Muscle fatigue detection using near-infrared spectroscopy and electromyography
Notice bibliographique
Résumé
Abstract Introduction: Muscle fatigue is often experienced by athletes and in work settings. Excessive fatigue can lead to injury and musculoskeletal disorders. Surface electromyography (EMG) is typically used to detect and ultimately prevent fatigue during isometric movement. The application of EMG to fatigue detection in dynamic movement requires, however, a secondary confirmation of fatigue based on physiological measures. Our objective was to determine if muscle oxygenation derived via near-infrared spectroscopy (NIRS) was correlated with relevant EMG indicators of neuromuscular fatigue and whether observed correlations were related to the fatigue process. Methods: Bilateral electromyograms from three upper leg muscles and the tissue oxygenation index (TOI) of the vastus lateralis muscle were recorded in sixteen non-disabled individuals during cycle ergometry to volitional exhaustion. Six EMG activity features were extracted and the Pearson correlation coefficient between each feature and TOI was determined. Results: The EMG root mean square, spectral standard deviation, second spectral moment, and zero-crossing rate (ZC) were strongly correlated with TOI. The time course of ZC and the correlation of this feature with TOI suggest that there could be a relation between muscle oxygenation and fatigue. Conclusion: Future work should use the knowledge gained in this study to investigate whether NIRS can be used to verify the onset of fatigue as detected by EMG.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».