过头作业上肢肌间耦合及协同

doi:10.3785/j.issn.1008-973X.2025.11.005

过头作业上肢肌间耦合及协同

杨延璞^,, 孟文昊, 伍智泓, 刘嘉玲, 卓玥鸣

长安大学道路施工技术与装备教育部重点实验室，陕西西安 710064

Intermuscular coupling and collaboration of upper limb in overhead work

YANG Yanpu^,, MENG Wenhao, WU Zhihong, LIU Jialing, ZHUO Yueming

Key Laboratory of Road Construction Technology and Equipment of MOE, Chang’an University, Xi’an 710064, China

收稿日期: 2024-11-5

基金资助:

基础加强计划技术领域基金资助项目(2021-JCJQ-JJ-1018)；长安大学中央高校基金资助项目(300102253107).

Received: 2024-11-5

Fund supported:

基础加强计划技术领域基金资助项目(2021-JCJQ-JJ-1018)；长安大学中央高校基金资助项目(300102253107).

作者简介 About authors

杨延璞（1984—），男，教授，从事人机工效的研究.orcid.org/0000-0002-5405-7235.E-mail:yangyanpu@chd.edu.cn , E-mail：yangyanpu@chd.edu.cn

摘要

为了探究不同高度下过头作业上肢肌肉间的耦合和协同特性，指导辅助装置设计与作业改善，结合某复杂装备的维修设计过头作业实验，采集12名被试者在不同过头作业高度下（超过头顶0 cm（H₁）、5 cm（H₂）、10 cm（H₃））的上肢8通道表面肌电（SEMG）信号. 利用广义偏定向相干性(GPDC)计算8块肌肉之间的相干性值，得到不同高度下8块肌肉的全局耦合特性. 通过非负矩阵分解（NMF），解析不同高度下过头作业的肌肉协同模式及协同肌肉. 利用复杂网络建立不同高度下的肌肉功能网络，定量分析肌肉功能网络的连接特性. 研究结果表明，3种不同高度下斜方肌和三角肌与其他肌肉的耦合度最高. 最佳协同模式数均为2，且由协同模式1为主导，协同模式2为辅助完成过头作业. 相较于H₂和H₃，H₁高度的上肢肌间耦合及协同性更好.

关键词： 过头作业 ; 肌间协同 ; 肌间耦合 ; 广义偏定向相干性（GPDC） ; 非负矩阵分解（NMF） ; 表面肌电 ; 复杂网络

Abstract

An overhead work experiment was designed based on the maintenance of a certain complex piece of equipment in order to explore the intermuscular coupling and synergy characteristics of upper limb muscles during overhead work at different heights. This experiment aimed to inform the design of assistive devices and task improvements. Surface electromyography (sEMG) data were collected from eight upper limb channels in 12 participants as they performed overhead work at three distinct heights: level with the top of the head (H₁), 5 cm above the head (H₂), and 10 cm above the head (H₃). Generalized partial directed coherence (GPDC) was used to calculate the coherence values among the eight muscles, revealing the global coupling characteristics at different heights. Non-negative matrix factorization (NMF) was applied to analyze muscle synergy patterns and the synergistic muscles associated with each task height. Complex network analysis was employed to construct muscle functional networks at different heights, enabling a quantitative analysis of network connectivity characteristics. Results indicated that the trapezius and deltoid muscles exhibited the highest coupling with other muscles across the three heights. The optimal number of synergy patterns was two, with synergy pattern 1 primarily dominating the task and synergy pattern 2 serving as a supplementary role. Height H₁ demonstrated better coupling and synergy of upper limb muscles compared to H₂ and H₃.

Keywords： overhead work ; intermuscular coordination ; intermuscular coupling ; generalized partial directed coherence (GPDC) ; nonnegative matrix factorization (NMF) ; surface electromyography ; complex network

PDF (2334KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

杨延璞, 孟文昊, 伍智泓, 刘嘉玲, 卓玥鸣. 过头作业上肢肌间耦合及协同. 浙江大学学报(工学版)[J], 2025, 59(11): 2269-2276 doi:10.3785/j.issn.1008-973X.2025.11.005

YANG Yanpu, MENG Wenhao, WU Zhihong, LIU Jialing, ZHUO Yueming. Intermuscular coupling and collaboration of upper limb in overhead work. Journal of Zhejiang University(Engineering Science)[J], 2025, 59(11): 2269-2276 doi:10.3785/j.issn.1008-973X.2025.11.005

复杂装备因尺寸大、组件多、集成度高等特点，维修、维护常需作业人员手持工具过头作业^[1]，长时操作易带来工作相关的肌肉骨骼损伤(work related musculoskeletal disorders，WMSDs)，已引起国家政府和卫生研究机构的广泛关注^[2].

过头作业是手在肩峰高度或以上进行的作业^[3]，该工况下作业时肩部肌肉的活动度为手在髋部水平作业的3倍^[4]，极易引起上肢WMSDs^[5]，已被确定为工业领域肌肉骨骼的危险要素之一^[6-7]. Dickerson等^[8]认为过头作业及其引起的WMSDs会受作业任务设计、疲劳累积、骨骼运动及肌力的影响而发生改变. Renda等^[9]研究过头作业疲劳任务中的优势手、肩部肌肉激活及性别的差异. Yang等^[10]通过数字人建模仿真分析，得出过头作业时上臂和颈部面临最大的工效学暴露风险. 田保珍等^[11]研究汽车底盘维修中过头作业不同的操作面和操作高度对肌肉疲劳的影响. Alabdulkarim等^[12]设计过头钻孔作业实验，发现作业精度要求提高会增加肌肉活动度并降低作业质量. Maurice等^[13]结合动作捕捉、表面肌电（surface electromyography，sEMG）及主观量表等技术，综合评估被动外骨骼在辅助过头作业中的效用. 赵川等^[14]研究设备、姿势对过头作业肌肉疲劳的影响.

以上研究从不同角度探讨过头作业引起的上肢疲劳问题，但多关注上肢肌肉的单独作用. 上肢活动时，肌肉间存在相互依附，反映肌肉在工作时的同步振荡^[15]，即肌间耦合关系. 多块肌肉同时参与动作时的相互组合与协调关系可以由肌间协同反映^[16]，人体通过调节肌肉协同而非单独控制每块肌肉来管理肌肉骨骼系统中的自由度^[17]. 目前，肌间耦合与协同研究主要集中在运动医学、康复工程以及神经科学等领域^[18-22]，而复杂装备的过头作业涉及上肢多个部位肌肉的耦合作用与协同，但目前缺少对过头作业领域上肢肌肉耦合与协同的研究. 通过解析过头作业上肢肌间的耦合与协同特性，有助于揭示过头作业上肢肌肉相互配合协调的产生与执行规律，为过头作业的WMSDs预防与辅助作业设备开发提供指导.

本文通过设计不同高度下的过头作业实验，采集被试者的上肢sEMG，利用广义偏定向相干性和非负矩阵分解，探究上肢多块肌肉之间的耦合与协同特性. 引入复杂网络理论，建立上肢肌肉功能网络模型，解析了过头作业不同高度下的肌间耦合与协同特性.

1. 过头作业实验

1.1. 数据采集与预处理

1.1.1. 采集实验

1）采集对象. 根据对某复杂装备维修的前期调研，维修人员多为身体素质良好的男性，常须手持维修工具长时间保持过头作业姿态. 考虑实际作业场景，选取12名具备良好身体素质的成年男性作为被试者，编号为S1~S12. 被试者的平均年龄为（23±2）岁，身高为（175±2.5）cm，体重为（60±5）kg，均为右利手. 在测试前72小时，被试者不得剧烈运动，饮酒或服用影响神经系统的药物，且所有被试者均无骨骼相关的既往病史. 本实验得到长安大学学术委员会的批准.

2）实验过程. 实验前的准备工作：将空调调至26 ℃，保证室内恒温，被试者签署知情同意书并进行热身，随后清洁被试者皮肤表面并贴好电极片.

维修实验：将过头维修实验分为3个高度进行，分别为超过头顶0 cm（H₁）、5 cm（H₂）、10 cm（H₃）. 在实验过程中，被试者手持扳手直立于地面，分别在3个高度下进行复杂装备的维修，同时一旁有观测人员通过高度标记线观察高度的变化. 若高度偏差超过1 cm，则此次实验作废. 每个高度连续测试5 min并采集上肢sEMG数据，同一被试者连续2次的测试间隔不少于20 min，以保证被试者有充分休息，避免影响下次实验的数据.

1.1.2. 数据采集

采用意大利BTS Bioengineering公司的8通道BTS FreeEMG 1000无线表面肌电系统. 所选用的电极片为杭州迅达无线电器材有限公司生产的一次性银/氯化银（Ag/AgCl）电极片. 手持扳手为科麦斯12寸活动扳手，净质量为0.66 kg. 采集被试者的右侧胸大肌（pectoralis major，PM）、肱二头肌（biceps brachii，BI）、肱三头肌（triceps brachii，TRI）、三角肌（deltoid，DE）、肱桡肌（brachioradialis，BR）、桡侧腕屈肌（flexor carpi radialis，FCR）、斜方肌（trapezius，TRA）、背阔肌（latissimus dorsi，LA）的8通道sEMG. 所采集sEMG的上肢8块肌肉分布如图1所示.

图 1

新窗口打开| 下载原图ZIP| 生成PPT

图 1 sEMG采集实验的上肢肌肉分布

Fig.1 Distribution of upper limb muscles in sEMG acquisition experiment

1.1.3. 数据预处理

由于肌电信号十分微弱并易受到干扰，须对原始数据进行预处理. 采用二阶巴特沃斯滤波器构建带通滤波器，对信号进行带通滤波，提取20~450 Hz范围内的主要频率. 构建陷波滤波器，去除50 Hz的工频噪声. 采用小波阈值去噪，消除通道间串扰及肌电信号中的高斯白噪声^[23].

2. 肌间耦合及协同分析方法

2.1. 广义偏定向相干性

广义偏定向相干性最初由Baccala等^[24]提出，是偏定向相干性的扩展^[25]，常作为分析多变量时间序列之间因果关系的频域工具. 相较于传统的一致性分析，GPDC是基于多变量自回归模型（multivariate autoregressive，MVAR）处理时间序列模型的格兰杰因果性频域测量方法，可以有效分析多个通道信号在频域上的相关程度.

对于一组同时观测的时间序列，

(1)$ {\boldsymbol{X}}(n) = {[{x_1}(n),{x_2}(n), \cdots ,{x_m}(n)]^{\text{T}}}. $

式中：$ {x_i}(n) $为第$ i $个信号在时刻n的取值.

假设X(n)被阶次为p的MVAR模型充分表示，

(2)$ {{\boldsymbol{X}}_m}(n) = \sum\nolimits_{i = 1}^p {{\boldsymbol{C}}(i){{\boldsymbol{X}}_m}(n - 1)+{{\boldsymbol{\omega}} _m}(n)} . $

式中：C(i)为系数矩阵，p为模型阶数，m为信号通道数，$ {\boldsymbol{\omega}}_m (n) $为白噪声. 对于MVAR模型阶数p的选择，采用信息准则（Akaike information criterion，AIC），通过计算不同阶数下的AIC，找到使AIC最小化的阶数作为阶次p.

在获得$ {\boldsymbol{X}}(n) $的MVAR模型后，对式（2）进行傅里叶变换，得到

(3)$ {\boldsymbol{A}}(f) = \sum\nolimits_{i = 1}^p {{{\boldsymbol{C}}{(i)}}} {{\mathrm{exp}}\;({ - {\mathrm{j}}2{\text{π}} f/{f_{\mathrm{n}}}}}). $

式中：f为频率；f_n为采样频率；$ \exp \left( { - {\text{j}}2 {\text{π}} f/{f_{\text{n}}}} \right) $为傅里叶系数，将时域转换为频域.

为了进一步得到信号之间的传导性，可以定义修正后的传递函数$ \bar {\boldsymbol{A}}(f) $为

(4)$ \bar {\boldsymbol{A}}(f) = {\boldsymbol{I}} - {\boldsymbol{A}}(f) = {\boldsymbol{I}} - \sum\nolimits_{i = 1}^p {{{\boldsymbol{C}}{(i)}}} {{\mathrm{exp}}\;({ - {\mathrm{j}}2{\text{π}} f/{f_{\mathrm{n}}}}}). $

式中：I为维数为8的单位矩阵，则相干性值$ {\mathrm{PDC}}_{{{{x}}_{{i}}} \to {x_j}} $可以定义为

(5)$ {\mathrm{PDC}}_{{x_i}\to{ {x_j}}}(f) = \frac{{{{\bar a}_{i,j}}(f)}}{{\sqrt {{{\displaystyle \sum\nolimits_{i = 1}^m {\left| {{{\bar a}_{i,j}}(f)} \right|} }^2}} }}. $

式中：$ {\bar a_{i,j}}(f) $为$ \bar {\boldsymbol{A}}(f) $中第j列的第i个元素，$ {\bar a_{i,j}}(f) $为$ \bar {\boldsymbol{A}}(f) $中第j列的第i个元素. 计算出的相干性值$ {\mathrm{PDC}}_{{x_i} \to {x_j}} $为[0, 1.0]，表示${x_i}$流向${x_j}$的信号占所有从${x_j}$流出信号的比例，接近0说明两通道之间没有联系.

通过GPDC计算，可得两两肌肉间的耦合强度. 信号流出占比最大的肌肉与其他肌肉的耦合性最强，在过头作业中更易积累疲劳.

2.2. 非负矩阵分解算法

2.2.1. 非负矩阵分解

非负矩阵分解（non-negative matrix factorization，NMF）的目的是将数据拆解为目标形式，同时保证分解矩阵中的所有元素均为非负值，使得分解形式和结果具有更好的解释性和实际意义^[26]. 将NMF应用于计算所得的相干性值，提取过头作业sEMG信号各频率的激活系数和协同模式数量. NMF算法的基本形式为

(6)$ {{{V}}_{i\mu }} \approx {({\boldsymbol{WH}})_{i\mu }} , \;\sum\limits_{j = 1}^b {{{{W}}_{ij}}{{{{{H}}}}_{j\mu }}} = {{{V}}'_{i\mu}}. $

式中：$ {{\boldsymbol{W}}} $为分解后得到的基矩阵，${{{{{W}}}}_{ij }} $表示肌肉i流向肌肉j的信息量；$ {\boldsymbol{H}} $为激活系数矩阵，$ {{{H}}_{j\mu }} $为协同模式j在频率μ下的激活水平；$ {{\boldsymbol{V}}'} $为重构矩阵；b为基矩阵分解列数.

NMF的求解一般描述为迭代优化问题，通过计算误差平方和$ {({{{V}}_{ij}} - {{{V}}'_{ij}})^2} $，对$ {{{V}}'_{ij}} $的一致性进行量化，并不断进行迭代优化，得到分解列数为b时误差平方和最小的基矩阵和系数矩阵.

为了确定不同协同模式下的协同肌肉，利用基矩阵分别计算不同协同模式下8个通道的总信息流出量，将总信息流出量归一化为[0,1.0]. 若某个通道归一化后的总信息流出量大于0.5，则认为该肌肉在协同作用中是显著激活的，与其他活跃的肌肉具有协同关系，反之则不具有^[27]. 通过NMF找到3种高度下的肌肉协同模式以及不同协同模式下的协同肌肉，结合肌间耦合的特性，为指导改善过头作业的姿势和开发辅助装备提供理论依据.

2.2.2. 解释性方差

为了确定NMF过程中的肌肉协同矩阵列数b，即确定最佳肌肉协同模式的数量. 运用解释方差（variability accounted for，VAF）计算为

(7)$ {\mathrm{VAF}} = 1 - \frac{{{\mathrm{RSS}}}}{{{\mathrm{TSS}}}} = 1 - \frac{{\displaystyle \sum {{{({{{V}}_{ij}} - {{V}}'_{ij})}^2}} }}{{\displaystyle \sum {{{{V}}^2_{ij}}} }}. $

式中：RSS为残差平方和，TSS为总平方和.

当VAF>0.95且随着b的增加变化不超过1%时，认为b为有效的分解列数.

2.3. 复杂网络

复杂网络理论最初由Watts等^[28]及Barabasi等^[29]提出，是研究由节点（个体、实体）和它们之间的连接（边、关系）所构成的网络结构及其行为特性的科学. 复杂网络能够清晰地描述系统不同元素间的相互关系和信息流动过程^[30].

肌肉功能网络建模的基本思想是以过头作业的上肢肌肉作为网络节点，以肌间信息流动为边，建立由节点集和边集组成的拓扑图，有助于明确肌间信息流向、协同作用关系及耦合强度. 利用NMF得到的基矩阵构建肌肉功能网络，计算平均度（average degree）、平均聚类系数（average clustering coefficient）、平均路径长度（average path length），对肌肉功能网络的连接规律进行评价，分别从节点连接强度、局部结构紧密性及全局节点可达性等多个角度较全面地描述肌肉功能网络的特性，有助于进一步探究3种作业高度下的肌间耦合及协同性.

肌肉功能网络平均度的计算公式为

(8)$ {\mathrm{AD}} = \frac{1}{N}\sum\limits_{i = 1}^N {{k_i}} . $

式中：N为节点总数，$ {k_i} $为节点$ i $的出度和入度的总数.

平均聚类系数的计算公式为

(9)$ C = \frac{1}{N}\sum\limits_{i = 1}^N {{C_i}} . $

式中：$ {C_i} $为第$ i $个节点的聚类系数，表示其邻居节点之间实际存在的连接数与可能存在连接数的比值，$ {C_i} = {{2{e_i}}}/({{{k_i}({k_i} - 1)}}) $，其中$ {e_i} $为节点$ i $的邻居之间的实际边数.

平均路径长度的计算公式为

(10)$ L = \frac{2}{{N(N+1)}}\sum\limits_{i \ne j}^{} {d(i,j)} . $

式中：$ d(i,j) $为节点$ i $和节点$ j $之间的最短路径长度.

3. 实验结果

为了研究过头作业中不同高度下的肌间耦合与协同特性，使用GPDC计算多通道sEMG的PDC，分析8个通道之间的全局耦合特性. 应用NMF对PDC进行分解，提取不同的肌肉协同模式，获得各模式下与频率相关的激活系数和相干性矩阵. 通过PDC矩阵确定每种协同模式下的协同肌肉，构建肌肉功能网络，进一步评估该网络的特性.

3.1. 上肢肌肉全局耦合特性的分析

全局耦合特性反映了过头作业中上肢肌肉间的整体交互和关联关系. 以H₃高度为例，利用GPDC计算12名被试者8块肌肉之间的PDC（考虑到消除随机性，得到一般性结果，对12名被试者的PDC取平均值），得到通道间肌间信息传递的方向及强度，计算各肌肉PDC的面积占比P_e，结果如图2所示. 其中，P_e越大表示该肌肉与对应肌肉的耦合性越强.

图 2

新窗口打开| 下载原图ZIP| 生成PPT

图 2 H₃高度下的上肢各肌肉PDC面积与总面积之比

Fig.2 Ratio of PDC area to total area of each upper limb muscle at H₃ height

从图2可知，TRA→PM、TRA→LA和DE→TRI方向上的耦合度最高，阴影面积分别占总面积的10.19%、9.26%、6.76%；TRA→TRI、DE→PM和LA→PM方向的耦合强度次之，阴影面积分别占总面积的5.81%、4.3%、4.03%. 从整体来看，DE和TRA流出的信息最多，LA、PM次之，其他肌肉少有信息流出.

对3个高度下的PDC面积占比进行显著性检验，显著性水平大于0.05，表明3个不同高度的耦合特性无显著性差异，即不同高度下DE和TRA流出信息均最多，且流向PM、TRI、LA的强度较大，说明肩部肌肉与其他肌肉的耦合度较强，则肩部肌肉比其他肌肉更易积累疲劳，进而增加WMSDs风险.

3.2. NMF

为了探究肌肉之间的协同关系，找出不同的协同模式及协同肌肉，在耦合关系的基础上，采用NMF计算H₃高度过头作业实验得到的12名被试者的平均PDC值.

利用VAF提取有效的协同模式，结果如图3所示. 可知，当b = 2时，H₁、H₂、H₃高度下的VAF分别为0.972、0.975、0.977，之后随着分解列数的增加，VAF的变化小于1%，因此认为当b = 2时分解结果最佳.

图 3

新窗口打开| 下载原图ZIP| 生成PPT

图 3 不同高度下的VAF值

Fig.3 VAF value at different height

基于VAF的计算结果，进行NMF，分解后不同过头作业高度的肌间协同可以归为2种协同模式：协同模式1（w₁）和协同模式2（w₂）. 这2种模式下的肌肉激活系数和基矩阵分别如图4、5所示.

图 4

新窗口打开| 下载原图ZIP| 生成PPT

图 4 NMF分解后不同高度下各协同模式的肌肉激活系数

Fig.4 Muscle activation coefficient of each synergistic mode at different height after NMF decomposition

图 5

新窗口打开| 下载原图ZIP| 生成PPT

图 5 NMF分解后不同高度各协同模式的基矩阵

Fig.5 Basis matrix of various synergy mode at different height after NMF decomposition

图4中，肌肉激活系数H_jμ反映了协同模式在不同频率下的激活强度. 其中，H₁高度下2种激活模式w₁、w₂的总激活系数分别为15.1、14.1，H₂高度下为15.2、12.1，H₃高度下为14.3、13.7，总体有w₁高于w₂. 利用图5分别计算2个模式下8个通道的总信息流出量K，结果如图6所示.

图 6

新窗口打开| 下载原图ZIP| 生成PPT

图 6 不同高度下的肌间协同关系

Fig.6 Intermuscular synergy at different height

对不同高度下的各肌肉信息流出量的总和进行最大值归一化处理，结果如表1所示. 其中，K_f为总信息流出量的归一化结果.

表 1 上肢肌肉总信息流出量的归一化结果

Tab.1 Formalization results of total information output of upper limb muscle

高度	模式	K_f
高度	模式	PM	BI	TRI	DE	BR	FCR	TRA	LA
H₁	w₁	0.064	0.080	0.207	1.000	0.092	0.071	0.882	0.225
H₁	w₂	0.514	0.167	0.139	1.000	0.117	0.300	0.340	0.548
H₂	w₁	0.034	0.085	0.164	0.976	0.050	0.026	1.000	0.115
H₂	w₂	0.571	0.554	0.282	1.000	0.234	0.201	0.977	0.654
H₃	w₁	0.059	0.173	0.232	0.505	0.124	0.128	1.000	0.133
H₃	w₂	1.000	0.237	0.068	0.530	0.106	0.245	0.721	0.648

新窗口打开| 下载CSV

从表1可得不同高度下的w₁、w₂模式共同作用情况. 对不同高度下协同模式的肌肉激活系数和信息流出量进行显著性检验，显著性水平均大于0.05，表明不同高度下的协同模式无显著性差异. 其中不同高度下w₁的协同肌肉均为DE和TRA. w₂模式的协同肌肉略有不同，其中H₁高度下的协同肌肉为PM、DE、LA，H₂高度下的协同肌肉为PM、BI、DE、TRA、LA，H₃高度下的协同肌肉为PM、DE、TRA、LA.

由于w₁流出的信息量远高于w₂，且整体激活系数更高，可以认为w₁为主协同模式，即在过头作业实验中，2种不同的协同模式是以w₁为主导发挥主要作用，w₂为辅助，共同配合完成过头作业.

在过头作业中，w₁模式反映了不同高度作业上肢肌间协同的一致性. 表1表明，DE和TRA的总信息流出量最多，当过头作业时，DE和TRA共同作用，使肩膀和手臂保持稳定，实现协调的抬举动作. w₂模式反映了肌间协同是动态调整过程，不同的高度与作业姿势要求不同肌肉配合完成特定任务，从而调整每个肌肉的活动强度. 在H₁高度下，PM、DE和LA协同作用，随着过头作业高度的提升，BI和TRA被招募，表明作业高度的提升增加了作业难度，需要更多肌肉协调配合完成作业.

4. 复杂网络的构建

为了进一步研究过头作业的肌间耦合及协同特性，找出不同作业高度的影响规律，对上肢PDC值进行NMF分解后得到信息流出量. 根据文献[30]选取平均聚类系数达到最大值（H₁为7.160，H₂为6.664，H₃为6.464）时对应的信息流出量阈值（15%），对w₁模式下的各肌肉进行连接，建立有向肌肉功能网络，如图7所示. 其中，边的方向表示sEMG信息流动方向，节点表示不同肌肉.

图 7

新窗口打开| 下载原图ZIP| 生成PPT

图 7 不同高度下的肌肉功能网络

Fig.7 Muscle functional network at different height

从图7可知，在3个不同高度的肌肉功能网络中，TRA和DE与其他上肢肌肉建立的边的连接数均最多，H₂高度网络边的连接数最少.

计算3种高度下图7的平均度、平均聚类系数、平均路径长度，如表2所示. 表中，D为平均度，C为平均聚类系数，L为平均路径长度. 从表2可知, D(H₁)>D(H₃)>D(H₂)，C(H₁)>C(H₂)>C(H₃)，L(H₃)>L(H₂)>L(H₁).

表 8 不同高度下的网络参数

Tab.8 Network parameter at different height

高度	D	C	L
H₁	4.500	0.895	1.000
H₂	3.250	0.833	1.012
H₃	4.250	0.808	1.105

新窗口打开| 下载CSV

平均度与网络节点间的边数密切相关，边数增加，则网络的平均度随之增加，表明肌肉间连接强度增强. 平均聚类系数描述的是任意两节点间互相关联的概率，其值越大则肌间联系越紧密，肌肉功能网络的内部连通性越好. 平均路径长度越短表示信息可以在不同肌肉之间更快速地传递，体现肌肉功能网络的协作效率更高. 总体而言，H₁高度下肌肉功能网络的平均度、平均聚类系数、平均路径长度均最优.

5. 结　论

（1）根据全局耦合特性，可以得出3种不同高度下，TRA→PM、TRA→LA和DE→TRI方向的耦合强度显著高于其他肌肉耦合强度. 经计算可知，3种不同高度都是由斜方肌（TRA）和三角肌（DE）流出的信号最多，说明肩部肌肉和其他肌肉的耦合度最高.

（2）3种高度下的最佳协同模式数量均为2，w₁模式的协同肌肉均为DE和TRA，w₂模式的协同肌肉略有不同. 其中，H₁高度下的协同肌肉为PM、DE、LA，H₂高度下的协同肌肉为PM、BI、DE、TRA、LA，H₃高度下的协同肌肉为PM、DE、TRA、LA. 结合激活系数与信息流量可知，3种不同高度下均由w₁为主导，w₂为辅助，共同配合完成过头作业.

（3）过头作业高度H₁相较于H₂和H₃，肌肉功能网络的节点连接强度更高，联系更紧密，信息传递效率更高.

以上结论说明，DE和TRA在过头作业中起主要作用，更易积累疲劳，是上肢WMSDs发生的关键因素，在设计过头作业辅助装备与作业姿势改善时应重点关注. 过头作业高度越低，作业人员越能轻松完成过头作业任务. 本研究仅分析了过头作业上肢肌间耦合及协同关系，下一步将结合肌肉疲劳的相关研究，指导维修作业动作的改善与过头作业辅助设备的设计与开发，减小作业人员WMSDs的发生率.

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

杨延璞, 吕苓玮, 韩钟剑, 等

过头作业上肢负荷评估研究综述

[J]. 计算机集成制造系统, 2024, 30 (11): 3771- 3785

[本文引用: 1]

YANG Yanpu, LV Lingwei, HAN Zhongjian, et al

Research review of workload assessment for the upper extremities in overhead work

[J]. Computer Integrated Manufacturing Systems, 2024, 30 (11): 3771- 3785

[本文引用: 1]

[2]

王忠旭, 李刚, 秦汝莉, 等

汽车装配工人工作相关肌肉骨骼损伤危险暴露水平及发病调查研究

[J]. 环境与职业医学, 2012, 29 (1): 6- 8

[本文引用: 1]

WANG Zhongxu, LI Gang, QIN Ruli, et al

Research on exposure risk level and occurrence of musculoskeletal disorders among automobile assembly workers

[J]. Journal of Environmental and Occupational Medicine, 2012, 29 (1): 6- 8

[本文引用: 1]

[3]

BJELLE A, HAGBERG M, MICHAELSON G

Occupational and individual factors in acute shoulder-neck disorders among industrial workers

[J]. British Journal of Industrial Medicine, 1981, 38 (4): 356- 363

[本文引用: 1]

[4]

RENBERG J, WIGGEN Ø N, TVETENE P Ø S, et al

Effect of working position and cold environment on muscle activation level and fatigue in the upper limb during manual work tasks

[J]. International Journal of Industrial Ergonomics, 2020, 80: 103035

DOI:10.1016/j.ergon.2020.103035 [本文引用: 1]

[5]

GAROSI E, MAZLOUMI A, JAFARI A H, et al

Design and ergonomic assessment of a passive head/neck supporting exoskeleton for overhead work use

[J]. Applied Ergonomics, 2022, 101: 103699

DOI:10.1016/j.apergo.2022.103699 [本文引用: 1]

[6]

DICKERSON C R, MCDONALD A C, CHOPP-HURLEY J N. Between two rocks and in a hard place: reflecting on the biomechanical basis of shoulder occupational musculoskeletal disorders [J]. Human Factors: The Journal of the Human Factors and Ergonomics Society, 2020, 65(5): 001872081989619.

[本文引用: 1]

[7]

MOTABAR H, NIMBARTE A D

The effect of task rotation on activation and fatigue response of rotator cuff muscles during overhead work

[J]. Applied Ergonomics, 2021, 97: 103461

DOI:10.1016/j.apergo.2021.103461 [本文引用: 1]

[8]

DICKERSON C R, BROOKHAM R L, CHOPP J N

The working shoulder: assessing demands, identifying risks, and promoting healthy occupational performance

[J]. Physical Therapy Reviews, 2011, 16 (5): 310- 320

DOI:10.1179/1743288X11Y.0000000032 [本文引用: 1]

[9]

RENDA E, LAMANUZZI S, MASO F D, et al

The effects of hand dominance, fatigue, and sex on muscle activation during a repetitive overhead fatiguing task

[J]. Human Movement Science, 2023, 92: 103149

DOI:10.1016/j.humov.2023.103149 [本文引用: 1]

[10]

YANG Yanpu, LYU Lingwei, HAN Zhongjian, et al

Ergonomics assessment of the overhead maintenance of vehicle-mounted radar antenna using digital human modelling

[J]. Advanced Design Research, 2023, 1 (2): 63- 70

DOI:10.1016/j.ijadr.2023.09.001 [本文引用: 1]

[11]

田保珍, 范沁红

汽车底盘维修中单手上举操作对肌肉疲劳的影响研究

[J]. 中国工程机械学报, 2022, 20 (3): 221- 225

DOI:10.3969/j.issn.1672-5581.2022.3.zggcjxxb202203007 [本文引用: 1]

TIAN Baozhen, FAN Qinhong

Research on the influence of single hand lifting operation on muscle fatigue in automobile chassis maintenance

[J]. Chinese Journal of Construction Machinery, 2022, 20 (3): 221- 225

DOI:10.3969/j.issn.1672-5581.2022.3.zggcjxxb202203007 [本文引用: 1]

[12]

ALABDULKARIM S, KIM S, NUSSBAUM M A

Effects of exoskeleton design and precision requirements on physical demands and quality in a simulated overhead drilling task

[J]. Applied Ergonomics, 2019, 80: 136- 145

DOI:10.1016/j.apergo.2019.05.014 [本文引用: 1]

[13]

MAURICE P, ČAMERNIK J, GORJAN D, et al

Objective and subjective effects of a passive exoskeleton on overhead work

[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2020, 28 (1): 152- 164

DOI:10.1109/TNSRE.2019.2945368 [本文引用: 1]

[14]

赵川, 杨文鑫, 赵晓一

设备、姿势对手过头作业肌肉疲劳的影响研究

[J]. 人类工效学, 2024, 30 (3): 12- 17

[本文引用: 1]

ZHAO Chuan, YANG Wenxin, ZHAO Xiaoyi

Research on the effects of equipment and posture on muscle fatigue in overhead tasks

[J]. Human Factors and Ergonomics, 2024, 30 (3): 12- 17

[本文引用: 1]

[15]

D’AVELLA A, PORTONE A, FERNANDEZ L, et al

Control of fast reaching movements by muscle synergy combination

[J]. The Journal of Neuroscience, 2006, 26 (30): 7791- 7810

DOI:10.1523/JNEUROSCI.0830-06.2006 [本文引用: 1]

[16]

D'AVELLA A, SALTIEL P, BIZZI E

Combinations of muscle synergies in the construction of a natural motor behavior

[J]. Nature Neuroscience, 2003, 6 (3): 300- 308

DOI:10.1038/nn1010 [本文引用: 1]

[17]

SEO G, PARK J H, PARK H S, et al

Developing new intermuscular coordination patterns through an electromyographic signal-guided training in the upper extremity

[J]. Journal of NeuroEngineering and Rehabilitation, 2023, 20: 112

DOI:10.1186/s12984-023-01236-2 [本文引用: 1]

[18]

CHEN X, XIE P, ZHANG Y, et al

Abnormal functional corticomuscular coupling after stroke

[J]. NeuroImage: Clinical, 2018, 19: 147- 159

DOI:10.1016/j.nicl.2018.04.004 [本文引用: 1]

[19]

KERKMAN J N, BEKIUS A, BOONSTRA T W, et al

Muscle synergies and coherence networks reflect different modes of coordination during walking

[J]. Frontiers in Physiology, 2020, 11: 751

DOI:10.3389/fphys.2020.00751

[20]

王洪安, 佘青山, 马玉良, 等

卒中后上肢肌间协同耦合分析研究

[J]. 传感技术学报, 2020, 33 (10): 1391- 1398

DOI:10.3969/j.issn.1004-1699.2020.10.003

WANG Hongan, SHE Qingshan, MA Yuliang, et al

Study on limb intermuscular synergy and coupling after stroke

[J]. Chinese Journal of Sensors and Actuators, 2020, 33 (10): 1391- 1398

DOI:10.3969/j.issn.1004-1699.2020.10.003

[21]

郑行, 佘青山, 高云园, 等

基于传递熵与广义偏定向相干性的肌间耦合分析

[J]. 航天医学与医学工程, 2018, 31 (5): 538- 544

ZHENG Xing, SHE Qingshan, GAO Yunyuan, et al

Intermuscular coupling analysis based on transfer entropy and generalized partial directed coherence

[J]. Space Medicine and Medical Engineering, 2018, 31 (5): 538- 544

[22]

谢平, 李欣欣, 杨春华, 等

基于表面肌电非负矩阵分解与一致性的肌间协同-耦合关系研究

[J]. 中国生物医学工程学报, 2017, 36 (2): 150- 157

DOI:10.3969/j.issn.0258-8021.2017.02.004 [本文引用: 1]

XIE Ping, LI Xinxin, YANG Chunhua, et al

Research on the intermuscular synergy and coupling analysis based on surface EMG nonnegative matrix factorization-coherence

[J]. Chinese Journal of Biomedical Engineering, 2017, 36 (2): 150- 157

DOI:10.3969/j.issn.0258-8021.2017.02.004 [本文引用: 1]

[23]

杜义浩, 齐文靖, 邹策, 等

基于变分模态分解-相干分析的肌间耦合特性

[J]. 物理学报, 2017, 66 (6): 345- 354

DOI:10.7498/aps.66.068701 [本文引用: 1]

DU Yihao, QI Wenjing, ZOU Ce, et al

Intermuscular coupling characteristics based on variational mode decomposition-coherence

[J]. Acta Physica Sinica, 2017, 66 (6): 345- 354

DOI:10.7498/aps.66.068701 [本文引用: 1]

[24]

BACCALA L A, SAMESHIMA K, TAKAHASHI D Y. Generalized partial directed coherence [C]//15th International Conference on Digital Signal Processing. Cardiff: IEEE, 2007: 163-166.

[本文引用: 1]

[25]

BACCALA L A, SAMESHIMA K

Partial directed coherence: a new concept in neural structure determination

[J]. Biological Cybernetics, 2001, 84 (6): 463- 474

DOI:10.1007/PL00007990 [本文引用: 1]

[26]

LEE D D, SEUNG H S

Learning the parts of objects by non-negative matrix factorization

[J]. Nature, 1999, 401 (6755): 788- 791

DOI:10.1038/44565 [本文引用: 1]

[27]

MARCHIS C D, SEVERINI G, CASTRONOVO A M, et al

Intermuscular coherence contributions in synergistic muscles during pedaling

[J]. Experimental Brain Research, 2015, 233 (6): 1907- 1919

DOI:10.1007/s00221-015-4262-4 [本文引用: 1]

[28]

WATTS D J, STROGATZ S H. Collective dynamics of small world networks [J]. Nature, 1998, 393(6684): 440 442.

[本文引用: 1]

[29]

BARABASI A L, ALBERT R

Emergence of scaling in random networks

[J]. Science, 1999, 286 (5439): 509- 512

DOI:10.1126/science.286.5439.509 [本文引用: 1]

[30]

陈玲玲, 李珊珊, 刘作军, 等

基于表面肌电的下肢肌肉功能网络构建及其应用研究

[J]. 自动化学报, 2017, 43 (3): 407- 417

[本文引用: 2]

CHEN Lingling, LI Shanshan, LIU Zuojun, et al

Construction of lower limbs functional muscle network and its application based on surface EMG

[J]. Acta Automatica Sinica, 2017, 43 (3): 407- 417

[本文引用: 2]

过头作业上肢负荷评估研究综述

2024

... 复杂装备因尺寸大、组件多、集成度高等特点，维修、维护常需作业人员手持工具过头作业^[1]，长时操作易带来工作相关的肌肉骨骼损伤(work related musculoskeletal disorders，WMSDs)，已引起国家政府和卫生研究机构的广泛关注^[2]. ...

过头作业上肢负荷评估研究综述

2024

汽车装配工人工作相关肌肉骨骼损伤危险暴露水平及发病调查研究

2012

汽车装配工人工作相关肌肉骨骼损伤危险暴露水平及发病调查研究

2012

Occupational and individual factors in acute shoulder-neck disorders among industrial workers

1981

... 过头作业是手在肩峰高度或以上进行的作业^[3]，该工况下作业时肩部肌肉的活动度为手在髋部水平作业的3倍^[4]，极易引起上肢WMSDs^[5]，已被确定为工业领域肌肉骨骼的危险要素之一^[6-7]. Dickerson等^[8]认为过头作业及其引起的WMSDs会受作业任务设计、疲劳累积、骨骼运动及肌力的影响而发生改变. Renda等^[9]研究过头作业疲劳任务中的优势手、肩部肌肉激活及性别的差异. Yang等^[10]通过数字人建模仿真分析，得出过头作业时上臂和颈部面临最大的工效学暴露风险. 田保珍等^[11]研究汽车底盘维修中过头作业不同的操作面和操作高度对肌肉疲劳的影响. Alabdulkarim等^[12]设计过头钻孔作业实验，发现作业精度要求提高会增加肌肉活动度并降低作业质量. Maurice等^[13]结合动作捕捉、表面肌电（surface electromyography，sEMG）及主观量表等技术，综合评估被动外骨骼在辅助过头作业中的效用. 赵川等^[14]研究设备、姿势对过头作业肌肉疲劳的影响. ...

Effect of working position and cold environment on muscle activation level and fatigue in the upper limb during manual work tasks

2020

Design and ergonomic assessment of a passive head/neck supporting exoskeleton for overhead work use

2022

The effect of task rotation on activation and fatigue response of rotator cuff muscles during overhead work

2021

The working shoulder: assessing demands, identifying risks, and promoting healthy occupational performance

2011

The effects of hand dominance, fatigue, and sex on muscle activation during a repetitive overhead fatiguing task

2023

Ergonomics assessment of the overhead maintenance of vehicle-mounted radar antenna using digital human modelling

2023

汽车底盘维修中单手上举操作对肌肉疲劳的影响研究

2022

汽车底盘维修中单手上举操作对肌肉疲劳的影响研究

2022

Effects of exoskeleton design and precision requirements on physical demands and quality in a simulated overhead drilling task

2019

Objective and subjective effects of a passive exoskeleton on overhead work

2020

设备、姿势对手过头作业肌肉疲劳的影响研究

2024

设备、姿势对手过头作业肌肉疲劳的影响研究

2024

Control of fast reaching movements by muscle synergy combination

2006

... 以上研究从不同角度探讨过头作业引起的上肢疲劳问题，但多关注上肢肌肉的单独作用. 上肢活动时，肌肉间存在相互依附，反映肌肉在工作时的同步振荡^[15]，即肌间耦合关系. 多块肌肉同时参与动作时的相互组合与协调关系可以由肌间协同反映^[16]，人体通过调节肌肉协同而非单独控制每块肌肉来管理肌肉骨骼系统中的自由度^[17]. 目前，肌间耦合与协同研究主要集中在运动医学、康复工程以及神经科学等领域^[18-22]，而复杂装备的过头作业涉及上肢多个部位肌肉的耦合作用与协同，但目前缺少对过头作业领域上肢肌肉耦合与协同的研究. 通过解析过头作业上肢肌间的耦合与协同特性，有助于揭示过头作业上肢肌肉相互配合协调的产生与执行规律，为过头作业的WMSDs预防与辅助作业设备开发提供指导. ...

Combinations of muscle synergies in the construction of a natural motor behavior

2003

Developing new intermuscular coordination patterns through an electromyographic signal-guided training in the upper extremity

2023

Abnormal functional corticomuscular coupling after stroke

2018

Muscle synergies and coherence networks reflect different modes of coordination during walking

2020

卒中后上肢肌间协同耦合分析研究

2020

卒中后上肢肌间协同耦合分析研究

2020

基于传递熵与广义偏定向相干性的肌间耦合分析

2018

基于传递熵与广义偏定向相干性的肌间耦合分析

2018

基于表面肌电非负矩阵分解与一致性的肌间协同-耦合关系研究

2017

基于表面肌电非负矩阵分解与一致性的肌间协同-耦合关系研究

2017

基于变分模态分解-相干分析的肌间耦合特性

2017

... 由于肌电信号十分微弱并易受到干扰，须对原始数据进行预处理. 采用二阶巴特沃斯滤波器构建带通滤波器，对信号进行带通滤波，提取20~450 Hz范围内的主要频率. 构建陷波滤波器，去除50 Hz的工频噪声. 采用小波阈值去噪，消除通道间串扰及肌电信号中的高斯白噪声^[23]. ...

基于变分模态分解-相干分析的肌间耦合特性

2017

... 广义偏定向相干性最初由Baccala等^[24]提出，是偏定向相干性的扩展^[25]，常作为分析多变量时间序列之间因果关系的频域工具. 相较于传统的一致性分析，GPDC是基于多变量自回归模型（multivariate autoregressive，MVAR）处理时间序列模型的格兰杰因果性频域测量方法，可以有效分析多个通道信号在频域上的相关程度. ...

Partial directed coherence: a new concept in neural structure determination

2001

Learning the parts of objects by non-negative matrix factorization

1999

... 非负矩阵分解（non-negative matrix factorization，NMF）的目的是将数据拆解为目标形式，同时保证分解矩阵中的所有元素均为非负值，使得分解形式和结果具有更好的解释性和实际意义^[26]. 将NMF应用于计算所得的相干性值，提取过头作业sEMG信号各频率的激活系数和协同模式数量. NMF算法的基本形式为 ...

Intermuscular coherence contributions in synergistic muscles during pedaling

2015

... 为了确定不同协同模式下的协同肌肉，利用基矩阵分别计算不同协同模式下8个通道的总信息流出量，将总信息流出量归一化为[0,1.0]. 若某个通道归一化后的总信息流出量大于0.5，则认为该肌肉在协同作用中是显著激活的，与其他活跃的肌肉具有协同关系，反之则不具有^[27]. 通过NMF找到3种高度下的肌肉协同模式以及不同协同模式下的协同肌肉，结合肌间耦合的特性，为指导改善过头作业的姿势和开发辅助装备提供理论依据. ...

... 复杂网络理论最初由Watts等^[28]及Barabasi等^[29]提出，是研究由节点（个体、实体）和它们之间的连接（边、关系）所构成的网络结构及其行为特性的科学. 复杂网络能够清晰地描述系统不同元素间的相互关系和信息流动过程^[30]. ...

Emergence of scaling in random networks

1999

基于表面肌电的下肢肌肉功能网络构建及其应用研究

2017

... 为了进一步研究过头作业的肌间耦合及协同特性，找出不同作业高度的影响规律，对上肢PDC值进行NMF分解后得到信息流出量. 根据文献[30]选取平均聚类系数达到最大值（H₁为7.160，H₂为6.664，H₃为6.464）时对应的信息流出量阈值（15%），对w₁模式下的各肌肉进行连接，建立有向肌肉功能网络，如图7所示. 其中，边的方向表示sEMG信息流动方向，节点表示不同肌肉. ...

基于表面肌电的下肢肌肉功能网络构建及其应用研究

2017

〈

〉