可以被假定为神经生理学指标由于相关的有前景的结果可重复性。至于 ,大多数的选择可重复的优先在S, R和D。
因此,我们可以得出结论,和可以被视为可行的神经生理学指标由于良好的重复性验证中,主客体之间的分析。值得注意到的是重复性验证有两种不同的含义:的可重复性表明,研究了肌肉的权重 - - - - - -th学科之间协同作用是相似的,重复性的表明,神经运动的信号调制的激发 - - - - - -th学科之间的协同作用是一致的(16]。
5。结论
在本文中,我们分析的可靠性和重复性肌肉的肌电图分解通过协同理论在一些日常生活的活动,如散步、跑步、步进,升序和降序楼梯。这些分析进行内部和之间的科目。实际上,该研究的最终目标是识别中最潜在的神经生理学指标肌肉协同参数。我们的研究结果支持肌肉的协同作用分解作为一个健壮的工具解释中枢神经系统激活模型,重复性可以主要影响的内在EMG信号变化和电极替代而不是分解算法。4-synergy模型可用于检查所有任务如果只考虑全球重建,而必须注意肌肉的选择如果他们特定的重建必须执行。此外,我们建议关注肌肉协同向量或颞活动模式而不是数量的协同效应,当寻求识别的神经生理学指标。
的利益冲突
作者没有利益冲突的报告。