超聲圖像熵特性的肌肉疲勞進程評估

王 前 曹 霞 尹冠軍 郭建中

(陜西師范大學物理與信息技術(shù)學院，陜西省超聲學重點實驗室，西安 710110)

引言

肌肉疲勞是指肌肉經(jīng)過一段時間的持續(xù)、反復收縮運動后，不能繼續(xù)保持運動所需或所預期的肌肉張力和收縮力的一種現(xiàn)象。1981年Edward提出了目前已經(jīng)得到普遍認同的肌肉疲勞概念［1］。肌肉疲勞現(xiàn)象經(jīng)常發(fā)生在日常生活中，經(jīng)常性肌肉過度疲勞，有可能造成肌肉勞損。如果在運動過程中肌肉疲勞到一定程度時，仍然繼續(xù)運動，極易造成肌肉或肌腱損傷。肌肉疲勞處理不當，會影響日常生活，特別是體育運動訓練成效。肌肉疲勞特性的研究，在康復醫(yī)學、運動醫(yī)學領(lǐng)域具有重要的作用。

許多學者進行了肌肉疲勞的評估研究:1983年Maughan和Watson等研究了肌肉疲勞過程中僵硬度和橫截面積關(guān)系，得出肌肉強度和橫截面積是正相關(guān)關(guān)系［2－3］;1995 年 Prutchi等設計了256 通道的高分辨率電極陣列，用于檢測人體手臂肱二頭肌的表面肌電信號，通過肌電信號的均方根與中值頻率來表征肌肉疲勞程度［4］;2003年 Meyer等提出了一種可用于測量肌腱力量的方法——將負載細胞裝置植入一只羊的肱骨里，插入部位在岡下肌腱，用于記錄岡下肌腱伸長時的拉力，通過拉力的大小判別肌腱疲勞狀況［5］;2010年張等通過研究新西蘭大白鼠肌肉收縮過程，得出骨骼肌收縮可以提高骨毛細血管通透性的結(jié)論［6］;也有學者通過肌漿鈣離子濃度［7－8］、肌細胞 pH 值［9］等指標來評估肌肉疲勞特性。結(jié)果表明，隨著肌肉疲勞程度增加，肌細胞含氧量減少，細胞pH值也減小。還有學者通過心率［10］、肌力［11］等指標來評價肌肉疲勞特性。但介入傳感器的方法，不利于肌肉組織疲勞過程監(jiān)控的實際應用。

B超以其直觀、無損地顯示人體組織、器官的形態(tài)結(jié)構(gòu)，能夠?qū)崟r觀察和保存某一刻的超聲圖像，且操作簡單、價格低廉，被廣泛用于醫(yī)學診斷和研究中。1983年Maughan利用醫(yī)學超聲技術(shù)觀測人體骨骼肌生理橫截面積，說明了生理橫截面積與負荷是正相關(guān)關(guān)系［12］;2003年Hodges等利用超聲測量了人體肌肉厚度，得到肌肉厚度隨疲勞非線性增加的結(jié)論［12－14］;2007 年 Shi等利用聲肌圖評價肌肉疲勞，指出肌聲圖是一種無創(chuàng)的測量肌肉收縮狀態(tài)的方法，能克服鄰近肌肉的影響和無創(chuàng)測量深層肌肉［15］;2010年 Aggeloussis等利用超聲測量肌纖維羽狀角［16－20］、肌肉截面積［21］，也有學者利用超聲測量長骨疏松狀況［22］和骨強度［23］等作為評價骨骼肌疲勞指標。這些研究均在人體無損的情況下，嘗試研究骨骼及肌肉組織疲勞過程及其評估方法。

德國物理學家克勞修斯于1865年提出熵的概念［24］，表示任何一種能量在空間分布的均勻程度，能量分布越均勻，熵就越大。一個體系的能量分布達到最均勻狀態(tài)時，這個體系的熵就達到最大值，熵實質(zhì)上是指體系的混亂程度。自從克勞修斯提出熵這一概念以來，熵的討論涉及到信息論、控制論、概率論、數(shù)論、天體物理、宇宙論和生命以及社會等眾多領(lǐng)域。近年來，黃等利用超聲圖像熵，有效地將衛(wèi)星云圖進行分類［25］，張等也將超聲圖像熵用于紙幣識別扎把，通過圖像熵計算方式完成了紙幣捆中的扎把區(qū)域識別，并且不需要指定扎把的顏色，同時其背景色的噪聲也不會影響扎把區(qū)域的識別［26］。該方法放寬了條件，提高了識別速度，是一種可行的扎把識別方法，具有很好的實用功能。

由于肌肉超聲圖像也具有一定的紋理特征，本課題利用超聲圖像熵進行肱二頭肌肌肉疲勞的評估研究。通過引入能夠反映灰度空間分布的空間特征量二維熵的物理概念來度量肌肉的疲勞程度，嘗試在物理層面定量化描述這一進程，使這一問題的研究上升到可無損傷地檢測并可度量的水平。

1 肌肉組織超聲圖像熵

圖像熵反映了圖像中平均信息量，是一種特征量的統(tǒng)計形式。圖像的一維熵表示圖像中灰度分布聚集特征所包含的信息量，令 Pi表示圖像中灰度值為i的像素所占的比例，L為圖像灰度值上限，那么灰度圖像的一維熵可以定義為［27］

圖像的一維熵，只能反映圖像灰度分布的聚集特征，但不能描述圖像灰度分布的空間特征，我們引入能夠反映灰度空間分布的空間特征量的二維熵。

選擇圖像的鄰域灰度均值作為灰度分布的空間特征量，與圖像像素灰度共同組成特征二元組，記為 (i，j)，其中 i表示像素的灰度值(0 ＜=i＜=Lmax)，j表示鄰域灰度值(0＜=j＜=Mmax)，則有

式(2)能夠表示某像素位置上的灰度值與周圍像素灰度值分布的綜合特征［28］，其中 f(i，j)為特征二元(i，j)出現(xiàn)的頻數(shù)，N為圖像的尺度。此時，圖像的二維熵可以定義為

式(3)所表示的圖像的二維熵，可以反映圖像中像素位置的灰度分布信息和像素鄰域內(nèi)灰度分布的綜合特征［28］。

肌小節(jié)是肌肉收縮的基本單位，由粗肌絲、細肌絲和肌巨蛋白等組成。沒有外力時，肌小節(jié)呈松弛狀態(tài)，肌巨蛋白處于高度折疊狀態(tài);當肌肉受到拉伸，肌原纖維的粗肌絲和細肌絲相對滑動，肌巨蛋白逐漸伸長，可以類比為一個彈簧［29］。隨著肌肉疲勞的持續(xù)，肌肉容易缺乏能量而處于非激活狀態(tài)，肌肉為了維持恒力，就要募集更多運動單元參與收縮與交換能量來維持恒力，原本松弛狀的肌纖維，在負荷作用下被激活參與收縮，所以隨著疲勞程度的增加，肌肉能量的損失在增加，就會募集更多運動單位進行收縮與能量交換［30－31］。處于高度折疊狀態(tài)的肌巨蛋白，在負荷作用下逐漸被拉伸，排列有序化。

這樣的有序化進程，從熵特性的角度來講，熵會逐步減小。Maughan和 Watson等提出肌肉強度和橫截面積是正相關(guān)關(guān)系，Hodges等也提出肌肉厚度隨肌肉疲勞程度增加而增加的結(jié)論，那么肌纖維在運動中隨疲勞程度的增加，其截面積也是正相關(guān)的增加，整個肌纖維形成的肌肉整體的有序化也是正相關(guān)增加，則反映肌纖維超聲特性的肌肉超聲圖像的熵就會正相關(guān)減少。

2 肌肉組織超聲圖像熵特性的研究方法

為了獲得肌肉疲勞過程中的超聲圖像，選擇肱二頭肌作為研究對象，探討其疲勞過程中超聲圖像熵的變化特點。為此設計了一套肌肉組織超聲圖像熵的檢測系統(tǒng)。

2.1 肌肉組織運動過程超聲圖像熵檢測系統(tǒng)

為對肱二頭肌進行測試，設計的肌肉組織超聲圖像熵檢測系統(tǒng)框圖如圖1所示。施力單元采用北京普康科健醫(yī)療設備有限公司的 IsoMed2000等速肌力測試裝置，由控制計算機單元自動設置施力大小與時間。超聲圖像采用Mindray公司的M5便攜式彩色超聲的B超系統(tǒng)，實時采集股二頭肌沿肌纖維方向的超聲圖像，本次實驗的超聲探頭選用線陣探頭7L4s，頻率為 7.5 MHz，控制計算機進行施力控制及圖像處理。

在肌肉超聲圖像中，肌肉的分布呈現(xiàn)羽毛狀［32］，與上皮組織、骨和肌束膜的界限比較明顯，當超聲探頭固定時，探頭掃描范圍也固定，該掃描區(qū)域內(nèi)的圖像灰度分布相對統(tǒng)一。通過圖像熵的計算，可以獲得肌肉疲勞過程中肌肉超聲圖像的一些統(tǒng)計規(guī)律。

圖1 肌肉組織超聲圖像熵檢測試驗系統(tǒng)框圖Fig.1 Ultrasound image entropy detection system for muscle tissue

2.2 肱二頭肌運動進程的超聲圖像熵檢測

為減少不同個體的體質(zhì)、臂長等差異，對于受力負荷，首先確定受試者的肱二頭肌在手臂上產(chǎn)生的最大隨意收縮(maximal voluntary contraction，MVC)力矩，實驗中把受試者的收縮力矩按照其最大收縮力矩MVC進行歸一化處理，分析肌肉的受負荷情況。

受試者為10名男性志愿者，年齡(25±3)歲，身高(175.0±5.6)cm，體重(74±5)kg，身體健康，實驗前1周內(nèi)無激烈運動，無肱二頭肌損傷，受試者了解實驗的要領(lǐng)和目的，并簽署了知情同意書。

對受試者的肱二頭肌施加等力矩的負荷收縮運動，記錄其肌肉超聲圖像，經(jīng)過處理獲得超聲圖像熵。研究肱二頭肌超聲圖像熵在肌肉疲勞進程中，肌纖維的排列特征與肌肉疲勞進程的相關(guān)性。測試過程見圖2。首先進行3輪最大負荷測試，每位受試者的最大負荷為3次測量的平均值。休息20 min后，受試者依次對測力裝置施加20%MVC力矩的負荷，進行3輪測試，每輪之間休息10 min。受試者施力過程中，盡量保持初始狀態(tài)，肱二頭肌持續(xù)收縮，B超每隔5 s記錄一幅肌肉的超聲圖像，直到肱二頭肌開始抖動結(jié)束測量。估計該超聲圖像的熵參數(shù)。3輪測試結(jié)束后休息1 h，再進行下一個30%MVC力矩的負荷的測試，依此類推完成20%、30%、40%、50% 的 MVC的全部測試。

圖2 實驗過程Fig.2 Experiment process

考慮到設備施加負荷的力矩達到 50%MVC時，受試者右臂疲勞時間極短，并且右臂在極短的時間內(nèi)就產(chǎn)生抖動，嚴重影響探頭的采集，故本研究中負荷的最大力矩施加到50%MVC。

實驗以受試者手臂開始抖動時間作為疲勞的極限停止實驗時間。分別記錄10名受試者肌肉疲勞所需時間，然后就每位受試者不同負荷下圖像熵隨時間的變化進行直線擬合。

對10名受試者肌肉疲勞圖像熵隨時間變化的斜率進行隨機區(qū)組方差分析。10個不同受試者對應10個區(qū)組，4個不同負荷水平作為方差分析因素，統(tǒng)計顯著性值 P＜0.05被認為具有顯著性差異。

3 結(jié)果

10名受試者的MVC見表1?？梢姴煌茉囌叩淖畲罅氐呢摵刹煌浼∪鈼l件存在差異，因此用各受試者的最大力矩的負荷，對實驗過程中的施力矩負荷進行歸一化處理。受試者實驗的部分B超截圖，如圖3(a)～(e)所示。這5幅圖是受試者1施加負荷的力矩為20%MVC時，肱二頭肌疲勞過程中5個不同時刻的超聲圖像及熵參數(shù)，其中圖(e)是圖(a)經(jīng)過75 s之后的肱二頭肌超聲圖像，可以看出圖(e)較圖(a)的灰度值混亂程度降低，熵隨肌肉疲勞時間呈下降態(tài)勢，表明肌肉纖維整體排列隨疲勞時間增加趨于有序化。

實驗以受試者手臂開始抖動時間作為疲勞的極限停止實驗時間。10名受試者肌肉疲勞所需時間如表2所示?？梢?，當10名不同受試者所施加負荷的力矩百分比相同時，肌肉能量消耗盡所需時間也幾乎相同，即圖像熵下降到最小值所需時間幾乎相同;10名受試者隨時間下降的斜率如表3所示。在疲勞過程中，對于10名受試者分別施加20%MVC、30%MVC、40%MVC、50%MVC 等4 種施力矩的負荷情況下的超聲圖像熵隨時間變化的斜率，數(shù)據(jù)初步表明，同一受試者在不同力矩負荷下的下降斜率近似相等;對于肱二頭肌疲勞過程中超聲圖像熵隨時間變化及擬合直線，選取受試者1的結(jié)果如圖4所示，是同一位置，同一方法測試3次的平均值:圖中工字型線表示擬合直線(最小二乘法)與實際測量數(shù)據(jù)的誤差?？煞从吃撌茉囌?0%MVC、30%MVC、40%MVC、50%MVC 4 種施力矩的負荷下每隔5 s采集超聲圖像直至疲勞的熵隨時間變化規(guī)律。

表1 受試者最大負荷(N·m)Tab.1 The MVC(N·m)of 10 subjects

圖3 受試者1肱二頭肌疲勞過程中部分超聲圖像及熵參數(shù)(20%MVC，t為圖像采集時間，H為圖像的熵)。(a)t=5 s，H=7.01比特/像素;(b)t=20 s，H=6.97 比特/像素;(c)t=45 s，H=6.90 比特/像素;(d)t=65 s，H=6.85 比特/像素;(e)t=80 s，H=6.81 比特/像素Fig.3 Ultrasound image entropy of subject 1 during biceps fatigue process(20%MVC，t is the time of image acquisition，H is the image entropy).(a)t=5 s，H=7.01 bit/pixel;(b)t=20 s，H=6.97 bit/pixel;(c)t=45 s，H=6.90 bit/pixel;(d)t=65 s，H=6.85 bit/pixel;(e)t=80 s，H=6.81 bit/pixel

表2 不同負荷條件下肌肉疲勞所需時間(s)Tab.2 The time(s)of the muscle fatigue under different loads

圖4 受試者1肱二頭肌疲勞過程中超聲圖像熵隨時間變化及擬合直線Fig.4 Ultrasound image entropy of subject 1 during biceps fatigue process and fitting results

表3 肌肉疲勞過程中超聲圖像熵隨時間變化的斜率(比特/像素/s)Tab.3 The declined slope of the ultrasonic image entropy in muscle fatigue(bit/pixel/s)

對上述10名受試者肌肉疲勞圖像熵隨時間變化的斜率采用隨機區(qū)組單因素方差方法進行統(tǒng)計分析，得到的主體間效應檢驗結(jié)果中，源為區(qū)組時的統(tǒng)計檢定值F=188.294，對應的統(tǒng)計顯著性值P=0.0000?0.05，不同的受試者之間其肌肉疲勞圖像熵隨時間變化的斜率差異顯著，即下降斜率的不同可能與個體肌肉發(fā)達程度有關(guān)。不同負荷的統(tǒng)計分析檢驗結(jié)果的統(tǒng)計檢定值F=3.189，對應的統(tǒng)計顯著性值P=0.0400＜0.05，說明同一受試者不同負荷的超聲圖像熵，隨疲勞時間變化斜率也是有差異的。

4 討論和結(jié)論

本課題針對肱二頭肌的疲勞過程，研究了超聲圖像熵的變化規(guī)律。通過設計的檢測系統(tǒng)，在實驗中獲得實時超聲圖像，估計肌肉疲勞進程中肌肉超聲圖像熵特征，探討了該方法定量評估肌肉疲勞特性的可行性。同一受試者施加負荷大時，圖像熵值達到最小值所用時間短，即肌肉達到疲勞極限狀態(tài)的時間短;相同負荷下不同受試者肌肉超聲圖像熵變化斜率不同，但是圖像熵下降到最小值所需時間幾乎相同，表明肌肉的疲勞過程與肌肉本身的蓄能情況直接相關(guān);隨著肌肉疲勞過程的進行，肱二頭肌的超聲圖像熵呈下降的趨勢，同一受試者施加不同負荷時肌肉超聲圖像熵隨時間下降的斜率，主要取決于肌肉特性。

超聲圖像熵達到最小值是在受試者肱二頭肌開始抖動時測得的，可以認為是肌肉疲勞的開始點。圖4的受試者肱二頭肌疲勞過程中超聲圖像熵隨時間變化及擬合直線表明，施加負荷越大，熵達到最小值 (肌肉開始抖動)時間越短。由表2可見，每位受試者在50%MVC時，肱二頭肌疲勞所需時間比20%MVC時所需時間少約40 s。這個現(xiàn)象說明，同一受試者肌肉所儲能量基本恒定，當收縮力度比較大時，肌肉能量逐漸消耗達到疲勞所需時間比較短，表現(xiàn)在圖中負荷的力矩為20%MVC～50%MVC逐漸增大時，所對應超聲圖像熵下降到最低值所需時間逐漸減小。肌肉施力越大，達到疲勞所需時間越短，肌肉組織超聲圖像熵下降的時間越短，因此用超聲圖像熵可以對這個過程進行定量描述。

此外，熵參數(shù)表征系統(tǒng)的混亂程度，隨著肱二頭肌疲勞程度的增加，圖像熵下降，說明圖像的排列有序化，也就是肱二頭肌纖維的排列整齊化。肌肉在自然狀態(tài)時保持松弛狀，肌纖維隨機排列。當肌肉組織持續(xù)收縮時，粗細肌纖維絲相對滑動，肌肉組織變嚴密，表現(xiàn)為圖中超聲圖像熵隨疲勞程度增加呈下降趨勢。每位受試者肌肉的預儲能量不同，但是所儲能量和最大耐受負荷是正相關(guān)關(guān)系，當受試者所施加的負荷百分比相同時，也就是肌肉能量消耗的速度是相當?shù)模约∪饽芰肯谋M所需時間也幾乎相同，亦如表2所示。

從表3和圖4可見，肱二頭肌疲勞過程中超聲圖像熵隨時間呈下降趨勢，而且，同一受試者在不同負荷時超聲圖像熵隨時間變化的擬合斜率值間的差異，遠小于不同受試者在同一負荷水平擬合斜率值間的差異。對于同一受試者，其肌肉特性是一定的。不同的受試者之間其肌肉疲勞圖像熵隨時間變化的斜率差異顯著，即超聲圖像熵變化斜率主要取決于不同受試者其肌肉特性，超聲圖像熵變化斜率的不同可能與個體肌肉發(fā)達程度，也就是肌肉儲能程度有關(guān)。肱二頭肌超聲圖像的特定紋理特征可以反映肌束排列的有序性。肌纖維由肌內(nèi)膜包裹聚集呈束狀，被肌束包裹，肌內(nèi)膜和肌束膜是由結(jié)締組織、血管、神經(jīng)和脂肪組織組成［33］，這些結(jié)構(gòu)與肌纖維的聲阻抗差別較大，使得肌纖維與肌纖維之間、肌束與肌束之間的界面反射較為強烈，這是超聲得以清晰顯示紋理的基礎(chǔ)。當肌肉逐漸疲勞時，肌肉組織內(nèi)部結(jié)構(gòu)發(fā)生改變，肌肉逐漸變硬，組織排列緊密，相應的超聲圖像的紋理分布均勻化、周期化，表現(xiàn)為肱二頭肌超聲圖像熵下降。對同一受試者施加恒負荷時，圖像熵變化斜率相近，也就是肌肉能量消耗速率近似相同，因此肌肉組織超聲圖像熵的變化與其能量消耗程度的相關(guān)度很高。

本研究為肌肉疲勞的無創(chuàng)評估探索了一種方法。后續(xù)的工作應該增加樣本量驗證已有的結(jié)論，以及精確評估肱二頭肌疲勞時的熵下降百分比與疲勞程度的關(guān)系。

［1］Edwards RH.Human muscle function and fatigue［J］.Ciba Found Symp，1981，82:1 －18.

［2］Maughan RJ，Watson JS，Weir J.Strength and cross-sectional area of human skeletal muscle［J］.Journal of Physiology-London，1983，1(338):37 －49.

［3］Nygren AT，Greitz D，Kaijser L.Changes in cross-sectional area in human exercising and non-exercising skeletal muscles［J］.European Journal of Applied Physiology，2000，3(81):210 －213.

［4］Prutchi D.A high-resolution large array(HR-LA)surface EMG system［J］.Medical Engineering＆ Physics，1995，17(6):442－454.

［5］Meyer DC，Jacob HA，Nyffeler RW.In vivo tendon force measurement of 2-week duration in sheep［J］.Journal of Biomedical Materials Research，2004，1(37):135 －40.

［6］張宇，金丹，王立超，等.骨骼肌收縮對骨毛細血管通透性影響的實驗研究［J］.南方醫(yī)科大學學報，2010，30(2):295－297.

［7］Debold EP.Recent insights into muscle fatigue at the crossbridge level［J］.Front Physiol，2012，1(3):151 － 164.

［8］Westerblad H，Allen DG.Changes of myoplasmic calcium concentration during fatigue in single mouse muscle fibers［J］.The Journal of General Physiology，1991，98(3):615 －635.

［9］Stackhouse SK，Reisman DS，Binder-Macleod SA.Challenging the role of pH in skeletal muscle fatigue［J］.Phys Ther，2001，12(81):1897－1903.

［10］Laube W，Martin J，Tank J，et al.Heart rate variability—an indicator of the muscle fatigue after physical exercise［J］.Perfusion，1996，5(9):225 －229.

［11］Cooper RG，Edwards RHT，Gibson H，et al.Human-muscle fatigue-frequency-dependence of excitation and force generation［J］.Journal of Physiology-London，1988，397:585 －599.

［12］Hodges PW，Pengel LH，Herbert RD，et al.Measurement of muscle contraction with ultrasound imaging［J］.Muscle and Nerve，2003，27(6):682 －692.

［13］Sushma R，Ravi M.Masseter muscle thickness in different skeletal morphology:An ultrasonographic study［J］.Indian Journal of Dental Research，2010，3(21):402 －406.

［14］Christopher DL，Yanna S，Amanda CP，et al.Muscle ultrasound quantifies the rate of reduction of muscle thickness in amyotrophic lateral［J］.Muscle and Nerve，2010，5(42):814 － 819.

［15］Shi Jun，Zheng Yongping，Chen Xi，et al.Assessment of muscle fatigue using sonomyography:Muscle thickness change detected from ultrasound images［J］.Medical Engineering Physics，2007，29(4):472－479.

［16］Aggeloussis N，Giannakou E，Albracht K，et al.Reproducibility of fascicle length and pennation angle of gastrocnemius medialis in human gait in vivo［J］.Gait＆ Posture，2010，1(31):73 －77.

［17］Narici MV，Binzoni T，Hiltbrand E，et al.In vivo human gastrocnemius architecture with changing joint angle at rest and during graded isometric contraction［J］.Journal of Physiology，1996，496:287－297.

［18］Fukunaga T，Ichinose Y，Ito M，et al.Determination of fascicle length and pennation in a contracting human muscle in vivo［J］.Journal of Applied Physiology，1997，82:354 －358.

［19］Ito M，Kawakami Y，Ichinose Y.Nonisometric behavior of fascicles during isometric contractions of a human muscle［J］.Journal of Applied Physiology，1998，4(85):1230 －1235.

［20］Maganaris CN， Baltzopoulos V， SargeantAJ. Repeated contractions alter the geometry of human skeletal muscle［J］.Journal of Applied Physiology，2002，6(93):2089 －2094.

［21］Reeves ND， MaganarisCN， NariciMV. Ultrasonographic assessment of human skeletal muscle size［J］.European Journal of Applied Physiology，2004，91:116 －118.

［22］許凱亮，他得安，王威琪.長骨中超聲導波信號的時頻特征分析［J］.中國生物醫(yī)學工程學報，2010，29(1):66－70.

［23］王杰，倪朝民，陳焱焱，等.熱固耦合式超聲骨強度儀的可重復性及相關(guān)性研究［J］.中國康復醫(yī)學雜志，2012，2(27):125－129.

［24］Valentina B，Matt V.Clausius entropy for arbitrary bifurcate null surfaces［J］.Higu Energy Physics-Theory，2013，31(3):1 －20.

［25］黃勇，張文建，郁凡.基于圖像熵的衛(wèi)星云圖分類方法［J］.大氣科學學報，2012，5:(35)633 －639.

［26］張利名，范瑞春，趙喜清.利用圖像熵識別紙幣扎把［J］.河北北方學院學報(自然科學版)，2012，5(28):28－30.

［27］Horng J，Shuo LH，Yukon C.Entropy improvement for fractal image Coder［J］. The IntenationalArab ofInformation Technology，2012，5(9):403 －410.

［28］Studholme C，Hill DLG，Hawkes DJ.An overlap invariant entropy measure of 3D medical image alignment［J］.Pattern Recogntion.1999，32:71 －86

［29］Fitts RH.The cross-bridge cycle and skeletal muscle fatigue［J］.Journal of Applied Physiology，2008，2(104):551 －558.

［30］周永洲，閔一建.肌音的匹配追蹤時—頻分析與肌肉疲勞狀態(tài)研究［J］.長春教育學院學報，2013，6(29):83－85.

［31］Boyas S，Guével A.Neuromuscular fatigue in healthy muscle:Underlying factors and adaptation mechanisms［J］.Annals of Physical and Rehabilitation Medicine，2011，2(54):88 －108.

［32］Zhao Heng， ZhangLiqun. AutomaticTrackingofmuscle fascicles in ultrasound images using localized radon transform［J］.IEEE Transactions on Biomedical Engineering，2011，7(58):2094－2101.

［33］Kardel T. Niels Stensen’sgeometricaltheory ofmuscle contraction:a reappraisal［J］.Journal of Biomedical，1990，10(23):953－965.