臺灣博碩士論文加值系統

肌肉耐力是不可或缺的基本體適能，也是人們身體健康的重要指標之一。本研究目的是想了解當運動時，透過所測量到的肌電訊號，其中位頻率變化，來呈現肌肉疲勞現象。研究中透過十名健康的學生（五位男生及五位女生）為受試者， 以大腿的骨外側肌為例，每人皆接受連續1個月運動測量，並透過自製擷取裝置，擷錄肌電訊號並加以分析，分析的方法是針對原始的肌電訊號，和利用三種訊號分解技術，小波分解、經驗模組分解與總體經驗模組分解，尋找肌電訊號中最佳的展頻訊號，其對於肌肉疲勞之呈現有最佳的靈敏度與穩定性。結果顯示肌電訊號透過EEMD的分解，其本質模組函數1，最能夠描述肌肉疲勞的現象。

Muscular endurance is not only an indispensable part of physical fitness, but also an important indicator for people’s health. The purpose of this study was to detect the muscle fatigue with the change of the median frequency of the electromygram (EMG) signal measured in exercise. Ten healthy students (five males and five females) were selected as subjects. All of them went a one month sports. A self designed device was used to measure and analytics the EMG signal of vastus lateralis. Three signal decomposition technologies, Wavelet Decomposition, Empirical Mode Decomposition (EMD) and Ensemble Empirical Mode Decomposition (EEMD), were used to find the optimum spectrum band that had the most sensitivity and stability for the phenomenon of muscle fatigue. The results show that the intrinsic mode function (IMF) 1 of EEMD has the best performance.

中文摘要 IV
ABSTRACT V
誌謝 VI
目錄 VII
圖目錄 IX
表目錄 XI
第一章 緒論 1
1.1研究背景與目的 1
1.2相關文獻回顧 7
1.3論文架構 9
第二章 系統架構與實驗設計 10
2.1 硬體架構 10
2.1.1 肌電圖擷取類比電路 11
2.1.2 肌電圖擷取數位電路 12
2.1.3 藍芽模組 14
2.2 韌體架構 15
2.3 軟體介面 17
2.4 實驗方法和程序 19
第三章 萃取參數方法 24
3.1 中位頻率 25
3.2 小波分解 25
3.3 經驗模組分解 29
3.4 總體經驗模組分組 35
第四章 實驗結果 40
4.1中位頻率參數之結果 40
4.2總體經驗模組分解之分析 46
4.3 參數的統計分析 49
第五章 討論與結論 59
參考文獻 62


圖目錄
圖2.1硬體架構 10
圖2.2 EMG擷取類比電路圖 11
圖2.3 EMG擷取裝置 12
圖2.4 BTM-204B藍牙模組電路設計 15
圖2.5韌體架構 15
圖2.6韌體程式架構圖 17
圖2.7 VB程式架構圖 18
圖2.8 VB接收端的面板 18
圖2.9為等張縮收之波形顯示 19
圖2.10 EMG擷取裝置配戴示意圖 19
圖2.11右大腿肌肉群示意圖 20
圖2.12 E8000腳踏式橢圓機 21
圖2.13電極貼片貼置處 21
圖3.1肌電訊號轉換為頻域的分佈圖。 24
圖3.2 EMG訊號之小波分量 27
圖3.3 EMG訊號之小波分解求中位頻率分析圖 28
圖3.4模擬訊號 30
圖3.5極大值包絡線 30
圖3.6極小值包絡線 30
圖3.7平均值包絡線 30
圖3.8 R2(t)分量 31
圖3.9 EMG訊號之IMF分量 33
圖3.10 EMG訊號之IMF求中位頻率分析圖 34
圖3.11 EEMD流程圖 36
圖3.12 EMG訊號之IMF分量 38
圖3.13 EMG訊號之IMF中位頻率分析圖 39
圖4.1原始訊號對中位頻率計算 41
圖4.2 DWT分解對中位頻率計算 42
圖4.3 EMD分解對中位頻率計算 44
圖4.4 EEMD分解對中位頻率計算 46
圖4.5為1k Hz與2k Hz下的篩選出的結果 48
圖4.6以EEMD的IMF1頻帶寬觀察B03和G03男女生在篩選1到500次之結果 49
圖4.7四種方法來看整體受測者的斜率。 52
圖4.8四種方法來看整體受測者的r值。 52
圖4.9以整體來看這四種方法的斜率之CV 55
圖4.10以整體來看這四種方法的r之CV 55
圖4.11男女生全體的斜率比較圖 57
圖4.12男女生全體的r值比較圖 58

表目錄
表2.1封包格式 17
表2.2男女生受測者體況表 23
表3.1經驗模組分解之分解流程 31
表4.1原始訊號與DWT各分解訊號的參數 42
表4.2原始訊號與EMD各分解訊號的參數 43
表4.3原始訊號與EEMD各分解訊號的參數 45
表4.4 1k Hz與2k Hz之在不同篩選次數下，其斜率與r的平均值 47
表4.5 1kHz與2kHz採樣頻率之B03與G03頻譜結果 48
表4.6計算出10個人分別在不同程度與全程的平均值之斜率與r值 50
表4.7平均值之斜率與r值在四種方法中的P-value 51
表4.8這10個人在不同程度與全程的CV之平均斜率與r值 54
表4.9男女生全體在不同程度與全程的平均斜率與r值的 56

[1]Mario Cifrek, Vladimir Medved, Stanko Tonkovic, Saša Ostojic “Surface EMG based muscle fatigue evaluation in biomechanics”,
Clinical Biomechanics, Vol. 24, Iss. 4, pp. 327-340, 2009.
[2]L. Mesin, R. Merletti, A. Rainoldi, "Surface EMG: The issue of electrode location", Electromyography and Kinesiology, Vol.19, Iss. 5, pp.719-726, 2009.
[3]樓迎統、陳君侃、黃榮棋、王錫五（2005），生理學，
台北：華杏。
[4]文淑娟,李玟青,林玉雯,唐善美,陳昀佑,陳淑貞,蕭如玲,賴明德（2008），生理學，台北：新文京。
[5]S. Paul Addison(2002), The Illustrated Wavelet Transform Handbook, Institute of Physics, Taylor & Francis.
[6]R. Balocchi, D. Menicucci, E. Santarcangelo, L. Sebastiani , A. Gemignani, B. Ghelarducci, and M. Varanini, “Deriving the Respiratory Sinus Arrhythmia from the Heartbeat Time Series Using Empirical Mode Decomposition”, Chaos Solitons & Fractals, Vol. 20, Iss.1, pp.171-177, 2004.
[7]M. O. Mendez, J. Corthout, S. V. Huffel, M. Matteucci, T. Penzel, S. Cerutti, and A. M. Bianchi, “Automatic Screening of Obstructive Sleep Apnea from the ECG Based on Empirical Mode Decomposition and Wavelet Analysis”, Physiological Measurement, Vol.31, Iss.3, pp.273-289, 2010
[8]M. Blanco-Velasco, B. Weng, and K. E. Barner, “ECG Signal Denoising and Baseline Wander Correction Based on the Empirical Mode Decomposition”, Computers in Biology and Medicine, Vol.38, Iss.1, pp.1-13, 2008.
[9]D.B. Chaffin, “Localized muscle fatigue-definition and measurement” , Occup. Med., Vol.15, Iss.4, pp. 346–354, 1973.
[10] L. Lindstrom, R. Magnusson, and I. Petersen, "Muscular fatigue and action potential conduction velocity changes studied with frequency analysis of EMG signals", Electromyography, Vol.4, pp.341-357, 1970.
[11] P. Bonato, T. D''Alessio, M. Knaflitz, "A statistical method for the measurement of muscle activation intervals from surface myoelectric signal during gait", IEEE Trans. Biomed. Eng. Vol.45, Iss.3, pp.287-299, 1998.
[12] N.A. Dimitrovaa, T.I. Arabadzhieva, J.-Y. Hogrelb and G.V. Dimitrova, "Fatigue analysis of interference EMG signals obtained from biceps brachii during isometric voluntary contraction at various force levels", Electromyography and Kinesiology, Vol.19, pp.252-258, 2009.
[13] A.J. Pratt, R.E. Gander, B.R. Brandell, "Real-time digital median frequency estimator for surface myoelectric signals", IEEE Trans. Biomed. Eng. Vol.38, Iss.3, pp.306–309, 1991.
[14] H. N. E. Wu Z, “Ensemble empirical mode decomposition: a noise-assisted data analysis method” , Center for Ocean-land- Atmosphere Studies, Vol. 1, No.1, pp. 1-41, 2009.
[15] Hongbo Xie and Zhizhong Wang, “Mean frequency derived via Hilbert-Huang transform with application to fatigue EMG signal analysis”, Computer Methods and Programs in Biomedicine Vol. 82, Iss.2, pp.114-120, 2006.
[16] Mehran Talebinejad, D.C. Adrian Chan and Ali Miri, “A Lempel–Ziv complexity measure for muscle fatigue estimation”, Electromyography and Kinesiology Vol.21, Iss.2, pp.236-241, 2011.