教学案例1
穿戴式肌音信号传感检测装置与系统设计

案例摘要

肌音信号（mechanomyography，MMG）是由骨骼肌收缩引起的一种肌纤维低频横向振动信号，能有效反映肌肉收缩的力学特性。本案例以三轴加速度传感器将肌纤维振动生理过程转换为电信号，结合调理电路、微控制器、无线通信接口电路实现了肌音信号检测；同时设计了穿戴式传感检测装置、上位机信号特征分析和动态显示界面软件程序设计实现了肌音信号特征分析，以及肌音信号存储和回放等功能。通过握力训练和上肢运动训练的实验测试，验证了本案例设计的肌音信号检测系统能持续采集肌音信号并动态显示肌肉收缩状态，可用于在线监测肢体运动肌肉收缩过程。

1.1 案例生物医学工程背景

1.1.1 肌音信号检测的生物医学工程应用需求

根据《中国脑卒中防治报告（2019）》，近年来我国每年新发脑卒中患者约300万人，而且发病人数在过去20年呈上升趋势，其中70%~80%的患者需要康复治疗。偏瘫是脑卒中患者常见的后遗症，其临床表现为患侧出现力弱、肌肉痉挛等症状。研究和临床实践表明，肌力训练在患者康复治疗中发挥十分重要的作用，能够有效改善患者的肌肉功能，使患者的肌肉活动水平逐步恢复正常，因此肌力是反映肌肉活动水平的一种重要表征方式。由于肌力训练是一个持续动态的过程，因此有效动态持续地监测肌力变化能够更好地评估患者的肌肉活动水平，更能为医生提供科学的诊断依据，加速患者的治疗进程。

肌力是反映骨骼肌收缩状态的重要生物力学特征和生理学特征，运动技能训练、运动功能康复过程中需要相关骨骼肌具有合理的收缩水平及收缩模式，持续监测肌肉收缩状态和肌力水平对运动医学、康复医学有重要应用价值。虽然肌电信号可以客观反映肌力，但肌电信号采集是利用电极与皮肤之间形成电传导通路拾取肌肉电活动，电极与皮肤的接触状态、人体汗液、电极极化以及环境电磁干扰都将成为影响肌电信号检测的干扰因素，使得运用肌电信号持续监测肌肉收缩状态面临挑战，而肌音信号是一种记录和量化骨骼肌肌纤维的低频横向振动信号，它是在当肌肉自主或者诱发运动条件下肌纤维形态发生改变时在肌肉内部产生的一种压力波，可以通过检测肌肉收缩的微弱振动获取肌肉收缩信息，为持续记录和监测肢体运动和运动康复过程中的肌力水平提供了可能。

传统的运动康复治疗在运动损伤患者的恢复期可以通过肌力训练来增强肌肉力量，提高关节运动能力，促进正常运动模式的重建，然而传统的运动康复治疗缺乏有效客观的评估方法，很难针对不同的运动损伤患者建立完善的康复效果评估方案。研究表明，通过监测患者肌力训练过程中的肌力变化能够提高患者的训练水平，同时有助于降低肌肉运动损伤的发生。此外，通过分析患者的肌力变化过程，可以为其定制个性化的训练计划，加速患者的康复进程。

1.1.2 肌音信号检测方法及应用进展

早在1810年英国生理学家William Hyde Wollaston就发现肢体在动作的过程中肌肉的肌纤维发生收缩现象，且在皮肤表面出现一种微弱的振动，这种振动频率范围为2~100 Hz，是一种低频的物理振动信号，信号幅值随着肢体动作的增强而变大。当停止肢体动作时，信号基本保持不变。1995年在CIBA基金专题讨论会上，专家提出肌音信号是一种记录并量化激活的骨骼肌纤维的低频横向振动活动，并建议使用术语“Mechanomyogram”来描述肌音信号（mechanomyogram，MMG）。MMG的中文名称有肌音信号、肌动信号、肌声信号等，其中大部分国内文献将MMG译为肌音信号。

肌音信号可以通过麦克风、压电式接触传感器、加速度传感器、激光位移传感器等进行检测。不同类型的传感器在检测肌音信号方面存在一定的差异。麦克风和压电式接触传感器是记录肌肉纤维机械振动产生的压力或低频振动声波；加速度传感器可检测被募集的运动单位中肌纤维参与活动中尺寸变化的总和；激光位移传感器可以检测肌肉整体尺寸的变化。大量研究证实，肌音信号幅值随肌力增大而增加，其频率特征也受肌肉受力状态影响，如股外侧肌和腓肠肌进行动态阻力训练时肌音信号频率升高。国内外学者探索运用肌音信号识别肌肉收缩和动作模式，加拿大多伦多大学的Silva等使用加速度传感器来记录肌音信号控制假肢动作，假肢动作的平均识别率为87%；华东理工大学研究团队运用肌音信号进行动作模式识别、肌肉疲劳、肌力估计研究工作，通过在受试者前臂的指总伸肌和桡侧腕屈肌处放置2个加速度传感器检测肌音信号，对手部闭合、手部张开、腕部屈紧、腕部伸张这4个动作进行识别，同时发现肌音信号的平均功率频率和中值频率可有效反映肌肉疲劳程度；中国科学技术大学研究团队将加速度传感器分别放置在大腿四块肌肉对应位置的衣服表面记录肌音信号对膝关节动作进行模式识别，并估计运动角度。重庆大学研究团队运用肌音信号检测和评价神经肌肉电刺激诱发的肌肉收缩状态和机器人辅助康复运动的肌力变化过程。

1.1.3 案例教学涉及知识领域

本案例教学涉及骨骼肌结构、生理特征、运动生物力学等基础医学知识，生物医学传感器原理、模拟电路与数字电路、单片机与接口电路、上位机程序设计、医学信号分析等生物医学工程知识。

1.2 案例生物医学工程实现

1.2.1 肌音信号传感检测原理

（1）肌音信号特征及其传感检测方法比较

肌音信号是一种记录和量化骨骼肌肌纤维的低频横向振动信号，这种振动频率范围为2~100 Hz，是一种低频的物理振动信号，主要能量集中在5~50 Hz。肌音信号反映了人体肌肉收缩的活动状态。当肌肉在自主或者诱发运动条件下，肌纤维形态发生改变，会在肌肉内部产生一种压力波，由运动单位共同作用形成。因此，肌音信号包含运动单位的数目信息，反映了肌纤维参与运动时的尺寸总体改变效果。

肌音信号可通过不同类别的传感器进行检测，不同的传感检测方法比较见表1-1。其中，麦克风传感器内置有一种电容式话筒薄膜，当薄膜检测到肌肉表面的物理振动时，薄膜电容发生变化，变化的电容产生微弱的电压，经过放大和AD转换后得到肌音信号。压电式接触传感器内部含有应变片，当应变片检测到皮肤表面压力时，根据压电效应将压力信号转换为电信号从而获取到肌音信号。加速度传感器内部有质量块，通过测量质量块所受的惯性力获取加速度信息，从而获取肌音信号。激光位移传感器含有激光器，通过激光可以测量物体的位移变化，因此可以测量由于肌肉收缩在皮肤表面引起的微弱位移，根据位移量来表示肌音信号。

（2）加速度传感器特性与选择依据

加速度传感器能够反映运动单位肌纤维参与过程中的尺寸变化，且加速度传感器具有灵敏度高、质量小、体积小等特点，因此选择加速度传感器作为检测肌音信号的传感器。加速度传感器有单轴、双轴、三轴等，其中三轴加速度传感器是指能够读取 X 、 Y 、 Z 轴的加速度数据。

根据文献已知，肌音信号传感器基本使用 Z 轴作为肌音信号的原始信息，这是因为传感器水平放置于肌肉表面，且 Z 轴是垂直于肌肉表面的，便于检测 Z 轴的肌音信号的原始信息。但在某些倾斜的检测状态或者运动场景中，单独使用 Z 轴分量作为肌音信号原始信息，可能丢失重要的有效信息。因此，考虑使用三分量合成的方法，利用式（1-1）将3个分量合成为原始肌音信号。

传统的肌音信号传感器基本上采用模拟信号输出的方式得到肌音信号，比如ADI公司的ADXL327和ADXL335传感器，采用采集卡或者单片机实现肌音信号采集。随着MEMS技术的发展，一些放大电路和AD转换电路集成在传感器芯片内部，采用I ² C、SPI等数字化接口和单片机进行通信获取肌音信号。ADXL327和ADXL335读取的肌音信号为模拟电压值，LIS3DHTR、ADXL345和ADXL362读取的肌音信号为数字输出值。

ADXL362是一款三轴加速度传感器。它在±2 g范围内灵敏度为1 mg/ LSB，能够实现1~400 Hz数字输出滤波，在400 Hz输出时实现3.0μA超低功耗。ADXL362是LGA封装的16引脚，通信方式为SPI，其主要的功能引脚包含SCLK、MOSI、MISO、CS、VS、GND等，表1-2是ADXL362主要引脚的功能描述。

1.2.2 肌音信号检测的工程技术设计

（1）肌音信号传感检测功能定位与总体技术方案

参考临床上偏瘫患者的肌力训练需求，本案例设计的肌音信号传感检测系统主要面向握力训练和上肢运动训练任务的动态肌力监测，其中握力训练是等长收缩，主要目标是增强肌力；上肢运动训练是等张收缩，主要目标是功能性肌力训练。预期握力训练场景如图1-1所示。偏瘫患者坐在桌前的椅子上，前臂放置在水平桌面上，将可穿戴的肌音信号检测装置佩戴于前臂上，检测装置的肌音信号传感器模块放置在桡侧腕屈肌处。患者手握握力计，正视桌面上的显示屏进行握力跟踪训练，此时在计算机的上位机上实时显示桡侧腕屈肌的肌音信号，并动态持续监测桡侧腕屈肌的肌力变化，从肌力变化反映肌肉活动水平。握力训练结束后保存肌音信号数据，方便回溯查看肌肉活动水平变化过程。

预期上肢运动训练场景如图1-2所示。上肢康复机器人放置在水平桌面上，偏瘫患者坐在桌前的椅子上，调整坐姿保持身体挺直。将可穿戴的肌音信号检测装置佩戴于上臂，检测装置的肌音信号传感器模块放置在肱二头肌处。患者手部握机器人末端，在机器人末端牵引带动下，在水平方向上做肘屈肘伸动作。此时在计算机的上位机上实时显示肱二头肌的肌音信号，并动态持续监测肱二头肌的肌力变化。上肢康复训练结束后保存肌音信号数据，方便回溯查看肌力变化过程。

针对上述应用场景，肌音信号传感检测系统的功能定位和技术实现方案见表1-3。

根据肌力训练场景、装置功能、功能对应的参数，本案例的技术方案主要包含肌音信号的检测电路、肌音信号检测的上位机、系统集成化设计及测试验证3部分，具体的技术路线如图1-3所示。

（2）传感检测硬件电路设计

肌音信号检测电路主要是实现检测单通道肌音信号的功能，电路主要包含单片机、传感器、无线传输模块、电源管理模块。图1-4是肌音信号检测电路的总体设计。肌音信号检测电路主要功能是实现检测肌音信号的功能。单片机选用的是STM32F103，负责控制、采集、传输肌音信号，协调肌音信号检测电路中的各模块。传感器贴合于肌肉表面用于检测肌音信号，传感器ADXL362和单片机的SPI1接口进行通信来采集肌音信号。无线传输模块和单片机的USART2接口和Timer3定时器结合一起，用于传输肌音信号数据。单片机的Timer2定时器用于精准控制无线传输模块的速度，定时发送肌音信号数据到上位机，使传感器的采样率为400 Hz。电源管理模块用于给单片机、传感器以及无线传输模块供电。

（3）检测电路软件设计及实现

肌音信号检测电路不仅需要硬件支持，还需要驱动软件控制硬件能够正常工作。本案例使用STM32F103主控芯片，采用的编程平台是Keil，在Keil中方便构建自己的工程，实现各模块的驱动编程。

如图1-5所示，STM32主程序编程主要是实现STM32F103系统各模块的初始化。首先，初始化系统时钟。然后，开启LED灯及其GPIO引脚时钟、开启SPI1及其GPIO引脚的时钟、开启USART2以及GPIO引脚的时钟、开启定时器Timer2和Timer3时钟，初始化GPIO、SPI1、传感器、USART2、无线传输模块、Timer2和Timer3等基本配置。最后，等待定时中断，发送传感器数据到上位机，使其配置的传感器采样率为400 Hz。

传感器编程是基于SPI协议来进行开发的，SPI的名称为串行外围设备接口，它是一种全双工、高速同步的通信总线。SPI总线有4根引脚，分别是MISO、MOSI、SCLK和CS，其中CS默认电平为低时是选中状态。

SPI总线的通信过程如图1-6所示，STM32和ADXL362都有一个8位的移位寄存器，STM32需要向ADXL362发送一个字节数据来进行传输。STM32和ADXL362之间的读数据和写数据是同步进行的，当STM32向ADXL362写数据时，首先STM32的移位寄存器通过MOSI引脚向ADXL362写入数据，然后ADXL362的移位寄存器接收来自MOSI引脚的数据，最后STM32忽略ADXL362通过MISO引脚发送来的数据；当STM32向ADXL362读数据时，首先STM32的移位寄存器通过MOSI引脚向ADXL362写入空数据，然后ADXL362的移位寄存器触发传输机制，最后STM32接收ADXL362的MISO引脚发送的数据。

USART的名称是通用同步/异步串行接口/发送器，它是一种全双工的通信方式。表1-4是STM32开发板和Wi-Fi模块的连接关系。肌音信号传感器采集的数据通过Wi-Fi模块的RXD和TXD两个引脚来接收和发送，数据通过TCP / IP协议实现无线传输。

图1-7是SMT32和Wi-Fi模块的数据传输过程。传输过程包含数据接收和数据发送这两部分。据接收过程：Wi-Fi模块的一帧数据依次通过串口USART2的接收移位寄存器、接收数据寄存器进入到STM32的CPU；数据的发送过程：STM32的CPU的一帧数据依次通过串口USART2的发送数据寄存器、发送移位寄存器进入到Wi-Fi模块。

（4）肌音传感器模块结构设计

在单元电路设计基础上，需要结合肌音信号检测部位设计可穿戴的传感检测装置。针对用于手臂肌肉收缩状态监测的应用场景，传感器单元模块主要考虑与手臂的接触，肌肉收缩的微弱振动通过外壳传递到传感器芯片，因此传感器模块结构设计需要考虑到传感器与外壳内部材料充分接触，受力均匀。同时，传感器结构外壳还需要和可穿戴装置配合，方便嵌入装置。如图1-8所示，由于肌音信号传感器的尺寸为13 mm×13 mm，考虑到外壳加工的厚薄程度及预留空间，传感器的外壳尺寸为18 mm×18 mm×8 mm；A1为1 /4圆台，半径为2 mm，高度为2.25 mm，用于放置传感器的4个角，方便传感器平稳地放置于4个圆台上；A2为长方体，尺寸为4 mm×4 mm×1.25 mm，用于放置传感器的加速度传感器芯片；A3为6 mm×1 mm×1.5 mm的槽口，是传感器的FFC排线的预留接口，A4下方为6 mm×1 mm×1.5 mm的槽口，与底部外壳的A3配合在一起，方便FFC排线的连接。A5为嵌入可穿戴装置的凹槽，槽宽为1 mm，槽深为2 mm，倒角是1 mm。

肌音传感器装置是佩戴于人体前臂的桡侧腕屈肌或者上臂的肱二头肌处。考虑到装置与人体肌肉要有良好的接触，且能根据个体差异情况进行适当调整，选用了手环结构。可穿戴装置主要有两种材料组成，腕带由TPU材料加工而成，轻便柔软，弹性好，方便根据人体手臂粗细进行调整。主体部分由树脂材料加工而成，具有一定的强度和硬度，方便腕带固定在主体部分的凹槽里面。图1-9是可穿戴装置实物图和在前臂桡侧腕屈肌处穿戴效果图。

（5）上位机设计及实现

上位机程序包含肌力持续监测程序、肌力回溯分析程序这两部分。其中肌力持续监测程序包含肌音信号波形的实时显示、持续监测肌力、数据存储功能，使用的是LabVIEW开发软件。肌力回溯分析程序是在LabVIEW上调用MATLAB脚本的方式来处理离线肌音信号数据。首先对平均去噪和小波去噪这两种算法进行比较，然后选择去噪效果好的算法用于处理肌音信号，最后使用去噪后的肌音数据提取其特征值，回溯肌力过程。

1）肌力持续监测程序

肌力持续监测程序部分包括7个过程，分别是建立TCP / IP通信、帧头帧尾判断、三轴加速度合成、巴特沃斯滤波、信号实时显示、持续监测肌力、信号保存，如图1-10所示。

监测肌力是一个连续的过程，在获取到肌音信号后，需要对信号进行分割处理，并要求分割的信号段是连续不间断的，因此本案例选择使用滑动窗的方式来分割肌音信号及信号特征提取。

如图1-11所示，滑动窗是通过窗口在信号上平移滑动形成的，滑动窗沿着虚线箭头方向进行滑动，直至信号末端。 t ₁ 是窗口内肌音信号所占用的窗长时间， t ₂ 是滑动所占用的步长时间。一般来讲，窗长时间过长使信号处理时间偏长，增长肌力监测的延时；步长时间过短，同样也会增长肌力监测的延时。经过上述分析，本案例用于提取RMS的窗长时间为50 ms，步长时间为25 ms。由于肌音信号采样率为 f _s = 400 Hz，则每次用于提取RMS的肌音信号数据量为 N = f _s ×50 /1000 = 20。

在前面板添加“波形图标”控件，在程序面板上将巴特沃斯带通带阻滤波后的输出端与该控件的输入端连接。图1-12是在握力训练场景下，某一时刻经过带通带阻滤波后在前面板实时显示的肌音信号。

在前面板上添加一个“仪表”控件，在程序面板上将RMS计算出来的结果与该控件输入端连接。图1-13是在握力训练场景下，在某一时刻实时地显示桡侧腕长伸肌的肌力大小。

2）肌力回溯分析

在肢体运动的过程中，肌音信号和低频的运动伪迹混叠在一起，很难通过巴特沃斯滤波的方式进行滤除，这样会严重影响肌音信号的质量。因此有必要提高肌音信号的信噪比，尽量消除运动伪迹带来的影响。本案例采用了两种去噪算法，分别是移动平均去噪和小波去噪。通过对比两种去噪算法，获取信噪比较好的肌音信号，图1-14是肌力回溯的流程图。

移动平均去噪是一种滤除高频噪声的时域分析方法，保留有用的低频信息。肌音信号是一种低频信号，采用移动平均去噪能够在一定程度上滤除一些高频的电磁干扰等随机噪声。移动平均去噪的效果和窗口点数有关，窗口点数和采样率有关。一般而言，窗口点数越大，去噪后的信号就越平滑，同时在时间上也更加滞后。本案例设置的肌音信号采样频率为400 Hz，因此移动平均去噪的点数设置不宜超过400。结合点数设置对信号平滑性和滞后性的影响，选取的窗口点数为3。小波去噪是基于小波变换而来，采用的是自适应阈值小波去噪的方法在小波分解的每一层尺度上，根据噪声水平自适应地调整阈值，去除噪声部分的小波系数，重构后得到去噪后的肌音信号。其去噪流程如图1-15所示。

将小波去噪后的肌音信号离线数据用于特征值RMS提取，时间窗为50 ms，这样可以对训练过程中的肌力变化进行回溯查看，并提供回溯肌力保存功能，以供临床医生辅助诊断。

运行程序，单击“打开文件”按钮，选择握力训练后的离线文件，最后得到如图1-16所示的处理结果。经过小波去噪算法后，握力训练过程中产生的基线噪声滤除较好。去噪后的肌音信号通过提取其特征值RMS，得到下方的肌力变化回溯图。

1.2.3 肌音信号传感检测系统设计性能测试

（1）传感器读取测试

图1-17是通过串口助手“XCOM”获取的ADXL362数据，串口选择COM6，波特率为47600 Bd。通过串口USART2在计算机上接收传感器数据，数据是按照十进制显示的。第1列、第2列、第3列数据分别是加速度传感器的 X 、 Y 、 Z 三轴数据。从图中可以看出，STM32能够从传感器正常读取到三轴的加速度信号。

（2）无线传输模块测试

通过Wi-Fi模块开启热点的方式来创建网络，方便Wi-Fi模块和计算机建立通信。首先设置Wi-Fi模块的热点名称和密码，然后给STM32上电，Wi-Fi模块根据设置的热点和密码自动创建热点网络，在计算机上找到该热点网络名称，输入热点密码，连接该热点。最后计算机成功连接上Wi-Fi模块热点后，通过网络调试助手可以查看连接状态。图1-18所示是通过网络调试助手接收Wi-Fi模块发送来的ADXL362数据，图中红色方框的部分为连续3帧数据的字节内容。一帧数据是按照“帧头+ ADXL362数据+帧尾”实现的，每一帧的数据格式均是十六进制。一帧数据包含8个字节，其中帧头（AF）占1个字节，三轴的加速度信号 X 、 Y 、 Z 分别占2个字节，帧尾（FA）占1个字节。

1.3 案例应用实施

1.3.1 握力训练应用测试

同步采集人体前臂桡侧腕长伸肌的肌音信号和手部的握力信号，分析肌音信号时域特征值与握力的关系。为了降低个体差异对实验的影响，实验前采集受试者的最大自主收缩力（MVC），测量3次，每次测量持续时间为5 s，3次MVC的平均值作为该受试者的MVC最大握力标准。按照每个受试者MVC标准，将受试者的握力水平的等级分为20% MVC、40% MVC、60% MVC、80% MVC、100% MVC，这些握力等级作为握力跟踪曲线的最大值。握力等级是按照逐步增加的方式进行的，为了避免握力逐次递增造成肌肉疲劳，相邻的等级测试要求休息3 min。通过计算握力保持阶段3 s时间段内的肌音信号积分肌音值iMMG值和均方根值RMS值来反映肌力，用于评估肌肉活动水平。

如图1-19所示，为了避免外界干扰，实验在安静的室内条件下进行。实验要求被试者在实验前处于放松状态，实验过程中注意力集中，以舒适的坐姿坐在椅子上，上半身保持直立，要求受试者前臂放置在水平桌面上，前臂和上臂的夹角为120°。手部水平握着握力计，可穿戴装置佩戴于桡侧腕长伸肌处。实验开始时，首先打开并运行肌力持续监测程序界面，并打开握力采集系统。然后在握力跟踪的过程中，要求眼睛正视计算机屏幕上的握力曲线，跟随握力曲线发力，尽量保持手部的握力和跟踪曲线一致，每次握力水平等级逐步递增，每次握力水平等级重复3次。最后停止采集肌音信号和握力信号，记录好数据，关闭肌音信号检测系统和握力采集系统。

1.3.2 上肢运动训练场景

（1）静态等张收缩实验

受试者在手臂保持水平状态的条件下，手部握着不同负重的哑铃进行静态等张收缩实验，负重等级依次为1、1.5、2、2.5、3 kg。每种负重等级的静态等张收缩实验重复5次，每次负重持续时间为5 s。负重等级是按照逐步增加的方式进行的，为了避免负重逐次递增造成肌肉疲劳，相邻的等级测试要求休息3 min。为了避免在持续负重5 s时间内的起始和结束时刻对信号的干扰，本次实验通过计算负重保持阶段中间3 s内的肌音信号的RMS值来反映肱二头肌肌力，用于评估在不同负重下肱二头肌的肌肉活动水平。

如图1-20所示，为了避免外界干扰，实验在安静的室内条件下进行。实验要求被试者在实验前处于放松状态，实验过程中注意力集中，以舒适的坐姿坐在椅子上，上半身保持直立，手臂保持水平状态。手部水平握着哑铃，可穿戴装置佩戴于肱二头肌处。实验开始时，首先打开并运行肌力持续监测程序界面，然后进行哑铃负重实验，在哑铃负重的过程中可以实时查看不同哑铃负重条件下的肌音信号以及肌力变化。每次哑铃负重等级逐步递增，每种哑铃负重等级重复5次。最后记录好数据，关闭肌音信号检测系统。

（2）肘屈肘伸实验

受试者在克服手臂重力条件下，依次主动做肘屈、肘伸动作，要求每次肘屈肘伸动作尽可能用力相同，肘屈肘伸动作重复10次，肘关节的角度活动范围为45°~135°。首先计算肘屈肘伸动作过程中的肌力最大值对应的RMS值，该值作为最大肌力水平，并进行归一化处理，从而在肌力训练过程中得到不同时刻的肌力水平，通过肌力水平来持续评估肌肉活动水平。

如图1-21所示，为了避免外界干扰，实验在安静的室内条件下进行。实验要求被试者在实验前处于放松状态，实验过程中注意力集中，以舒适的坐姿坐在高度可调节的椅子上，调整座椅到合适的高度，手臂水平握住UR机器人的牵引端，将可穿戴装置佩戴于肱二头肌上，在身体的前后方向做肘屈肘伸动作。实验开始时，首先启动UR机器人，打开并运行肌力持续监测系统界面。然后受试者握着UR机器人把手做肘屈肘伸动作，记录肱二头肌在运动过程中的肌力，肘屈肘伸重复10次。最后关闭UR机器人和肌力持续监测系统，记录好数据。

案例来源及主要参考文献

本案例来源于重庆大学生物医学工程专业硕士论文工作。主要参考文献包括：

[1]孙健。基于三轴加速度传感器的肌音信号检测系统设计[D].重庆：重庆大学，2021.

[2] WERNER G. Strength and conditioning techniques in the rehabilitation of sports injury[J]. Clinics in Sports Medicine，2010，29（1）:177-191.

[3]王大庆。基于肌动信号的人体股四头肌肌力估计方法研究[D].合肥：中国科学技术大学，2019.

[4]郑小林，许蓉，侯文生，等。握力对前臂肌肉活动水平的影响[ J].人类工效学，2009，15（4）:14-17.

[5]宋超。非疲劳状态下肌肉活动的力：电关系研究[D].杭州：浙江大学，2004.

[6] ISLAM M A，SUNDARAJ K，AHMAD R B，et al. Mechanomyography sensor development，related signal processing，and applications:a systematic review[J]. IEEE Sensors Journal，2013，13（7）:2499-2516.

[7] KAWAKAMI S，KODAMA N，MAEDA N，et al. Mechanomyographic activity in the human lateral pterygoid muscle during mandibular movement[ J]. Journal of Neuroscience Meth ods，2012，203（1）:157-162.

[8] QI L P，WAKELING J M，GREEN A，et al. Spectral properties of electromyographic and mechanomyographic signals during isometric ramp and step contractions in biceps brachii[J]. Journal of Electromyography and Kinesiology Official Journal of the International So ciety of Electrophysiological Kinesiology，2011，21（1）:128-135.

[9] ALVES N，FALK T H，CHAU T. A novel integrated mechanomyogram-vocalization access solution[J]. Medical Engineering & Physics，2010，32（8）:940-944.

[10] BECK T W，HOUSH T J，JOHNSON G O，et al. Comparison of Fourier and wavelet trans form procedures for examining the mechanomyographic and electromyographic frequency domain responses during fatiguing isokinetic muscle actions of the biceps brachii[ J].Journal of Electromyography and Kinesiology，2005，15（2）:190-199.

[11] EBERSOLE K T，MALEK D M. Fatigue and the electromechanical efficiency of the vastus medialis and vastus lateralis muscles[ J]. Journal of Athletic Training，2008，43（2）:152-156.

[12] TANAKA M，OKUYAMA T，SAITO K. Study on evaluation of muscle conditions using a mechanomyogram sensor[ C] //2011 IEEE International Conference on Systems，Man，and Cybernetics. Anchorage，AK，USA:IEEE，2011.

[13] LEI K F，TSAI W W，LIN W Y，et al. MMG-torque estimation under dynamic contrac tions:IEEE International Conference on Systems[C] //2011 IEEE International Confer ence on Systems，Man，and Cybernetics. Anchorage，AK，USA:IEEE，2011.

14] ALVES N，SEJDIC'[E，SAHOTA B，et al. The effect of accelerometer location on the clas sification of single-site forearm mechanomyograms[ J]. Biomedical Engineering Online，2010，9:23.

[15] YOUN W，KIM J. Estimation of elbow flexion force during isometric muscle contraction from mechanomyography and electromyography [ J]. Medical & Biological Engineering and Computing，2010，48（11）:1149-1157.

[16] XIE H B，GUO J Y，ZHENG Y P. Uncovering chaotic structure in mechanomyography signals of fatigue biceps brachii muscle [ J]. Journal of Biomechanics，2010，43（6）:1224-1226.

[17] SCHEEREN E M，KRUEGER-BECK E，NOGUEIRA-NETO G，et al. Wrist movementcharacterization by mechanomyography technique[J]. Journal of Medical and Biological Engineering，2010，30（6）:373-380.

[18] DILLON M A，BECK T W，DEFREITAS J M，et al. Mechanomyographic amplitude and mean power frequency versus isometric force relationships detected in two axes[J]. Clin ical Kinesiology，2011，65（3）:47-56.

[19] BECK T W，DILLON M A，DEFREITAS J M，et al. Cross-correlation analysis of mechan omyographic signals detected in two axes [ J ]. Physiological Measurement，2009，30（12）:1465-1471.

[20] ORIZIO C，SOLOMONOW M，DIEMONT B，et al. Muscle-joint unit transfer function de rived from torque and surface mechanomyogram in humans using different stimulation protocols[J]. Journal of Neuroscience Methods，2008，173（1）:59-66.

[21] SILVA J，CHAU T. Coupled microphone-accelerometer sensor pair for dynamic noise re duction in MMG signal recording[J]. Electronics Letters，2003，39（21）:1496-1498.

[22]曾勇。肌音信号模式识别及其在假肢手操控中的应用研究[D].上海：华东理工大学，2011.

[23]吴海峰。基于肌音和CNN-SVM模型的人体膝关节运动意图识别研究[D].合肥：中国科学技术大学，2018. EFEG4qoKshoE8rhgVzXCD5eZ7DEQxUjrORKjhR7N0UEdNCubdArU11uNmZ9F9xxV