使用總體經驗模組分解分析肌電訊號疲勞：EEMD在肌肉耐力研究中的應用

"這份PDF文件是一篇来自朝阳科技大学资讯工程系的硕士论文，主题为‘总体经验模组分解应用于表面肌电讯号之疲劳分析’。该研究由刘省宏教授指导，研究生吴宣汉完成于2011年7月31日。" 这篇论文探讨了肌肉耐力作为基本体适能和人体健康重要指标之一，通过监测运动时的表面肌电（EMG）信号来研究肌肉疲劳现象。研究对象为10名健康的大学生（5名男性和5名女性），他们针对大腿的骨外侧肌进行为期一个月的连续运动测量。研究人员利用自制设备采集肌电信号，并对信号进行分析。 在分析过程中，论文采用了三种信号分解技术：小波分解、经验模组分解（EMD）以及本文重点介绍的总体经验模组分解（Ensemble Empirical Mode Decomposition，简称EEMD）。这些方法用于寻找能够最好地反映肌肉疲劳的频谱特征。研究结果表明，通过EEMD分解得到的本质模组函数1（Intrinsic Mode Function，IMF）在描述肌肉疲劳现象方面具有最高的灵敏度和稳定性。 关键词包括：肌肉疲劳、中位频率、肌电讯号、总体经验模组分解和本质模组函数。这篇论文的核心贡献在于利用EEMD技术来分析EMG信号，为理解和评估肌肉疲劳提供了新的科学依据。这一方法对于运动医学、生物力学以及康复医学等领域都具有实际应用价值，可以帮助研究人员和临床医生更准确地监控和理解肌肉的工作状态，从而制定更有效的训练和恢复策略。