我国颈椎疾病的发病率逐年上升且趋于年轻化^[1]。地铁已经成为现代出行的主要交通工具，以城市上海为例，共有16条地铁线路，每日人流量约为一千万人次。通过实地观察发现，地铁上乘客低头看手机现象严重。持续低头对人们的颈部健康有着极大的危害，地铁低头族现象不仅是一个健康问题也是一个社会问题。

Chotpitayasunondh等^[2]提出用低头族一词形容空闲时间总是低头玩手机的人群。研究表明，持续低头是诱发颈部肌肉慢性劳损的主要原因，且及时缓解颈部肌肉疲劳可以有效地预防颈椎疾病的发生^[3]。目前表面肌电(surface electromyography，sEMG)是一种非损伤性监测手段和方法去观察神经肌肉系统活动，具有感知动作直接、检测动作敏感、传感器低成本和高便携等特点^[4]。通过表面肌电信号分析或判断肌肉的疲劳状态，在肌肉活动与功能的评价中具有重要的作用。

国内学者通过表面肌电信号对肌肉进行监测，发现当肌肉发生疲劳时肌肉产生的能量较少，同时肌肉的活动和生理特性将发生改变，导致sEMG信号出现相应的变化^[5-7]。而国外学者在过去的几十年里，在医学领域给予了颈部肌肉疲劳更大的关注。Nimbarte等^[8]研究生理和心理压力增加时分别对颈部肌肉疲劳产生的影响；并在后续研究中他们发现肌肉疲劳时会导致颈椎的负荷加深^[9]；Luedtke等^[10]研究偏头痛患者在偏头痛发作前或发作期间颈部肌肉疲劳状态是否加深。目前国内外研究中颈部肌肉的疲劳程度与低头时间的变化关系尚不明确。

本文针对地铁低头族的颈部健康问题，首先提出了基于表面肌电信号的幅频联合分析模型(sEMG-JASA)，检测乘客颈部是否发生疲劳，疲劳时发出健康提醒；接着开发原型系统，通过实验证实模型的有效性。

1 颈部疲劳sEMG-JASA评价模型

对颈部肌肉进行疲劳预防与疲劳缓解尤为重要，颈部疲劳sEMG-JASA评价模型持续对颈部肌肉进行疲劳检测，当判断肌肉疲劳时发出健康提醒。模型主要流程为首先输入乘客颈部的肌电信号，通过特征提取后进行联合分析，再进行疲劳判断和疲劳程度分析，该模型的概念框架如图1所示。软件使用MATLAB编程语言做数据处理与分析，并开发原型系统。其主要原理与步骤如下。

1.1 sEMG特征提取

数据分析选取时域分析和频域分析两个评价指标，通过联合分析提高结果的可靠性。根据sEMG信号的时、频特征与肌肉活动之间的相关性判断肌肉状态。研究中利用软件中自带的信号处理系统对原始信号进行计算和分析处理。

1.1.1 时域分析

时域分析方法中均方根值(root mean square，RMS)在时间维度上反映肌电信号振幅的变化特征，能够实时无损伤地反映肌肉活动状态^[11]。本文系统中采用计算RMS作为时域特征进行疲劳判定，其相关计算公式为

$ \mathrm{R}\mathrm{M}\mathrm{S}={\int }_{{t}}^{t+T}{{\rm{EMG}}}^{2}({t}){\rm{d}}t/T $

(1)

由于肌电信号的振幅和肌肉张力呈一定对应关系，当RMS值增加时肌肉处于疲劳状态。

1.1.2 频域分析

在肌电信号处理中频域分析法可以直接观察表面肌电信号频段的分布与变化情况，其中中位频率(median frequency, MF)是一种可靠准确的特征参数^[12]。其计算公式为

$ {\rm{MF}}=\frac{1}{2}{\int }_{0}^{\infty }{\rm{PSD}}\left(f\right){\rm{d}}f $

(2)

肌肉疲劳时功率谱从高频移动到低频, MF值相应下降。

RMS可以在一定程度上反映肌电信号的平均功率，采用RMS算法得到sEMG信号的幅值偏大，可以更好地反映肌电的特点^[13]；从统计学角度而言，MF能更好地反映sEMG的频谱特征^[14]。本文以RMS与MF为判断肌肉疲劳的指标，对时域与频域进行数据的特征提取。

1.2 联合分析

幅频联合分析(joint analysis of EMG spectrum and amplitude, JASA)由Luttmann等^[15]最先提出，是一种同时考虑sEMG振幅和频谱变化的疲劳测定方法。在肌肉疲劳指标的测试中，对sEMG信号在振幅和频谱领域的变化都是单独考虑的，由于sEMG信号振幅和频谱对肌力和疲劳状态具有两重依赖性，故只有同时考虑振幅和频谱的变化才能更好地进行疲劳评价^[14]。

众多研究已经证实：时域指标伴随肌力的增加和疲劳的产生而增加;频域指标MF随肌力的增加而增加，但却随疲劳的发生而降低。如图2所示只有RMS值上升而MF值同时下降时才能确认肌肉处于疲劳状态。其他3个象限分别表示肌肉处于恢复期(MF值增加同时RMS值减小)、肌力增加(MF值增加同时RMS值增加)与肌力减小(MF值减小同时RMS减小)。

1.3 疲劳评价分析流程

1)设置参数。将采集到数据的输入。

2)信号分段。将数据的前10 s和后10 s去掉，并将数据每200 ms分为一段。

3)计算每段的RMS值与MF值。

4)将RMS与MF的特征值经过JASA分析后根据数据所在象限进行疲劳判断，若判断疲劳则对乘客进行提醒，保留数据后继续检测。否则，进行下一时间段的疲劳判断分析。疲劳判断与显著性判断方式如下：

① If ${{\rm{MF}}}_{\mathrm{s}\mathrm{l}\mathrm{o}\mathrm{p}\mathrm{e}}$ <0, ${{\rm{RMS}}}_{{\rm{slope}}}$ >0

疲劳

else 非疲劳

② if P<0.05

有显著性*

P<0.01

有显著性**

else 无显著性

（ ${{\rm{MF}}}_{\mathrm{s}\mathrm{l}\mathrm{o}\mathrm{p}\mathrm{e}}$ 表示MF值和时间的线性回归得到斜率值； ${{\rm{RMS}}}_{{\rm{slope}}}$ 表示RMS值和时间的线性回归得到斜率值）

5)将后一段时间与前一段时间进行方差分析，判断有无显著性。若有则进行再次提醒，若无显著性则持续进行检测。

2 实验验证

前期研究中进行了实地观察测试。选择上海地铁九号线为实验观察线路，随机选取地铁乘客并详细记录他们的低头和抬头时间。如图3所示，可以看出乘客在地铁上大部分时间都在低头，而抬头时间所占比例仅约总时长的20%。在实验观察中我们发现持续低头的最长时间为25 min，当要到达目的地时乘客才会频繁地抬头查看站点^[16]。

2.1 实验室模拟实验

在实验室中模拟地铁上人们低头的状态，让参试人员在保持坐立并持续低头时测试30 min内颈部肌电信号的变化。从胸锁乳突肌(主要的前颈肌)到颈部斜方肌与头夹肌(主要的后颈肌)的数据记录对颈部疲劳的程度做出客观评估。

2.2 实验对象

本研究招募5名健康男性、5名健康女性自愿参加实验。所有参与者都进行了体检，以消除参与者有任何类型的疾病，并且没有颈椎病史等因素的影响。选择男女被试对象数目一致以消除性别可能对实验结果产生的影响。然后介绍性质、目的、方法和研究参与者的风险，要求他们完成一个关于个人信息的背景调查问卷，比如身高和体重^[17]，如表1所示。

2.3 实验过程

1)首先在实验室设置与地铁座位等高的座位模拟地铁环境，并连接实验仪器。

2)将参试人员进行编号，分别为1～10号。参试人1号在如图4所示的座位上就坐，熟悉实验环境，保证实验前颈部肌肉状态良好。

3)使用酒精清洁参试人员颈部皮肤。在参试人员颈部粘贴电极，电极粘贴位置分别为左右对称的胸锁乳突肌(图5中的E1)、头夹肌(图5中的E2)和斜方肌(图5中的E3)处，实验共采集六通道肌电信号；其中，E1 胸锁乳突肌，E2 头夹肌，E3 斜方肌，E4 地极。在电极附着的导电凝胶被用来改善电极与皮肤的接触^[18]。

4)确认参试人员理解试验任务，并填写基本信息调查表。在软件中设置采样率为1000次/s，打开肌电仪开关，提示参试人实验开始。硬件上使用多通道表面肌电仪(ZJE- ii)收集、放大和传输信号；均康一次性电极(直径10 mm)用于测量sEMG活性^[19]。

5)实验进行过程中，参试人员持续保持静坐状态。每5 min向被试者的手机上发送颈部疲劳评分表，参试人可以根据自己主观感觉进行疲劳程度打分，收集30 min内1号参试者在不同时间段内共6次主观感受的变化情况。

6)30 min后实验停止，帮助1号参试者摘下电极。进行设备重新调试并且更换新的一次性电极，等待后续参试者进行实验。

7)实验结束停止数据的收集后将收集的实验数据进行保存，实验结束。

3 实验结果与讨论

根据前导性实验我们得到了地铁低头族的颈部疲劳与头夹肌和斜方肌有关，胸锁乳突肌关于维持颈部低头动作的相关性较低^[16]。根据颈部疲劳联合分析系统所得到的不同时间段中颈部疲劳变化分析如下所示。

3.1 肌电信号的处理过程

由于实验中设置的采样率为1000 Hz，30 min内共采集1800000个数据值。为防止实验数据在前期准备与后期结束时产生波动造成数据差异性较大，数据处理前在MATLAB软件中将数据的前10 s与后10 s的实验数据剪掉，剪掉后数据只剩1178000个数据值。

选择时间窗口，设总时长为W，步长为L。根据一般人的反应时间为200～300 ms，对采集到的肌电信号数据每200 ms取一次RMS和MF值，如此可在正常人发生疲劳反映之前判断颈部肌肉是否发生疲劳。本研究中设w=30 min，l=5，数据使用MATLAB软件进行处理。设置不同的时长与选择不同的时间窗口w与l会发生相应变化。

3.2 MF与RMS值分析

试验中的MF值与RMS值如图6和图7所示。为了证明颈部疲劳的变化，我们对6个通道的MF值和RMS值进行疲劳分析。实验的30 min以每5 min为一段作为时间间隔进行疲劳程度分析。以时间为横坐标、MF值为纵坐标和以时间为横坐标、RMS值为纵坐标建立函数关系，进行6个通道的MF值与RMS值的数据拟合。

3.2.1 MF平均值的统计分析

其中一名参试者第一通道MF数据拟合如图6所示。由图6可以看出，该参试者前5 min、10~30 min内MF平均值呈下降趋势，且在前5 min与后10 minMF值明显下降。根据MF斜率分析证明，在实验的30 min内头夹肌产生了明显的疲劳。而在5~10 min期间头夹肌可能处于疲劳的恢复状态或肌力减小的状态(MF1-1代表第一通道0~5 min的拟合情况)。

3.2.2 RMS平均值的统计分析

参试者第一通道RMS数据拟合如图7所示。图7中RMS值在前5 min和后10 min都处于明显上升状态，可以看出在此时间段内头夹肌发生了显著疲劳。实验进行到5~10 min时，RMS值处于显著下降的状态，此时头夹肌处于恢复期或者肌力减小时段(RMS1-2代表第一通道5~10 min的拟合情况)。

3.3 幅频联合分析

在幅频联合分析中，从参试者6块肌肉即六通道获得实验数据，其中一人结果如表2所示。实验时间为30 min，第一通道前5 minMF值下降，RMS值上升，经联合分析后得到肌肉处于疲劳状态。当5~10 min时，MF值上升，RMS值下降，经联合分析后肌肉处于恢复状态。这时可能由于参试者的自身调节缓解了肌肉疲劳。在10~30 min被试者颈部肌肉基本仍然处于一个疲劳状态。

从表2可以看出，肌肉在疲劳的状态下sEMG信号的时域、频域特性均发生改变且遵循一定规律。随着肌肉疲劳的不断加剧，sEMG信号在幅值上呈现明显增大的趋势而MF却呈现明显减小的趋势，RMS值与MF值趋势相反。

3.4 方差分析

方差分析结果如图8与图9所示，图8中数据代表10名参试者在30 min内不同通道每5 min的MF值，图9数据代表RMS值的均值与标准差(图中C1代表通道1，C2代表通道2，…，C6代表通道6)。在颈部疲劳联合分析系统中，当RMS值增加，MF值同时降低时，系统判断肌肉处于疲劳状态给予人们疲劳提醒。

随后系统将会对每5 min检测到的MF值与RMS值进行前后连续方差分析。判断其是否有显著性，若有显著性则判断为程度加深，反之则程度减小^[20]。健康系统在程度加深会发生再次提醒；当判断无显著性时，代表后一段疲劳程度比前一段减轻，此时系统不发生提醒。

3.5 主观评价分析

实验30 min内每人填写6次主观评分问卷，共计60份，分别记录了参试人员在不同时间段颈部疲劳的感受程度分数。从整理出的主观疲劳评价的结果来看，在0～5 min时参试者会感觉到非常轻微的疲劳，或者是疲劳几乎难以察觉；在5～10 min时40%的参试者会感到非常轻微的疲劳；在10～15 min时60%的参试者会感觉到轻度的疲劳；在15～20 min和20～25 min时有40%的参试者会感到轻度疲劳；25～30 min时有50%的参试者感到中度疲劳。可以从结果看出随着时间的变长，参试者对颈部肌肉的疲劳感受逐渐变强，10 min左右会感觉到轻度疲劳，之后开始感觉到中度疲劳甚至到非常严重的疲劳。

4 结束语

本研究实验结果表明，在地铁中随着时间的推移，地铁低头族的颈部肌肉负荷逐渐变大，虽然在低头的过程中乘客可以进行自身的疲劳调节，但长时间的低头对乘客的颈部健康十分不利。颈部疲劳sEMG-JASA模型可以准确地进行信号的特征提取，帮助乘客在颈部发生疲劳时给予提醒，进而避免疲劳加深，但模型进行疲劳判断过程时，系统需要调取颈部肌电信号的txt文件，导致传递疲劳信号需要一定的时间，还不能进行实时提醒。在主观与客观结果分析中，0~30 min内检测的疲劳评价结果与被试者在不同时间段进行主观疲劳感受评价保持了总体一致性。

然而，本研究面临的挑战：1)观察到的乘客状态是地铁在地下运行时，尚未充分考虑地铁在地面上运行时是否会影响乘客的低头时间；2)在数据处理的过程中，本研究只选择相邻时间窗口进行数据处理分析，未考虑到重叠时间窗口情况下的疲劳变化情况。后续工作中将会尝试不同时间窗口的选择，通过不同时间窗口与评价指标的不同组合，选择最优的疲劳评价方式并对实验模型进行优化。研究还计划招募更多的参试者，涵盖范围更广的年龄、身体类型等，以提高系统的通用性和实际应用价值。今后的工作将开发颈部智能穿戴系统，并进一步扩大样本的数量。