sEMG与功率下降（肌肉疲劳）的关系
以前我们将肌肉疲劳定义为“运动引起的肌肉力量下降或者输出功率下降的现象”，因此，力量、功率以及力矩可以用来直接评价肌肉的疲劳。很多年以前，在运动过程中测量这些变量还有一些技术困难（例如，在蹬骑功率自行车或者跑步时）。但是，目前随着技术上的进步，下一些条件下测量机械输出功率成为可能，例如，在跑步过程中使用足底压力传感器。而且，在日常动力性运动过程中，使用便携式测量系统获取sEMG信号来理解和评价肌肉疲劳显得更为重要。
然而，对于肌肉疲劳时并不总是很容易将sEMG信号的变化与输出功率、力或者力矩下降的变化联系起来，有时候它们之间的关系很微妙、不容易发现。一些作者发现，在一些疲劳状态下，尽管在肌肉疲劳过程中力下降了，但是sEMG信号几乎没有受到影响。在Baker等（1993）实施的一项实验中：2min持续性的最大随意等长收缩后以及15～20min间断性最大随意收缩后，力值下降同时伴随着Pi浓度水平升高，但是sEMG信号却没有变化。另外，Sandiford等（2005）发现，在蹬骑自行车渐进性疲劳运动过程中，Ca2+释放受到抑制以及M波发生改变。这说明运动电位并没有发生变化，因此，sEMG信号很可能与力量下降没有关联。
尽管sEMG信号由于疲劳发生了改变，但是还有其他的问题需要考虑。其中主要问题是量化肌肉疲劳的sEMG传统变量与直接评价疲劳指标（力或者输出功率）之间的关系很弱。众多学者们经过数十年的时间研究影响sEMG变量的生理学因素，目前已经了解到的是受试者之间的个体差异，例如，肌肉的解剖位置、影响着肌电与机械变量之间的关系（Farina et al.，2004）。另外，正如前面评述的，在Dideriksen等（2010b）的一项研究中，他们模拟力值与sEMG信号幅值之间的关系，结果发现，在不同等长收缩条件下，这种关系发生了变化。因此，仅仅用肌电幅值是不能预测肌肉力量幅值的，仅仅用从sEMG信号中提取出来的传统变量是不能够敏感地确定肌肉疲劳状态，很多作者结合不同sEMG参数去评价肌肉疲劳。
以前的一些研究提示由于短期力量训练后导致运动能力提高，主要是由于外周机制引起的。做出如上推断的原因是经过短期力量训练后进行与训练前同样强度的动力性运动致疲劳时发现，sEMG信号训练前后变化不大，但是在训练前运动至疲劳的积累程度更高并且机体的代谢水平更高（例如，血乳酸水平更高，氨积累更多）。因此，由阻抗训练引起的代谢和神经肌肉产生的适应性可能会影响肌肉疲劳的机械性能力与肌电变量之间的关系，也就是说，经过训练后肌肉力量增加了，但是，肌电信号并不会发生变化，所以训练会影响肌肉发生疲劳时机械力与肌电之间的关系。
因此，很明显sEMG可以用来探测肌肉疲劳，因为它与肌肉疲劳密切相关，而且可以在各种运动形式下可以方便地记录到。目前有很多研究检验了肌肉疲劳与sEMG信号变量之间的关系，因此，可以使用sEMG信号准确地探测肌肉疲劳。
4.1 使用线性技术评价肌肉疲劳
用来评价肌肉疲劳的线性技术是建立在线性回归的基础上的，这种线性回归是将sEMG信号参数变化与功率下降联系在一起的（功率下降作为肌肉疲劳直接测量标准）Gonzalez-Izal等（2010b、d）发现这些线性技术利用sEMG信号参数能准确地绘制出肌肉疲劳变化。在更精准地判断sEMG信号参数与肌肉功率下降之间关系的实验中，他们发现，在一个疲劳收缩实验中，在这个实验中受试者完成5组、每组最多10次的最大随意收缩。结果发现，肌肉功率下降37%。而且，将这个参数与瞬时平均功率平均值结合起来评价肌肉功率下降时，能够解释肌肉功率下降的44%（Gonzalez-Izal et al.，2010b）。除此之外，他们发现，基于小波分析的参数能够更准确地追踪肌肉功率下降情况，能够解释肌肉功率下降的46.6%（Gonzalez-Izal et al.，2010d）。因此，他们认为这些技术能够追踪肌肉疲劳。
4.2 使用非线性技术评价肌肉疲劳
用来评价肌肉疲劳的非线性技术是建立在神经网络的基础上，将sEMG信号参数与肌肉疲劳联系起来。非线性分析技术强于线性方法的优点是神经网络能够获取sEMG信号参数与肌肉疲劳之间的关联。
第一位使用这些技术评价肌肉疲劳的学者是MacIsaac等（2006）。他使用了图谱指数（mapping index，MI）评价肌肉疲劳时肌电指标的变化，包括肌电的幅值和频率特征。他们研究发现，在评价肌肉疲劳时MI方法要比单纯地使用肌电中位频率或者瞬时频率要更准确。他们获得更高的信噪比，这提示这种方法使评估参数与真实参数之间的误差变得更小。
在该项研究的基础之上，Gonzalez-Izal等（2010a）改进了MacIsaac等（2006）最初的技术方法。他们认为最初的技术并不能反映膝关节重复性伸展过程中的肌肉疲劳，例如，功率下降，因为原始的MI技术假设疲劳是一个渐进性的过程，但是动力性运动中最大随意收缩力下降很少表现出线性下降趋势（Gerdle et al.，2000；Komi and Tesch，1979）。为了克服这个限制，Gonzalez-Izal和他的同事（2010a）研发了一种新的MI方法，即把运动疲劳过程假设成为一个已知参数。结果发现，Gonzalez-Izal的方法的精确度更高。
4.3 将线性技术和非线性技术结合一起评价肌肉疲劳
线性和非线性方法都能基于肌电参数绘制人体动力性运动过程中功率和力量的下降情况。但是，这两种技术之间还是有些差别。非线性神经网络改变权重，因此肌电参数和肌肉疲劳之间的关系的计算是通过学习过程完成的。相反，对于线性技术来说，肌电参数和肌肉疲劳之间的关系被认为是一个线性已知参数。而且，非线性学习过程的计算时间要比非线性计算方法长。Gonzalez-Izal（2010c）等比较了这两种方法在评价肌电参数功率下降的精准性。他们发现，尽管神经网络计算法提供了一个更高的信噪比，这使得在绘制功率谱方面具有较低误差的特性，因此发现，线性和非线性法没有显著性差异。因此，他们认为由于线性方法所需的计算时间少，这种方法被认为是最好的绘制功率变化的参数的方法。
4.4 训练前后线性肌肉疲劳图谱的合理性
根据以前的研究成果可知，这些技术描述了肌肉功率下降与sEMG信号参数之间的关系可以用来评价肌肉疲劳。但是，正如上所述，短期的力量训练可能会影响sEMG信号变量与肌肉功率下降之间的关系（Izquierdo et al.，2009）。因此，受试者训练状态改变可能会改变肌肉力量功率下降与sEMG信号参数之间的关系，并且可能会影响评价肌肉疲劳的sEMG模型准确性。
在这方面，Izquierdo和coworkers（2011）验证了经过7周训练后，sEMG信号参数与肌肉收缩功率下降之间的关系是否取决于受试者的训练状态。他们比较了肌肉功率下降变化与sEMG信号参数以及血液代谢产物之间的关系，在训练前后采用的测试方案一样。疲劳方案是让受试者进行5组、每组10RM的下肢力量训练。他们发现，sEMG在训练前后变化模式相近，但是训练后肌肉力的功率输出变化更明显同时血液代谢产物变化也更明显。因此，在训练前后sEMG参数与肌肉力量功率下降之间的关系发生了变化，但是功率改变与血液代谢产物改变之间的线性模型没有变化，因此，Izquierdo等（2011）认为尽管将功率改变与sEMG信号联系起来的模型可能会很有用，但是在训练后它们的关系可能不存在。
肌肉疲劳是日常生活中常见的一种现象。评价肌肉疲劳的传统方法主要观察输出力、输出功率和力矩的变化。但是将这些变量与肌电参数结合起来共同评价肌肉疲劳能让我们进一步了解肌肉疲劳。因此，使用线性和非线性的肌电参数结合这些传统的评价指标能够很好地评价肌肉疲劳。但是从目前的研究来看，在经过一段时间的训练后，肌电指标和功率之间的关系会发生显著变化。因此，还需要更多地研究、探究更好的技术方法来评价表面肌电指标与机体输出功率之间的关系。