La fatiga muscular es una sensación de cansancio extremo, tanto físico como mental, que se experimenta durante un trabajo prolongado o intenso. Esta fatiga puede ser causada por diversas razones, como posturas incómodas, esfuerzos continuos y repetidos, sobrecarga de trabajo, movimientos repetitivos y el ambiente físico del trabajo. Estos factores generan tensión constante en los músculos y articulaciones, así como la falta de descanso y recuperación muscular. Para abordar la detección de contracciones y niveles de fatiga muscular, se desarrolló un algoritmo que utiliza la Transformada en Tiempo Corto de Fourier como herramienta matemática principal. Esta técnica permite analizar el comportamiento de la Frecuencia Mediana de la señal en el tiempo, ya que su disminución indica la presencia de fatiga muscular. El algoritmo utiliza un ajuste de regresión lineal para observar la tendencia de la señal a lo largo del tiempo y determinar diferentes niveles de fatiga muscular basados en los porcentajes de disminución. Los resultados del algoritmo se presentan en una Interfaz Gráfica de Usuario, donde se visualizan indicadores como la cantidad de contracciones, la señal preprocesada, la Frecuencia Mediana de la señal y los tiempos en los que se detectan los niveles de fatiga muscular. El algoritmo se aplicó a un grupo de 30 personas sanas que realizaron dos tipos de ejercicios: contracciones isométricas y contracciones dinámicas. Los resultados obtenidos se evaluaron mediante análisis estadísticos, como el Test de Friedman y análisis de precisión y sensibilidad. Estos análisis demostraron que el algoritmo tiene un desempeño prometedor en la detección de fatiga muscular utilizando señales de electromiografía (EMG). Se observaron diferencias significativas en la detección de contracciones entre los ejercicios isométricos y dinámicos, lo que indica la capacidad del algoritmo para adaptarse a diferentes tipos de ejercicio. Además, se encontró una concordancia sustancial entre la fatiga detectada y percibida en los ejercicios dinámicos, lo que sugiere una mayor precisión en la detección de fatiga en ese tipo de ejercicios. Sin embargo, se identificaron algunas limitaciones, como las discrepancias en la detección de contracciones dinámicas y las variaciones en la precisión y sensibilidad en cada nivel de fatiga. Estas limitaciones podrían considerarse en futuras mejoras del algoritmo y en el diseño de nuevas investigaciones en el campo de la detección de fatiga muscular.
Muscle fatigue is a feeling of extreme tiredness, both physical and mental, experienced during prolonged
or intense work. This fatigue can be caused by various reasons, such as awkward postures, continuous
and repeated efforts, work overload, repetitive movements and the physical environment of the
work. These factors generate constant strain on muscles and joints, as well as lack of rest and muscle
recovery. To address the detection of muscle contractions and fatigue levels, an algorithm was developed using
the Short Time Fourier Transform as the main mathematical tool. This technique allows analyzing the
behavior of the Median Frequency of the signal over time, since its decrease indicates the presence of
muscle fatigue. The algorithm uses a linear regression fit to observe the trend of the signal over time and
determine different levels of muscle fatigue based on the percentages of decrease. The results of the algorithm
are presented in a Graphical User Interface, where indicators such as the number of contractions,
the preprocessed signal, the Median Frequency of the signal and the times at which muscle fatigue levels
are detected are displayed. The algorithm was applied to a group of 30 healthy people who performed two types of exercises: isometric contractions and dynamic contractions. The results obtained were evaluated by means of statistical
analyses, such as the Friedman test and precision and sensitivity analyses. These analyses showed
that the algorithm has a promising performance in the detection of muscle fatigue using electromyography
(EMG) signals. Significant differences in contraction detection were observed between isometric
and dynamic exercises, indicating the ability of the algorithm to adapt to different types of exercise. In
addition, substantial agreement was found between detected and perceived fatigue in dynamic exercises,
suggesting a higher accuracy in fatigue detection in that type of exercises. However, some limitations
were identified, such as discrepancies in the detection of dynamic contractions and variations in accuracy
and sensitivity at each fatigue level. These limitations could be considered in future improvements of the
algorithm and in the design of new research in the field of muscle fatigue detection.
Excepto si se señala otra cosa, la licencia del ítem se describe como Creative Commoms CC BY NC ND 4.0 internacional (Atribución-NoComercial-SinDerivadas 4.0 Internacional)