Download pdf - Analys av muskelaktivitet i underbenet vid gång - Diva1119292/FULLTEXT01.pdf · Analys av muskelaktivitet i underbenet vid gång ... men motverka att h alsenan uts atts f or krafter

INOM EXAMENSARBETE TEKNIK,GRUNDNIVÅ, 15 HP

, STOCKHOLM SVERIGE 2017

Analys av muskelaktivitet i underbenet vid gångEn studie på tre olika fotledsortoser

DIDRIK NIMANDER

SIMON SÖDERLUND

KTHSKOLAN FÖR TEKNIK OCH HÄLSA

i

Detta examensarbete har utförts i samarbete med Karolinska Institutet

Handledare på Karolinska Institutet: Åsa Fröberg, Karolinska Institutet, Institutionen för klinisk vetenskap, intervention och teknik, Enheten för ortopedi och bioteknologi.

Analys av muskelaktivitet i underbenet vid gång -En studie på tre olika fotledsortoser

Analysis of muscle activity of the lower leg at walking

speed -A study on three types of ankle foot orthoses

D i d r i k N i m a n d e r S i m o n S ö d e r l u n d

Examensarbete inom medicinsk teknik Grundnivå, 15 hp

Handledare på KTH: Tobias Nygren och Mattias Mårtensson Examinator: Mats Nilsson

Skolan för teknik och hälsa

Kungliga Tekniska Högskolan KTH STH

SE-141 86 Flemingsberg, Sweden http://www.kth.se/sth

2017

ii

Sammanfattning

Projektet syftade till att undersoka skillnaden pa tre olika utformningar av fotledsortoser nar det kommer till muskel-

aktivitet i underbenet vid gang. Det genomfordes pa grund av att det finns fa studier pa hur olika fotledsortoser

forhaller sig till varandra, darmed ar kunskapen begransad. Tillvagagangssattet var att skriva ett matlabskript som

manipulerade och analyserade all indata och levererade jamforbara resultat for de enskilda ortoserna.

Analysen skedde i fyra overgripande moment dar det forsta var att manipulera EMG:ts radata for att forenkla anal-

ysen av den, det andra momentet var att definiera stegtider utifran fotsuletrycksdata. Tredje momentet innefattade

att manipulera referensdata pa samma satt som i moment ett och det fjarde var att uttrycka EMG-data i procent

av referensdatan.

Efter att EMG-data analyserats sa jamfordes de olika ortoserna genom att medelvarden fran samtliga forsokspersoner

beraknades i Excel.

Resultaten visade att muskelaktiviteten i ”Triceps Surae” overlag verkar minska med okad plantarflexion. Slutsatsen

fick delas upp muskel for muskel och har ingen genomgaende trend utan slutsatsen blev olika for varje muskel.

iii

iv

Abstract

The aim of this project is to investigate the differences in muscle activity of the lower leg between three types of ankle

foot orthoses. The reason behind the project is that there is little knowledge about differences between different

types of orthoses. The method used to tackle this task was to write a Matlab script that manipulated and anlyzed

all the data required to yield a result for each individual orthoses that then could be used to compare them to each

other.

This was done in four major steps, the first of which was to manipulate the EMG-data of the chosen file so that it

became easier to analyze, the second step was to use the data from a pressure sole to determine when steps started

and ended. Thirdly, the reference data was manipulated in the same way as in step one. The fourth and final step

was to express the chosen file in percent of the reference data. Finally, Excel was used to compare the different

orthoses by calculating mean values from the test subjects data.

The results showed that the muscel actvity in ”Triceps Surae” seems to decrease with increased plantarflexion.

The conclussion had to be divided into one conclussion per muscle, the different conlussions differed for every muscle.

v

vi

Forkortningar

AW - Aircast walker

BF - Barfota

DB - Dorsal brace

DF - Dorsalflexion

EMG - Elektromyografi

FT - Fotsuletryck

GL - Gastrocnemius lateralis

GM - Gastrocnemius medialis

MVC - Maximum Voluntary Contraction

PF - Plantarflexion

ROM - Range of motion

RMS - Root Mean Square

Sol - Soleus

TA - Tibialis anterior

TS - Triceps Surae

vii

.

viii

Innehallsforteckning

1 Introduktion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.1 Mal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.2 Avgransningar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

2 Bakgrund . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

2.1 Datainsamling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

2.2 Fysiologi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

2.3 Ortos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

2.4 Elektromyografi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

3 Metod . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

4 Resultat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

5 Diskussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

6 Slutsats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

7 Kallforteckning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

Bilagordddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddllll

Bilaga A Figurerddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddll

Bilaga B Tabellerdddddddddddddddddddddddddddddddddddddddddddddddddddddddddddlll

Bilaga C Matlabskriptdddddddddddddddddddddddddddddddddddddddddddddddddddddddlll

ix

x

1. Introduktion

Varje ar drabbas ungefar 2 600 personer i Sverige av

halseneruptur framst i aldern 40-59 och en del av dessa

behover i samband med det suturera halsenan(1,2).

Denna operation kraver lang rehabilitering och ett

vanligt behandlingsalternativ ar da att anvanda en

fotledsortos for att avlasta halsenan under

rehabiliteringstiden(3).

Det man stravar efter ar en fotledsortos som

immobiliserar fotleden pa ett sadant satt att man

tillater tillrackligt med rorlighet for att minska atrofi,

men motverka att halsenan utsatts for krafter som kan

motverka lakningsprocessen(4,5).

I dagslaget finns det begransat med kunskap om hur

olika fotledsortoser skiljer sig med avseende pa

muskelaktivitet. Med anledning av detta syftar det har

projektet till att analysera Elektromyografi(EMG)-data

fran vadmuskulaturen vid gang med tre olika

utformningar pa fotledsortoser som ar avsedda for att

immobilisera fotleden, samt vid barfotagang.

Resultaten fran detta projekt ar planerade att anvandas

i en mer omfattade, hittills, opublicerad studie dar man

aven anvander ultraljudsbilder pa halsenan for att

berakna hur mycket kraft den utsatts for. Data som

analyseras i detta projekt kommer fran denna, mer

omfattande studie som leds av Asa Froberg

(Specialistlakare, Ortopedkliniken, Karolinska

Huddinge).

1.1 Mal

Malet ar att undersoka skillnader i muskelaktivitet i

underbenet mellan tre olika fotledsortoser samt utan

ortos. Resultatet ska astadkommas genom analys av

erhallen EMG-data samt data fran

fotsuletrycksmatningar.

1.2 Avgransningar

Den EMG-data som erhallits innehaller matningar fran

fyra stycken muskler: Gastrocnemius lateralis (GL),

Gastrocnemius medialis (GM), Soleus (Sol) och Tibialis

anterior (TA). Det ar muskelaktiviteten i dessa muskler

som kommer att undersokas.

De data som anvands kommer fran atta man i aldern

40-50 detta pa grund av att det var mer relevant med en

homogen testgrupp for att jamfora ortoserna nar bara

halften av de tankta antalet forsokspersoner skulle

testas. Anledning till att man valdes framfor kvinnor ar

att halseneruptur i 90 % av fallen drabbar man och den

grupp med flest incidenser ar man i aldern 40-59(2,3).

1

2. Bakgrund

2.1 Datainsamling

I studien fran vilken data har erhallits har tre stycken

varianter av fotledsortoser anvants som alla har som

uppgift att immobilisera fotleden pa olika satt. De tre

sorterna som kallas ”Dorsal brace” (DB, se figur

A.1),”Aircast Walker” (AW, se figur A.2) och ”Range of

motion” (ROM, se figur A.3) gar alla att stalla in for att

modifiera i vilken position fotleden lases i, ortoserna har

testats for tva till tre olika installningar beroende pa

ortos (se tabell 2.1 nedan).

Tabell 2.1. Tabell over de olika installningarna och

ortostyperna som testades under forsoken.

Ortos Installning 1 Installning 2 Installning 3

Barfota 2 km/h 3 km/h 10 km/h

AW 3 kil 1 kil 0 kil

ROM 30 PF 10 PF 10 DF

DB 1 kil 0 kil

For varje installning som testades gjordes forsoken tre

ganger om. Forsoken planeras att goras pa 16 stycken

forsokspersoner i 40-55 ars aldern, varav atta stycken

ska vara man och atta ska vara kvinnor.

En del av projektet var att delta under nagra av dessa

forsok for att fa insikt i hur samtlig data har framtagits.

Matningarna gick till sa att forsokspersonen anlande till

labbet och fick borja med att gora en gipsavgjutning for

en av ortostyperna, namligen DB (se figur A.4). Nar

detta var avklarat paborjades uppkoppling av alla

matinstrument som kravdes for forsoken.

Forst applicerades EMG-elektroderna (se figur A.5).

Omradena dar elektroderna skulle fastas rakades och

tvattades sen med sprit for att forbattra haftning och

minska impedans. De tva elektroderna placerades mitt

pa respektive muskel och med tva centimeters avstand

fran varandra.

Nasta steg var att tejpa fast ultraljudsproben och

goniometern, ultraljudsproben applicerades pa halsenan

och goniometern pa sidan av foten (se figur A.6). Till

sist fick personen ta pa sig tryckfotsulor (se figur A.7),

dessa holls pa plats med strumpor.

Nar alla matinstrument var pa plats fick varje

forsoksperson genomga de olika testerna i en slumpvald

ordning. Detta for att minska effekterna av trotthet och

ovanhet.

2.2 Fysiologi

De muskler pa vilka matningar har gjorts ar Tibialis

anterior(TA) som ar belagen framfor tibialisbenet och

vars huvudsakliga funktion ar att dorsalflektera

fotleden(7). Utover den ar det de tre stora musklerna pa

vaden som utgor Triceps surae(TS) som matningar

genomforts pa, dessa tre ar Gastrocnemius lateralis(GL),

Gastrocnemius medialis(GM) samt Soleus(Sol)(7).

De tva Gastrocnemius musklerna ar belagna sa att

medialis ligger medialt, alltsa pa insidan av benet och

lateralis ligger lateralt d.v.s. pa utsidan av benet, under

de tva Gastrocnemius musklerna ar Soleus belagen(7).

Den huvudsakliga uppgiften for TS ar att boja fotleden

med PF(7).

2.3 Ortos

En ortos kan definieras som en produkt som appliceras

externt for att modifiera strukturen och den funktionella

karaktaren av neuro-muskel och skelettsystemen(6). De

tre utformningarna pa fotledsortoser som har anvants i

testerna har alla som uppgift att pa olika satt forhindra

fotleden fran att boja sig for langt uppat, alltsa

dorsalflexion (DF) eller for langt nerat , det som kallas

plantarflexion (PF) eller bade och, i fallet av

halseneruptur ar det framforallt dorsalflexion som vill

undvikas da detta stracker ut halsenan.

2

2.4 Elektromyografi

EMG kan definieras som en studie av muskelfunktion

genom insamling av elektriska signaler som uppstar nar

en muskel anvands(8). EMG-signalen ar baserad pa

aktionspotentialer i muskelmembranet fran

depolarisations- och repolarisations processer(8). Med

hjalp av EMG kan man ta reda pa vad muskeln gor vid

olika intressanta ogonblick(8). Det finns tva vanliga

sorters EMG, nEMG (needle EMG) och sEMG (surface

EMG)(8).

Dessa anvands for att studera muskelaktivitet, nEMG

anvands framst vid kliniska undersokningar for att

diagnostisera neuromuskulara sjukdomar och sEMG

anvands flitigare vid rehabiliteringsmedicin, ergonomi

och idrottsrelaterad forskning(9). Vid traditionell sEMG

anvands tva elektroder for att ta upp signalerna fran

muskeln(9).

Data som anvands i detta projekt har erhallits med

sEMG. Obehandlad EMG-data ar svartolkad, darfor sa

bearbetas ofta data som har samlats in.

Baslinjen hos EMG-data kan pa grund av amplifikation

vid insamling vara forskjuten bort fran nollnivan(8).

Om detta ar fallet sa maste det korrigeras sa att

baslinjen hamnar pa den sanna nollnivan, detta gors for

att berakningen med avseende pa amplitud inte ska bli

felaktig(8).

Radatat fran EMG har medelvardet noll eftersom de

negativa komponenterna tar ut de positiva, pa grund av

detta vill man omvandla de negativa amplituderna till

positiva amplituder(8). For att i fortsatt behandling

kunna berakna t.ex. medelvarde och maxvarde(8).

Bruset i en EMG-matning ar slumpmassigt vilket leder

till att radata hos de omraden med hog aktivitet som

uppstar periodiskt i samband med gang inte kan

reproduceras med exakt samma utseende(8). Det ar

darfor varje stegs data skiljer sig nagot fran de andra.

For att minimera brusets paverkan i detta avseende sa

utjamnar man ofta kurvan med hjalp av t.ex. RMS(8).

Nar EMG-data samlas in ar det viktigt att alla

matningar gors under samma tillfalle da en valdigt liten

skillnad i elektrodernas placering pa muskeln kan leda

till markbara skillnader i utdata(8). Pa grund av detta

och att EMG:ts radata i sig inte har nagot varde nar det

kommer till att jamfora flertalet forsokspersoner med

varandra, ar det vanligt att man utrycker all data i

procent av MVC (”Maximum Voluntary Contraction”)

for att gora dem jamforbara(8).

MVC ar det varde som uppnas under en maximal

isometrisk kontraktion av en muskel(10). I detta fall har

forsokspersonen uppmanats att mot ett motstand ta i

allt vad personen kunde i tre korta intervall med nagon

sekunds vila emellan. Personen gjorde tva olika

ovningar, en for TA-muskeln och en for de tre musklerna

i TS. Bada ovningarna gjordes en gang innan testerna

och en gang efter utan att flytta pa elektroderna. Vilket

da ledde till att det finns sex stycken prov pa MVC per

ovning.

Har har definitionen for ett steg bestamts vara tiden

fran halnedsattning till halnedsattning. Det finns ett

antal liknande studier som testat muskelaktivitet i

samband med ortoser, nagra av dessa pekar emot att

okad PF leder till sankt muskelaktivitet i TS(4,11,12).

Daremot finns det fa studier som jamfor flera olika

ortoser i samma studie.

3

3. Metod

MATLAB R2014b (Mathworks Inc, Natick,

Massachusetts, USA) har anvants for att skapa skriptet

(se bilaga C for koden). For att anvanda koden behover

ett antal filer laddas in, EMG-filerna bor vara textfiler

dar tid ligger i kolumn ett och Sol, GL, GM och TA, bor

ligga i kolumn 5-8 i just den ordningen. Filerna for

fotsuletryck bor vara i formatet ”.asc” dar alla de 198

tryckcellerna fran tva sulor ar med, varje kolumn

motsvarar en tryckcell och den fotsulas tyckceller man

onskar information ifran bor ligga pa kolumn 100-198.

Analysen av EMG-data har gjorts i fyra huvudsakliga

moment, har foljer en beskrivning av dessa moment och

hur de utfordes.

Moment 1

Initialt behovde radata (se figur 3.1) manipuleras fran

EMG-matningarna man ville analysera, alla filer for en

viss installning valdes och detta gjordes med samtlig

data.

Figur 3.1. Figuren visar radata fran EMG.

Figur 3.2. Baslinjen hos datasetet har har sankts.

1. Sankte baslinjen hos EMG-data till noll.

EMG-kurvans baslinje ligger lite over noll. Datasetets

medelvarde beraknades och sen subtraherades detta

medelvarde fran varje punkt i datasetet sa att hela

EMG-kurvan sanktes och baslinjen hamnade pa noll (se

figur 3.2).

2. Tog absolutbeloppet av EMG-kurvan.

Absolutbeloppet av datasetet beraknadess och pa sa satt

eliminerades alla negativa bidrag (se figur 3.3, ovre).

Figur 3.3. Absolutbeloppet av kurvan visas har (ovre)

och sen har kurvan blivit utjamnad (undre).

3. Anvande Root Mean Square (RMS) for att utjamna

kurvan.

RMS anvandes for att utjamna EMG-kurvorna, varje

punkt fick ett nytt varde baserat pa ett RMS-varde av

alla punkter fran 100 punkter innan till 100 punkter

efter den aktuella punkten i datasetet (se figur 3.3,

undre).

Moment 2

I moment tva definierades steg utifran

fotsuletrycksmatningar (FT-matningar) stegen foljer

har.

1. Bestamde max av de 99 tryckcellerna i fotsulan.

4

Trycksulan bestar av 99 element, for varje enskild

tidpunkt plockades det element med hogst bidrag ut for

att underlatta analys.

2. Definierade steg med hjalp av FT-matningarna.

Bestamde tidpunkter da varje steg startade och slutade

genom att identifiera halnedsattningar i datamangden.

3. Omvandlade start- och sluttider for stegen.

FT-matningarna genomfordes med en annan frekvens an

EMG-matningar sa tidpunkterna skalades om for att

stamma overens med motsvarande EMG-data.

Moment 3

For att astadkomma jamforbara resultat manipulerades

matdata fran referensforsok, i detta fall 10 km/h

forsoken. Alla tillgangliga forsok som utforts barfota i

10 km/h laddades in i programmet.

1. Upprepade moment 1 och moment 2 for matningar

utforda barfota i 10 km/h.

Detta gjordes for ”BF 10 km/h” filer for att kunna

uttrycka forsoksresultaten i procent av detta.

2. Lat anvandaren manuellt fa valja steg.

Skriptet later har anvandaren se stegen i tva stycken

figurer och uppmanar denne att valja ut de steg som ska

anvandas. Detta gjordes for 10 km/h matningar och sen

ocksa for det forsok som analyseras (se figur 3.4 och 3.5).

Figur 3.4. Forsta figuren som visas for att se hur

stegen ar definierade for ett av 10 km/h forsoken. De

roda strecken markerar halnedsattningar sa

mellanrummet mellan tva streck ar ett steg.

Figur 3.5. Andra figuren som visas for att se hur

EMG-data ser ut for varje steg (radata anvands) i ett av

10 km/h forsoken. De roda strecken ar samma som i

figuren innan men omskalade i tid for att passa

EMG-data.

3. Beraknade medeltoppen for varje valt steg.

Koden identifierade har maxpunkten i det valda steget

och beraknade ett medelvarde pa 30 punkter runt

omkring toppen.

4. Medelvardet over alla steg beraknades.

Medelvardet av alla stegs medeltoppvarde bestamdes

och ett varde som kan anvandas for att uttrycka resten

av all data i procent av 10 km/h hade uppnatts.

Moment 4

I ett fjarde avslutande moment jamfordes referensdata

och den data som skulle analyseras.

1. Uttryckte de filer som vill undersokas data i procent

av 10 km/h.

Varje datapunkt i den data som skulle analyseras

dividerades med det varde som uppnatts i moment 3.4.

2. Klippte ut steg fran EMG-data.

Stegtiderna som skriptet genererat i moment 2.3

anvandes sen for att plocka ut EMG-data steg for steg.

5

3. Bestamde medeltoppvardet.

Moment 3.3 upprepades har for varje steg av de data

som skulle analyseras.

4. Ett slutgiltigt medelvarde over alla steg

Moment 3.4 upprepades aven detta for samma data.

I detta projekt valdes det att tio steg fran bade

referensdata och den data som analyserades skulle

anvandas (se figur 3.6).

Efter att skriptet utfort dessa steg sa fordes alla varden

in i ett Microsoft Excel 2011 (Microsoft, Redmond,

Washington, USA) ark for att sen manuellt berakna de

slutgiltiga resultaten genom att ta medelvarden over

alla tester med samma ortos och installning. For varje

muskel beraknades aven ett 95 %-igt konfidensintervall

for varje ortos over de olika installningarna, detta

gjordes enligt ekvationen: Iµ = (x ± λα/2∗σ√n

).

Dar Iµ ar konfidensintervallet, x ar medelvardet, λα/2

ar konfidenskoefficienten(1,96 i detta fall), σ ar

standardavvikelsen och n ar provstorleken.

Figur 3.6. Figur over alla de 10 valda stegen for en

ortosinstallning, de svarta stracken markerar de

maxpunkter som skriptet anvander i moment 3.3.

6

4. Resultat

Skillnaden pa muskulaturens aktivitet med olika ortoser

och installningar visas i tabell 4.1.

Tabell 4.1. Medelaktiviteten over de atta

forsokspersonerna

Ortos Sol GM GL TA

BF 2k 30,2 % 61,8 % 28,7 % 42,3 %

BF 3k 36,3 % 56,9 % 27,5 % 39,5 %

DB 0 kil 25,2 % 48,5 % 27,3 % 34,7 %

DB 1 kil 27,7 % 46,2 % 25,2 % 36,8 %

ROM 10PF 19,3 % 48,4 % 37,2 % 64,4 %

ROM 30PF 25,3 % 30,6 % 29,9 % 61,7 %

ROM 10DF 31,5 % 36,9 % 28,6 % 60,7 %

AW 0 kil 29,9 % 45,9 % 20,4 % 52,8 %

AW 2 kil 16,2 % 33,9 % 16,3 % 50,4 %

AW 3 kil 16,4 % 32,9 % 14,7 % 56,6 %

I Sol lag medelaktiviteten mellan 16-33 % med ortoser

och deras olika installningar, jamfort med 30,2 % vid

barfotagang 2 km/h (se figur 4.1), se tabell 4.1 for mer

detaljerad information. Hogst medelaktivitet i Sol med

nagon av ortoserna forekom nar ROM 10 DF (31,5 %)

installningen anvandes och lagst var aktiviteten nar AW

2 kil (16,2 %) installningen anvandes.

Medelaktiviteten i GM lag mellan 30-49 % med nagon av

ortoserna jamfort med 61,8 % vid barfotagang 2 km/h

(se figur 4.1). Hogst aktivitet var det med installningen

DB 0 kil (48,5 %) och lagst med ROM 30 PF (30,6 %).

GL hade medelaktivitet mellan 14-38 % nar nagon ortos

anvandes medan medelaktivitet lag pa 28,7 % vid

barfotagang 2 km/h (se figur 4.1). Storst aktivitet

forekom nar installningen ROM 10 PF (37,2 %) och

minst forekom med installningen AW 3 kil (14,7 %).

Hos TA lag medelaktiviteten mellan 34-65 % med de

olika ortoserna jamfort med 42,3 % vid barfotagang 2

km/h (se figur 4.1). Installningen ROM 10 PF hade

hogst aktivitet med 64,4 % och lagst hade installningen

DB 0 kil med 34,7 %.

Figur 4.1. Medelvarden for muskelaktiviteten vid BF.

Maximala vardet pa muskelaktivitet som nagon

forsoksperson uppnadde med DB lag pa 39,4 % (0 kil)

och 52,9 % (1 kil) for Sol. For GM lag det pa 65,2 % (0

kil) och 67,5 % (1 kil), for GL lag det pa 54,4 % (0 kil)

och 53,3 % (1 kil) och for TA lag det pa 53,7 % (0 kil)

och 61,6 % (1 kil). Se tabell B.1 i bilaga B.

Minimala vardet for muskelaktivitenten lag pa 13,9 %

(0 kil och 1 kil) for Sol och for GM lag det pa 34,1 %

(0 kil) och 30,4 % (1 kil). Minimum for GL lag pa 10,8

% (0 kil) och 14,2 % (1 kil), for TA lag det pa 14,8 % (0

kil) och 18,6 % (1 kil). Se tabell B.2 i bilaga B.

Skillnaden pa medelmuskelaktivitet mellan DB 0 kil och

DB 1 kil var +2,5 % for Sol, -2,3 % for GM, -2,1 % for

GL och +2,1 % for TA (se figur 4.2).

Figur 4.2. Medelvarden for muskelaktiviteten med

ortosen DB.

Maximala vardet for muskelaktiviteten med ROM lag

pa 28,1 % (10 PF), 57,5 % (30 PF) och 68,3 % (10 DF)

for Sol. For GM lag det pa 58,0 % (10 PF), 41,9 % (30

7

PF) och 55,0 % (10 DF), for GL lag det pa 74,4% (10

PF), 56,4 % (30 PF) och 66,9 % (10 DF) och for TA lag

det pa 106,5 % (10 PF), 96,8 % (30 PF) och 93,4 % (10

DF)(se tabell B.1).

Minimala vardet for muskelaktivitenten lag pa 15,7 %

(10 PF), 14,7 % (30 PF) och 18,1 % (10 DF) for Sol och

for GM lag det pa 37,3 % (10 PF), 20,0 % (30 PF) och

19,6 % (10 DF). Minimum for GL lag pa 24,4 % (10

PF), 15,4 % (30 PF) och 9,2 % (10 DF), for TA lag det

pa 22,6 % (10 PF), 30,3 % (30 PF) och 39,4 % (10 DF)

(se tabell B.2).

Skillnaden pa medelmuskelaktivitet fran 10 PF till 30

PF och fran 10 PF till 10 DF for ROM var +6 % och

+12,2 %for Sol. For GM var det -17,8 % och -11,5 %,

for GL var det -7,3 % och -8,6 %. For TA var det -2,7 %

och -3,7 % (se figur 4.4).

Maximala vardet for muskelaktiviteten med AW lag pa

64,4 % (0 kil), 21,7 % (2 kil) och 27,5 % (3 kil) for SOL.

For GM lag det pa 66,7 % (0 kil), 62,7 % (2 kil) och

63,6 % (3 kil), for GL lag det pa 33,2 % (0 kil), 32,2 %

(2 kil) och 21,0 % (3 kil) och for TA lag det pa 109,6 %

(0 kil), 82,6 % (2 kil) och 117,2 % (3 kil)(se tabell B.1).

Minimala vardet for muskelaktivitenten lag pa 12,1 % (0

kil), 9,6 % (2 kil) och 10,3 % (3 kil) for Sol och for GM

lag det pa 32,4 % (0 kil), 17,3 % (2 kil) och 18,8 % (3

kil). Minimum for GL lag pa 8,0 % (0 kil), 8,1 % (2 kil)

och 7,2 % (3 kil), for TA lag det pa 31,1 % (0 kil), 31,3

% (2 kil) och 25,7 % (3 kil). Se tabell B.2.

Skillnaden pa medelmuskelaktiviteten fran 0 kil till 2 kil

och fran 0 kil till 3 kil for AW var -13,7 % och -13,5 %

for Sol. For GM var det -12,0 % och -13,0 %, for GL var

det -4,1 % och -5,7 %. For TA var det -2,4 % och +3,8

% (se figur 4.5).

I figur 4.6 ar samtliga ortoser och barfotamatningarnas

data samlade i samma diagram for att gora det enklare

att jamfora.

Figur 4.4.Medelvarden for muskelaktiviteten med

ortosen ROM.

Figur 4.5. Medelvarden for muskelaktiviteten med

ortosen AW.

8

Figur 4.6. Figur over alla forsoks medelaktivitet samlat i ett diagram.

For Sol-muskeln var konfidensintervallen enligt foljande:

BF 27,3-39,3 %, DB 24,0-28,9 %, ROM 18,5-32,3 % och

for AW 11,9-29,7 % (se figur 4.7).

Figur 4.7 Diagram over konfidensintervall pa varje

ortos och dess installningar for soleus muskeln.

GM-muskeln hade konfidensintervallen: BF 54,6-64,1 %,

DB 45,2-49,5 %, ROM 28,4-48,8 % och for AW 29,3-45,8

% (se figur 4.8).

Figur 4.8 Motsvarande figur 4.7 men for GM.

GL-muskeln hade konfidensintervallen: BF 26,9-29,3 %,

DB 24,1-28,4 %, ROM 26,7-37,1 % och for AW 13,8-20,5

% (se figur 4.9).

Figur 4.9 Motsvarande figur 4.7 men for GL.

TA-muskeln hade konfidensintervallen: BF 38,2-43,7 %,

DB 33,7-37,9 %, ROM 60,1-64,4 % och for AW 49,7-56,8

% (se figur 4.10).

Figur 4.10 Motsvarande 4.7 men for TA.

9

I foljande tabell och figurer visas samma resultat som

ovan men med en forsokpersons bidrag till TA-muskeln

borttagen.

Tabell 4.2. Tabell over skillnaden i TA-muskelns

medelvarde innan och efter forsokpersonens

TA-matningarna rensats bort.

Ortos Innan Efter

ROM 10pf 64.4 % 57.4 %

ROM 30pf 61.7 % 61.7 %

ROM 10df 60.7 % 56.4 %

AW 0kil 52.8 % 47.9 %

AW 2kil 50.4 % 44.7 %

AW 3kil 56.6 % 45.7 %

Figur 4.11. Motsvarande diagram till det i figur 4.4

men utan en forsokspersons TA-bidrag.

Figur 4.12. Ovan ar motsvarande diagram men i

detta fall till det i figur 4.5.

10

5. Diskussion

I figur 4.6 som aterfinns i resultat sa har alla

medelvarden sammanstallts i ett och samma diagram.

I figur 4.7 visas de beraknade konfidensintervallen for

Sol och da samtliga intervall overlappar de andra sa kan

man statistiskt inte sarskilja ortosernas resultat fran

varandra.

Eftersom det inte gick att jamfora de olika ortoserna mot

varandra pa ett bra satt utifran de initiala resultaten sa

beraknades for varje muskel ett konfidensintervall for

varje ortos och dess installningar. Detta ligger da som

grund till en jamforelse muskel for muskel.

Vidare visar figur 4.8 konfidensintervallen for GM och

det som kan utronas fran dessa intervall ar att

BF-matningarnas intervall inte overlappar ovriga tre,

darfor ar differensen tillracklig for att saga att

barfotagang ger hogre muskelaktivitet i GM an nagon av

ortoserna. De tre olika utformningarna pa ortos skiljer

sig inte tillrackligt for att uttala sig om skillnad mellan

dessa.

Figur 4.9 visar att for GL sa overlappar AW-ortosens

intervall inte de andra tre och kan sagas ha lagre

muskelaktivitet overlag an de andra tva ortoserna samt

barfotagang. Aven har overlappar ovriga tre matningars

konfidensintervall varandra och har darfor inte

signifikant differens.

Till sist sa visar figur 4.10 att DB-ortosen har lagst

muskelaktivitet foljt av barfotagang och sedan

AW-ortosen och hogst aktivitet har ROM-ortosen, har

overlappar inga av konfidensintervallen.

Det tidigare forskning pekat pa verkar stamma i stora

drag, att okad PF leder till lagre aktivitet i TS

(atminstone tva av tre muskler i alla matningar har

sankts med okande PF, fler kilar leder till okad PF). Se

tabell B.1.

Det ska tillaggas att for resultaten i tabell B.1 har inte

alla installningar bidrag fran samtliga atta

forsokspersoner med i berakningen. BF 3k, ROM 10PF,

ROM 30PF och ROM 10DF har alla endast bidrag fran

sju personer. Anledningen ar att samtliga har haft

nagon forsoksperson dar tio bra steg inte kunnat valjas,

valet foll pa att enbart berakna medelvardet over sju

personer stallt mot alternativet att genomfora dessa

urval manuellt. DB 0 kil har endast sju personers bidrag

for TA-muskeln da en forsoksperson hade ett TA-varde

pa 226.4 % vilket ansags var tillrackligt avvikande fran

ovriga varden for att motivera att den inte skulle tas

med i medelvardesberakningen.

Initialt amnade projektet att ha MVC-matningar som

referens for att uttrycka all data i procent av MVC men

under testkorningar av skriptet med dessa matningar

som referens upptacktes det att manga matningar kom

over 100 % av MVC , vissa sa hogt som 200-600 %.

Eftersom MVC ska vara ett matt pa den maximala

muskelaktiviteten som forsokpersonen viljemassigt kan

uppbringa sa vackte detta oro.

Det kan vara svart for personer som inte ar vana att

gora ovningar dar muskeln far arbeta sa pass intensivt,

ar det svart att fa ett rattvist MVC-varde. En

diskussion med handledaren resulterade i insikten att

ovningarna som forsokspersonerna gjort for att fa ut

MVC-varden inte var tillrackligt kravande for att

forsokspersonerna skulle fa ut ett bra MVC-varde.

Med denna insikt kan det ifragasattas om MVC ger ett

rattvist resultat och darmed har istallet matningar

utforda barfota i 10 km/h anvants som

referensmatningar.

Da det ar ett vedertaget alternativ till MVC att anvanda

ett maxvarde som uppmatts under matningarna, i detta

projekt skedde detta under 10 km/h matningarna. Det

ar ett rimligt alternativ da man anvander en aktivitet

som for de flesta forsokspersonerna star i konstant

relation till den aktivitet man vill undersoka.

Det ovannamnda tillsammans med faktumet att

forsokspersonerna inte kan annat an att anvanda

musklerna sa mycket som kravs for att springa 10 km/h

under dessa matningar sa ansags detta var en bra

matning att anvanda som referens till ovriga matningar.

11

Figur 4.4 samt figur 4.5 visar att aktiviteten i TA ar

markbart hogre an hos resten av musklerna, detta kan

vara fallet for dessa ortoser. Daremot kan detta ocksa

bero pa att en forsoksperson hade markbart mycket

hogre aktivitet i TA an resterande (se tabell 2 med

maximumaktivitet).

Den forsoksperson vars TA-aktivitet stack ut lag pa over

90 % for samtliga forsok med ROM- och AW-ortoserna,

detta kan vara en orsak till att vardena har blivit sapass

mycket hogre. Det verkar som att denne forsokpersons

TA-bidrag kan vara paverkade av nagon slags storning.

For att se hur mycket den enskilde forsokpersonens

matvarden paverkade resultatet gjordes en berakning

utan denna forsokspersons bidrag for ROM- och

AW-ortoserna vilket resulterade i tva diagram(se figur

4.11 och 4.12).

Resultaten med det alternativa datasetet visar pa en

tydlig sankning i AW-diagrammet(se figur 4.12) och en

viss skillnad for ROM(se figur 4.11). Tabell 4.2 ovan

visar forandringen av resultaten. Om dessa resultat

anvants for konfidensintervall berakning sa ar det

mycket mojligt att storre overlapp hade skett. Eftersom

det inte finns nagot konkret bevis pa att dessa

matningar utsatts for storningar ansags det lampligt att

stanna vid detta som diskussionspunkt och inte anvanda

dessa resultat for att dra nagra slutsatser.

En annan diskussionspunkt i detta projekt ar koden.

Det finns ett moment i analysen dar koden tenderar att

vara opalitlig. Osakerheten kommer in i det steg dar

koden automatiskt ska identifiera var stegen borjar

utifran FT-matningarna, faktumet att varje

forsoksperson och varje installning ger stora skillnader i

hur filerna ser ut sa ar det svart att fa en automatiserad

kod som gor ratt i alla tankbara fall.

For att ta bort osakerheten med den automatiserade

identifieringen sa tillats anvandaren grafiskt se hur

stegen ar identifierade och sen utifran den informationen

valja ut steg dar start- och sluttid var korrekt

identifierad av koden.

I ett fatal fall har skriptet inte identifierat tillrackligt

med steg for att genomfora analys pa det relaterade

forsoket (tio steg anvandes i analysen). I de fall da

tillrackligt med steg inte identifierats finns det tva

alternativ. Alternativ ett skulle vara att genomfora

analysen manuellt och alternativ tva att forsoka

modifiera parametrarna for identifiering av steg sa att

det blir bra for just det forsoket.

Under analysen av data blev det uppenbart att valen av

steg hade en relativt stor paverkan pa resultaten. Detta

sker da vi ser pa den maximala punkten under ett steg.

Tva stegs maxpunkt kan skilja sig ganska mycket mellan

varandra och eftersom det ar anvandaren som manuellt

valjer steg sa paverkar dessa val resultatet.

I och med att atta forsokspersoner valdes ut kan det

antas att det skedde en utjamning av antalet ”for stora”

steg och antalet ”for sma” steg. En positiv synpunkt i

detta ar att undertecknade utforare inte hade

forvantningar pa hur resultaten bor se ut nar stegen

valdes och har darfor inte medvetet valt steg som ger ett

visst resultat, stegen som valts bort ar endast sadana

som har uppenbara storningar i sin data.

En av utmaningarna i studien var utvecklingen av det

automatiserade skriptet da olika forsoksdata hade

markant skillnad i utseende. Rekommendation for

framtida studier ar att utveckla skriptet genom t.ex. fler

bivillkor for att oka antalet steg som valjs korrekt.

Det anvandarstyrda valet av steg kompenserar till viss

del for skriptets begransningar. Begransningarna ledde

till att det i ett fatal forsok inte gick att identifiera tio

steg.

De punkter som diskuterats har kan senare granskas

vidare i den bredare studien dar aven ultraljud pa

halsenan kommer undersokas for att ytterligare

utvardera de tre olika ortoserna.

12

6. Slutsats

Slutsatsen som kan dras muskel for muskel ar att for Sol

finns inte signifikant differens for att skilja de olika

ortoserna at. Ortoserna kunde inte heller sarskiljas fran

barfotagang.

For GM kunde barfotagang sarskiljas fran alla ortoser

som den matning med hogst aktivitet. Differensen

mellan ortoserna inte var tillracklig for vidare slutsatser.

Resultaten for GL ledde till slutsatsen att AW kunde

sarskiljas som den med lagst aktivitet. Ovriga tre

konfidensintervall overlappade och kunde darfor inte

sarskiljas.

Till sist sa var slutsatsen for TA att samtliga ortoser

samt barfotagang kunde skiljas at da inget av

konfidensintervallen overlappade med nagon av de

andra. Dar ROM hade hogst aktivitet, sedan kom AW

och BF i den ordningen och lagst hade DB.

13

7. Kallforteckning

1. Nilsson Helander K, Olsson N, Eriksson BI, Karlsson

J. Individualiserad behandling viktig vid akut

halseneruptur. Lakartidningen [Internet].

2014;111:CXWT(Lakartidningen.

2014;111:CXWT).[cited 2017 Apr 18]. Available from:

http://www.lakartidningen.se/Klinik-och-

vetenskap/Klinisk-oversikt/2014/09/Individualiserad-

behandling-viktig-vid-akut-halseneruptur/

2. Huttunen TT, Kannus P, Rolf C, Fellander-Tsai L,

Mattila VM. Acute Achilles Tendon Ruptures. Am J

Sports Med [Internet].[cited 2017 Apr 21]. SAGE

Publications; 2014 Jul 23;42(10):2419–23. Available

from: http://dx.doi.org/10.1177/0363546514540599

3. Moller M, Olsson N. Halseneruptur, akut (AHR)

[Internet]. Internetmedicin. [cited 2017 Apr 19].

Available from:

http://www.internetmedicin.se/page.aspx?id=843

4. Akizuki KH, Gartman EJ, Nisonson B, Ben-Avi S,

McHugh MP. The relative stress on the Achilles tendon

during ambulation in an ankle immobiliser: implications

for rehabilitation after Achilles tendon repair. Br J

Sports Med [Internet]. 2001 Oct 1;35(5):329

LP-333.[cited 2017 Apr 17]. Available from:

http://bjsm.bmj.com/content/35/5/329.abstract

5. Kearney RS, Parsons N, Underwood M, Costa ML.

Achilles tendon rupture rehabilitation: a mixed methods

investigation of current practice among orthopaedic

surgeons in the United Kingdom. Bone Joint Res

[Internet]. British Editorial Society of Bone and Joint

Surgery;

2015 Apr 1;4(4):65–9.[cited 2017 Apr 19]. Available from:

http://www.ncbi.nlm.nih.gov/pmc/articles/PMC4448123/

6. Standardization IO for. ISO 8549-1:1989. Prosthetics

and orthotics - Vocabulary - Part 1: General terms for

external limb prostheses and external orthoses. Geneva

Switzerland: International Organization for

Standardization; 1989.

7. Robert J. Stone JAS. Atlas of Skeletal Muscles

[Internet]. 6th ed. McGraw-Hill. McGraw-

Hill Publishing; 2008.[cited 2017 Apr 17]. Available from:

https://mustafaqamar.files.wordpress.com/2015/01/atlas-

of-skeletal-muscles-6th-edition.pdf

8. Konrad P. The ABC of EMG [Internet]. 1.4.

Scottsdale: Noracon INC USA.; 2006. 1-61 p.[cited 2017

Apr 19]. Available from:

http://www.noraxon.com/docs/education/abc-of-

emg.pdf

9. Gronlund C. Spatio-temporal processing of surface

electromyographic signals [Internet]. Biomedical

Engineering. Umea universitet; 2006. 11 p.[cited 2017

Apr 21]. Available from: https://www.diva-

portal.org/smash/get/diva2:145189/FULLTEXT01.pdf

10. Al-Qaisi S, Aghazadeh F. Electromyography

Analysis: Comparison of Maximum Voluntary

Contraction Methods for Anterior Deltoid and Trapezius

Muscles. Procedia Manuf [Internet].

2015;3:4578–83.[cited 2017 Apr 20]. Available from:

http://www.sciencedirect.com/science/article/pii/

S235197891500476X

11. Lee KH, Matteliano A, Medige J, Smiehorowski T.

Electromyographic changes of leg muscles with heel lift:

therapeutic implications. Arch Phys Med Rehabil.

United States; 1987 May;68(5 Pt 1):298–301.

12. Froberg A, Komi P, Ishikawa M, Movin T, Arndt

A. Force in the Achilles Tendon During Walking With

Ankle Foot Orthosis. Am J Sports Med [Internet].

SAGE Publications; 2009 Feb 19;37(6):1200–7.[cited

2017 Apr 18]. Available from:

http://journals.sagepub.com/doi/abs/10.1177/0363546508330126

14

Bilaga A. Figurer

Figur A.1. Dorsalbrace ortosen.

Figur A.2. Aircast Walker ortosen.

1

Figur A.3. Range of motion ortosen.

Figur A.4. Gjutning av DB ortosen.

2

Figur A.5. EMG-elektrodernas placering.

Figur A.6. Ultraljudsproben (vanster) och Goniometern (hoger) pa plats.

3

Figur A.7. Trycksulorna pa plats och redo att kopplas in.

4

Bilaga B. Tabeller

Tabell B.1. Maximumaktiviteten over de atta forsokspersonerna.

Ortos Sol GM GL TA

BF 2 k 46,3 % 87,7 % 48,6 % 61,2 %

BF 3k 58,6 % 70,5 % 40,5 % 53,8%

DB 0kil 39,4 % 65,2 % 54,4 % 53,7 %

DB 1kil 52,9 % 67,5 % 53,3 % 61,6 %

ROM 10pf 28,1 % 58,0 % 74,4 % 106,5 %

ROM 30pf 57,5 % 41,9 % 56,4 % 96,8 %

ROM 10df 68,3 % 55,0 % 66,9 % 93,4 %

AW 0kil 64,4 % 66,7 % 33,2 % 109,6 %

AW 2kil 21,7 % 62,7 % 32,2 % 82,6 %

AW 3kil 27,5 % 63,6 % 21,0 % 117,2 %

1

Tabell B.2. Minimumaktiviteten over de atta forsokspersonerna.

Ortos Sol GM GL TA

BF 2 k 22,2 % 35,9 % 17,5 % 18,3 %

BF 3k 24,9 % 39,4 % 20,1 % 20,1 %

DB 0kil 13,9 % 34,1 % 10,8 % 14,8 %

DB 1kil 13,9 % 30,4 % 14,2 % 18,6 %

ROM 10pf 15,7 % 37,3 % 24,4 % 22,6 %

ROM 30pf 14,7 % 20,0 % 15,4 % 30,3 %

ROM 10df 18,1 % 19,6 % 9,2 % 39,4 %

AW 0kil 12,1 % 32,4 % 8,0 % 31,3 %

AW 2kil 9,6 % 17,3 % 8,1 % 31,3 %

AW 3kil 10,3 % 18,8 % 7,2 % 25,7 %

2

Bilaga C. Matlabskript

KexMain2

clear

clc

Heel=zeros(3,20);

warning(’off’,’all’);

addpath(genpath(’Data’));

cont=true;

FT4,Heeltime1,FT5,Heeltime2,FT6,Heeltime3,steps,steps2,steps3,K101,K102,K103,Toetimesol1,Toetimegm1,Toetimegl1,

Toetimegm2,Toetimegl2,Toetimeta2,Heeltimesol2, Heeltimegm2,

Heeltimegl2,Heeltimeta2,Toetimesol3,Toetimegm3,Toetimegl3,Toetimeta3,Heeltimesol3, Heeltimegm3,

Heeltimegl3,Heeltimeta3,startpoint1,endpoint1,startpoint2,endpoint2,startpoint3,endpoint3= load10K();

goodsteps2= step-

choose(steps,FT4,Heeltime1,Heeltimesol1,Heeltimegm1,Heeltimegl1,Heeltimeta1,K101.data(startpoint1:endpoint1,5),

K101.data(startpoint1:endpoint1,7),K101.data(startpoint1:endpoint1,6),K101.data(startpoint1:endpoint1,8));

goodsteps3= step-

choose(steps2,FT5,Heeltime2,Heeltimesol2,Heeltimegm2,Heeltimegl2,Heeltimeta2,K102.data(startpoint2:endpoint2,5),


goodsteps4= step-

choose(steps3,FT6,Heeltime3,Heeltimesol3,Heeltimegm3,Heeltimegl3,Heeltimeta3,K103.data(startpoint3:endpoint3,5),


sol10kdone,gm10kdone,gl10kdone,ta10kdone = calc10K(goodsteps2,goodsteps3,goodsteps4);

goodstepsdone=[];

%————————————————————————————-

p=1;

pp=1;

for k=1:3 [filename,pathname,filterindex]=uigetfile(’*.txt’,’Choose EMG’);

filename2,pathname2,filterindex2=uigetfile(’*.asc’,’Chose pressure’);

EMG=importdata(filename);

FT=importdata(filename2);

x1=FT.data(2:end,100:193);

jump=100;

tresh=20;

type=6;

pre=0.10;

FT2,Heeltime,Toetime= FTfix(x1,jump,tresh,type,pre);

startpoint,endpoint=timefix(EMG);

EMGsol=EMG.data(startpoint:endpoint,5);

EMGgm=EMG.data(startpoint:endpoint,7);

EMGgl=EMG.data(startpoint:endpoint,6);

1

EMGta=EMG.data(startpoint:endpoint,8);

[EMGcentsol,EMGabssol,EMGrmssol]=EMGfix(EMGsol);

Gcentgm,EMGabsgm,EMGrmsgm=EMGfix(EMGgm);

Gcentgl,EMGabsgl,EMGrmsgl=EMGfix(EMGgl);

Gcentta,EMGabsta,EMGrmsta=EMGfix(EMGta);

[solcomp,gmcomp,glcomp,tacomp] =

compare10K(EMGrmssol,EMGrmsgm,EMGrmsgl,EMGrmsta,sol10kdone,gm10kdone,gl10kdone,ta10kdone );

%————————————————————-

[steps,Toetimesol,Toetimegm,Toetimegl,Toetimeta,Heeltimesol, Heeltimegm, Heeltimegl,Heeltimeta] =EMGsteps(

Heeltime,Toetime,FT2,solcomp,gmcomp,glcomp,tacomp);

[goodsteps,Selection] =

stepchoose(steps,FT2,Heeltime,Heeltimesol,Heeltimegm,Heeltimegl,Heeltimeta,EMGsol,EMGgm,EMGgl,EMGta);

valdasteg=[’Steps selected for ’,num2str(k),’ are: ’,num2str(Selection)];

disp(filename);

disp(filename2);

disp(’———————————————–’);

disp(valdasteg);

disp(’———————————————–’);

for l=1:length(goodsteps) goodstepsdone(1,p).data=goodsteps(l);

p=p+1;

end % lagger in data fran musklerna for varje steg i en strukt % stepinfodone. for l=1:numel(goodsteps) ll=1;

while ll¡=(numel(goodsteps(l).sol))

stepinf(1,ll)=goodsteps(l).sol(ll);

stepinf(2,ll)=goodsteps(l).gm(ll);

stepinf(3,ll)=goodsteps(l).gl(ll);

stepinf(4,ll)=goodsteps(l).ta(ll);

ll=ll+1;

end stepinfodone(1,pp).info=stepinf;

pp=pp+1;

end

check=true;

n=1;

check2=true;

while check==true if n¿=length(Toetime) check=false;

end Toetimesec(n)=(Toetime(n)/100);

n=n+1;

end n=1;

while check2==true if n¿=length(Heeltime) check2=false;

end Heeltimesec(n)=(Heeltime(n)/100);

n=n+1;

end for kk=1:length(Heeltimesec);

Heel(k,kk)=Heeltimesec(kk);

end disp(Heeltimesec);

disp(’———————————————–’);

end [soldone,gmdone,gldone,tadone,indsol,indgm,indgl,indta ] =EMGcalc(goodstepsdone);

figure(1) xlabel(’Time’);

ylabel(’mV’);

2

plot(EMGsol);

figure(2) xlabel(’Time’);

ylabel(’mV’);

plot(EMGcentsol);

figure(3) subplot(2,1,1);

plot(EMGabssol);

xlabel(’Time’);

ylabel(’mV’);

title(’Rectified’);

subplot(2,1,2);

plot(EMGrmssol);

xlabel(’Time’);

ylabel(’mV’);

title(’Smoothed’);

for i=1:numel(Toetime) figure(4);

subplot(4,1,1);

hold all;

plot(solcomp,’b’);

plot([Toetimesol(i),Toetimesol(i)],[min(solcomp),max(solcomp)],’r’);

title(’Sol’);

xlabel(’Time’);

ylabel(’% of 10 km/h’);

subplot(4,1,2);

hold all;

plot(gmcomp,’b’);

plot([Toetimegm(i),Toetimegm(i)],[min(gmcomp),max(gmcomp)],’r’);

title(’GM’);

xlabel(’Time’);


subplot(4,1,3);

hold all;

plot(glcomp,’b’);

plot([Toetimegl(i),Toetimegl(i)],[min(glcomp),max(glcomp)],’r’);

title(’GL’);

xlabel(’Time’);


subplot(4,1,4);

hold all;

plot(tacomp,’b’);

plot([Toetimeta(i),Toetimeta(i)],[min(tacomp),max(tacomp)],’r’);

title(’TA’);

xlabel(’Time’);


end

a=1;

b=0;

for kk=1:numel(goodstepsdone) peaksindSol(kk)=indsol(kk)+b;

3

peaksindGm(kk)=indgm(kk)+b;

peaksindGl(kk)=indgl(kk)+b;

peaksindTa(kk)=indta(kk)+b;

for kkk=1:numel(goodstepsdone(kk).data.sol) stepswithpeaksSol(a)=goodstepsdone(kk).data.sol(kkk);

stepswithpeaksGm(a)=goodstepsdone(kk).data.gm(kkk);

stepswithpeaksGl(a)=goodstepsdone(kk).data.gl(kkk);

stepswithpeaksTa(a)=goodstepsdone(kk).data.ta(kkk);

a=a+1;

b=b+1;

end

end for k=1:numel(goodstepsdone) figure(5);

subplot(4,1,1);

hold all;

plot(stepswithpeaksSol,’b’);

plot([peaksindSol(k),peaksindSol(k)],[0,1],’k’);

title(’Sol’);

xlabel(’Time’);


subplot(4,1,2);

hold all;

plot(stepswithpeaksGm,’b’);

plot([peaksindGm(k),peaksindGm(k)],[0,1],’k’);

title(’Gm’);

xlabel(’Time’);


subplot(4,1,3);

hold all;

plot(stepswithpeaksGl,’b’);

plot([peaksindGl(k),peaksindGl(k)],[0,1],’k’);

title(’Gl’);

xlabel(’Time’);


subplot(4,1,4);

hold all;

plot(stepswithpeaksTa,’b’);

plot([peaksindTa(k),peaksindTa(k)],[0,1],’k’);

title(’Ta’);

xlabel(’Time’);


end

muskelaktivitet=[soldone,gmdone,gldone,tadone];

str=[’ Sol:’, num2str(soldone), ’, GM:’, num2str(gmdone), ’, GL:’ num2str(gldone), ’, TA:’,num2str(tadone)];

str2=[filename , ’ and ’ , filename2];

h = msgbox(str,str2);

set(h, ’position’, [100 440 600 100]) ah = get( h, ’CurrentAxes’ );

ch = get( ah, ’Children’ );

set( ch, ’FontSize’, 20 );

4

uiwait(h);

close all;

%—————————————–

function

[FT4,Heeltime1,FT5,Heeltime2,FT6,Heeltime3,steps,steps2,steps3,K101,K102,K103,Toetimesol,Toetimegm,Toetimegl,Toetimeta,Heeltimesol,

Heeltimegm, Heeltimegl,Heeltimeta,Toetimesol2,Toetimegm2,Toetimegl2,Toetimeta2,Heeltimesol2,

Heeltimegm2,

Heeltimegl2,Heeltimeta2,Toetimesol3,Toetimegm3,Toetimegl3,Toetimeta3,Heeltimesol3,

Heeltimegm3,

Heeltimegl3,Heeltimeta3,startpoint,endpoint,startpoint2,endpoint2,startpoint3,endpoint3] =

load10K()

%laddar in filerna

filename3,pathname3,filterindex3=uigetfile(’*.txt’,’Choose 10K 1’);

filename6,pathname6,filterindex6=uigetfile(’*.asc’,’Chose pressure 1’);


filename7,pathname7,filterindex7=uigetfile(’*.asc’,’Chose pressure 2 ’);


filename8,pathname8,filterindex8=uigetfile(’*.asc’,’Chose pressure 3’);

K101=importdata(filename3);



FT=importdata(filename6);

FT2=importdata(filename7);

FT3=importdata(filename8);

x1=FT.data(2:end,100:193);

%Tar ut data for hoger sula. x2=FT2.data(2:end,100:193);

x3=FT3.data(2:end,100:193);

jump=35;

% hur manga punkter den hoppar innan den letar efter nasta lutning tresh=40;

% type=4;

pre=0.05;

FT4,Heeltime1,Toetime1= FTfix(x1,jump,tresh,type,pre);



startpoint,endpoint=timefix(K101);

startpoint2,endpoint2=timefix(K102);

startpoint3,endpoint3=timefix(K103);

Gcentsol1,EMGabssol1,EMGrmssol1=EMGfix(K101.data(startpoint:endpoint,5));

Gcentsol2,EMGabssol2,EMGrmssol2=EMGfix(K102.data(startpoint2:endpoint2,5));

Gcentsol3,EMGabssol3,EMGrmssol3=EMGfix(K103.data(startpoint3:endpoint3,5));

GcentGM1,EMGabsGM1,EMGrmsGM1=EMGfix(K101.data(startpoint:endpoint,7));

GcentGM2,EMGabsGM2,EMGrmsGM2=EMGfix(K102.data(startpoint2:endpoint2,7));

GcentGM3,EMGabsGM3,EMGrmsGM3=EMGfix(K103.data(startpoint3:endpoint3,7));

GcentGL1,EMGabsGL1,EMGrmsGL1=EMGfix(K101.data(startpoint:endpoint,6));

GcentGL2,EMGabsGL2,EMGrmsGL2=EMGfix(K102.data(startpoint2:endpoint2,6));

GcentGL3,EMGabsGL3,EMGrmsGL3=EMGfix(K103.data(startpoint3:endpoint3,6));

GcentTA1,EMGabsTA1,EMGrmsTA1=EMGfix(K101.data(startpoint:endpoint,8));

5

GcentTA2,EMGabsTA2,EMGrmsTA2=EMGfix(K102.data(startpoint2:endpoint2,8));

GcentTA3,EMGabsTA3,EMGrmsTA3=EMGfix(K103.data(startpoint3:endpoint3,8));

[steps,Toetimesol,Toetimegm,Toetimegl,Toetimeta,Heeltimesol, Heeltimegm, Heeltimegl,Heeltimeta]=EMGsteps(

Heeltime1,Toetime1,FT4,EMGrmssol1,EMGrmsGM1,EMGrmsGL1,EMGrmsTA1);

steps2,Toetimesol2,Toetimegm2,Toetimegl2,Toetimeta2,Heeltimesol2, Heeltimegm2,

Heeltimegl2,Heeltimeta2=EMGsteps(


steps3,Toetimesol3,Toetimegm3,Toetimegl3,Toetimeta3,Heeltimesol3, Heeltimegm3,

Heeltimegl3,Heeltimeta3=EMGsteps(


end

function [goodsteps,Selection] = step-

choose(steps,x,Heeltime,Heeltimesol,Heeltimegm,Heeltimegl,Heeltimeta,EMGsol,EMGgm,EMGgl,EMGta)

% plotar grafer sa man kan valja vilka steg som gar att anvanda.

for i=1:numel(Heeltimesol) figure(5);

set(figure(5),’Position’, [0,200,600,600]);

subplot(4,1,1);

hold all;

plot(EMGsol,’b’);

plot([Heeltimesol(i),Heeltimesol(i)],[min(EMGsol),max(EMGsol)],’r’);

title(’Sol’);

xlabel(’Time’);

ylabel(’mV’);

subplot(4,1,2);

hold all;

plot(EMGgm,’b’);

plot([Heeltimegm(i),Heeltimegm(i)],[min(EMGgm),max(EMGgm)],’r’);

title(’GM’);

xlabel(’Time’);

ylabel(’mV’);

subplot(4,1,3);

hold all;

plot(EMGgl,’b’);

plot([Heeltimegl(i),Heeltimegl(i)],[min(EMGgl),max(EMGgl)],’r’);

title(’GL’);

xlabel(’Time’);

ylabel(’mV’);

subplot(4,1,4);

hold all;

plot(EMGta,’b’);

plot([Heeltimeta(i),Heeltimeta(i)],[min(EMGta),max(EMGta)],’r’);

title(’TA’);

xlabel(’Time’);

ylabel(’mV’);

end

for i=1:length(Heeltime)

6

figure(8);

hold all;

set(figure(8),’Position’, [600,100,600,600]);

plot(x,’b’) plot([Heeltime(i),Heeltime(i)],[0,max(x)+10],’r’);

title(’Steps for 10 km/h’);

xlabel(’Time’);

ylabel(’Pressure’);

end for k=1:(length(Heeltimesol)-1);

str(k)=[’Step ’, num2str(k)];

end [Selection,ok] = listdlg(’ListString’,str);

if ok==1

close all;

else uiwait(figure(5));

uiwait(figure(8));

end

lm=1;

% lagger in de valda stegen i goodsteps

for kk=1:length(Selection) goodsteps(kk)=steps(Selection(kk));

end kk=1;

end

function [ sol10kdone,gm10kdone,gl10kdone,ta10kdone ] = calc10K(steps,steps2,steps3 ) re

%Dessa tre forloopar ger ut maxvardet och dess indexvarde fran de valda %stegen. for i=1:length(steps)

[sol10k1(i),indsol(i)]=max(steps(i).sol);

gm10k1(i),indgm(i)=max(steps(i).gm);

gl10k1(i),indgl(i)=max(steps(i).gl);

ta10k1(i),indta(i)=max(steps(i).ta);

end for i=1:length(steps2) [sol10k2(i),indsol2(i)]=max(steps2(i).sol);

gm10k2(i),indgm2(i)=max(steps2(i).gm);

gl10k2(i),indgl2(i)=max(steps2(i).gl);

ta10k2(i),indta2(i)=max(steps2(i).ta);

end for i=1:length(steps3) [sol10k3(i),indsol3(i)]=max(steps3(i).sol);

gm10k3(i),indgm3(i)=max(steps3(i).gm);

gl10k3(i),indgl3(i)=max(steps3(i).gl);

ta10k3(i),indta3(i)=max(steps3(i).ta);

end

% Dessa forloopar tar vardet fran 15 punkter innan maxvardet och 15 punkter %efter maxvardet och lagger dem i

en ny vektor. for k=1:length(steps) if indsol(k)¡15 p=-indsol(k)+1;

else p=-15;

end if indsol(k)¿(length(steps(k).sol)-15) pp=(length(steps(k).sol)-indsol(k)-1);

else pp=15;

end for ii=p:pp

sol10k12(k)=steps(k).sol(indsol(k)+ii);

end end for k=1:length(steps) if indgm(k)¡15 p=-indgm(k)+1;

else p=-15;

7

end if indgm(k)¿(length(steps(k).gm)-15) pp=(length(steps(k).gm)-indgm(k)-1);

else pp=15;

end

for ii=p:pp gm10k12(k)=steps(k).gm(indgm(k)+ii);

end end

for k=1:length(steps) if indgl(k)¡15 p=-indgl(k)+1;

else p=-15;

end if indgl(k)¿(length(steps(k).gl)-15) pp=(length(steps(k).gl)-indgl(k)-1);

else pp=15;

end for ii=p:pp

gl10k12(k)=steps(k).gl(indgl(k)+ii);

end end for k=1:length(steps) if indta(k)¡15 p=-indta(k)+1;

else p=-15;

end if indta(k)¿(length(steps(k).ta)-15) pp=(length(steps(k).ta)-indta(k)-1);

else pp=15;

end for ii=p:pp

ta10k12(k)=steps(k).ta(indta(k)+ii);

end end

%————————————————

for k=1:length(steps2) if indsol2(k)¡15 p=-indsol2(k)+1;

else p=-15;

end if indsol2(k)¿(length(steps2(k).sol)-15) pp=(length(steps2(k).sol)-indsol2(k)-1);

else pp=15;

end for ii=p:pp

sol10k22(k)=steps2(k).sol(indsol2(k)+ii);

end end for k=1:length(steps2) if indgm2(k)¡15 p=-indgm2(k)+1;

else p=-15;

end if indgm2(k)¿(length(steps2(k).gm)-15) pp=(length(steps2(k).gm)-indgm2(k)-1);

else pp=15;

end

for ii=p:pp

gm10k22(k)=steps2(k).gm(indgm2(k)+ii);

end end

for k=1:length(steps2) if indgl2(k)¡15 p=-indgl2(k)+1;

else p=-15;

end if indgl2(k)¿(length(steps2(k).gl)-15) pp=(length(steps2(k).gl)-indgl2(k)-1);

else pp=15;

end for ii=p:pp

gl10k22(k)=steps2(k).gl(indgl2(k)+ii);

end end for k=1:length(steps2) if indta2(k)¡15 p=-indta2(k)+1;

else p=-15;

end if indta2(k)¿(length(steps2(k).ta)-15) pp=(length(steps2(k).ta)-indta2(k)-1);

else pp=15;

8

end for ii=p:pp

ta10k22(k)=steps2(k).ta(indta2(k)+ii);

end end

%————————————————

for k=1:length(steps3) if indsol3(k)¡15 p=-indsol3(k)+1;

else p=-15;

end if indsol3(k)¿(length(steps3(k).sol)-15) pp=(length(steps3(k).sol)-indsol3(k)-1);

else pp=15;

end for ii=p:pp

sol10k32(k)=steps3(k).sol(indsol3(k)+ii);

end end for k=1:length(steps3) if indgm3(k)¡15 p=-indgm3(k)+1;

else p=-15;

end if indgm3(k)¿(length(steps3(k).gm)-15) pp=(length(steps3(k).gm)-indgm3(k)-1);

else pp=15;

end

for ii=p:pp

gm10k32(k)=steps3(k).gm(indgm3(k)+ii);

end end

for k=1:length(steps3) if indgl3(k)¡15 p=-indgl3(k)+1;

else p=-15;

end if indgl3(k)¿(length(steps3(k).gl)-15) pp=(length(steps3(k).gl)-indgl3(k)-1);

else pp=15;

end for ii=p:pp

gl10k32(k)=steps3(k).gl(indgl3(k)+ii);

end end for k=1:length(steps3) if indta3(k)¡15 p=-indta3(k)+1;

else p=-15;

end if indta3(k)¿(length(steps3(k).ta)-15) pp=(length(steps3(k).ta)-indta3(k)-1);

else pp=15;

end for ii=p:pp

ta10k32(k)=steps3(k).ta(indta3(k)+ii);

end end

%Tar medelvardet av de nya vektorerna. sol10k13=mean(sol10k12);

gm10k13=mean(gm10k12);

gl10k13=mean(gl10k12);

ta10k13=mean(ta10k12);

sol10k23=mean(sol10k22);




sol10k33=mean(sol10k32);




9

%Tar medelvardet av alla enskilda muskeldata som tagits fram. sol10kdone=(sol10k13+sol10k23+sol10k33)/3;

gm10kdone=(gm10k13+gm10k23+gm10k33)/3;

gl10kdone=(gl10k13+gl10k23+gl10k33)/3;

ta10kdone=(ta10k13+ta10k23+ta10k33)/3;

end

function [x,Heeltime,Toetime] = FTfix(x1,jump,tresh,type,pre)

[rows,columns]=size(x1);

% Kollar hur manga trycksensorer i trycksulan som ar under tresh. for t=1:rows count=0;

for tt=1:columns if x1(t,tt)¡=tresh count=count+1;

end end % om det ar mer an 87 av de 99 trycksensorerna som ar under tresh sa % slas alla som ar over ner till 0. if

count¿=87 for tt=1:columns if x1(t,tt)¿tresh

x1(t,tt)=0;

end end end end

x=max(x1’);

n=1;

v=max(x)*pre;

i=9;

while i¡(length(x)-jump) k=0;

kk=0;

% Kollar om varderna runt punkten x(i) ar mindre fore och storre efter, % sa att man kan fa ut tiderna for nar ett

steg borjar. for ii=1:type

if (max(x)*.5¿x(i) x(i)¿v ((diff([x(i),x(i+ii)])¿0) (diff([x(i),x(i-ii)])¡0) ) ) k=k+1;

end

end % Ger bara ut tider da foregaende vilkor har uppfylts for varje punkt % (type ar hur manga punkter fore och

efter som den ska kolla). if k==type Heeltime(n)=i;

i=i+jump;

n=n+1;

else i=i+1;

end

end

p=1;

n=1;

i=50;

ii=0;

while i¡(length(x)-jump) k=0;

% Kollar om varderna runt punkten x(i) ar storre fore och mindre efter, % sa att man kan fa ut tiderna for nar

man lyfter foten. for ii=1:type if (max(x)*.5¿x(i) x(i)¿v ((diff([x(i),x(i+ii)])¡0) (diff([x(i),x(i-ii)])¿0) ) ) k=k+1;

end

end % Ger bara ut tider da foregaende vilkor har uppfylts for varje punkt % (type ar hur manga punkter fore och

efter som den ska kolla). if k==type Toetime(n)=i;

i=i+jump;

n=n+1;

else i=i+1;

10

end

end

end

function [startpoint,endpoint] = timefix(EMG)

% Fixar till sa att FT-data och EMG data ar synkade. trigped=EMG.data(2:end,9);

time=EMG.data(2:end,1);

for i=2:1:numel(trigped)

if trigped(i)-trigped(i-1)¿=0.05 startpoint=i;

starttime=time(i);

break;

end

end

for ii=1:1:numel(time)

if time(ii)¿=15+starttime endpoint=ii;

break;

end

end

end

function [ EMG4,EMG5,EMG7] = EMGfix(EMG2)

%Behandlar EMG data % Detailed explanation goes here

EMG3=mean(EMG2);

n=1;

%Skjuter ner medelv?rdet till 0 niv?, kurvan d? centrerad kring 0 for i=1:length(EMG2)

EMG4(n,1)=EMG2(i)-EMG3;

n=n+1;

end %Tar absolut beloppet av kurvan, rektifierar EMG5=abs(EMG4);

q=1;

%Smoothar kurvan med 100 punkter innan och 100 efter, sedan medelvardet av %dessa i punkten

for k=101:(length(EMG5)-100) p=1;

for ii=-100:100 EMG6(p,1)=EMG5(k+ii);

p=p+1;

end

EMG7(q,1)=rms(EMG6);

q=q+1;

end

end

function [solcomp,gmcomp,glcomp,tacomp] = com-

pare10K(EMGrmssol,EMGrmsgm,EMGrmsgl,EMGrmsta,sol10kdone,gm10kdone,gl10kdone,ta10kdone

)

11

%UNTITLED8 Summary of this function goes here % Detailed explanation goes here

% Gemfor all annan data mot data fran 10 km/h. Sa man far ut andelen av 10km/h.

for i=1:length(EMGrmssol) solcomp(i)=(EMGrmssol(i)/sol10kdone);

end

for i=1:length(EMGrmsgm) gmcomp(i)=(EMGrmsgm(i)/gm10kdone);

end

for i=1:length(EMGrmsgl) glcomp(i)=(EMGrmsgl(i)/gl10kdone);

end

for i=1:length(EMGrmsta) tacomp(i)=(EMGrmsta(i)/ta10kdone);

end

end

function [steps,Toetimesol,Toetimegm,Toetimegl,Toetimeta,Heeltimesol, Heeltimegm,

Heeltimegl,Heeltimeta] =EMGsteps(Heeltime,Toetime,FT,solcomp,gmcomp,glcomp,tacomp)

solconvert=numel(solcomp)/numel(FT);

gmconvert=numel(gmcomp)/numel(FT);

glconvert=numel(glcomp)/numel(FT);

taconvert=numel(tacomp)/numel(FT);

for i=1:1:numel(Heeltime)

Heeltimesol(i)= Heeltime(i)*solconvert;

Heeltimegm(i)= Heeltime(i)*gmconvert;

Heeltimegl(i)= Heeltime(i)*glconvert;

Heeltimeta(i)= Heeltime(i)*taconvert;

end

for ii=1:1:(numel(Heeltime)-1) a=Heeltimesol(ii);

b=Heeltimesol(ii+1);

steps(ii).sol=solcomp(a:b);

end

for ii=1:1:(numel(Heeltimegm)-1) a=Heeltimegm(ii);

b=Heeltimegm(ii+1);

steps(ii).gm=gmcomp(a:b);

end

for ii=1:1:(numel(Heeltimegl)-1) a=Heeltimegl(ii);

b=Heeltimegl(ii+1);

steps(ii).gl=glcomp(a:b);

end

for ii=1:1:(numel(Heeltimeta)-1) a=Heeltimeta(ii);

b=Heeltimeta(ii+1);

steps(ii).ta=tacomp(a:b);

end for i=1:1:numel(Toetime) Toetimesol(i)=Toetime(i)*solconvert;

Toetimegm(i)=Toetime(i)*gmconvert;

Toetimegl(i)=Toetime(i)*glconvert;

12

Toetimeta(i)=Toetime(i)*taconvert;

end

function [emgsol4,emggm4,emggl4,emgta4,indsol,indgm,indgl,indta ] =EMGcalc(steps)

%Den har forloopen ger ut maxvardet och dess indexvarde fran de valda %stegen. for i=1:length(steps)

[emgsol2(i),indsol(i)]=max(steps(i).data.sol);

ggm2(i),indgm(i)=max(steps(i).data.gm);

ggl2(i),indgl(i)=max(steps(i).data.gl);

gta2(i),indta(i)=max(steps(i).data.ta);

end %Dessa forloopar tar vardet fran 15 punkter innan maxvardet och 15 punkter %efter maxvardet och lagger

dem i en ny vektor.

for k=1:length(steps) if indsol(k)¡15 p=-indsol(k)+1;

else p=-15;

end if indsol(k)¿(length(steps(k).data.sol)-15) pp=(length(steps(k).data.sol)-indsol(k)-1);

else pp=15;

end for ii=p:pp

emgsol3(k)=steps(k).data.sol(indsol(k)+ii);

end end for k=1:length(steps) if indgm(k)¡15 p=-indgm(k)+1;

else p=-15;

end if indgm(k)¿(length(steps(k).data.gm)-15) pp=(length(steps(k).data.gm)-indgm(k)-1);

else pp=15;

end

for ii=p:pp

emggm3(k)=steps(k).data.gm(indgm(k)+ii);

end end

for k=1:length(steps) if indgl(k)¡15 p=-indgl(k)+1;

else p=-15;

end if indgl(k)¿(length(steps(k).data.gl)-15) pp=(length(steps(k).data.gl)-indgl(k)-1);

else pp=15;

end for ii=p:pp

emggl3(k)=steps(k).data.gl(indgl(k)+ii);

end end for k=1:length(steps) if indta(k)¡15 p=-indta(k)+1;

else p=-15;

end if indta(k)¿(length(steps(k).data.ta)-15) pp=(length(steps(k).data.ta)-indta(k)-1);

else pp=15;

end for ii=p:pp

emgta3(k)=steps(k).data.ta(indta(k)+ii);

end end %Tar medelvardet av de nya vektorerna. emgsol4=mean(emgsol3);

emggm4=mean(emggm3);

emggl4=mean(emggl3);

emgta4=mean(emgta3);

end

13

14

TRITA 2017:66

www.kth.se