基于表面肌电与步态信号的下肢肌肉疲劳性分析.pdfVIP

杭州电子科技大学硕士学位论文

摘要

肌肉疲劳被定义为肌肉收缩时所产生的最大力量的减小，一般由剧烈运动或长时

间负荷所引起。肌肉疲劳会影响肌肉协同的激活模式，改变人体的运动功能。选择合

适的生理信号研究肌肉疲劳，可为患者或运动员提供合理的运动计划，降低受伤的风

险，在医疗康复和体育竞技领域等具有重大意义。表面肌电信号拥有无创性的独有优

势，步态信号可以很好地反映人体运动功能，因此被广泛用于肌肉疲劳性分析。但目

前的研究还存在着一些问题：1)肌肉疲劳实验多是受试者主动做功达到肌肉疲劳状态，

而在固定负荷条件下被动运动而疲劳的研究比较缺乏。2)疲劳肌肉协同研究在分析层

面大多分析的是协同模式的差异，缺乏从神经控制策略方面给出合理解释。3)基于表

面肌电单模态信号的肌肉疲劳分析难以全面地诠释疲劳造成的运动功能变化，且由此

构建的疲劳状态检测系统的准确率有待提升。针对上述问题，本文首先设计了受试者

在跑步机上被动运动达到疲劳的实验协议，招募到18位受试者参与，并同步采集到下

肢五块肌肉的表面肌电和步态信号，具体展开了如下两个方面的研究工作：

1.针对疲劳肌肉协同的神经控制策略尚未明确的现状，本文基于表面肌电信号使

用非负矩阵分解算法(NonnegativeMatrixFactorization,NMF)提取肌肉协同作用，并根

据参数VAF(VarianceAcountedFor)确定肌肉协同的个数，经分析发现：1)肌肉疲劳前

后都提取到4个肌肉协同作用，并未发生改变且协同结构具有高度的相似性。2)疲劳

前后的肌肉激活权重和激活因子存在显著差异，表现为肌肉激活权重的显著增加或降

低，肌肉激活因子峰值的增大和峰值发生时间在步态周期内的前后移动。本文认为上

述变化是神经系统在疲劳条件下代偿肌肉力量保持原有运动状态而避免受伤的一种策

略。

2.为了能够更加全面的分析肌肉疲劳前后的运动功能差异，本文提出可使用肌电

和步态信号的联合分析方法，并使用机器学习方法设计了肌肉疲劳状态分类模型以及

使用深度学习方法设计了步态预测模型，得到如下结论：1)肌肉疲劳状态下，为维持原

有运动状态，肌肉需要更大的激活程度和更长的激活时间；此外，肌肉疲劳会降低步态

的稳定性，增大身体的左右晃动程度，导致不流畅的人体运动。2)基于步态与肌电数

据的融合特征集，疲劳状态分类准确率最高可达到98.93%，较使用表面肌电单模态信

-I-

杭州电子科技大学硕士学位论文

号特征分类准确率提高了4.87%。3)基于表面肌电和步态时序信号之间的关联性，肌

肉疲劳前后步态预测指标平均绝对偏差(MeanAbsolutePencentageError,MAPE)最低

分别可达到19.19%和22.09%。虽然在肌肉疲劳后步态信号的预测难度有所增大，但

仍能较好的实现预测。

最后，为使上述部分研究具备实际应用价值，基于MatlabGUI工具开发了人体运

动肌肉疲劳分析系统，实现了数据加载、数据预处理、特征提取、特征分析四个功能，

可有效的分析肌肉疲劳所造成的运动功能变化，更具针对性的对肌肉疲劳患者进行康

复训练。

关键词肌肉疲劳，表面肌电，步态，肌肉协同，机器学习，深度学习

:

-II-

杭州电子科技大学硕士学位论文

ABSTRACT

Musclefatigueisdefinedasareductioninthemaximumforceproducedbyamuscle

contraction,usuallycausedbystrenuousexerciseorprolongedloading.Musclefatigueaffects

thesynergisticmuscleactivationpatternsandaltersthebody’smotorfunction.Selecting

appropriatephysiologicalsignalstostudymusclefatigue