在高强度运动过程中,神经肌肉疲劳以及扭矩复杂性的降低:肌肉大小的作用
《Experimental Physiology》:Neuromuscular fatigue and loss of torque complexity during severe-intensity exercise: The role of muscle size
【字体:
大
中
小
】
时间:2026年04月03日
来源:Experimental Physiology 2.8
编辑推荐:
摘要
本研究探讨了高强度运动对不同大小两组肌肉的神经肌肉疲劳(NMF)和扭矩复杂性的影响。通过最大自主收缩,在间歇性等长运动过程中,每隔一分钟以及任务失败时,评估了11名健康男性的NMF。该运动的强度比膝关节伸肌(KE)和手握力肌(HG)的临界扭矩高出15%。扭矩复杂性通过运动
摘要
本研究探讨了高强度运动对不同大小两组肌肉的神经肌肉疲劳(NMF)和扭矩复杂性的影响。通过最大自主收缩,在间歇性等长运动过程中,每隔一分钟以及任务失败时,评估了11名健康男性的NMF。该运动的强度比膝关节伸肌(KE)和手握力肌(HG)的临界扭矩高出15%。扭矩复杂性通过运动开始和结束时的次最大收缩,利用近似熵(ApEn)和去趋势波动分析(DFA-α)进行评估。NMF降低了KE肌肉的扭矩复杂性(ApEn从1.55 ± 0.09降至1.25 ± 0.20,P < 0.001;DFA-α从1.40 ± 0.11降至1.52 ± 0.06,P = 0.001)。然而,在HG肌肉中,仅DFA-α分析显示扭矩复杂性降低(1.01 ± 0.16降至1.24 ± 0.16,P < 0.001)。尽管最大扭矩产生和运动耐受性下降相似,但KE肌肉的中心疲劳(KE -14.9 ± 12.4% × HG -7.66 ± 5.23%,P < 0.001)和周围疲劳(KE -63.8 ± 20.9% × HG -29.0 ± 14.5%,P < 001)更为明显。这些发现表明,NMF的程度可能会影响不同肌肉组之间的扭矩复杂性损失,从而导致运动控制能力受损。此外,观察到的更大损伤可能受到肌肉大小差异的影响,这可能会影响各种生理反应。
**研究的核心问题是什么?** 在高强度运动范围内,肌肉大小的差异是否会影响扭矩复杂性的损失?** 主要发现及其重要性是什么?** 在经历更大中心和周围疲劳的肌肉中,扭矩复杂性的损失更为明显,这导致扭矩输出的波动更大,从而降低了运动控制能力,尽管最大扭矩产生和对高强度运动的耐受性下降相似。
**1 引言**
在未疲劳和疲劳的肌肉中,扭矩输出模式随时间表现出波动,这些波动可以通过其复杂性(例如近似熵ApEn和去趋势波动分析DFA-α)来量化(Pethick等人,2021年)。ApEn量化了扭矩波动的规律性或随机性,而DFA-α展示了它们的时间分形尺度(Pincus,1991年;Slifkin & Newell,1999年)。扭矩输出的复杂性是神经肌肉系统对内部或外部干扰适应能力的衡量标准。当神经肌肉系统因疲劳而处于压力下时,其适应性会受损,从而导致扭矩不稳定性和调节扭矩的能力降低(Pethick等人,2021年)。神经肌肉疲劳(NMF)由于周围和中枢系统的故障而引起扭矩产生的可逆性下降(Allen等人,2008年;Gandevia,2001年),同时降低了扭矩复杂性,正如先前的研究所示(Pethick等人,2015年,2016年;Penthick,Winter等人,2019年)。这种复杂性的损失会损害运动控制,并对运动表现产生负面影响(Pethick,Winter等人,2019年)。此外,最近的研究表明,扭矩复杂性的损失程度取决于运动强度,无论是最大还是次最大强度的运动都会导致显著下降(Pethick等人,2015年;Penthick,Winter等人,2019年)。然而,Pethick等人(2016年)观察到,在次最大收缩过程中,只有当运动强度超过临界扭矩(CT)时,扭矩复杂性才会下降,这表明这种下降仅发生在高强度范围内,在此范围内NMF逐渐发展直至任务失败。尽管这些最新发现强调了运动强度对扭矩复杂性损失的显著影响,但一些研究仅针对单一肌肉组进行了研究。因此,尚不清楚在执行相同任务时,不同肌肉是否表现出不同的反应,特别是在比较日常生活中的不同大小和功能角色的肌肉时,例如手握力肌(HG)和膝关节伸肌(KE)。值得注意的是,这些肌肉在大小和生理特性上存在差异(例如纤维类型比例、招募策略和灌注能力)(Enoka,2008年;Zoladz,2019年)。这些差异可能会影响肌肉的扭矩产生能力、NMF的发展和运动耐受性(TLIM)(Allen等人,2008年;Gandevia,2001年)。一些研究比较了不同肌肉组的NMF发展。例如,Vernillo等人(2018年)观察到,在2分钟的MVIC过程中,KE肌肉的最大自主等长收缩(MVIC)和自主激活(VA)下降幅度大于肘部屈肌,而肘部屈肌表现出更明显的周围疲劳。相比之下,Neyroud等人(2013年)观察到在上肢和下肢肌肉的次最大运动(50% MVIC)中,MVIC和VA的下降幅度相似,但周围疲劳在上肢肌肉中更为明显。即使肌肉在相对于MVIC的相同强度下进行任务,肌肉收缩也可能在相同的范围内或不同的范围内进行,这可能会显著影响NMF和TLIM。与此一致的是,先前的研究表明,足底屈肌的相对强度(约50% MVIC)大于KE肌肉(约29% MVIC),这强调了即使在相对于MVIC的相同强度下,肌肉也可能受到不同的压力(Abdalla等人,2018年)。在相同的高强度任务中,足底屈肌的TLIM比KE肌肉短,这一发现可以通过CT以上的脉冲幅度较小来解释(ICT),这代表了在CT以上持续运动的有限能力(Abdalla等人,2018年)。在这种情况下,肌肉大小可能会影响ICT的幅度,尽管较大的活跃肌肉质量可能会由于更高的代谢需求而加速ICT的消耗,以及其他生理因素。有趣的是,Broxterman等人(2015年)证明ICT可能由高强度运动期间累积的NMF幅度决定。与此一致,我们的团队同时观察到,在3周的力量训练后,ICT、TLIM和周围疲劳都增加了,进一步强调了ICT和NMF结果之间的联系(de Menezes Bassan等人,2019年)。本研究旨在探讨高强度运动对NMF发展的影响,以及其对未经训练受试者KE和HG肌肉扭矩复杂性损失的影响。研究假设:(1)KE肌肉的TLIM和NMF将大于HG肌肉;(2)NMF将降低两种肌肉的扭矩输出复杂性,KE肌肉的损伤将大于HG肌肉。
**2 方法**
2.1 伦理批准
本研究获得了圣保罗州大学机构伦理委员会(CAAE 59273422.0.0000.5465)的批准。所有程序均按照《赫尔辛基宣言》关于涉及人类受试者的研究进行。所有受试者在实验开始前都收到了详细的程序说明,并提供了书面知情同意。
2.2 受试者
11名未经训练的男性受试者(23 ± 4岁,76.2 ± 13.9公斤,177 ± 6厘米)参与了这项研究。所有参与者之前都没有肌肉骨骼损伤。参与者被要求在运动测试前24小时内避免剧烈活动。
2.3 实验程序
所有实验都在气候控制的实验室(21–23°C)中进行,时间固定。所有受试者在至少相隔48小时的六个时间点访问实验室。第一次(KE)和第四次(HG)访问旨在让参与者熟悉实验程序和力量评估。在第二次(KE)和第五次(HG)访问期间,进行了5分钟的全力测试以确定两种肌肉的CT。在第三次(KE)和第六次(HG)访问期间,进行了高强度范围内的间歇性恒定负荷等长运动,直至任务失败。图1展示了研究设计的概览。
2.4 动力计设置
所有测试都在等速动力计(Biodex System 3,Biodex Medical Systems,Shirley,NY,USA)上进行。对于KE测试,受试者以坐姿坐在动力计座椅上,髋关节和膝关节分别处于85°和75°(0° = 完全膝关节伸展)。动力计负荷细胞的轴线与膝关节屈伸轴线对齐,杠杆臂通过绑带固定在受试者的小腿上(de Menezes Bassan等人,2019年)。对于HG测试,受试者以坐姿坐在动力计座椅上,肩关节屈曲90°,他们的主导手臂由手臂固定装置支撑。手臂与抓握装置平行,保持0°外展。这种姿势确保了固定杠杆与第二至第五掌骨的近端区域对齐,可移动杠杆位于手的第二至第五指节的近端区域。在测试过程中,手部缠上了绷带以保持其位置不变(Junior等人,2024年)。
2.5 MVIC
MVIC用于评估KE和HG的最大力量。热身包括5分钟的腿部骑行(KE)或3分钟的手臂骑行(HG),随后是10次次最大等长收缩。MVIC包括三次最大等长收缩(3秒努力,2分钟休息),使用抽搐插值技术来评估神经肌肉功能(Millet等人,2011年)。受试者被指示尽可能强烈和快速地开始收缩,并得到口头鼓励以发挥最大努力(Burnley,2009年)。MVIC对应于MVIC试验期间达到的峰值扭矩。
2.6 临界扭矩模型的参数
使用Burnley(2009年)的方法估计了KE和HG肌肉的CT和ICT。5分钟的全力测试包括60次MVIC(3秒努力,2秒休息)。受试者被告知在测试的前三次收缩中达到或超过他们的MVIC,并在整个测试过程中持续得到鼓励,但不提供关于经过时间或收缩次数的信息,以避免任何节奏策略。CT对应于最后六次收缩的平均扭矩,ICT是通过每次收缩的扭矩×时间曲线下面积计算得出的(Burnley,2009年)。
2.7 TLIM
在CT以上15%的强度(即115% CT)下进行了恒定负荷等长间歇测试(3秒努力,2秒休息),直至任务失败,以评估TLIM。受试者被指示快速开始收缩,保持目标扭矩,从而产生矩形形状的收缩。任务失败是指连续三次收缩中,尽管有口头鼓励,受试者仍无法达到并保持目标扭矩的情况。为了评估NMF的发展速度,在任务开始时和任务失败时每分钟进行一次MVIC。
2.8 NMF评估
通过使用高压恒流刺激器(DS7AH,Digitimer,Welwyn Garden City,UK)和200-μs方波刺激来诱发收缩,该刺激器用于经皮电刺激。对于股神经刺激,阴极(0.5厘米直径,Dermatrode,American Imex Irvine,CA,USA)放置在股三角区,阳极(5 × 10厘米;Compex,Ecublens,Switzerland)放置在阴极对面的臀部皱褶处(Burnley,2009年)。对于正中神经刺激,阳极(0.5厘米直径,Dermatrode)放置在肘突远端,而阴极放置在前臂的正中神经上(Junior等人,2024年)。使用递增电刺激方案,从100 mA开始,每次增加25 mA,直到扭矩达到平台期,以确定最大股神经和正中神经刺激,然后增加30%以确保超最大刺激(Hammer等人,2020年)。使用抽搐插值法评估神经肌肉功能,在MVIC平台期进行超最大电刺激,包括叠加和休息状态。休息时抽搐和VA的减少分别表示周围和中枢疲劳。通过任务开始和任务失败时MVIC的差异来评估整体疲劳。VA使用以下公式估算:(1)当在MVIC峰值时出现叠加抽搐时(Burnley,2009年);(2)当在MVIC峰值时没有出现叠加抽搐时进行校正(Broxterman等人,2015年;Hammer等人,2020年;Junior等人,2024年)。
2.9 肌电图
使用双极Ag–AgCl表面电极进行肌电图记录。在将电极放置在 vastus lateralis 和 flexor digitorum superficialis 肌肉的皮肤上之前,先剃除毛发、擦除皮肤并用酒精清洁(Criswell & Cram,2011年)。在髌骨上方的皮肤上放置了一个参比电极。起始信号保持在5 μV以下。使用Miotool(Miotec,巴西阿雷格里港)记录肌电图信号,放大10倍(总增益为1000倍),并通过具有±5 V输入范围和14位分辨率的A/D板进行数字化。Miograph软件(Miotec)以2000 Hz的采样频率获取信号。肌电图信号通过四阶零滞后巴特沃斯滤波器在1秒的时间内进行带通滤波(20–500 Hz,即包括峰值扭矩前后的0.5秒)。疲劳指数通过均方根(RMS)和中位频率(MDF)分析来评估(Merletti等人,2005年)。在整个TLIM测试期间,次最大收缩的RMS数据被归一化到它们的基线MVIC(即RMSmax)。通过计算前30秒和最后30秒之间的RMS和MDF差异来评估与疲劳相关的肌肉激活行为变化。
2.10 扭矩分析
使用等速测力计(Biodex System 3)获取扭矩信号,该测力计与肌电图(Miotool)同步,并根据制造商的说明进行校准。扭矩信号以2000 Hz的频率采样,并使用Matlab R2023a(MathWorks Inc.,美国纳蒂克)编写的自定义脚本进行分析(Winter,2009年)。
2.11 复杂性和幅度
使用第一分钟和最后一分钟的每次次最大收缩的原始数据,通过获取2秒的稳定收缩期来计算SD、CV、ApEn和DFA-α。SD和CV分别用于评估绝对变异性和相对于平均值的变异性(Pethick等人,2021年)。ApEn用于评估规律性或随机性,而DFA-α用于评估扭矩输出的时间分形缩放(Pethick等人,2021年)。ApEn和DFA-α是基于Pethick等人(2016年)和Pethick、Winter等人(2019年)的早期研究,使用所提出的方法计算的。ApEn量化了模型长度m(定义为2)随时间重复的条件概率的负自然对数(Pincus,1991年;Slifkin & Newell,1999年)。在容忍度r(定义为SD的10%)内保持任意相似的相应模型被计数,与第i个长度m的模型匹配的数量被指定为Bi。然后计算这些匹配中与第i个模型相似的+1个点的数量,这个数量被指定为Ai。然后计算每个模型匹配的条件概率,包括(m + 1)个数据点。对于所有模型,计算条件概率的负对数,并对结果进行平均。接近0的低值表示高规律性和低复杂性,而接近2的高值表示低规律性和高复杂性(Pincus,1991年;Slifkin & Newell,1999年)。
(3)其中N是时间序列中的数据点数量,m是模型的长度,Ai是与长度为m的第i个模型匹配的数据点数量,Bi是与长度为m的第i个模型匹配的数据点数量。为了进行DFA-α分析,首先对时间序列进行积分,然后测量这个积分时间序列的垂直特征尺度(Peng等人,1994年)。然后将积分时间序列分成长度为n的盒子,并拟合一条最小二乘线,代表每个盒子的趋势。第k个盒子中长度为n的直线段的y坐标由yn(k)表示,通过减去每个盒子中的局部趋势来消除时间趋势(Peng等人,2002年;Stanley等人,1999年)。对于给定的盒子大小n,积分和去趋势时间序列的波动特征大小基于方程4。
这个过程在所有盒子大小的时间尺度上重复进行,以提供盒子大小和F(n)之间的关系。根据Pethick等人(2016年)和Pethick、Winter等人(2019年)的方法,使用了57个盒子进行分析,盒子大小从1250到4个数据点不等。n和F(n)的对数-对数图的斜率决定了缩放参数α。当α = 0.5时,时间序列是完全随机的,即白噪声,并且与之前的值完全独立。当0.5 < α < 1时,观察到幂律相关性,而当α > 1时,存在相关性,但它不呈现幂律形式。α = 1表示粉红噪声,而α = 1.5表示布朗噪声。在这些条件下,当α ≠ 0.5时,值不是完全独立的,并且与之前的值相关(Pethick等人,2021年)。
2.12 统计分析
使用Shapiro-Wilk检验来评估正态性,因为除了ApEn和DFA-α之外,大多数变量的正态性没有得到确认;因此,应用了非参数统计程序来分析数据。结果以均值±标准差(SD)的形式呈现。Levene检验用于确认方差的同质性。参数数据比较使用Student's t检验进行,非参数数据使用Mann-Whitney检验进行。对于NMF变量,使用了带有重复测量的单因素方差分析(one-way ANOVA),而对于复杂性分析,则应用了双因素方差分析(time × muscle)。当识别出显著的时间×肌肉交互作用时,使用单因素方差分析对匹配(time)和独立样本(muscle group)进行成对分析,然后进行Bonferroni的事后检验。显著性水平设定为P < 0.05。数据使用统计软件包(SPSS Version 20.0;IBM Corp.,美国阿蒙克)进行分析。
3 结果
3.1 从TLIM到高强度运动的转变
在绝对比较中,KE肌肉显示出更大的CT(KE 76.5 ± 16.0 N·m × HG 25.0 ± 5.63 N·m,P< 0.001)和ICT(KE 7225.1 ± 2405.9 N·m·s × HG 1583.2 ± 639.7 N·m·s,P < 0.001),与HG肌肉相比。相比之下,在等长峰值扭矩方面没有差异(KE 32.8 ± 7.39% × HG 33.8 ± 7.87%,P = 0.818),在恒定负荷等长间歇测试中执行的平均扭矩也没有显著差异(KE 14.6 ± 3.10% × HG 14.8 ± 4.14%,P = 0.847)。同样,在恒定负荷等长间歇测试中,KE和HG肌肉的任务失败时间也没有差异(KE 412.9 ± 178.8 s × HG 319.0 ± 89.1 s,P = 0.270)。
3.2 肌电图、病因学和NMF发展速率
在两种肌肉中,MVIC(F(KE) = 48.7,P < 0.001;F(HG) = 75.9,P < 0.001)、静息抽搐(F(KE) = 67.3,P < 0.001;F(HG) = 31.9,P < 0.001)和VA(F(KE) = 15.9,P < 0.001;F(HG) = 23.0,P = 0.003)都存在显著的时间效应。然而,在相对比较中,KE肌肉在VA(P < 0.001)和静息抽搐(P < 0.001)方面的下降幅度大于HG肌肉,但在MVIC下降方面没有差异(P = 0.193)(表1)。同样,KE肌肉在静息抽搐方面的减少速度更快(P < 0.001),而VA方面没有差异(n = 10)(P = 0.863)(表1)。然而,HG肌肉在MVIC方面的减少速度更快(P = 0.023)。表1. NMF和肌电图:高强度运动对KE和HG肌肉表现的影响。
3.3 TLIM到高强度运动的转变
在绝对比较中,KE肌肉的CT(KE 76.5 ± 16.0 N·m × HG 25.0 ± 5.63 N·m,P< 0.001)和ICT(KE 7225.1 ± 2405.9 N·m·s × HG 1583.2 ± 639.7 N·m·s,P < 0.001)显著高于HG肌肉。相比之下,在等长峰值扭矩方面没有差异(KE 32.8 ± 7.39% × HG 33.8 ± 7.87%,P = 0.818),在恒定负荷等长间歇测试中执行的平均扭矩也没有显著差异(KE 14.6 ± 3.10% × HG 14.8 ± 4.14%,P = 0.847)。同样,在恒定负荷等长间歇测试中,KE和HG肌肉的任务失败时间也没有差异(KE 412.9 ± 178.8 s × HG 319.0 ± 89.1 s,P = 0.270)。
3.2 肌电图、病因学和NMF发展速率
在两种肌肉中,MVIC(F(KE) = 48.7,P < 0.001;F(HG) = 75.9,P < 0.001)、静息抽搐(F(KE) = 67.3,P < 0.001;F(HG) = 31.9,P < 0.001)和VA(F(KE) = 15.9,P < 0.001;F(HG) = 23.0,P = 0.003)都存在显著的时间效应。然而,在相对比较中,KE肌肉在VA(P < 0.001)和静息抽搐(P < 0.001)方面的下降幅度大于HG肌肉,但在MVIC下降方面没有差异(P = 0.193)(表1)。同样,KE肌肉在静息抽搐方面的减少速度更快(P < 0.001),而VA方面没有差异(n = 10)(P = 0.863)(表1)。然而,HG肌肉在MVIC方面的减少速度更快(P = 0.023)。表1. NMF和肌电图:高强度运动对KE和HG肌肉表现的影响。
3.3 复杂性和幅度
在所有盒子大小的时间尺度上重复此过程,以提供盒子大小和F(n)之间的关系。根据Pethick等人(2016年)和Pethick、Winter等人(2019年)的方法,使用了57个盒子进行分析,盒子大小从1250到4个数据点不等。n和F(n)的对数-对数图的斜率决定了缩放参数α。当α = 0.5时,时间序列是完全随机的,即白噪声,并且与之前的值完全独立。当0.5 < α < 1时,观察到幂律相关性,而当α > 1时,存在相关性,但不呈现幂律形式。α = 1表示粉红噪声,而α = 1.5表示布朗噪声。在这些条件下,当α ≠ 0.5时,值不是完全独立的,并且与之前的值相关(Pethick等人,2021年)。
2.12 统计分析
由于大多数变量(ApEn和DFA-α除外)的正态性未得到确认,因此使用了Shapiro-Wilk检验来评估正态性;因此,应用了非参数统计方法来分析数据。结果以均值±标准差(SD)的形式呈现。Levene检验用于确认方差的同质性。参数数据比较使用Student's t检验进行,非参数数据使用Mann-Whitney检验进行。对于NMF变量,使用了带有重复测量的单因素方差分析(one-way ANOVA),而对于复杂性分析,则应用了双因素方差分析(time × muscle)。当识别出显著的时间×肌肉交互作用时,使用单因素方差分析对匹配(time)和独立样本(muscle group)进行成对分析,然后进行Bonferroni的事后检验。显著性水平设定为P < 0.05。数据使用统计软件包(SPSS Version 20.0;IBM Corp.,美国阿蒙克)进行分析。
3 结果
3.1 从TLIM到高强度运动的转变
在绝对比较中,KE肌肉的CT(KE 76.5 ± 16.0 N·m × HG 25.0 ± 5.63 N·m,P< 0.001)和ICT(KE 7225.1 ± 2405.9 N·m·s × HG 1583.2 ± 639.7 N·m·s,P < 0.001)显著高于HG肌肉。相比之下,在等长峰值扭矩方面没有差异(KE 32.8 ± 7.39% × HG 33.8 ± 7.87%,P = 0.818),在恒定负荷等长间歇测试中执行的平均扭矩也没有显著差异(KE 14.6 ± 3.10% × HG 14.8 ± 4.14%,P = 0.847)。同样,在恒定负荷等长间歇测试中,KE和HG肌肉的任务失败时间也没有差异(KE 412.9 ± 178.8 s × HG 319.0 ± 89.1 s,P = 0.270)。
3.2 肌电图、病因学和NMF发展速率
在两种肌肉中,MVIC(F(KE) = 48.7,P < 0.001;F(HG) = 75.9,P < 0.001)、静息抽搐(F(KE) = 67.3,P < 0.001;F(HG) = 31.9,P < 0.001)和VA(F(KE) = 15.9,P < 0.001;F(HG) = 23.0,P = 0.003)都存在显著的时间效应。然而,在相对比较中,KE肌肉在VA(P < 0.001)和静息抽搐(P < 0.001)方面的下降幅度大于HG肌肉,但在MVIC下降方面没有差异(P = 0.193)(表1)。同样,KE肌肉在静息抽搐方面的减少速度更快(P < 0.001),而VA方面没有差异(n = 10)(P = 0.863)(表1)。然而,HG肌肉在MVIC方面的减少速度更快(P = 0.023)。表1. NMF和肌电图:高强度运动对KE和HG肌肉表现的影响。
3.3 复杂性和幅度
在所有盒子大小的时间尺度上重复此过程,以提供盒子大小和F(n)之间的关系。根据Pethick等人(2016年)和Pethick、Winter等人(2019年)的方法,使用了57个盒子进行分析,盒子大小从1250到4个数据点不等。n和F(n)的对数-对数图的斜率决定了缩放参数α。当α = 0.5时,时间序列是完全随机的,即白噪声,并且与之前的值完全独立。当0.5 < α < 1时,观察到幂律相关性,而当α > 1时,存在相关性,但它不呈现幂律形式。α = 1表示粉红噪声,而α = 1.5表示布朗噪声。在这些条件下,当α ≠ 0.5时,值不是完全独立的,并且与之前的值相关(Pethick等人,2021年)。
2.12 统计分析
由于大多数变量的正态性未得到确认,除了ApEn和DFA-α之外,因此使用了Shapiro-Wilk检验来评估正态性;因此,应用了非参数统计方法来分析数据。结果以均值±标准差(SD)的形式呈现。Levene检验用于确认方差的同质性。参数数据比较使用Student's t检验进行,非参数数据使用Mann-Whitney检验进行。对于NMF变量,使用了带有重复测量的单因素方差分析(one-way ANOVA),而对于复杂性分析,则应用了双因素方差分析(time × muscle)。当识别出显著的时间×肌肉交互作用时,使用单因素方差分析对匹配(time)和独立样本(muscle group)进行成对分析,然后进行Bonferroni的事后检验。显著性水平设定为P < 0.05。数据使用统计软件包(SPSS Version 20.0;IBM Corp.,美国阿蒙克)进行分析。
3 结果
3.1 从TLIM到高强度运动的转变
在绝对比较中,KE肌肉的CT(KE 76.5 ± 16.0 N·m × HG 25.0 ± 5.63 N·m,P< 0.001)和ICT(KE 7225.1 ± 2405.9 N·m·s × HG 1583.2 ± 639.7 N·m·s,P < 0.001)显著高于HG肌肉。相比之下,在等长峰值扭矩方面没有差异(KE 32.8 ± 7.39% × HG 33.8 ± 7.87%,P = 0.818),在恒定负荷等长间歇测试中执行的平均扭矩也没有显著差异(KE 14.6 ± 3.10% × HG 14.8 ± 4.14%,P = 0.847)。同样,在恒定负荷等长间歇测试中,KE和HG肌肉的任务失败时间也没有差异(KE 412.9 ± 178.8 s × HG 319.0 ± 89.1 s,P = 0.270)。
3.2 肌电图、病因学和NMF发展速率
在两种肌肉中,MVIC(F(KE) = 48.7,P < 0.001;F(HG) = 75.9,P < 0.001)、静息抽搐(F(KE) = 67.3,P < 0.001;F(HG) = 31.9,P < 0.001)和VA(F(KE) = 15.9,P < 0.001;F(HG) = 23.0,P = 0.003)都存在显著的时间效应。然而,在相对比较中,KE肌肉在VA(P < 0.001)和静息抽搐(P < 0.001)方面的下降幅度大于HG肌肉,但在MVIC下降方面没有差异(P = 0.193)(表1)。同样,KE肌肉在静息抽搐方面的减少速度更快(P < 0.001),而VA方面没有差异(n = 10)(P = 0.863)(表1)。然而,HG肌肉在MVIC方面的减少速度更快(P = 0.023)。表1. NMF和肌电图:高强度运动对KE和HG肌肉表现的影响。
3.3 复杂性和幅度
在所有盒子大小的时间尺度上重复此过程,以提供盒子大小和F(n)之间的关系。根据Pethick等人(2016年)和Pethick、Winter等人(2019年)的方法,使用了57个盒子进行分析,盒子大小从1250到4个数据点不等。n和F(n)的对数-对数图的斜率决定了缩放参数α。当α = 0.5时,时间序列是完全随机的,即白噪声,并且与之前的值完全独立。当0.5 < α < 1时,观察到幂律相关性,而当α > 1时,存在相关性,但它不呈现幂律形式。α = 1表示粉红噪声,而α = 1.5表示布朗噪声。在这些条件下,当α ≠ 0.5时,值不是完全独立的,并且与之前的值相关(Pethick等人,2021年)。
2.12 统计分析
由于大多数变量的正态性未得到确认,除了ApEn和DFA-α之外,因此使用了Shapiro-Wilk检验来评估正态性;因此,应用了非参数统计方法来分析数据。结果以均值±标准差(SD)的形式呈现。Levene检验用于确认方差的同质性。参数数据比较使用Student's t检验进行,非参数数据使用Mann-Whitney检验进行。对于NMF变量,使用了带有重复测量的单因素方差分析(one-way ANOVA),而对于复杂性分析,则应用了双因素方差分析(time × muscle)。当识别出显著的时间×肌肉交互作用时,使用单因素方差分析对匹配(time)和独立样本(muscle group)进行成对分析,然后进行Bonferroni的事后检验。显著性水平设定为P < 0.05。数据使用统计软件包(SPSS Version 20.0;IBM Corp.,美国阿蒙克)进行分析。
3 结果
3.1 从TLIM到高强度运动的转变
在绝对比较中,KE肌肉的CT(KE 76.5 ± 16.0 N·m × HG 25.0 ± 5.63 N·m,P< 0.001)和ICT(KE 7225.1 ± 2405.9 N·m·s × HG 1583.2 ± 639.7 N·m·s,P < 0.001)显著高于HG肌肉。相比之下,在等长峰值扭矩方面没有差异(KE 32.8 ± 7.39% × HG 33.8 ± 7.87%,P = 0.818),在恒定负荷等长间歇测试中执行的平均扭矩也没有显著差异(KE 14.6 ± 3.10% × HG 14.8 ± 4.14%,P = 0.847)。同样,在恒定负荷等长间歇测试中,KE和HG肌肉的任务失败时间也没有差异(KE 412.9 ± 178.8 s × HG 319.0 ± 89.1 s,P = 0.270)。
3.2 肌电图、病因学和NMF发展速率
在两种肌肉中,MVIC(F(KE) = 48.7,P < 0.001;F(HG) = 75.9,P < 0.001)、静息抽搐(F(KE) = 67.3,P < 0.001;F(HG) = 31.9,P < 0.001)和VA(F(KE) = 15.9,P < 0.001;F(HG) = 23.0,P = 0.003)都存在显著的时间效应。然而,在相对比较中,KE肌肉在VA(P < 0.001)和静息抽搐(P < 0.001)方面的下降幅度大于HG肌肉,但在MVIC下降方面没有差异(P = 0.193)(表1)。同样,KE肌肉在静息抽搐方面的减少速度更快(P < 0.001),而VA方面没有差异(n = 10)(P = 0.863)(表1)。然而,HG肌肉在MVIC方面的减少速度更快(P = 0.023)。表1. NMF和肌电图:高强度运动对KE和HG肌肉表现的影响。
3.3 复杂性和幅度
在所有盒子大小的时间尺度上重复此过程,以提供盒子大小和F(n)之间的关系。根据Pethick等人(2016年)和Pethick、Winter等人(2019年)的方法,使用了57个盒子进行分析,盒子大小从1250到4个数据点不等。n和F(n)的对数-对数图的斜率决定了缩放参数α。当α = 0.5时,时间序列是完全随机的,即白噪声,并且与之前的值完全独立。当0.5 < α < 1时,观察到幂律相关性,而当α > 1时,存在相关性,但它不呈现幂律形式。α = 1表示粉红噪声,而α = 1.5表示布朗噪声。在这些条件下,当α ≠ 0.5时,值不是完全独立的,并且与之前的值相关(Pethick等人,2021年)。
2.12 统计分析
由于大多数变量的正态性未得到确认,除了ApEn和DFA-α之外,因此使用了Shapiro-Wilk检验来评估正态性;因此,应用了非参数统计方法来分析数据。结果以均值±标准差(SD)的形式呈现。Levene检验用于确认方差的同质性。参数数据比较使用Student's t检验进行,非参数数据使用Mann-Whitney检验进行。对于NMF变量,使用了带有重复测量的单因素方差分析(one-way ANOVA),而对于复杂性分析,则应用了双因素方差分析(time × muscle)。当识别出显著的时间×肌肉交互作用时,使用单因素方差分析对匹配(time)和独立样本(muscle group)进行成对分析,然后进行Bonferroni的事后检验。显著性水平设定为P < 0.05。数据使用统计软件包(SPSS Version 20.0;IBM Corp.,美国阿蒙克)进行分析。
3 结果
3.1 从TLIM到高强度运动的转变
在绝对比较中,KE肌肉的CT(KE 76.5 ± 16.0 N·m × HG 25.0 ± 5.63 N·m,P< 0.001)和ICT(KE 7225.1 ± 2405.9 N·m·s × HG 1583.2 ± 639.7 N·m·s,P < 0.001)显著高于HG肌肉。相比之下,在等长峰值扭矩方面没有差异(KE 32.8 ± 7.39% × HG 33.8 ± 7.87%,P = 0.818),在恒定负荷等长间歇测试中执行的平均扭矩也没有显著差异(KE 14.6 ± 3.10% × HG 14.8 ± 4.14%,P = 0.847)。同样,在恒定负荷等长间歇测试中,KE和HG肌肉的任务失败时间也没有差异(KE 412.9 ± 178.8 s × HG 319.0 ± 89.1 s,P = 0.270)。
3.2 肌电图、病因学和NMF发展速率
在两种肌肉中,MVIC(F(KE) = 48.7,P < 0.001;F(HG) = 75.9,P < 0.001)、静息抽搐(F(KE) = 67.3,P < 0.001;F(HG) = 31.9,P < 0.001)和VA(F(KE) = 15.9,P < 0.001;F(HG) = 23.0,P = 0.003)都存在显著的时间效应。然而,在相对比较中,KE肌肉在VA(P < 0.001)和静息抽搐(P < 0.001)方面的下降幅度大于HG肌肉,但在MVIC下降方面没有差异(P = 0.193)(表1)。同样,KE肌肉在静息抽搐方面的减少速度更快(P < 0.001),而VA方面没有差异(n = 10)(P = 0.863)(表1)。然而,HG肌肉在MVIC方面的减少速度更快(P = 0.023)。表1. NMF和肌电图:高强度运动对KE和HG肌肉表现的影响。
3.3 复杂性和幅度
在所有盒子大小的时间尺度上重复此过程,以提供盒子大小和F(n)之间的关系。根据Pethick等人(2016年)和Pethick、Winter等人(2019年)的方法,使用了57个盒子进行分析,盒子大小从1250到4个数据点不等。n和F(n)的对数-对数图的斜率决定了缩放参数α。当α = 0.5时,时间序列是完全随机的,即白噪声,并且与之前的值完全独立。当0.5 < α < 1时,观察到幂律相关性,而当α > 1时,存在相关性,但它不呈现幂律形式。α = 1表示粉红噪声,而α = 1.5表示布朗噪声。在这些条件下,当α ≠ 0.5时,值不是完全独立的,并且与之前的值相关(Pethick等人,2021年)。
2.12 统计分析
由于大多数变量的正态性未得到确认,除了ApEn和DFA-α之外,因此使用了Shapiro-Wilk检验来评估正态性;因此,应用了非参数统计方法来分析数据。结果以均值±标准差(SD)的形式呈现。Levene检验用于确认方差的同质性。参数数据比较使用Student's t检验进行,非参数数据使用Mann-Whitney检验进行。对于NMF变量,使用了带有重复测量的单因素方差分析(one-way ANOVA),而对于复杂性分析,则应用了双因素方差分析(time × muscle)。当识别出显著的时间×肌肉交互作用时,使用单因素方差分析对匹配(time)和独立样本(muscle group)进行成对分析,然后进行Bonferroni的事后检验。显著性水平设定为P < 0.05。数据使用统计软件包(SPSS Version 20.0;IBM Corp.,美国阿蒙克)进行分析。
3 结果
3.1 从TLIM到高强度运动的转变
在绝对比较中,KE肌肉的CT(KE 76.5 ± 16.0 N·m × HG 25.0 ± 5.63 N·m,P< 0.001)和ICT(KE 7225.1 ± 2405.9 N·m·s × HG 1583.2 ± 639.7 N·m·s,P < 0.001)显著高于HG肌肉。相比之下,在等长峰值扭矩方面没有差异(KE 32.8 ± 7.39% × HG 33.8 ± 7.87%,P = 0.818),在恒定负荷等长间歇测试中执行的平均扭矩也没有显著差异(KE 14.6 ± 3.10% × HG 14.8 ± 4.14%,P = 0.847)。同样,在恒定负荷等长间歇测试中,KE和HG肌肉的任务失败时间也没有差异(KE 412.9 ± 178.8 s × HG 319.0 ± 89.1 s,P = 0.270)。
3.2 肌电图、病因学和NMF发展速率
在两种肌肉中,MVIC(F(KE) = 48.7,P < 0.001;F(HG) = 75.9,P < 0.001)、静息抽搐(F(KE) = 67.3,P < 0.001;F(HG) = 31.9,P < 0.001)和VA(F(KE) = 15.9,P < 0.001;F(HG) = 23.0,P = 0.003)都存在显著的时间效应。然而,在相对比较中,KE肌肉在VA(P < 0.001)和静息抽搐(P < 0.001)方面的下降幅度大于HG肌肉,但在MVIC下降方面没有差异(P = 0.193)(表1)。同样,KE肌肉在静息抽搐方面的减少速度更快(P < 0.001),而VA方面没有差异(n = 10)(P = 0.863)(表1)。然而,HG肌肉在MVIC方面的减少速度更快(P = 0.023)。表1. NMF和肌电图:高强度运动对KE和HG肌肉表现的影响。
3.3 复杂性和幅度
在所有盒子大小的时间尺度上重复此过程,以提供盒子大小和F(n)之间的关系。根据Pethick等人(2016年)和Pethick、Winter等人(2019年)的方法,使用了57个盒子进行分析,盒子大小从1250到4个数据点不等。n和F(n)的对数-对数图的斜率决定了缩放参数α。当α = 0.5时,时间序列是完全随机的,即白噪声,并且与之前的值完全独立。当0.5 < α < 1时,观察到幂律相关性,而当α > 1时,存在相关性,但它不呈现幂律形式。α = 1表示粉红噪声,而α = 1.5表示布朗噪声。在这些条件下,当α ≠ 0.5时,值不是完全独立的,并且与之前的值相关(Pethick等人,2021年)。
2.12 统计分析
由于大多数变量的正态性未得到确认,除了ApEn和DFA-α之外,因此使用了Shapiro-Wilk检验来评估正态性;因此,应用了非参数统计方法来分析数据。结果以均值±标准差(SD)的形式呈现。Levene检验用于确认方差的同质性。参数数据比较使用Student's t检验进行,非参数数据使用Mann-Whitney检验进行。对于NMF变量,使用了带有重复测量的单因素方差分析(one-way ANOVA),而对于复杂性分析,则应用了双因素方差分析(time × muscle)。当识别出显著的时间×肌肉交互作用时,使用单因素方差分析对匹配(time)和独立样本(muscle group)进行成对分析,然后进行Bonferroni的事后检验。显著性水平设定为P < 0.05。数据使用统计软件包(SPSS Version 20.0;IBM Corp.,美国阿蒙克)进行分析。
3 结果
3.1 从TLIM到高强度运动的转变
在绝对比较中,KE肌肉的CT(KE 76.5 ± 16.0 N·m × HG 25.0 ± 5.63 N·m,P< 0.001)和ICT(KE 7225.1 ± 2405.9 N·m·s × HG 1583.2 ± 639.7 N·m·s,P < 0.001)显著高于HG肌肉。相比之下,在等长峰值扭矩方面没有差异(KE 32.8 ± 7.39% × HG 33.8 ± 7.87%,P = 0.818),在恒定负荷等长间歇测试中执行的平均扭矩也没有显著差异(KE 14.6 ± 3.10% × HG 14.8 ± 4.14%,P = 0.847)。同样,在恒定负荷等长间歇测试中,KE和HG肌肉的任务失败时间也没有差异(KE 412.9 ± 178.8 s × HG 319.0 ± 89.1 s,P = 0.270)。
3.2 肌电图、病因学和NMF发展速率
在两种肌肉中,MVIC(F(KE) = 48.7,P < 0.001;F(HG) = 75.9,P < 0.001)、静息抽搐(F(KE) = 67.3,P < 0.001;F(HG) = 31.9,P < 0.001)和VA(F(KE) = 15.9,P < 0.001;F(HG) = 23.0,P = 0.003)都存在显著的时间效应。然而,在相对比较中,KE肌肉在VA(P < 0.001)和静息抽搐(P < 0.001)方面的下降幅度大于HG肌肉,但在MVIC下降方面没有差异(P = 0.193)(表1)。同样,KE肌肉在静息抽搐方面的减少速度更快(P < 0.001),而VA方面没有差异(n = 10)(P = 0.863)(表1)。然而,HG肌肉在MVIC方面的减少速度更快(P = 0.023)。表1. NMF和肌电图:高强度运动对KE和HG肌肉表现的影响。
3.3 复杂性和幅度
在所有盒子大小的时间尺度上重复此过程,以提供盒子大小和F(n)之间的关系。根据Pethick等人(2016年)和Pethick、Winter等人(2019年)的方法,使用了57个盒子进行分析,盒子大小从1250到4个数据点不等。n和F(n)的对数-对数图的斜率决定了缩放参数α。当α = 0.5时,时间序列是完全随机的,即白噪声,并且与之前的值完全独立。当0.5 < α < 1时,观察到幂律相关性,而当α > 1时,存在相关性,但它不呈现幂律形式。α = 1表示粉红噪声,而α = 1.5表示布朗噪声。在这些条件下,当α ≠ 0.5时,值不是完全独立的,并且与之前的值相关(Pethick等人,2021年)。
2.12 统计分析
由于大多数变量的正态性未得到确认,除了ApEn和DFA-α之外,因此使用了Shapiro-Wilk检验来评估正态性;因此,应用了非参数统计方法来分析数据。结果以均值±标准差(SD)的形式呈现。Levene检验用于确认方差的同质性。参数数据比较使用Student's t检验进行,非参数数据使用Mann-Whitney检验进行。对于NMF变量,使用了带有重复测量的单因素方差分析(one-way ANOVA),而对于复杂性分析,则应用了双因素方差分析(time × muscle)。当识别出显著的时间×肌肉交互作用时,使用单因素方差分析对匹配(time)和独立样本(muscle group)进行成对分析,然后进行Bonferroni的事后检验。显著性水平设定为P < 0.05。数据使用统计软件包(SPSS Version 20.0;IBM Corp.,美国阿蒙克)进行分析。
3 结果
3.1 从TLIM到高强度运动的转变
在绝对比较中,KE肌肉的CT(KE 76.5 ± 16.0 N·m × HG 25.0 ± 5.63 N·m,P< 0.001)和ICT(KE 7225.1 ± 2405.9 N·m·s × HG 1583.2 ± 639.7 N·m·s,P < 0.001)显著高于HG肌肉。相比之下,在等长峰值扭矩方面没有差异(KE 32.8 ± 7.39% × HG 33.8 ± 7.87%,P = 0.818),在恒定负荷等长间歇测试中执行的平均扭矩也没有显著差异(KE 14.6 ± 3.10% × HG 14.8 ± 4.14%,P = 0.847)。同样,在恒定负荷等长间歇测试中,KE和HG肌肉的任务失败时间也没有差异(KE 412.9 ± 178.8 s × HG 319.0 ± 89.1 s,P = 0.270)。
3.2 肌电图、病因学和NMF发展速率
在两种肌肉中,MVIC(F(KE) = 48.7,P < 0.001;F(HG) = 75.9,P < 0.001)、静息抽搐(F(KE) = 67.3,P < 0.001;F(HG) = 31.9,P < 0.001)和VA(F(KE) = 15.9,P < 0.001;F(HG) = 23.0,P = 0.003)都存在显著的时间效应。然而,在相对比较中,KE肌肉在VA(P < 0.001)和静息抽搐(P < 0.001)方面的下降幅度大于HG肌肉,但在MVIC下降方面没有差异(P = 0.193)(表1)。同样,KE肌肉在静息抽搐方面的减少速度更快(P < 0.001),而VA方面没有差异(n = 10)(P = 0.863)(表1)。然而,HG肌肉在MVIC方面的减少速度更快(P = 0.023)。表1. NMF和肌电图:高强度运动对KE和HG肌肉表现的影响。
3.3 复杂性和幅度
在所有盒子大小的时间尺度上重复此过程,以提供盒子大小和F(n)之间的关系。根据Pethick等人(2016年)和Pethick、Winter等人(2019年)的方法,使用了57个盒子进行分析,盒子大小从1250到4个数据点不等。n和F(n)的对数-对数图的斜率决定了缩放参数α。当α = 0.5时,时间序列是完全随机的,即白噪声,并且与之前的值完全独立。当0.5 < α < 1时,观察到幂律相关性,而当α > 1时,存在相关性,但它不呈现幂律形式。α = 1表示粉红噪声,而α = 1.5表示布朗噪声。在这些条件下,当α ≠ 0.5时,值不是完全独立的,并且与之前的值相关(Pethick等人,2021年)。
2.12 统计分析
由于大多数变量的正态性未得到确认,除了ApEn和DFA-α之外,因此使用了Shapiro-Wilk检验来评估正态性;因此,应用了非参数统计方法来分析数据。结果以均值±标准差(SD)的形式呈现。Levene检验用于确认方差的同质性。参数数据比较使用Student's t检验进行,非参数数据使用Mann-Whitney检验进行。对于NMF变量,使用了带有重复测量的单因素方差分析(one-way ANOVA),而对于复杂性分析,则应用了双因素方差分析(time × muscle)。当识别出显著的时间×肌肉交互作用时,使用单因素方差分析对匹配(time)和独立样本(muscle group)进行成对分析,然后进行Bonferroni的事后检验。显著性水平设定为P < 0.05。数据使用统计软件包(SPSS Version 20.0;IBM Corp.,美国阿蒙克)进行分析。
3 结果
3.1 从TLIM到高强度运动的转变
在绝对比较中,KE肌肉的CT(KE 76.5 ± 16.0 N·m × HG 25.0 ± 5.63 N·m,P< 0.001)和ICT(KE 7225.1 ± 2405.9 N·m·s × HG 1583.2 ± 639.7 N·m·s,P < 0.001)显著高于HG肌肉。相比之下,在等长峰值扭矩方面没有差异(KE 32.8 ± 7.39% × HG 33.8 ± 7.87%,P = 0.818),在恒定负荷等长间歇测试中执行的平均扭矩也没有显著差异(KE 14.6 ± 3.10% × HG 14.8 ± 4.14%,P = 0.847)。同样,在恒定负荷等长间歇测试中,KE和HG肌肉的任务失败时间也没有差异(KE 412.9 ± 178.8 s × HG 319.0 ± 89.1 s,P = 0.270)。
3.2 肌电图、病因学和NMF发展速率
在两种肌肉中,MVIC(F(KE) = 48.7,P < 0.001;F(HG) = 75.9,P < 0.001)、静息抽搐(F(KE) = 67.3,P < 0.001;F(HG) = 31.9,P < 0.001)和VA(F(KE) = 15.9,P < 0.001;F(HG) = 23.0,P = 0.003)都存在显著的时间效应。然而,在相对比较中,KE肌肉在VA(P < 0.001)和静息抽搐(P < 0.001)方面的下降幅度大于HG肌肉,但在MVIC下降方面没有差异(P = 0.193)(表1)。同样,KE肌肉在静息抽搐方面的减少速度更快(P < 0.001),而VA方面没有差异(n = 10)(P = 0.863)(表1)。然而,HG肌肉在MVIC方面的减少速度更快(P = 0.023)。表1. NMF和肌电图:高强度运动对KE和HG肌肉表现的影响。
3.3 复杂性和幅度
在所有盒子大小的时间尺度上重复此过程,以提供盒子大小和F(n)之间的关系。根据Pethick等人(2016年)和Pethick、Winter等人(2019年)的方法,使用了57个盒子进行分析,盒子大小从1250到4个数据点不等。n和F(n)的对数-对数图的斜率决定了缩放参数α。当α = 0.5时,时间序列是完全随机的,即白噪声,并且与之前的值完全独立。当0.5 < α < 1时,观察到幂律相关性,而当α > 1时,存在相关性,但它不呈现幂律形式。α = 1表示粉红噪声,而α = 1.5表示布朗噪声。在这些条件下,当α ≠ 0.5时,值不是完全独立的,并且与之前的值相关(Pethick等人,2021年)。
2.12 统计分析
由于大多数变量的正态性未得到确认,除了ApEn和DFA-α之外,因此使用了Shapiro-Wilk检验来评估正态性;因此,应用了非参数统计方法来分析数据。结果以均值±标准差(SD)的形式呈现。Levene检验用于确认方差的同质性。参数数据比较使用Student's t检验进行,非参数数据使用Mann-Whitney检验进行。对于NMF变量,使用了带有重复测量的单因素方差分析(one-way ANOVA),而对于复杂性分析,则应用了双因素方差分析(time × muscle)。当识别出显著的时间×肌肉交互作用时,使用单因素方差分析对匹配(time)和独立样本(muscle group)进行成对分析,然后进行Bonferroni的事后检验。显著性水平设定为P < 0.05。数据使用统计软件包(SPSS Version 20.0;IBM Corp.,美国阿蒙克)进行分析。
3 结果
3.1 从TLIM到高强度运动的转变
在绝对比较中,KE肌肉的CT(KE 76.5 ± 16.0 N·m × HG 25.0 ± 5.63 N·m,P< 0.001)和ICT(KE 7225.1 ± 2405.9 N·m·s × HG 1583.2 ± 639.7 N·m·s,P < 0.001)显著高于HG肌肉。相比之下,在等长峰值扭矩方面没有差异(KE 32.8 ± 7.39% × HG 33.8 ± 7.87%,P = 0.818),在恒定负荷等长间歇测试中执行的平均扭矩也没有显著差异(KE 14.6 ± 3.10% × HG 14.8 ± 4.14%,P = 0.847)。同样,在恒定负荷等长间歇测试中,KE和HG肌肉的任务失败时间也没有差异(KE 412.9 ± 178.8 s × HG 319.0 ± 89.1 s,P = 0.270)。
3.2 肌电图、病因学和NMF发展速率
在两种肌肉中,MVIC(F(KE) = 48.7,P < 0.001;F(HG) = 75.9,P < 0.001)、静息抽搐(F(KE) = 67.3,P < 0.001;F(HG) = 31.9,P < 0.001)和VA(F(KE) = 15.9,P < 0.001;F(HG) = 23.0,P = 0.003)都存在显著的时间效应。然而,在相对比较中,KE肌肉在VA(P < 0.001)和静息抽搐(P < 0.001)方面的下降幅度大于HG肌肉,但在MVIC下降方面没有差异(P = 0.193)(表1)。同样,KE肌肉在静息抽搐方面的减少速度更快(P < 0.001),而VA方面没有差异(n = 10)(P = 0.863)(表1)。然而,HG肌肉在MVIC方面的减少速度更快(P = 0.023)。表1. NMF和肌电图:高强度运动对KE和HG肌肉表现的影响。
3.3 复杂性和幅度
在所有盒子大小的时间尺度上重复此过程,以提供盒子大小和F(n)之间的关系。根据Pethick等人(2016年)和Pethick、Winter等人(2019年)的方法,使用了57个盒子进行分析,盒子大小从1250到4个数据点不等。n和F(n)的对数-对数图的斜率决定了缩放参数α。当α = 0.5时,时间序列是完全随机的,即白噪声,并且与之前的值完全独立。当0.5 < α < 1时,观察到幂律相关性,而当α > 1时,存在相关性,但它不呈现幂律形式。α = 1表示粉红噪声,而α = 1.5表示布朗噪声。在这些条件下,当α ≠ 0.5时,值不是完全独立的,并且与之前的值相关(Pethick等人,2021年)。尽管如此,可以观察到所有KE肌肉的波动响应都发生了变化,而HG肌肉则没有这种现象。基于幅度的测量(标准差SD和变异系数CV)指的是收缩过程中扭矩输出的变异程度。基于复杂性的测量则指的是扭矩输出的规律性或随机性(ApEn)或其时间分形缩放行为(DFA-α)。变异性和复杂性都可能受到多种因素的影响,包括神经肌肉特性(例如运动单元的数量及其募集阈值)、运动条件(例如低强度与高强度)以及神经肌肉疲劳的开始。这些因素可能导致共同突触输入的增加,通常表现为低频振荡响应。ApEn表示近似熵;CV表示变异系数;DFA-α表示去趋势波动分析;SD表示标准差。
4 讨论
本研究的结果进一步支持了越来越多的证据,表明NMF(非线性混合模型)可以降低扭矩复杂性。在高强度运动中,已经证明NMF降低了KE肌肉和HG肌肉的扭矩复杂性。然而,在HG肌肉中,这一现象仅通过DFA-α分析观察到。此外,KE肌肉的扭矩复杂性降低伴随着比HG肌肉更严重的周围和中枢疲劳。从应用角度来看,这种复杂性的下降通常反映了神经肌肉系统对外部干扰的适应能力受损,从而影响了肌肉扭矩的控制(Pethick等人,2021年)。尽管使用相同的肌肉群进行了大量研究,但我们的新发现表明KE肌肉和HG肌肉表现出不同程度的扭矩复杂性损失。与Pethick等人(2015年、2016年)、Pethick、Winter等人(2019年)和Pethick、Whiteaway等人(2019年)的研究结果一致,随着NMF的发展,中枢和周围机制的受损降低了骨骼肌肉产生扭矩和控制扭矩的能力(图3)。NMF病因的标志显示KE肌肉经历了比HG肌肉更严重的中枢和周围疲劳。然而,两种肌肉的肌肉扭矩生成能力下降的幅度相似。值得注意的是,尽管ICT(肌肉激活指数)存在差异,但在相同任务下,两种肌肉的TLIM(时间-力矩积分)相似。相比之下,尽管两种肌肉都显示出显著的NMF效应,但只有KE肌肉在任务失败时ApEn降低。同样,Pethick等人(2016年)也表明KE肌肉在高强度运动期间经历了显著的扭矩复杂性损失(即ApEn下降)。然而,在解释HG肌肉的发现时,应考虑一些方面。ApEn没有变化并不意味着扭矩复杂性保持不变;相反,这可能反映了ApEn的局限性,因为它本身无法检测到这种变化。因此,建议进行额外的测量来充分描述扭矩复杂性的损失(Pethick等人,2021年)。在这种情况下,需要更全面地研究扭矩波动模式,考虑其复杂性(即DFA-α或样本熵和多尺度熵)或变异性(Pethick等人,2021年)。可以使用传统的方法(如扭矩输出的标准差SD和变异系数CV)以及新的方法(如力量不稳定性)来评估变异性(更多细节见Yacoubi & Christou,2024年)。研究表明,扭矩产生的波动受到多种因素的影响,这些因素会随着时间的推移降低其准确性(Lodha & Christou,2017年)。例如,增加的运动需求需要更大的神经驱动,从而降低了控制能力。值得注意的是,这种下降与低频振荡响应的增加有关(Lodha & Christou,2017年)。此外,神经肌肉特性(例如运动单元的数量及其募集阈值)似乎是神经驱动振荡幅度的关键决定因素(Enoka & Farina,2021年)。同样,NMF的发展,表现为收缩能力的逐渐降低,进一步加剧了波动并降低了扭矩控制能力(Castronovo等人,2015年)。尽管这些因素在不同肌肉之间可能有所不同,但HG肌肉和KE肌肉在相似的代谢需求下完成了运动,并且在任务开始时表现出相似的CV响应,这表明这两种肌肉组之间的NMF效应分析影响较小。据我们所知,我们的发现首次证明了NMF在两种不同的肌肉(KE肌肉和HG肌肉)中引起了扭矩复杂性的损失。值得注意的是,在HG肌肉中,扭矩复杂性的损失仅通过DFA-α分析检测到,而ApEn保持不变。这可能是因为DFA-α和ApEn在评估扭矩复杂性时具有不同的敏感性,从而突出了它们动态的不同方面(Pincus,1991年;Slifkin & Newell,1999年)。由于DFA-α对长距离相关性敏感,它可以通过在不同尺度上的分析检测系统的不同内在属性,而ApEn测量的是时间序列内的可预测性,如果扭矩规律性保持不变,则可能无法检测到变化(Pethick等人,2021年;Pincus,1991年;Slifkin & Newell,1999年)。这些发现表明,即使NMF效应显著,HG肌肉的扭矩规律性也保持不变(ApEn)。然而,在任务失败时,其分形动态更具可预测性且复杂性较低。此外,值得注意的是,HG肌肉在任务开始和失败时的DFA-α较低,但ApEn较高。然而,KE肌肉从任务开始到失败时的ΔApEn较大,而HG肌肉的ΔDFA-α较大。尽管HG肌肉的DFA-α受影响更大,但其α值仍然较低(即表明KE肌肉和HG肌肉处于不同的噪声范围内)。在这个意义上,HG肌肉在粉红噪声范围(1/f)内开始并完成了高强度运动(即被系统视为光学噪声),而KE肌肉在运动开始时处于粉红噪声范围内,但在运动结束时转变为布朗噪声范围(Sejdi? & Lipsitz,2013年)。在这个范围内,噪声与信号重叠,表明在任务失败时,KE肌肉的神经肌肉适应能力降低,甚至比HG肌肉更明显(Sejdi? & Lipsitz,2013年)。这些变化伴随着更大和更快的周围疲劳的发展。相比之下,KE肌肉仅在任务失败时表现出更严重的中枢疲劳,尽管在任务失败时两种肌肉的MVIC(肌肉激活指数)相似,但HG肌肉的下降更快。同样,KE肌肉的RMS(均方根值)增加更多,而MDF(矩差)保持相似。因此,KE肌肉表现出的更大扭矩复杂性损失可能与更严重的中枢和周围疲劳有关,这导致在高强度运动期间需要更多的运动单元募集或更高的放电率,正如更大的ΔRMS所表明的(Merletti等人,2005年)。在之前的研究中,Castronovo等人(2015年)表明,随着NMF的发展,共同突触输入增加,扭矩波动也增加。实际上,共同突触输入被认为是扭矩变异性的主要决定因素(SD和CV)(Farina & Negro,2015年)。鉴于KE肌肉和HG肌肉的大小不同,预计KE肌肉在开始和任务失败时的SD会更大,因为它们需要募集和维持更大运动单元的活动(Enoka,2008年)。因此,我们的发现表明KE肌肉在开始和任务失败时的SD大于HG肌肉,但当扭矩变异性标准化到平均值(即CV)时,没有显著差异。NMF导致KE肌肉在高强度运动期间的SD显著增加;然而,即使在NMF效应显著的情况下,HG肌肉的SD保持不变。此外,KE肌肉从任务开始到失败时的ΔSD大于HG肌肉。与此一致,Pethick等人(2015年、2016年、2020年)、Pethick、Winter等人(2019年)和Pethick、Whiteaway等人(2019年)表明,KE肌肉的扭矩变异性在多种条件下受到NMF的影响。尽管NMF对HG肌肉在高强度运动期间的扭矩变异性的影响尚不清楚,但我们的发现表明,任务失败时SD保持不变可能反映了它们对中枢和周围疲劳的较低敏感性。这也可能表明需要更少的运动单元募集或更高的放电率,如较低的ΔRMS所示(Merletti等人,2005年)。然而,NMF同样影响了KE肌肉和HG肌肉的CV,两者之间没有差异。KE肌肉和HG肌肉之间的CV差异接近显著性(P = 0.065),这限制了研究结论的可靠性,可能归因于样本量小(n = 11)和该测量的高变异性。总的来说,这些发现表明,在高强度运动范围内,NMF导致KE肌肉的扭矩变异性一致增加,但对HG肌肉有例外,也可能由于肌肉大小或NMF的差异而有所不同。
4.1 限制
在解释这些发现时,应考虑一些限制。尽管量化扭矩复杂性只需要相对较短的时间序列,但较长的收缩周期可能更为合适,因为这样可以获得更稳定的收缩过程。然而,以前的研究通常使用了许多收缩周期,特别是对于HG肌肉,Broxterman等人(2014年)表明,在动态HG运动中,较长的收缩周期会损害血流和氧气提取,导致TLIM(时间-力矩积分)缩短。同样,它也会改变肌肉活动,如RMS和MDF结果所示,最终可能导致不同的肌肉募集策略。因此,在初步研究中,我们观察到需要一个中等范围的收缩周期(即3秒的努力,2秒的休息),以便在KE肌肉和HG肌肉之间进行公平比较。为了纠正VA(肌肉激活指数)估计中的潜在误差,采用了不同的方程,每个方程考虑了不同的因素,例如刺激施加时的扭矩相对于收缩期间的MVIC。然而,同时使用这些方法可能会引入一些不准确性。另一个限制是对咖啡因摄入量的控制不足,这可能会影响TLIM和NMF的结果。此外,这项研究没有包括对运动单元特性、肌肉灌注、解剖特性或纤维类型组成的直接测量,这限制了识别不同肌肉组之间扭矩复杂性损失机制的能力。
4.2 结论
在高强度运动中,NMF降低了KE肌肉和HG肌肉的扭矩复杂性,KE肌肉的损伤更为严重。KE肌肉表现出的更大扭矩复杂性损失伴随着比HG肌肉更严重的中枢和周围疲劳,尽管在任务失败时MVIC和TLIM的下降幅度相似。因此,NMF的幅度可能会影响不同肌肉之间的扭矩复杂性损失,导致扭矩输出的波动更大,从而影响运动控制能力。此外,观察到的更大损伤可能受到肌肉大小差异的影响,这可能会影响各种生理反应。
作者贡献
Rubens C. Junior、Renan V. Barreto、Benedito S. Denadai和Camila C. Greco设计了这项研究。Rubens C. Junior、Renan V. Barreto、Gabriel Fontanetti和Leonardo C.R. de Lima进行了实验。Rubens C. Junior、Renan V. Barreto和Camila C. Greco分析和解释了结果。Rubens C. Junior准备了图表。Rubens C. Junior和Camila C. Greco起草了手稿。Rubens C. Junior、Renan V. Barreto、Gabriel Fontanetti、Leonardo C.R. de Lima、Benedito S. Denadai和Camila C. Greco编辑和修订了手稿的最终版本。所有作者都阅读并批准了手稿的最终版本,并同意对工作的所有方面负责,确保与工作准确性或完整性相关的问题得到适当调查和解决。所有被指定为作者的人都符合作者资格,所有符合作者资格的人都列在名单上。
致谢
我们感谢所有受试者为此研究付出的时间和热情。作者还感谢Anderson S. Oliveira教授对手动肌电图设备方法调整的贡献。
利益冲突
作者没有报告任何潜在的利益冲突。数据可用性声明
数据可根据合理请求提供。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号