纵向变化率个体的神经肌肉的肌电图显示时间适应路面抗肌肉训练

介绍

神经肌肉活动时肌肉训练显示相关的收缩反应,特别是在汽车招聘变化的识别和疲劳。常用的生物电势测量系统,如表面肌电图(EMG)演示了使用这些发现,特别是在确定收缩振幅和频率的模式在疲劳的运动(1- - - - - -6)。例如,疲劳的肌肉显示增加EMG收缩振幅相关招募了运动神经元的数量,以及低频转变原始EMG信号(7- - - - - -10)。这些frequency-based分析是一个受欢迎的策略措施的存在疲劳和适应短期应用,如基于set-to-set (2,11,12)。然而,他们还没有被用于测量neuroadaptation的长期影响(即。,抗疲劳响应)由于长期定期培训。因此,目前未知的这些行为如何改变长期,和特定的肌肉训练几周或几个月如何影响这些趋势。

相信这些观察各种神经肌肉训练会影响应用程序(如体育训练优化以及neurorehabilitation疗法(13- - - - - -18)。这是传统上观察到的结果强烈与这些类型的培训活动时间(19- - - - - -26)。例如,肌肉性能的局限性,如神经肌肉疲劳,可以显著影响结果肌肉训练的质量。然而,当前的方法确定这些影响在很大程度上是主观的,由定性观察参与者的性能(27,28)。因此,加强定量方法必须适用于在肌肉训练提高性能优化的培训策略。

目前,据了解,在很多方面可以测量肌肉疲劳。增加的均方根(RMS)肌电图在疲劳的任务直接相关的补充电机单位在执行任务(29日)。同样,时域轻快EMG峰值振幅的增加在高频疲劳收缩也有相似的增长趋势在额外的运动单位招聘到最大疲劳状态(30.)。一旦电机单位达到招聘限制了肌肉经历失去张力,和肌肉输出力的减少。这种现象由随后的减少测量肌电图振幅在运动。如果EMG RMS和电动机招聘peak-contractile振幅增加,然后降低运动单位招聘限制后,假设一个量化指标可以确定开发运动单位招聘的速度估计,随着性能随时间的变化。

在这项研究中,我们将与常规的肌肉训练证明汽车招聘的速度随时间变化的。具体来说,我们假设EMG高峰发展的速度将减少从而表明适应特定的培训策略。我们做到这一点通过endurance-based hypertrophy-based阻力练习使用健康的参与者(31日)。我们将证明,基于时间的EMG活动可以捕捉短期感知疲劳变化(每组中一个练习),以及长期认为疲劳或肌肉抗疲劳变化超过100天的定期锻炼。这些利率的适应将独特的每个参与者还将展示,小心,广义的行为基于运动方式。我们假设的利率改变的将运动依赖这些EMG斜坡(例如,重量比更多的重复)。

最终,这些观察导致小说假说表明肌肉收缩participant-normalized EMG (dB /天ΔdB)可以用来衡量长期变化在他们的肌肉表现包括识别的疲劳,提高性能和抗疲劳响应。结果趋势可能有不同的利率基础上锻炼的类型,而且那些不定期培训(控制参与者)不经历同样的适应。我们现在这里的工作是一项更大的研究对建立与用户相关的优化策略neurorehabilitation疗法,和运动性能。

方法

参与招聘

数据收集的研究机构审查委员会批准(IRB),纽约州立大学布法罗分校。知情同意是获得所有的参与者和获得的数据消除识别信息。参与者招募进行基于以下纳入和排除标准;

入选标准:

•参与者必须在年龄18 - 30年。

•参与者必须有一个体重指数在18.5到-24.9之间。

•参与者必须自我报告健康,能够提升低到中等程度的权重。

排除标准:

•参与者对吊装重量有所保留在一个舒适的限制自己的阈值(基于1-repetition基准)。

•参与者正在或曾经经历了治疗心血管、肌肉或其他健康问题

•参与者拒绝提供知情同意。

•个人积极参与健身项目或目前在健身房锻炼后,包括举重。

•孕妇。

共有11个参与者招募4肥大锻炼执行,4进行耐力运动,3被分配到对照组(其中2执行修改肥大的练习,和1进行了修改耐力运动)。所选择的测试参与者之间23和26岁,和包括男性和女性。我们想要确定,由于长度的研究,特别是在要求不活跃的个人参与有规律的锻炼超过3个月,证明很难招募一个更大的群体。

设备

在这项研究中,我们开发了一个可穿戴的EMG感官收集肌电图数据的设备,和无线传送到PC进行存储和分析。图1显示了用于获取这些肌肉活动的电子数据。设备由一个单片机(Arduino Pro Mini 328, Arduino,意大利),三个充电9 V电池,蓝牙屏蔽(Bluefruit EZ-Link突破,Adafruit,美国)和肌电图传感器(肌肉传感器v3,进相机技术有限责任公司、美国)。单片机和EMG传感器建立了可选的信号预处理功能。单片机驱动外部由9 V充电电池和物资蓝牙盾牌。EMG传感器是由两个9 V电池动力外部(±9 V要求供应)。我们使用标准的湿电极在这项研究中,提前进入肌肉传感器v3。相同的设备用于耐力和hypertrophy-based肌电图研究。

实验

在这项研究中我们包含感兴趣的两个运动组织——肥大和耐力。重复的肥大组包括一个中间水平(10- - - - - -12)使用的重量大约是70% - -75%的1重复强度指标(32)。耐力组被要求执行一个更高层次的重复(∼20)较低的体重。我们之前的概念研究了重复直到失败和有前景的结果,所以我们选择高重复计数耐力研究(33)。第一天测试所有的参与者被要求履行最大加权1重复二头肌与定性观察正确形式。这是表现如下:(1)参与者站在脚与肩同宽,双手握着哑铃在一个放松的位置(在双方);(2)参与者增加了权重与掌心向上,手肘夹紧密靠近肋骨/臀部;(3)参与者的肩膀应该放松和他们/姿势不应改变在升降运动;(4)重返回到起始位置和控制相对较慢的方式,同时呼气。

在完成本每个被分配哑铃(每个手臂一个哑铃)基于自己的能力。所有参与者似乎是类似的功能具有类似1-repetition最大重量——回忆,这些都是参与者没有定期重量训练。因此,所有肥大研究个人被分配10磅,而耐力研究参与者分配5磅。控制参与者被分配一个20磅体重肥大练习,而其他两个控制参与者也分配5磅。对所有实验中,每个参与者被要求执行一个站二头肌与分配重量——这是二头肌的收缩对他们的脸,然后控制返回到起始位置。我们选择二头肌锻炼由于易于分离大主要推动者的手臂很容易进行肌电图测量。此外,二头肌弯曲也容易控制,从而减少运动工件在数据记录。肥大和耐力组执行期间每周锻炼两次的研究中,同时控制参与者他们演习每月执行一次。

在招聘过程中,我们要求参与者,他们应该对他们的例行日常工作,不引入任何新的活动。自从排除标准指定参与者不应该从事任何健身活动,变化实验由于其他活动的可能性很小。然而,我们仍然承认变化仍将出现在测量由于日常生理功能的变化,性格或其他无法控制的现象。

肥大的基础练习

肥大实验在一段时间内的100天。在这个练习组,参与者执行4套二头肌弯曲,12个重复每一个哑铃。每组之间,参与者1分钟休息。锻炼了∼0.4赫兹的速度,这是控制使用一个节拍器。肥大的参与者进行这个练习一周两次,每星期。获得的数据在一段大约100天。

耐力锻炼

二头肌锻炼使用哑铃被选为隔离endurance-based锻炼二头肌肌肉活动。每一个参与者被要求执行20±2重复5套/用哑铃锻炼计划。我们使用一个节拍器设置在0.4∼赫兹实现标准化的重复率。然后他们被允许休息大约1分钟,并继续下一个集。这个练习耐力参与者进行每周两次,每星期。获得的数据在一段大约100天。

控制日常锻炼

控制练习练习提到是相同的,然而很少执行。例如,两个参与者执行肥大控制锻炼一个月一次,当一个参与者进行耐力控制一个月锻炼一次。这些练习有相同数量的重复和集作为匹配组。

数据采集

肌肉使用双极电极传感器v3获得肌电图数据中心位置和结束的二头肌肌肉的身体以及肘关节的参比电极。波兰人的位置变化基于参与者形态测量学但是通常约44毫米(< 2英寸)按照系统的规范。电极放置使用参与者的解剖标志,为了最小化电极位置的变化。例如,参与者弯曲肘部90°的位置,和电极放置约1/3的点的距离的窝肘内侧acromion-fossa肘。

在运动过程中,肌电图传感器收集原始的肌肉活动和过滤数据被发送到Arduino迷你。这些数据包括10位上模拟到数字转换器返回整数值从0到1023。单片机将这些模拟值从0 - 5 V的电压记录。我们还包括一个蓝牙模块将数据无线传输到笔记本电脑(∼10米范围内)。然后,CoolTerm被用作数据传输一个串口终端收集的数据蓝牙屏蔽。CoolTerm是一个开源软件,允许之间的文本/ ascii和其他数据交换连接的串行端口。

Arduino程序尽快开始数据收集设备供电。通过支持串行连接,数据传输通过蓝牙的笔记本电脑/电脑。然后,行格式化的文本文件中存储的数据与电压值介于0和5 V (∼10 mV分辨率),与时间戳图2)。我们这些文件加载到MATLAB进行分析,所有虚假数据的启动和停车阶段数据收集期间削减数据后期处理。肌电图的采样率是标准的Arduino率模拟针(9600赫兹)。

数据处理

削减这些数据,我们确定的起始和终止时间通过人工检查的周期性收缩锻炼二头肌弯曲(例如,第一峰值周期最后一个峰值周期——如果有10个重复练习将会有10个周期的峰值)。一旦确定视觉这些时间,我们删除数据前第一个时间点,以及最后一次成功的数据点。

对于每一个测量,为纠正肌电图是由减去平均电压信号的噪声(图3),包括直流偏置,然后整流。然后低通滤波整流EMG以来40 Hz的主要能源在低频波段(这项研究很感兴趣34,35)和我们感兴趣的行为收缩波形,而不是肌肉的开关特性(36)。由于带宽的运动锻炼是低(∼0.4赫兹)这也在纠正EMG信号的包络线,和适当的研究(35)。

振幅,伏,数字化抽样原始和过滤数据绘制的关于时间(秒)来提供信息如何肌肉收缩的肌电图振幅变化进行锻炼。这些数据让我们跟踪肌电图振幅峰值和计算峰值随时间的变化。先前的研究已经表明,这些峰值增加疲劳和运动单位招聘(37- - - - - -39),所以我们希望测量的速度这发生在伏每秒,或dB (V / V)每秒。《纽约时报》获得的设备数据除以指数(对应于样品的数量)的时间戳。

分贝的EMG相对峰值振幅是用来描述数据的相对变化对传感器的噪声。如上所述,我们推测这种关系不仅可以显示EMG信号如何变化的重复,但也来衡量其长期性能改变以前对锻炼日期。因此,我们认为这是一个引人注目的相对指标来衡量或识别属性的肌肉疲劳,或疲劳,由于重复锻炼。因此,关于时间的比率的变化(即。,the slope of EMG vs. time) can show changes to motor unit recruitment in the muscle over time (6)。

EMG比率可以计算通过使用的比例参考信号的信号和功率分贝。在这项研究中我们定义的参考电压(即噪声地板。、测量肌肉不收缩)时,表示为:

,信号电压测量肌肉收缩在皮肤表面用EMG传感器伏,地板和参考电压平均噪声测量的传感器记录。因此,在每组数据规范化记录——在每个记录参考电压可以是不同的。所以,EMG比率(峰值噪声地板)在每个记录措施收缩振幅在运动的发展。例如,如果噪声地板是不同的在天这并不影响结果比记录以来的峰值噪声地板的关系,让我们研究如何在每组运动肌电图振幅的增长。因此,这让我们比较(即肌电图振幅增加。每天,疲劳)。为此,我们的峰EMG (dB)和平均集。然后,比较多个日子里,我们将肌电峰值比第一天(天开始)作为基线。我们将从所有天减去EMG峰值比率值作为一种标准化EMG峰值的关系如下:

在哪里我是我^th天记录,${\mathrm{肌电图}}_{\mathrm{avg}}^{\mathrm{山峰}}$平均肌电图峰值计算。

结果

在运动中使用肌电图数据提出了值得注意的固有噪声水平证实通过运动构件和其他现象。因此,处理数据时,我们发现一些录音,无法使用,从分析被丢弃。排除展出的录音信号饱和、高额的噪声掩盖收缩识别、通用数据损坏或数据表现出异常高的噪声地板在录音中,有限的可衡量的收缩峰值。不管这噪音,大多数的捕获数据从超过100 +天的测试还包括在这项研究。总共的数量好肥大数据用于分析包括281数据点(81.2%),而坏数据点总计65 (18.8%)。良好的耐力的数量数据用于分析包括311数据点(74.9%),而坏数据点104 (25.1%)。同样,控制好肥大数据包括22个数据点(91.7%),而2(8.3%)无法使用。最后,控制耐力测量包括7(87.5%)良好的数据点,而只有一个无法使用数据点(12.5%)。因此,尽管我们相对较小的人口,但我们有一个相对较大的intraparticipant纵向数据集,允许我们探索趋势为每个参与者。

肌电图振幅变化与运动

典型的整流EMG信号,记录和处理为一个运动设置所示图4。肌电图信号的振幅与时间曲线图显示了最大峰值振幅的增加趋势(橙色线)和RMS(绿色/红色线)的阴谋。这是典型的所有可用的捕获数据。峰值对应的最大收缩在一组重复,而最小值对应的肌肉重复之前“放松”。这个纠正EMG信号的峰值电压通常增加从第一到最后的重复。所示的情节中,从第一个持续收缩峰值的大小增加了2.86 V,或120.74%的幅度增长。增加信号幅度符合额外的运动单位招聘在疲劳的任务,并根据肌肉的疲劳性能不同。下面我们检查所有的峰值变化练习。

短期内肌电图的变化峰值期间锻炼

短期的肌电图变化数据指盘中或intraset行为(即。,在一天之内)。图5使用所有显示了肌电图数据集一天的运动描述信号的趋势在多个集。,黑色线条代表实际的信号幅度变化(每组第一个持续收缩)在某一天里,红色的线条代表的线性的这些数据。例如,在图5(上),从第一个收缩振幅的差异最后收缩为1.37分贝。因此,这一趋势显示了一组0.34 dB /增加整个集。同样,耐力参与者4 (图5——底部)显示了一个增加为6.11 dB (1.22 dB /设置增加)在EMG信号集在同一天进行。这些一般趋势是典型的所有参与者,和同意所有实验结果在早些时候发表的作品(2- - - - - -5)。

我们发现这个增长率在肌电图变化基于运动时(即执行。第一天,当比较的锻炼比50天)。下面,我们展示这种可变性的EMG信号叠加所有规范化趋势短期耐力和肥大的数据在两个情节(图5)。平均而言,我们看到一个2.38±3.05 dB的EMG信号增加耐力参与者/ 5集,而肥大的参与者显示平均1.39±3.06 dB增加EMG信号在4集。这些数据规范化0分贝表示肌电图的基线(第一组)在集用来比较。

长期规律的运动时肌电图的变化

长期的EMG信号振幅的相对趋势如下所示(即确定interday变化。在100天的研究期间)在经常锻炼肌肉的性能。

肥大的基础练习

图6演示了每天的平均振幅的运动肌电图数据(每个4集)为所有参与者,在一段时间内,100天,执行hypertrophy-based练习。回想一下,数据为每个记录规范化使用其独特的噪声地板,然后随后规范化基于肌电图振幅比第一天基线。情节展示了数据点(黑点),这是每个会话的平均功率在dB组成的4个数据集。“第一天”情节中的数据点对应于数据收集的第一天在每个参与者的锻炼和情节中的最后一个数据点对应于锻炼的最后一天。所有数据点绘制基于相对天得到的数据。一个线性回归(红色虚线)绘制整个数据点获取建模斜率值在每个参与者的锻炼完成。表1表示平均每月EMG信号的周期变化,以及总变化相对EMG峰高,肌电图的斜率和速率变化每天分贝。在这里,看到的是信号的变化在所有参与者肥大−8.23 dB(平均)表明长期下降趋势。重要的是要注意这些数据的平均斜率−0.087 dB /天。参与者1、2和4显示增加肌电图振幅峰值大约1个月后开始的运动,但长期趋势持续下降。

耐力运动

图7展品每天平均功率的肌电图数据,在一段时间内的100天耐力练习。EMG信号振幅计算使用所有五个数据集的每一天,商议过了一段时间。每个记录的测量数据(黑点)提供在dB,同时提供了一个线性回归(红色虚线)显示趋势线。类似于肥大所示的数据集,绘制数据显示一个下降的趋势长期EMG收缩峰值大小相对于噪声地板上所有参与者。表2显示了平均变化EMG信号在运动期间,每天提供斜坡分贝。即所有的参与者显示预期的下降趋势(平均−10.09 dB)在锻炼期间,或−0.113 dB /天峰EMG收缩大小在正常运动。

耐力参与者的数据提出了# 4包含有限的第一天和晚期运动数据由于信号噪声,最终减少第一天信号振幅。无论如何,老套的EMG观察收缩峰值振幅递减趋势。

控制练习

控制参与者的运动数据绘制图8。表明两个对照组结果相比有显著差异各自的运动组。收集的数据点每组平均和策划(黑点),同时提供了一个线性回归(红色虚线)的趋势。表3总结了这些数据,显示两个肥大的趋势控制参与者和耐力控制参与者。,平均肌电图变化收缩峰值大小和噪声地板−1.57 dB (−0.017 dB /天)和−0.95 dB (−0.020 dB /天),分别为肥大和耐力。当比较配对练习组控制情况下,肥厚组下降了6.66 dB (0.067 dB /天)比对照组。虽然耐力组看到一个9.14 dB (0.093 dB /天)比对照组更大的减少。

结合数据的趋势

随后,我们结合所有运动数据到一个情节突出这些数据的可分性。由于人口规模小,我们首先情节结合在两组数据(图9前):(1)对照组;(2)所有其他参与者。然后我们阴谋使用所有组(即相同的合并数据。、控制、耐力和肥大)图9(底部),我们为每一组适合回归直线。比较这些回归线所示表4,好适合用绿色突出显示,可怜的适合是红色的。即,我们使用的相关性测定每组之间的数据和每个回归线。在每种情况下,R²最好的一组之间的数据和回归。此外,控制数据并没有得分与耐力和肥大的数据集,而耐力和肥大数据显示一些相关性。

时间序列数据的相关性

进一步探索这些数据的可分性,我们检查的时间发展运动数据对其他团体所示图6- - - - - -9。所示表5,耐力和肥大之间的相关性是显著(R: 0.71,p:0.000089),而任何设置了控制数据的相关性较弱。这必须解释一些谨慎,然而,由于我们的研究人口很小。

讨论

这项研究表明长期的肌电图变化有规律的锻炼可以用来量化个人的训练过程。具体来说,EMG峰值振幅的变化的速度相对于一个参与者最初的基线可以用来衡量适应随着时间的推移。值得注意的是,这些数据还表明,这种变化的速度也不同的运动模式(耐力比肥大)——然而这必须进一步研究,因为我们的研究人口很小。最后,我们表明,当参与者不接受定期的锻炼(控制参与者),相同的长期变化不明显由于有限或微不足道的肌肉适应。很明显在图5肌电图振幅数据增加跨组内日常锻炼。支持我们的数据从而证实了文学在短期内观察,并与预期一致,肌电图振幅增加而肌肉疲劳由于额外的运动单位的招聘。这个招聘是需要维护所需的张力进行锻炼时肌肉。

在更长一段时间,然而,作为每个个体进行抗运动在他们的100天+研究期间,最大EMG平均峰值和峰值大小降低了相对于第一天基线。这意味着所需的努力减少加班时间为每个单独的做同样的任务。这因此建议增加抗疲劳反应或其他肌肉适应。例如,每个参与者发现他们疲劳的速度减少从第一天到天∼100 (表1- - - - - -3)。值得观察的斜率线性的肌电图改变峰值为每个参与者是负的。换句话说,作为执行的研究参与者在研究期间锻炼,肌电图看到一个增加的速度较慢,在疲劳响应。这表明肌肉没有招募尽可能多的电机单元的最后一天锻炼像第一天那样。因此,我们表明,长期趋势的斜率可以用来表示个人的肌肉的速度变得更耐疲劳的常规训练。

更重要的是,当比较肥大和耐力的参与者,他们的利率是不同的,也支持我们最初的假设。例如,当比较两组,肥大的变化速度和耐力−0.087−0.113 dB / dB /天,分别是(表1,2)。这意味着他们的斜率不同,表明耐力参与者看到一个更大的减少EMG收缩峰值振幅随时间在运动相对静止肌电图振幅。在这种情况下,似乎那些执行忍耐力基础锻炼变得更耐疲劳的看做他们的运动单位招聘减少更多。这对应于预期从一个耐力抗运动。注意肥大和耐力组表现出变化随着时间的推移,可以由于各种条件如电极位置的变化,在参与者的生理差异随着时间的推移,等等。同样,应该注意的是,计算利率并不是预测所有人类,自适应性将依赖于一个人的独特的生理。无论如何,下行趋势一致在所有参与者中随着时间的推移和陡峭的山坡上似乎相关运动形态。

当比较这些数据控制情况下,它显示了这些趋势是依赖于运动。例如,存在明显的趋势图6,7在控制参与者(不存在图8),因为他们很少参与阻力训练。

的具体差异和趋势更广泛的人口将探索未来的一部分工作,包括确定neurorehabilitation肌肉性能变化。这些趋势在健康的参与者提供迈向这一目标的重要观察自从我们证明的具体培训策略变化神经肌肉适应气候变化的影响,但更重要的是,它可以测量time-progressing的方式。一个了不起的新发现在这项研究中表明,这条曲线的斜率的时间常数代表一个人的独特的神经肌肉适应随着时间的变化。我们相信这肌肉适应时间常数可以识别的一个重要因素或预测培训结果并确定个人的独特的反应。

我们未来的研究将探讨这些影响康复的一部分协议改进的量化性能和减少疲劳的速度相关的培训。基于这些发现,我们预测,基于个人的基线和想要的结果,具体的性能可以通过使用这种方法量化目标。具体来说,长期的变化率测量疲劳/适应响应通过常规的肌肉训练,可以测量的。这种潜在的使用包括识别训练干预当参与者已经达到性能高原,由于培训计划或微不足道的反应。这一点尤其有效应用在疲劳的训练是一个包罗万象的限制。因此,我们认为,通过测量一个人如何回应他们的培训策略,修改计划可以使肌肉适应和优化性能(例如,扩展困难,调整频率的运动等等)如上所示。

这项研究有一些局限性,我们想确定。首先,我们承认这项研究包括的小样本大小8参与者和3控制参与者。由于长度的研究,特别是在要求不活跃的个人参与有规律的锻炼超过3个月,证明很难招募一个更大的群体。因此,我们想澄清我们不要求模型通用inter-participant(即。、人口宽)性能适应基于长期的训练。相反,我们认为,由于我们相对较大intra-participant数据集(数以百计的数据点)——这些行为强调个体的性能适应能力和生理是独一无二的。不过,我们假定不同利率的适应是相对于具体培训计划如上所示——肥大与耐力——生理上也有意义(31日,40)。,同样,我们也省略的分析,探讨了关于路面抗疲劳或性能区别男性和女性运动。因为我们预测准确的EMG适应趋势(EMG斜率随时间变化)是独一无二的每个人,我们相信男女之间会有差异,计划探索这种未来。此外,在本研究中我们省略的宽带频率域分析可用于疲劳检测,由于我们假设低频率时域响应可用于识别肌肉训练的长期影响。最后,我们想状态,肌电图数据经常表现出大量的噪音可能倾斜数据,它可以创建数据捕获环境艰难,我们经验丰富的耐力参与者# 4。通俗,可能会有一些错误出现在上面的数据由于电极放置超过100天的变化研究。

结论

在本研究中我们提出了纵向变化与常规肌电图抗肌肉训练。使用11健康参与者不定期的重量训练,我们收集的数据超过100天,试图量化个人的合成神经肌肉适应。通过个体的相对收缩肌电图的斜率随着时间的推移,我们表明,疲劳的速度开始下降。具体地说,超过100天的平均肌电图练习设置收缩振幅降低平均肥大和endurance-based练习−8.23 dB (−0.083 dB /天)和−10.09 dB (−0.113 dB /天),分别。我们所知,这是第一个研究表明长期适应的测量与经常锻炼肌肉活动。我们证明了耐力和hypertrophy-based锻炼适应两者都遵循类似的趋势,但变化的速度是不同的。这些利率在参与者也是不同的。

通过时域的量化这种适应,我们假设测量速度可以在肌肉的结果通知培训策略优化。这包括干预的时间(即。,shortened training for a better outcome) and to identify when training strategies need to change (i.e., plateauing adaptation effects as shown in our control group). In addition, we propose that this adaptation metric can be used in muscular training protocols to improve interventions in user-customized treatment strategies (healthy individuals or in rehabilitation protocols). Our future studies will explore these capabilities in post-stroke participants.

数据可用性声明

原始数据支持了本文的结论将由作者提供,没有过度的预订。

道德声明

涉及人类受试者的研究回顾和布法罗大学的机构审查委员会批准(# 2394)。患者/参与者提供了他们的书面知情同意参与这项研究。

作者的贡献

FS负责数据分析,大多数写的手稿。NUK SR, RM, PSM负责数据收集和初步数据分析。DH参与数据采集和回顾了分析。所有作者的文章和批准提交的版本。

资金

工作项目部分由纽约州立大学研究基金会和美国国家科学基金会——残疾与康复工程(奖#:2130651)。

的利益冲突

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

引用