ارزیابی روش های مختلف بلند کردن اجسام سنگین به‌وسیله ویژگی های دامنه و فرکانس سیگنال‌های الکترومایوگرافی
الموضوعات :بهار خردمند 1 , ارشیا محمدخانی 2 , سارا سیف 3 , مهسا خلیلی 4 , بابک رضایی افشار 5
1 - دانشجوی کارشناسی مهندسی پزشکی، گرایش بیوالکتریک، واحد علوم و تحقیقات تهران، دانشگاه آزاد اسلامی، تهران، ایران.
2 - دانشجوی کارشناسی مهندسی پزشکی، گرایش بیوالکتریک، واحد علوم و تحقیقات تهران، دانشگاه آزاد اسلامی، تهران، ایران.
3 - دانشجوی کارشناسی مهندسی پزشکی، گرایش بیوالکتریک، واحد علوم و تحقیقات تهران، دانشگاه آزاد اسلامی، تهران، ایران.
4 - دانشجوی کارشناسی مهندسی پزشکی، گرایش بیوالکتریک، واحد علوم و تحقیقات تهران، دانشگاه آزاد اسلامی، تهران، ایران.
5 - استادیار، گروه مهندسی پزشکی، دانشکده توانبخشی، دانشگاه علوم پزشکی ایران، تهران، ایران.
الکلمات المفتاحية: الکترومایوگرافی, برداشتن اجسام, ارگونومی, RMS, دامنه سیگنال, فرکانس سیگنال,
ملخص المقالة :
برداشتن بدون مهارت اجسام سنگین، خطر بسیار بالایی را به همراه دارد و موجب آسیب دیدگی عضلات کمر می شود. الکترومایوگرافی می‌تواند بهترین روش بلند کردن اجسام سنگین را ارائه کند. در این مطالعه، چهار خانم (1نفر،40 سال و 3 نفر، 3±20 سال) و شش آقای سالم (2 نفر، 5±50 سال و 4 نفر، 5±20 سال) به صورت داوطلبانه با اخذ چهار سیگنال الکترومایوگرافی مختلف از برداشتن اجسام سنگین شرکت کردند. داده های به‌دست آمده در فاصله هر 5/15 ثانیه پنجره گذاری شدند و فیلتر باترورث مرتبه 4 روی داده ها اعمال شد. سپس واریانس،RMS و میانگین داده ها محاسبه گردید. بیشترین فعال سازی عضله در انجام حرکت ارگونومیک اتفاق افتاد که نشان می‌دهد در این حالت کمترین فشار به سایر عضلات وارد می‌شود. مطالعات آینده می تواند روی تاثیر استفاده از اگزواسکلتون در شناسایی و کمک به حرکت حمل بار تعریف شود.
[1] Washmuth, N. B., McAfee, A. D., & Bickel, C. S. (2022). Lifting techniques: why are we not using evidence to optimize movement? International Journal of Sports Physical Therapy, 17(1), 104.
[2] Wei, W., Zha, S., Xia, Y., Gu, J., & Lin, X. (2020). A hip active assisted exoskeleton that assists the semi-squat lifting. Applied Sciences, 10(7), 2424.
[3] Kusche, R., & Ryschka, M. (2019). Combining bioimpedance and EMG measurements for reliable muscle contraction detection. IEEE Sensors Journal, 19(23), 11687-11696.
[4] Marinelli, A., Boccardo, N., Semprini, M., Succi, A., Canepa, M., Stedman, S., Lombardi, L., Bellingegni, A. D., Chiappalone, M., & Gruppioni, E. (2021). Miniature EMG sensors for prosthetic applications. 2021 10th International IEEE/EMBS Conference on Neural Engineering (NER),
[5] Olmo, M. d., & Domingo, R. (2020). EMG characterization and processing in production engineering. Materials, 13(24), 5815.
[6] Phinyomark, A., & Scheme, E. (2018). EMG pattern recognition in the era of big data and deep learning. Big Data and Cognitive Computing, 2(3), 21.
[7] Tankisi, H., Burke, D., Cui, L., de Carvalho, M., Kuwabara, S., Nandedkar, S. D., Rutkove, S., Stålberg, E., van Putten, M. J., & Fuglsang-Frederiksen, A. (2020). Standards of instrumentation of EMG. Clinical neurophysiology, 131(1), 243-258.
[8] Vigotsky, A. D., Halperin, I., Lehman, G. J., Trajano, G. S., & Vieira, T. M. (2018). Interpreting signal amplitudes in surface electromyography studies in sport and rehabilitation sciences. Frontiers in physiology, 985.
[9] von Arx, M., Liechti, M., Connolly, L., Bangerter, C., Meier, M. L., & Schmid, S. (2021). From stoop to squat: A comprehensive analysis of lumbar loading among different lifting styles. Frontiers in bioengineering and biotechnology, 9, 1070.
