融合表面肌電和姿勢信息的輪椅績效評價方法

王振宇，向澤銳,b，呂思龍，龍思雨，支錦亦,b

融合表面肌電和姿勢信息的輪椅績效評價方法

王振宇a，向澤銳a,b*，呂思龍a，龍思雨a，支錦亦a,b

（西南交通大學 a.設計藝術學院 b.人機環境系統設計研究所，成都 611730）

為客觀評價輪椅的使用效益，使用表面肌電設備測試輪椅使用過程中的肌電信號，并融合姿勢信號IMU來構建人機評價模型。分別對輪椅的折疊、剎車方式及行駛坡度進行試驗來評估輪椅的使用績效，通過對比用力肌群間的疲勞狀況來判定較為舒適的輪椅折疊及剎車方式。實驗要求被試者在執行輪椅任務時，分別使用兩種折疊方式和三種剎車方式不同的輪椅進行實驗，并在操作動作任務過程中采集sEMG和IMU信號，在實驗任務結束后填寫NASA-TLX量表。根據模型的評價指標對實驗數據進行了比較與分析，橫向收折式折疊和凹口式剎車（手剎位于前方）的輪椅疲勞度低，在3～4°坡度范圍下輪椅使用者的受力最小，較為舒適，從而驗證了模型在輪椅人機評價上的可行性，為優化輪椅設計提供參考。人機評價模型適用于評估產品績效，同時提出的融合表面肌電和姿勢信息的輪椅績效評價方法具有較高的精度和準確性，能夠有效地評估輪椅使用者的績效水平。

表面肌電；姿勢信號；輪椅績效；評價模型；慣性測量單元

輪椅是現有輔助器具中使用最廣泛的個人移動輔助工具。根據世界衛生組織的統計，我國需要使用輪椅的人口為1 373.49萬人，但實際獲得輪椅適配的比例只有10%～15%[1-2]。根據ISO 9999 輔助器具—分類和術語[3]，將輪椅車（Manual wheelchairs，MW）列入第 12 主類個人移動輔助產品。輪椅因作業時難度增加易引起肌肉損傷，對肌肉的高需求和輪椅構件的不同會導致嚴重的肌肉疲勞，故客觀評估輪椅使用者的肌肉疲勞具有一定的必要性[4]。目前，客觀評估輪椅績效方法有心理和生理測試，心理測試可以采用腦電技術研究輪椅績效與舒適度；在生理測試中，體壓分布、肌電圖、腦電圖和心電圖是評價人體生理感知的重要手段[5]。

文獻[6]建立了按摩椅績效人機評價模型，通過實驗表明使用肌電信號是可以用來評價按摩椅緩解肌肉疲勞狀態的。文獻[7]采用支持向量機實現了對肌肉疲勞的預測。文獻[8]構建肌力預測模型，利用表面肌電特征參數進一步提高了肌力預測的實用性。文獻[9]研究了輪椅上坡過程中軀干肌肉的活動，并考察采用齒輪輪子對姿勢控制需求的影響。文獻[10]表明增加斜坡斜率僅影響豎脊肌的峰值肌電，肌電信號處理應用對于輪椅使用者績效提高和診斷具有巨大的潛力。綜上所述，肌電信號可以用于評估輪椅效益和診斷肌肉狀況，為輪椅設計和優化提供參考。

表面肌電（Surface electromyography，sEMG）技術是一種無創、實時的測量方法，可在某項任務期間監測局部肌肉疲勞，從而客觀反映肌肉活動水平和功能狀態[11]。肌電信號經常被用作假肢、外骨骼或輪椅等設備的控制輸入。然而，sEMG 在輪椅績效評價上應用較少，針對輪椅在緩解肌肉疲勞績效評價等方面的研究仍存在不足，如，文獻[12]的實驗對象不是輪椅使用者，文獻[13]選取的肌肉不是以輪椅使用者為直接目標。為此，提出輪椅績效人機評價模型，通過折疊、剎車及坡度實驗，研究特定肌肉在不同折疊、剎車及坡度下肌電指標的變化情況，驗證較為舒適的交互方式，從而緩解肌肉疲勞。單純依賴肌電信號時會遇到肌肉疲勞，除正常的肌肉收縮水平外，還會影響肌電圖的振幅和頻譜。為提高模型精度及魯棒性引入IMU姿勢傳感器，加速度數據作為一個附加的輸入信號來判斷肌肉疲勞情況，使用混合方法來補償單獨肌電圖滯后問題。融合表面肌電和姿勢信息的輪椅績效評價方法可以客觀評價輪椅的使用效益，診斷肌肉疲勞狀態，提高輪椅使用者體驗，并推廣肌電信號處理技術的應用。

1 輪椅績效評價模型

1.1 表面肌電技術

sEMG是在人體皮膚表面產生的肌肉電信號，是人體神經肌肉細胞興奮收縮形成的電信號。sEMG信號較弱，幅度一般為0～5 mv，依附在皮膚表面的電極采集而得，具有無創性與便捷性，可直接反映淺層肌肉激活情況。sEMG 因含有運動控制信息，所對探究肌肉疲勞程度、電生理變化及神經肌肉協調性指標具有指導作用。sEMG現廣泛應用于工效學、人機交互的智能感知、人機協作控制等方向。通過表面肌電實驗能夠有效獲取均方根值（Root Mean Square，RMS）和中位頻率（Median Frequency，MF），來客觀評價手動輪椅的績效。

1.2 慣性傳感器

慣性測量單元（Inertial Measurement Unit，IMU）是用來測量物體三軸姿態角和加速度的裝置。IMU 包括三軸陀螺儀和三軸加速度計，九軸 IMU 還包括三軸磁強計[14]。加速度計是建立在載體坐標系中獨立的三軸加速度信號；陀螺儀是以測量物體的角速度和加速度，來計算物體的姿態。加速度計通常與陀螺儀一起使用，以補償因重力影響導致的驅動不足。慣性傳感器是一種檢測和測量加速度、傾斜、振動、旋轉的傳感器。由于佩戴大量傳感器對用戶來說是有創的，因此使用IMU技術作為參考來獲得模型的精度[15]。

1.3 融合sEMG和IMU的人機評價模型

因多任務會導致模型復雜，降低推理速度。現利用 sEMG 采集信號判斷人體疲勞度，使用 IMU 技術來測量關節的轉動數據作為參考，進而驗證模型的準確度。對 sEMG信號分析主要集中在時域和頻域，在時域分析中，sEMG是以時間為自變量進行統計分析的函數。時域分析是在時間維度上評價肌電曲線的變化特征的指標，RMS指標因其具有較好的實時性而常被用于描述肌肉活動狀態，是指某段時間內所有振幅的均方根值，描述了sEMG在一定時間內的平均變化特征。因此，將時域參數RMS與頻域參數 MF 相結合，以判斷手動輪椅在作業時的績效和人體上肢肌肉疲勞程度變化，基于RMS和MF指標，提出評估輪椅性能人機評價模型，見圖1。

RMS的大小決定于表面肌電信號的振幅，通過比較不同時期的 RMS可以確定疲勞的時間和程度。一般來說，無論是靜態還是動態運動，EMG（）振幅均會增加，即隨著疲勞的增加，RMS增大。時域參數RMS（）計算見式（1）。

式中：()為表面肌電信號采樣值；dt表示對時間（）進行積分；T為采樣時間。

頻域分析是對時域信號進行快速傅立葉變換，反映肌電信號在不同頻率范圍內的強弱。中值頻率（Median Frequency，MF）用于 sEMG 頻域分析，指肌肉收縮時放電頻率的中間值，一般隨運動時間的增加呈下降趨勢。由于骨骼肌中快肌纖維和慢肌纖維的比例不同，骨骼肌不同部位的MF也不同。快肌纖維的興奮表現為高頻放電，慢肌纖維表現為低頻放電。頻域參數MF（）計算見式（2）。

圖1 輪椅性能人機評價模型

式中：PSD為sEMG的功率譜密度函數；為頻率。

RMS在時間維度上反映信號的振幅變化特征，可直觀映射肌肉疲勞程度與肌電信號變化規律；從統計學角度而言，MF則反映sEMG的頻譜特征。時域內RMS分析的參數比頻域內分析的參數對位置變化更敏感，與時域分析法比較，以傅里葉變換為基礎的頻域分析法更加的穩定可靠。

模型中，ΔRMS為整個實驗過程中規定時間內 RMS的均值減去實驗結束前規定時間內RMS的平均值之差。若ΔRMS大于0，說明sEMG活動趨于降低，肌肉疲勞降低；ΔRMS等于0時表示sEMG活動無變化；ΔRMS小于0表示sEMG活動有增加的趨勢，表明肌肉疲勞。模型的主要評價步驟如下。

1）使用RMS和MF指標評估肌肉是否進入疲勞狀態。若實驗結果顯示肌肉未出現疲勞，則該數據無效；若實驗結果顯示肌肉已經出現疲勞，則需要選取前后各2 s RMS的區間（RMSB與RMSE）進行數據分析。此外，在選擇RMS區間時，需要剔除瞬時值異常波動較大的數據點，以確保所選區間的數據穩定性。

2）從RMSB中減去RMSE得到ΔRMS；從MFB中減去MFE得到ΔMF。通過比較ΔRMS與ΔMF來判斷肌肉的疲勞；以IMU傳感器的加速度數據進行客觀驗證；以NASA-TLX量表的結果進行主觀驗證。

3）比較不同任務下的ΔRMS，并參考IMU的Δg，對輪椅的績效進行評價。

4）比較NASA-TLX量表中6個維度對心理負荷的影響，主觀評估輪椅的績效。

2 實驗方法

2.1 實驗準備

為探究輪椅的剎車、折疊、坡度任務績效，現以手動輪椅為例進行探究。手動輪椅按照折疊方式劃分有中心合攏式輪椅和橫向收折式輪椅兩類；按照剎車裝置可分為肘節式剎車、凹口式剎車、鉸鏈式剎車三種[16-17]，特征見表1。

折疊輪椅作為醫療康復的輔助工具，通常見于醫院、機場等公共場所，是為行動不便者提供的公共設施。這類產品多數為單向折疊，體積笨重，不易攜帶。中心合攏式輪椅是市場上最常見的產品，折疊時只需將輪椅兩側的支架向中心推攏即可實現折疊，操作相對簡單，易于加工并且便宜。缺點是折疊后輪椅的橫向寬度雖有一定程度的減小，但在高度和長度方向的橫截面積未改變。橫向收折式輪椅一般使用提拉方式折疊。折疊前需收回踏板、打開折疊鎖，再完成折疊，操作簡單快捷；缺點是需要增加開鎖的步驟。

剎車是保障輪椅使用者安全的部件及必備部件之一，肘節式剎車是利用杠桿原理，通過幾個關節進行制動，其機械優勢強于凹口式剎車，但失效更快；凹口式剎車安全可靠，但費力，調整后可以在斜坡上剎車；鉸鏈式剎車是采用關節鉸鏈的靈活性和力量傳遞的形式進行剎車，其剎車速度較快，操作靈活，適用于運動輪椅的制動[18]。手動輪椅的剎車及折疊結構見圖2。

表1 手動輪椅分類

Tab.1 Classification of manual wheelchairs

圖2 手動輪椅剎車及折疊結構

文獻[19]為量化5種不同坡度（0°、2.7°、3.6°、4.8°和7.1°）對電動跑步機上手動輪椅推進過程中軀干和肩膀運動學以及肩膀運動和肌肉需求的影響。得出結論在 2.7°～3.6°和3.6°～4.8°的坡度增量之間存在一些相似之處，但當跑步機的坡度增加時，前軀干屈曲和肩部屈曲運動幅度及肩部機械和肌肉需求通常會增加。文獻[20]為研究青年截癱患者在不同坡度坡道上（0°、2°、4°、6°、8°、10°、12°）輪椅推進的運動學和肌電分析，結果表明在4°～10°的斜坡上，運動學發生重大調整，肌肉活動顯著增加，并且隨著坡度的增加，軀干變得更加活躍。文獻[21]對比3種速度（0.6 m/s，0.8 m/s和1.0 m/s）和4種坡度（0°、2.7°、3.6°和4.8°）下心肺結果指標，VO2，心率，呼吸頻率，分鐘通氣量和潮氣量。得出結論：在電動跑步機上推進 MW 的同時增加速度和坡度會增加心肺反應及感知用力率RPE。文獻[22]為對比跑步機上4種梯度（0%、0.7%、1.0%、1.3%）推進輪椅的生物力學特征，建議使用0.7%跑步機梯度以較低的速度（4 km/h和6 km/h）推進輪椅，而1.0% 梯度可能在8 km/h更合適。文獻[23]對手動輪椅推進的坡度進行歸納，發現坡度在2%～9%是可接受的。因此，為研究不同坡度下輪椅的使用績效，現選取0°、2°、3°、4°、6°、8°、10°、12°這7種坡度進行實驗研究。

2.2 實驗對象與實驗環境

在肌電圖研究方面，小規模實驗是前沿研究的常用策略，其優勢在于可以減少實驗成本和時間，同時提高解決探索性問題的效率。文獻[24]選取了兩名男性受試者、而文獻[25]僅收集了一名男性受試者的前臂表面肌電數據。因此，本實驗招募10名全日制研究生作為受試者，均無相關骨骼肌肉病史，實驗前48 h內無任何形式的激烈運動。被試者基本情況以“平均數±標準差”表示如下：年齡為（23±1.1）歲，身體質量指數（Body Mass Index、BMI）為（21.6± 2.3）kg/m2，實驗地點為西南交通大學人機工程實驗室。

2.3 實驗設備

基于肌電信號的輪椅折疊效應評價實驗設備包括：

1）三種不同類型的輪椅。兩種折疊方式、三種剎車方式不同的輪椅，見圖2。

2）姿勢傳感器IMU模塊選用BWT901CL系列，采樣頻率為100 Hz，記錄運動軌跡加速度、角速度、角度等數據。

3）肌電信號由ErgoLAB人機環境同步測試云平臺采集，采樣頻率為1 024 Hz，采樣精度為12 bit，實驗數據借助MATLAB軟件處理。

2.4 實驗任務與肌肉選取

以上肢肌肉群體為例，研究手動輪椅在進行作業時各肌肉表面肌電信號的參數變化特征伴隨肌肉疲勞過程的相關關系、以此評價a、b、c三型手動輪椅的剎車、折疊、坡度績效。文獻[26]在折疊輪椅的整個發力過程中，被試者主要依靠上肢肌肉發力完成做功，需要將肘部彎曲與肩部伸展，根據Seniam項目[27]選取前三角肌（AD）、中三角肌（MD）、后三角肌（PD）、肱二頭肌（BB）、斜方肌（UT）和肱三頭肌（TB）這6個不同的肌肉部位進行肌電信號采集[28-31]，見圖3。

2.5 實驗方案及流程

為檢驗手動輪椅的質量是否符合國家標準，便于進一步研究，對滑行偏移量（≤350 mm為合格），車輪落地性（所有車輪應平穩著地），駐坡性能（≥8°為合格）進行輪椅的靜態測量研究[32-33]。此項測試進行三次，以三次數據的平均值為檢驗結果，結果顯示：三種輪椅均符合相關標準。

圖3 實驗肌肉選取

實驗方案與流程圖見圖4，本次實驗分成三個階段，第一階段：被測對象在實驗點進行培訓，達到實驗要求后進行正式實驗，以節約時間及提高準確率。

第二階段分為兩個任務：任務一為在實驗過程中，使用輪椅a、b、c分別進行剎車和折疊作業，目的是測試受試者在不同輪椅上進行剎車和折疊操作時的表現和反應能力，為確保數據的準確性，使用相同的距離和加速度來推行各個輪椅完成任務；任務二為受試者將獨立完成7種不同坡度（2°～12°）的實驗，該任務的目標是評估受試者在不同坡度條件下的行走能力和適應性，并確定最舒適的坡度范圍，為后續有關輪椅坡度的研究提供基礎。

第三階段為：測試結束后，填寫NASA-TLX（NASA-Task Load Index）量表[34]，評估主觀任務滿意度、工作表現和疲勞程度，輪椅績效評估實驗見圖5。

圖4 實驗方案與流程

圖5 輪椅績效評估實驗

3 實驗結果分析

3.1 數據預處理

肌電信號因特征微弱，易受外界干擾，因此對信號的采集和處理提出了嚴格的要求。采集到的肌電信號必須經過進一步處理才能提取出有用的信息，通常需要在信號處理之前進行預處理，經信號放大、濾波去噪、去偏置等預處理得到sEMG信號[35]。使用截止頻率為5 Hz的高通濾波器來去除直流偏移和低頻噪聲成分；設置50 Hz帶阻濾波器，以去除電源干擾或其他高頻噪聲干擾；選取截止頻率為500 Hz的低通濾波器來保留感興趣肌肉信號的主要成分，并去除高頻噪聲。并設置窗口大小為100 ms的滑動均方根值，將其作為處理后的信號表示。滑動均方根可以提供肌肉收縮強度的估計，處理前后數據見圖6。

圖6 處理前后數據對比

根據式（1）～（2）計算RMS與MF，其指標特征見圖7，根據研究表明，均方根值RMS的幅值參數伴隨著疲勞的增加而增加，MF隨著疲勞的增加而降低，與RMS成反比。

圖7 RMS與MF變化規律

3.2 實驗結果對比

3.2.1 單因素分析對比

使用ErgoLAB人機環境同步測試云平臺采集肌電信號，采樣頻率為1 024 Hz，實驗數據經過3.1數據預處理后，借助MATLAB軟件計算RMS和MF，并得到前、后2 s的ΔRMS和ΔMF，以評估肌肉疲勞狀態，實驗結果見表2。根據JASA分析方法中定義的肌肉疲勞狀態[36]。觀察到每次任務后RMS增加而MF減少，為了進行更深入地定量分析，根據人機評價模型，計算了10名受試者在不同任務中的ΔRMS，并評估輪椅績效。如表2所示的實驗結果顯示：1）在剎車訓練中，輪椅c的肌電RMS較高，表明肌肉訓練疲勞程度最高，損耗也最大；而輪椅a的肌電RMS較低，表明肌肉訓練疲勞程度最低，損耗最小；2）在折疊訓練中，輪椅b的肌電RMS較高，表示肌肉訓練疲勞程度最高，損耗也最大；而輪椅a的肌電RMS較低，表明肌肉訓練疲勞程度最低，損耗最小；3）在坡度任務中，輪椅b的肌電RMS最高，表明肌肉訓練疲勞程度最大，損耗也最高；而輪椅a的肌電RMS最低，表明肌肉訓練疲勞程度最小，損耗最低。因此，在實驗中控制了其他可能影響結果的因素，并根據不同任務中的ΔRMS來評估肌肉訓練疲勞程度和損耗程度。這樣可以更清楚地分析和解釋不同因素對肌肉疲勞的影響。

表2 不同任務績效對比表

Tab.2 Comparison of performance for different tasks

在單因素分析中，只對一個自變量（任務類型、疲勞程度、任務績效）進行考慮和控制變量，以便清晰地比較實驗結果，以下是對結果的歸納總結：

1）不同任務的疲勞度排序。在剎車任務中，疲勞度排序為c>b>a，即輪椅c的疲勞程度最高，輪椅b次之，輪椅a的疲勞程度最低；在折疊任務中，疲勞度排序為b>a，即輪椅b的疲勞程度較高，而輪椅a的疲勞程度較低；在坡度任務中，整體上隨著坡度的增加，疲勞程度呈現增大的趨勢。然而，在3°～4°的坡度范圍內，會有一定程度的疲勞緩解，如圖8所示，其中SD代表標準差（Standard Deviation），SE代表標準誤差（Standard Error）。

2）不同肌肉間的疲勞程度。對訓練過程中不同肌肉群的疲勞程度進行分析，發現在剎車任務中，斜方肌（UT）肌肉表面肌電RMS的數值高，疲勞程度最高，造成的損耗最大；前三角肌（AD）肌肉表面肌電RMS的數值高，疲勞程度最低，造成的損耗最小。在折疊和坡度任務中，肱二頭肌（BB）的肌電值最大，后三角肌（PD）肌肉的RMS最低。這表明在動態運動下，肱二頭肌肌肉承受的負荷和活動水平更高，而后三角肌肌肉的活動較為輕微。上述結果均與輪椅使用者填答的主觀問卷結果相對應，輪椅使用者普遍存在肩部不適、損傷和肩關節勞損等問題。本研究為后期手動輪椅優化和改進提供實踐參考，通過研究進一步優化輪椅使用者的操作任務，提高輪椅使用過程中的姿勢安全性和健康性，見圖9。

圖8 任務績效MF和RMS的對比

圖9 任務績效肌肉對比

3）不同強度下任務績效。對比不同運動強度下的肌電數據分析發現：在剎車任務下，隨著運動強度的增加，后三角肌（PD）的肌電值越來越小；在折疊任務下，斜方肌（UT）的肌電值最小，肱二頭肌（BB）的肌電值最大。在坡度任務下，隨著坡度的增加，PD的肌電值越來越小，BB的肌電值最大。坡度疲勞度整體隨度數增加呈上升趨勢。

3.2.2 多因素分析對比

多因素分析是通過比較不同任務類型（剎車、折疊、坡度）對輪椅使用者的影響，來判斷任務類型對輪椅的影響。以下是對多因素分析結果的歸納總結，見圖10。

圖10 實驗數據對比

1）影響程度：恢復折疊任務對輪椅使用者的影響最大，折疊任務次之，而剎車任務對使用者的影響最小。這可以從疲勞度量化結果中得出結論。

2）疲勞程度與上肢負荷：無論是剎車、折疊還是坡度任務，相對于基線任務（僅推進），所有交互方式都會造成肌肉疲勞。基線任務是指在沒有任何交互方式或附加負荷的情況下，只進行推進的任務。在研究中，使用基線任務作為比較的標準，以評估其他交互方式和附加負荷對疲勞程度的影響。結果顯示，隨著上肢負荷的增加，三種交互方式中，輪椅a被認為是最舒適、疲勞度最低的一種。

3）疲勞度比較：根據肌電數據，剎車、折疊和恢復折疊任務中，剎車任務的疲勞程度最低，恢復折疊任務的疲勞程度最高。此外，在剎車任務中，輪椅a表現出最高的舒適度和最低的疲勞程度，而輪椅c的剎車方式導致最高的疲勞程度，輪椅b的折疊方式導致較高的疲勞程度。根據IMU數據，通過加速度變化的幅度評估疲勞程度。剎車任務的加速度變化較小，而折疊任務的加速度變化較大，這意味著剎車任務的疲勞程度較低，而恢復折疊任務的疲勞程度較高。為更好地比較IMU數據的差異，對數據進行了基線校正，使其保持在零值的上下范圍內。進一步觀察圖10c發現，在剎車任務中，輪椅c的剎車方式產生較大的加速度變化，導致較高的疲勞程度。與此相反，輪椅a在剎車實驗中的加速度變化較為平緩，因此表現出較低的疲勞程度。在折疊任務中，輪椅b的折疊方式產生較大的加速度變化，從而導致較高的疲勞程度。至于坡度任務，在2°～12°坡度范圍內，隨著坡度的增加，加速度持續增大，但在3°～4°范圍內有所下降，說明此范圍是較為舒適的坡度。

綜上所述，通過sEMG和IMU數據的分析，可以比較不同任務和輪椅之間的疲勞程度。加速度變化對疲勞程度的影響提供了更詳細的評估。

3.2.3 主觀驗證

NASA-TLX量表是應用最廣泛的主觀心理負荷評估工具之一，不僅用戶接受度最高，而且被試間變異最小。NASA-TLX量表從認知負荷、身體負荷、時間要求、表現水平、努力水平和挫折水平6個維度來評價整體心理負荷，廣泛應用于績效研究中[37-38]。本研究將NASA-LX量表試用于輪椅剎車、折疊、坡度作業后疲勞感的評估。被試者需在實驗結束后對量表進行評分，量表評估結果顯示，不同任務下，量表的6個維度統計結果無顯著差異（見圖11），且結果均與sEMG和IMU數據相符合。采用NASA-TLX量表對不同任務進行打分，結果與實驗結果相似，實驗證明了輪椅的使用績效。

圖11 NASA-TLX量表對比

4 結語

為客觀評估輪椅的使用績效，提出了一種融合表面肌電和姿勢信息的輪椅績效評價方法。通過表面肌電測試，比較了輪椅的RMS和MF，以判斷較為舒適的交互方式，并論證了利用表面肌電試驗來研究輪椅績效的有效性。作為輪椅舒適性的前導研究，實驗證明了橫向收折式折疊和凹口式剎車（手剎在前方）的輪椅疲勞度低，在3～4°坡度范圍下輪椅使用者的受力最小，較為舒適，從而驗證了模型的可行性與實驗方法的適用性。后續研究將提取肌電特征值進行預測分析，通過比較多種輪椅的績效，對輪椅進行多因素綜合人機評價。

[1] 國家統計局. 2015年全國1%人口抽樣調查主要數據公報[N]. 中國信息報. 2016-04-21(001). National Bureau of Statistics. Bulletin on the Main Data of the National 1% Population Sampling Survey In 2015 [N]. China Information News .2016-04-21(001).

[2] 鐘磊. 國際標準化輪椅車工作新進展[J]. 中國康復理論與實踐, 2018, 24(2): 219-223. ZHONG L. New Process of International Standardization of Wheelchair[J]. Chinese Journal of Rehabilitation Theory and Practice, 2018, 24(2): 219-223.

[3] ISO. Wheelchairs[DB/OL]. (2017-11-25)[2019-11-25]. https://www.iso.org/committee/53792/x/catalogue/p/0/u/1/w/0/d/0.

[4] 楊鐘亮, 孫守遷, 陳育苗. 基于sEMG的按摩椅績效人機評價模型實驗研究[J]. 中國機械工程, 2012, 23(2): 220-224. YANG Z L, SUN S Q, CHEN Y M. A Pilot Study on Ergonomics Evaluation Model of Massage Chair Performance Based on sEMG[J]. China Mechanical Engineering, 2012, 23(2): 220-224.

[5] 金海明, 申黎明, 宋杰. 基于肌電信號的按摩椅按摩效應評價研究[J]. 包裝工程, 2014, 35(2): 28-31. JIN H M, SHEN L M, SONG J. Massage Effect Evaluation of Massage Chairs Based on EMG Signals[J]. Packaging Engineering, 2014, 35(2): 28-31.

[6] 黃耐寒. 基于表面肌電的肌疲勞分析與肌力預測研究及實現[D]. 合肥: 中國科學技術大學, 2014. HUANG N H. Research and Implementation of Muscle Fatigue Analysis and Muscle Force Prediction Based on Surface Electromyography[D].Hefei: University of Science and Technology of China, 2014.

[7] GUO H, GONG P H, WANG Y M, et al. Complex Net-work Properties Analysis of Muscle Fatigue Based on sEMG Signals[J]. IEEE Sensors Journal, 2023, 23(4): 3859-3869.

[8] KIM J, CHO S, KIM S J. Preliminary Studies to De-velop a Ubiquitous Computing and Health-Monitoring System for Wheelchair Users[C]// Proceedings of the ICST 3rd International Conference on Body Area Networks. Tempe: ACM, 2008: 1-3.

[9] HOWARTH S J, POLGAR J M, DICKERSON C R, et al. Trunk Muscle Activity during Wheelchair Ramp Ascent and the Influence of a Geared Wheel on the Demands of Postural Control[J]. Archives of Physical Medicine and Rehabilitation, 2010, 91(3): 436-442.

[10] 吳劍鋒. 基于肌電信號的人體下肢運動信息獲取技術研究[D]. 杭州: 浙江大學, 2008. WU J F. Research on Human Lower-Limb Motion Information Acquisition Technology Based on EMG[D]. Hangzhou: Zhejiang University, 2008.

[11] B?ASZCZYSZYN M, BORYSIUK Z, PIECHOTA K, et al. Wavelet Coherence as a Measure of Trunk Stabilizer Muscle Activation in Wheelchair Fencers[J]. BMC Sports Science, Medicine & Rehabilitation, 2021, 13(1): 140.

[12] Nithin Babu Rajendra Kurup, Markus Puchinger, Margit Gfoehler. A Preliminary Muscle Activity Analysis: Handle Based and Push-Rim Wheelchair Propulsion[J]. J Biomech, 2019, 89:119-122.

[13] [BABU RAJENDRA KURUP N, PUCHINGER M, GFOEHLER M. A Preliminary Muscle Activity Analysis: Handle Based and Push-Rim Wheelchair Propulsion[J]. Journal of Biomechanics, 2019, 89: 119-122.

[14] RATTANAKOCH J, SAMALA M, LIMROONG-REUN-GRAT W, et al. Validity and Reliability of Inertial Measurement Unit (IMU)-Derived 3D Joint Kinematics in Persons Wearing Transtibial Prosthesis[J]. Sensors, 2023, 23(3): 1738.

[15] 宋海鋒, 張敏杰, 曾小清, 等. 基于線路數據信息的列車定位方法研究[J]. 同濟大學學報(自然科學版), 2022, 50(1): 13-21.SONG H F, ZHANG M J, ZENG X Q, et al. Train Location Method Based on Line Data Information[J]. Journal of Tongji University (Natural Science), 2022, 50(1): 13-21.

[16] CASTELLINI C, VAN DER SMAGT P. Surface EMG in Advanced Hand Prosthetics[J]. Biological Cybernetics, 2009, 100(1): 35-47.

[17] PUCHINGER M, KURUP N, GSTALTNER K, et al. Metabolic Cost and Mechanical Efficiency of a Novel Handle-Based Device for Wheelchair Propulsion[J]. Journal of Rehabilitation Medicine, 2022, 54: jrm00346.

[18] 潘澳, 張永鴻, 陶麗佳, 等. 可擦背達重剎車式坐站轉換輔助椅的改進[J]. 裝備制造技術, 2021(7): 34-39. PAN A, ZHANG Y H, TAO L J, et al. Improvement of the Auxiliary Chair for Seat Station Conversion with the Heavy Brake[J]. Equipment Manufacturing Technology, 2021(7): 34-39.

[19] GAGNON D, BABINEAU A C, CHAMPAGNE A, et al. Trunk and Shoulder Kinematic and Kinetic and Electromyographic Adaptations to Slope Increase during Motorized Treadmill Propulsion among Manual Wheelchair Users with a Spinal Cord Injury[J]. BioMed Research International, 2015, 2015: 636319.

[20] CHOW J W, MILLIKAN T A, CARLTON L G, et al. Kinematic and Electromyographic Analysis of Wheelchair Propulsion on Ramps of Different Slopes for Young Men with Paraplegia[J]. Archives of Physical Medicine and Rehabilitation, 2009, 90(2): 271-278.

[21] GAUTHIER C, GRANGEON M, ANANOS L, et al. Quantifying Cardiorespiratory Responses Resulting from Speed and Slope Increments during Motorized Treadmill Propulsion among Manual Wheelchair Users[J]. Annals of Physical and Rehabilitation Medicine, 2017, 60(5): 281-288.

[22] Mason Barry, Lenton John, Leicht Christof, et al. A physiological and biomechanical comparison of over-ground, treadmill and ergometer wheelchair propulsion. [J]. J Sports Sci, 2014, 32(1):78-91.

[23] MASON B, LENTON J, LEICHT C, et al. A Physio-logical and Biomechanical Comparison of Over-Ground, Treadmill and Ergometer Wheelchair Propulsion[J]. Journal of Sports Sciences, 2014, 32(1): 78-91.

[24] COOPER R A, TEODORSKI E E, SPORNER M L, et al. Manual Wheelchair Propulsion over Cross-Sloped Surfaces: A Literature Review[J]. Assistive Technology, 2011, 23(1): 42-51.

[25] BECMAN E C, DRIEMEIER L, LEVIN O, et al. Asymmetric Effects of Different Training-Testing Mismatch Types on Myoelectric Regression via Deep Learning[J]. IEEE Journal of Biomedical and Health Informatics, 2023, 27(4): 1857-1868.

[26] WHITHAM E M, POPE K J, FITZGIBBON S P, et al. Scalp Electrical Recording during Paralysis: Quantitative Evidence that EEG Frequencies above 20 Hz are Contaminated by EMG[J]. Clinical Neurophysiology: Official Journal of the International Federation of Clinical Neurophysiology, 2007, 118(8): 1877-1888.

[27] VAN DER Slikke R, de Leeuw A-W, de Rooij A, Berger M. The Push Forward in Rehabilitation: Validation of a Machine Learning Method for Detection of Wheelchair Propulsion Type. Sensors. 2024, 24(2):657.

[28] MERLETTI R, HERMENS H. Introduction to the Special Issue on the SENIAM European Concerted Action[J]. Journal of Electromyography and Kinesiology: Official Journal of the International Society of Electrophysiological Kinesiology, 2000, 10(5): 283-286.

[29] MATHIASSEN S, HA¨GG G. Amplitude Aspects and Functional Consider-Ations on Surface EMG Electrode Displacement with Particular Emphasis on the Upper Trapezius Muscle. In: The State of the Art on Sensors and Sensor Placement Procedures For SEMG, SENIAM Deliverable N[J]. 1997(5): 84-95.

[30] MERLETTI R, ROY S. Myoelectric and Mechanical Manifestations of Muscle Fatigue in Voluntary Contractions[J]. The Journal of Orthopaedic and Sports Physical Therapy, 1996, 24(6): 342-353.

[31] ROY S H, DE LUCA C J, SCHNEIDER J. Effects of Electrode Location on Myoelectric Conduction Velocity and Median Frequency Estimates[J]. Journal of Applied Physiology, 1986, 61(4): 1510-1517.

[32] VERMANDER P, MANCISIDOR A, CABANES I, et al. Intelligent Sitting Posture Classifier for Wheelchair Users[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2023, 31: 944-953.

[33] GB/Z 13800-2021, 手動輪椅車[S]. GB/Z 13800-2021, Manual Wheelchair [S].

[34] 樊琳, 王殊軼, 王浴屺, 等. 基于fNIRS的AR引導穿刺訓練系統的工效與認知負荷研究[J]. 包裝工程, 2021, 42(20): 146-151. FAN L, WANG S Y, WANG Y Q, et al. Ergonomics and Cognitive Load of AR Guided Puncture Training System Based on fNIRS[J]. Packaging Engineering, 2021, 42(20): 146-151.

[35] 張磊, 王文東, 史儀凱, 等. 肌電信號的離散運動預測研究[J]. 西北工業大學學報, 2019, 37(3): 509-514. ZHANG L, WANG W D, SHI Y K, et al. Discrete Motion Prediction Based on EMG Signals[J]. Journal of Northwestern Polytechnical University, 2019, 37(3): 509-514.

[36] 王篤明, 王健, 葛列眾. 肌肉疲勞的sEMG時頻分析技術及其在工效學中的應用[J]. 航天醫學與醫學工程, 2003, 16(5): 387-390. WANG D M, WANG J, GE L Z. SEMG Time-Frequency Analysis Techniques for Evaluation of Muscle Fatigue and It’s Application in Ergonomic Studies[J]. Space Medicine & Medical Engineering, 2003, 16(5): 387-390.

[37] LUTTMANN A, J?GER M, LAURIG W. Electromyographical Indication of Muscular Fatigue in Occupational Field Studies[J]. International Journal of Industrial Ergonomics, 2000, 25(6): 645-660.

[38] LIU H, XU J L, ZHANG X D, et al. Evaluation Method of the Driving Workload in the Horizontal Curve Section Based on the Human Model of Information Processing[J]. International Journal of Environmental Research and Public Health, 2022, 19(12): 7063.

Wheelchair Performance Evaluation Method Integrating Surface Electromyography and Posture Information

WANG Zhenyua, XIANG Zeruia,b*, LYU Silonga, LONG Siyua, ZHI Jinyia,b

(a.School of Design b.Institute of Design and Research for Man-Machine-Environment Engineering System, Southwest Jiaotong University, Chengdu 611730, China)

The work aims to objectively evaluate the use effectiveness of wheelchair by using surface electromyographic equipment to test the electromyographic signals during wheelchair use, and to construct a human-machine evaluation model by integrating posture signals from an inertial measurement unit (IMU). Folding, braking, and slope of the wheelchair were tested to evaluate its performance, and the fatigue condition between muscle groups was compared to determine the folding and braking methods that were beneficial to the wheelchair. The experimental subjects were required to use two folding methods and three braking methods of different wheelchairs to perform the wheelchair tasks and to collect sEMG and IMU signals during the operational task process. After the experimental task, the NASA-TLX scale was filled out. Based on the evaluation indicators of the model, the experimental data were compared and analyzed. The wheelchair subject to horizontally folded folding and concave brake (hand brake in front) had less fatigue, and the user's force was minimal at a 3～4° slope range, which was more comfortable. This verified the feasibility of the model in wheelchair human-machine evaluation and provided a reference for optimizing wheelchair design. The human-machine evaluation model is suitable for evaluating product performance. Meanwhile, the wheelchair performance evaluation method proposed in this study, which integrates surface electromyography and posture information, has higher accuracy and can effectively evaluate the performance level of wheelchair users.

surface electromyography (sEMG); posture signals; wheelchair performance; evaluation model; inertial measurement unit (IMU)

TP-391.4；TB472

A

1001-3563(2024)04-0141-11

10.19554/j.cnki.1001-3563.2024.04.015

2023-09-12

國家重點研發計劃項目（2022YFB 4301203）；教育部2022年第二批產學合作協同育人項目（220705329291641）