不同负重、坡度和速度背包任务下的背部肌肉疲劳评估

2022-07-11陈盈田水承李开伟邹元

科学技术与工程 2022年16期

陈盈, 田水承, 李开伟，邹元

(1.西安科技大学安全科学与工程学院，西安 710054; 2.中华大学工业管理系, 新竹 30012; 3.陕西麟北煤业开发有限责任公司, 宝鸡 721505)

生活中，背物徒步是最常见、最便捷的一种运输物品的方式。如学生背双肩包上学、旅客背包远足观光、上班族背包上班和搬运工背物劳作等[1]。作为便利地携带任务，背包任务导致的肌肉疲劳值得被关注。在手工材料处理(manual materials handling，MMH)任务中，79%的MMH任务会导致人体背部受伤[2]，过大的负重会导致骨骼不适或损伤[3]，且女性的不适感高于男性[4]。工业作业中，工人时常借助腰背部背物，缓解臂部拉力，持续用力一段时间后，因肌肉疲劳导致肌力下降[5]，会直接或间接造成肌肉骨骼疾病(musculoskeletal diseases，MSDs)。导致肌肉疲劳的因素，包括性别差异[6]、负荷大小[7]、用力姿势[8]和步行速度[9]等，并且测量最大自主收缩力fMVC是肌肉疲劳最直接的评估方法。Yi等[10]探讨两种负载和时间条件下，拉动模拟卡车杆后的拉力和主观体力评分的显著性影响；Rodrigues等[11]评估不同背包位置的步态规律性和局部动态稳定性；Elshafei等[12]研究发现，疲劳会降低肱二头肌的角速度，利用局部肌肉肌电信号的变化评估肌肉疲劳；胡鸿等[13]构建了以肌力降幅归一化值为自变量的腰部主观疲劳感知Erp回归方程，研究了腰部Erp随时间变化及显著性特征。以往的研究中，负重和速度通常是固定的，步态运动、肌电信号和主观疲劳等研究较多，负重、坡度和速度对人体心率Rh、最大耐受时间Tme和Erp的影响研究较少；运用两种以上负重、坡度和速度条件下的肌力变化来评估肌肉疲劳更是少见。

为探讨不同性别的工人在不同条件下的背部肌肉疲劳状况，研究评估参与者在不同负重、速度和坡度条件下，作业前背部肌力最大随意收缩力fMVC和作业后的背部肌力最大随意收缩力f′MVC，并记录试验完成后参与者对身体的Erp，进而探究负重、速度和坡度与fMVC、f′MVC、Erp、Rh和Tme之间的关系，并构建男、女性徒步背包任务下背部肌力疲劳预测模型，评估他们徒步背包任务过程中的MSDs风险。

1 研究方法

1.1 参与者

12名大学生(6名男性和6名女性，右利手)自愿参与本次徒步背包任务，参与者基本详细信息如表1所示。BMI为体质量指数，由每个参与者的体重和身高计算得出。所有参与者身体健康，未有过肌肉骨骼疾病史及精神疾病史。在参与试验前，参与者需充分理解试验目的与过程，并签署书面同意书，不允许在测试前进行强化活动，饮用咖啡和酒精等刺激性饮品。

表1 参与者的基本信息

1.2 仪器设备及流程

(1)拉力测量仪：由TAKEI公司研制的，量程在20～300 kgf(1 kgf=9.806 65 N)的肌力测量器。

(2)主观疲劳评价：采用Borg RPE量表，量程为6～20。用于记录测量试验后和休息1 h后的参与者腰背部和腿的疲劳或不适的主观感受。

(3)其他设备：跑步机1台、背包2个、哑铃1套等。

在3种背包负重(重量为0、自身体重的12.5%和25%)、3种步行速度(2、4和6 km/h)和两种坡度(0°和10°)的试验要求下，随机选择一组。安排参与者在跑步机上徒步背包行走，直至参与者因劳累而无法继续为止(至少徒步20 min及以上)，暂停试验，试验室静坐休息1 h后，试验结束。此外，两种类型的哑铃用于模拟不同工作负荷，并且没有携带哑铃的一组被认为是负重对照组。每名参与者的背部拉力和心率在测试前、后及休息1 h后被各记录一次；每名参与者的Borg RPE等级值在测试后和休息1 h后被各记录一次。

1.3 试验设计

所有参与者自愿参加试验，在试验前24 h内没有剧烈运动。试验选择在9月进行，确保试验室环境中的温度和湿度值与外界尽可能接近。该试验采取随机组设计，每个参与者被视为一组，试验设计方案如示意图1所示，包括前测、测试中和后测3个阶段。试验条件包括：3种哑铃(重量为0、自身体重的12.5%和25%)、3种速度(2、4、6 km/h)和两种坡度(0°和10°)。为了获得等长的背部力量，受试者站在平台上，抓住平台上方38 cm处的手柄，弯曲他/她的腰部，用背部肌肉的最大力量向上拉手柄，上拉2次，取最大值，这将是参与者背部肌肉的最大自愿收缩力，参与者背部拉力示意图，如图2(a)所示。在测试前，参与者背上一个哑铃包，重量分别为0、自身体重的15%和25%，在不同速度和坡度条件下，要求参与者在跑步机上行走，直至精疲力竭，参与者徒步背包任务示意图，如图2(b)所示。每个参与者每天只允许进行一次徒步背包任务试验。

图1 试验设计示意图

图2 参与者背部拉力和徒步背包任务示意图

1.4 数据分析

试验共记录216种(12×3×3×2)试验状况，包含12个受试者、3个负重、3个速度和2个坡度条件下的背部力量值F(t)。为分析不同条件下，男性和女性参与者的背部肌肉疲劳状态，对测量得到的背部最大收缩力fMVC、最大耐受时间Tme、人体心率Rh和主观疲劳感知Erp等数据，使用SAS 19.0进行统计，采用Friedman非参数检验、方差分析、回归分析和模型构建等方法，得到肌肉疲劳系数、相应的回归方程以及肌力预测模型等。

2 结果分析

2.1 显著性分析

每名被试在每次试验前均被测量一次最大背部肌力fMVC，试验前，所有参与者的fMVC均值为(57.57±15.24) kgf；试验后，所有参与者的f′MVC均值(47.08±9.69) kgf。fMVC因背包行走任务而下降，其下降百分比用D表示，其表达式为

D=(fMVC-f′MVC)/fMVC×100%

(1)

试验后参与者背部肌力下降的均值幅度为18.22%。Friedman非参数检验结果显示：负重(显著性水平Pr=0.513)、坡度(Pr=0.564)和行走速度(Pr=0.368)均对D%不显著，无显著性影响；但对Rh、Tme及Erp产生显著性影响[图3]，且随着负重、行走速度和坡度的增加，显著性增强。

*表示Pr<0.05;**表示Pr<0.01;***表示Pr<0.001

2.2 回归分析

ANOVA结果显示，参与者在背包作业过程中，因不同负重、坡度和行走速度的影响，Rh、Tme及Erp有明显的变化，具体数据统计如表2所示。

表2 参与者试验前后在不同条件下疲劳指标统计

通过对参与者背部最大收缩力fMVC进一步回归分析，得到fMVC预测方程为

fMVC=0.70L+1.03G+7.46S

(2)

式(2)中：L为负重；G为坡度；S为行走速度。

回归分析得到R2=0.86；ANOVA分析结果显示：负重、行走坡度和行走速度的显著性均小于0.05，故对参与者fMVC均产生显著性影响。通过对参与者Rh进一步回归分析，得到Rh的预测方程为

Rh=1.16L+2.17G+19.57S

(3)

回归分析得到R2=0.93；ANOVA分析结果显示：负重(Pr=0.006，即Pr<0.01)和行走速度(Pr=0.002，即Pr<0.01)均会对参与者Rh产生显著影响，坡度(Pr>0.05)不显著，无显著影响。通过对参与者Tme进一步的回归分析，得到Tme的预测方程为

Tme=166.95-2.8L-0.97G-14.14S

(4)

回归分析得到R2=0.94；ANOVA分析结果显示：负重(Pr=0.004，即Pr<0.01)显著、行走速度(Pr=0.005，即Pr<0.01)和坡度(Pr=0.040，即Pr<0.05)均会对参与者Tme产生显著影响。通过对参与者Erp进一步回归分析，得到Erp的预测方程为

Erp=0.27L+0.29G+2.33S

(5)

回归分析得到R2=0.93；ANOVA分析结果显示：负重(Pr<0.001)和行走速度(Pr=0.004，即Pr<0.01)显著，均会对参与者Erp产生显著影响；坡度(Pr>0.05)对参与者Erp无显著影响。

2.3 背部肌力预测模型

Ma等[14]提出了一种简单通用型的肌肉疲劳动力学模型，该模型描述了肌肉力量的最大自愿收缩力fMVC，反映了外部负荷FL、工作量以及个体差异的影响。F(t)为背包负重行走一段时间后，男性或女性t时刻的肌肉力量，通过指数函数可表述为

(6)

式(6)中：k为疲劳系数。

式(6)还可表示为

(7)

令y=lnF(t)/fMVC，则式(7)可表示为

(8)

如果测量得到F(t)、fMVC和t，且回归系数b=-fMVC/FL，则可以获得b值，以确定Ma等[15]提出的重要疲劳参数或疲劳性。根据相关关系，k的计算公式为

(9)

疲劳系数k用于识别参与者个人属性和群体特征。进行回归分析后以获得方程中肌肉力量的疲劳系数k。男性和女性参与者的k值如表3所示。

表3 男女参与者背部肌肉力量疲劳预测模型的回归分析结果

平均绝对偏差DMA的定义为衡量预测值与真实值之间的差异性，其表达式如式(10)所示，也可用D′MA来确定预测值与真实值的最大似然比[式(11)]。

(10)

(11)

式中：n为样本数量。

针对于每个参与者的每个试验条件，使用男性和女性疲劳预测模型[表3]来计算预测值，与实际值相比后，代入[式(10)、式(11)]得到男性和女性参与者的DMA值分别为25.54 kgf和18.65 kgf；男性和女性参与者D′MA值分别为41.47%和37.74%。

3 讨论

研究表明，肌力下降百分比是影响肌肉疲劳结果的主要因素之一[16]。当D小于15%时，人将无限期地维持这种努力状态[17]，未有疲劳感。ANOVA 结果显示，男性比女性的fMVC值大，且显著(Pr<0.05)；试验后，男、女性的D分别为15.49%和15.18%。在当前的研究中，男性与女性的D%都略高于15%，故数据在D的范围内有效。两性之间的差异可能是由于男性和女性参与者的背部肌肉力量发挥的差异。Erp在评估疲劳方面远比表面肌电图更有帮助[18]。得到的参与者Erp评分与D之间的皮尔逊相关系数为0.66(Pr<0.05)，表明Erp评分与D之间呈正相关。在试验过程中，负重(Pr<0.001)和速度(Pr<0.01)对Erp均有显著影响；R2=0.93(即R2>0.80)，表明Erp预测方程有效。同理，本研究得出的参与者背部肌力最大收缩肌力fMVC预测方程(R2=0.86)、参与者心率Rh预测方程(R2=0.93)和参与者最大耐受时间Tme预测方程(R2=0.94)同样有效。

疲劳系数k是用于描述人对疲劳的易感性或疲劳率，能反映肌肉力量的下降趋势。Ma等[15]从生理学的角度指出，k是不同肌肉群疲劳性或抗疲劳性的恢复参数。男性与女性的疲劳系数分别为0.111和0.128，男性的疲劳系数低，说明男性肌力下降更快，抗疲劳性优于女性；而在同样的背包任务下女性的疲劳感知Erp灵敏度更强，较易感到疲劳。男性与女性肌力预测模型中，判断系数R2分别为0.486和0.513。R2越高，表明预测模型越有效，即女性肌力预测模型更优。男性和女性参与者的DMA值分别为25.54 kgf和18.65 kgf，就性别差异性而言，DMA结果显示男性参与者背部肌力预测模型的误差更大；男性和女性受试者的D′MA分别为41.47%和37.74%，女性的更小误差率更小，可见在人体工效学中，试验得到的背部肌肉力量预测模型对女性参与者更有效。