基于SEMG的疲劳检测方法研究

闫瑜 邹稷 孙黎明

【摘 要】肌肉疲劳的检测对医疗、运动、康复以及人类工效领域有着重要意义。本文对基于SEMG信号特征值及其在疲劳时的表现做了介绍，并且对现有的疲劳检测方法进行了归纳总结。研究发现现阶段大多研究侧重于对肌电信号是否疲劳进行判断，对疲劳程度的研究较少，目前还没有标准的疲劳程度划分。

【关键词】表面肌电信号;特征值;疲劳检测

前沿

人体在长时间保持同一个姿势不动，或进行同一个机械运动时容易产生生理疲劳，过度和长期的生理疲劳极有可能造成肌肉损伤。目前疲劳检测方法包括主观检测和客观检测。现阶段人们对疲劳的主观评价主要依据是瑞典心理学家Borg等人研究设计的主观疲劳自觉量表（RPE表）。在客观评价中常常将生理信号作为客观评价指标，在疲劳研究中常采用的生物电信号包括心电、眼电、脑电以及肌电信号。由于肌电信号具有采集简单、无创，并且能够实时准确地反映肌肉活动状态和功能状态等优势在疲劳研究中得到广泛应用，并取得一定的研究成果。现如今，基于SEMG信号的疲劳检测研究已经被运用到运动医学、临床医学、人类工效学以及康复医学等领域。

1 肌肉疲劳检测中常用的SEMG信号特征值

在疲劳检测中常用到的特征值有积分肌电值（IEMG）、均方根值（RMS）、平均振幅（MA）、平均功率频率（MPF）、中值频率（MF）、过零率（ZCR）、疲劳指数（FI）、普距（SAM）等。经过大量的实验研究发现当肌肉疲劳时，IEMG和RMS均随时间呈直线递减型变化，肌肉疲劳度越高肌电值越低;FI越大，则表明肌肉越容易趋于疲劳;随着疲劳的推移，SEMG 信号功率谱中的主频率逐渐转向较低频率，MF、MPF和ZCR也逐渐下降，SMR 呈线性升高的趋势;MF在抗噪声干扰方面具有优势，并且刻画频谱特征变化要优于MPF，但敏感性却低于MPF。

2 肌肉疲劳在肌电信号中的表现

经时域和频域分析，研究发现在肌肉运动到疲劳过程中SEMG信号的时域值总体上呈上升趋势，功率谱大多由高频向低频漂移。有大量研究表明在发生疲劳时，IEMG、ARV、RMS幅度增加，ZCR、MF、MPF会降低。

肌电信号在不同的运动下也会有细微的差别。在等长收缩状态下，SEMG信号的MA持续升高、IEMG和 RMS直线递减、低频段能量不断减少、高频段能量持续增加;在力竭时MA达到最大值时，但是高频段能量会在力竭前下降。在做向心运动和离心运动时发现从总趋势看由初始态到力竭时，频域值功率向低频转移，肌电图的振幅值增加，Crenshaw等研究发现MF明显下降、Tesch等研究发现IEMG特征值在向心收缩时高于离心收缩。在较为复杂的等动运动中MPF在疲劳初期有显著下降，随后下降率降低逐渐进入稳态;IEMG与RMS的时间曲线变化缺乏较好的一致性，但在疲劳过程中呈递增性变化。

此外年龄的选择也会影响肌电疲劳的采集。王立玲等对不同年龄下的男性肌肉疲劳特性进行了研究，检测部位为右上肢肱二头肌，实验分为3个年龄段，A组为12-19岁男性、V组为20-29岁男性、T组为30-39岁男性。实验结果如表1所示;实验结果显示：从开始到疲劳，从特征值看验证了肌肉疲劳时MPF、MF减小，FI增大的研究观点;从变化率数值上看，MPF对肌肉疲劳敏感性强于MF;对不同年龄段的疲劳指数变化率进行比较，发现各组疲劳指数变化率的关系为：A组>T组>V组，也就是说在A组与T组相续发生疲劳时，V组还未达到疲劳。

3 肌肉疲劳检测常用的分析方法

SEMG信号疲劳检测分析方法有时域、频域和时频以及非线性分析方法。时域分析是将肌电信号看作时间的函数，用提取到的特征值来直接地表征SEMG信号与肌肉力之间的关系;时域分析方法主要有：平均振幅值（AEMG）、均方根值（RMS）、积分肌电值（IEMG）和过零点数（ZC）等。

频率域分析是指在频率方面评价肌电信号的指标分析，其特征值能较稳定地表现SEMG信号与肌肉疲劳之间的关系;频域分析方法主要有：平均功率频率值（MPF）和中位频率值（MF）。这两个方法的原理就是对经过预处理的SEMG信号进行快速傅里叶变换，提取出可以定量刻画SEMG信号的功率谱或者频谱的两个指标即MPF和MF。

而时频分析方法提取到的特征值则结合了时域和频域的信息，故能较精确地显示出非平稳信号在任何时刻的频率信息。时频分析方法主要分为：小波变换（WT）和短时傅里叶变换（STFT）以及基于 Cohen 类时频分布等。常用的Cohen类时频分布包括：伪Wigner-ville分布（PWVD）、平滑伪WVD分布（SPWD）、Born-Jordan分布（BJD）、Wigner-ville分布（WVD）、Choi-Williams分布（CWD）以及连续指数分布（RWED）等分布方式。

王越等进行机械操作和重物搬举实验，经时域分析验证，肌电值越低，表明肌肉疲劳度越高。文献[11]中以MF值进行频域分析得肱桡肌、肱二头肌、三角肌、斜方肌上端MF值随着时间段的增加呈下降趋势。通过每个间歇期性对肌电信号的变化（p<0.05）趋势可以看出上肢肌肉疲劳程度越重，其肌电信号恢复至正常值越久。非线性拟合结果显示，上肢肌肉疲劳的发展趋势呈现出“S 型”的趋势。

陈飚等通过设计搬举实验和跑步实验，分析动态活动下肌电的频谱差异。采用STFT（短时傅里叶变换）和FFT（快速傅里叶变换）两种方法进行对比分析。尽管两种方法在理论上不同，但结果显示MF的斜率无明显差异，此外由表2可以看出STFT的檢出率大于FFT的检出率。

基于Cohen类时频分布方法中，颜芳等用CWT（使用 Mexihat 和-Mexihat小波）分析单个M-波在电刺激诱发下的表面肌电信号，研究表明在肌肉发生疲劳时，CWT的尺度因子呈增长趋势。Knaflitz等采用CWT分析方法对腿部肌肉在骑车运动时的肌电信号进行分析研究，研究结果显示CWT分布中的瞬时平均频率值降低，与初始值相比降低了5%。牟永阁等分析肌肉动态收缩期间的表面肌电信号的 Choi-Williams 分布（CWD），随着疲劳的产生频率成分向低端压缩。

糜超等采用4 个不同的分类算法来对肌肉的疲劳和非疲劳两种状态进行判别，各类方法的判别准确率如表3所示。经比较发现SVM分类的正确率高达98%。

曹昂等采集15名健康男青年右臂肱桡肌的sEMG信号采用多种方式进行肌肉疲劳状态研究，并建立肌肉疲劳状态检测系统。特征组的设置和特征的选择如表4所示。增加MIF特征值，设置（EEMD-HT+Time+FFT）特征类型的设置弥补了传统的频域分析对于非平稳信号分析存在的不足之处，提高分类的准确性;通过设置（BSE+EEMD-HT）、（Time+FFT+BSE）和（Time+FFT+EEMD-HT+BSE）特征组来对分析不同特征值与带谱熵（BSE）结合的分类效果。此外，还设置传统SVM和Grid-SVM进行SVM 参数优化效果对比分析，其结果如表5所示。

实验结果显示^[10]：在时域分析和频域分析的基础上引入MIF、BSE 特征值能够有效地提高识别率，也就是说在传统SEMG时域和频域特征的基础上，加入EEMD-HT和BSE构成新的特征类型，能够更加准确地描述肌肉疲劳状态。此外对比SVM、Grid-SVM与PSO-SVM算法，可知Grid-SVM与PSO-SVM算法识别准确率均优于SVM且PSO-SVM算法准确率提升更大。PSO-SVM与SVM算法相比，采用（Time+FFT+EEMD-HT+BSE）特征类型进行判别，其准确率提高了0.151%

4 总结与展望

肌肉运动到疲劳过程中SEMG信号的时域值总体上呈上升趋势，功率谱大多由高频向低频漂移。为了节省实验时间，可以选择较易疲劳的老人和小孩来进行测试。在SEMG的疲劳检测中常用的特征值有IEMG、RMS、MA、MPF、MF、ZCR、SAM等，分析方法包括时域分析、频域分析、时频域分析和非线性分析，在对疲劳进行识别时采用多项特征值和混合的分析方式可以极大地提高疲劳判别的准确性。此外研究发现现阶段大多研究侧重于对肌电信号是否疲劳进行判断，对疲劳程度的研究较少，目前还没有标准的疲劳程度划分。

参考文献：

[1]王立玲，杨铮，刘元博，et al.基于sEMG信号的不同年龄下男性肌肉疲劳特性研究[J].中國康复医学杂志，2019，34（2）.

[2]于海龙，范雪莉，宫海兰，et al.一种基于sEMG信号的手势识别方法研究[J].江西师范大学学报（自然科学版），2018，42（05）：76-81.

[3]杨铮，王立玲，马东.基于自回归模型表面肌电信号检测肌肉疲劳研究[J].中国生物医学工程学报，2018（6）：673-679.

[4]尹昱东.对脑电信号特征的驾驶疲劳检测方法[J].电子技术与软件工程，2017（18）：96-96.

[5]王越，刘洋，徐明伟.基于表面肌电的工人上肢肌肉疲劳试验研究[J].华北科技学院学报，2019，16（01）：104-108.

[6]陈飚，王正伦，赵磊，et al.短时和快速傅里叶变换用于动态活动下表面肌电频谱分析的比较研究[J].工业卫生与职业病，2012（3）：144-150.

[7]颜芳，曾孝平，何庆华，等.肌肉疲劳过程中电诱发表面肌电信号的小波分析[J].重庆大学学报，2005，28（1）：77-81.

[8]牟永阁，彭承琳，郑小林，et al.肌肉动态收缩期间表面肌电信号的时频分析[J].生物物理学报，2004，20（4）：323-328.

[9]糜超，陈阳，邹凌.基于表面肌电的肌肉疲劳检测系统研究[J].现代电子技术，2018，41（20）：86-90.

[10]曹昂，张珅嘉，刘睿，et al.基于表面肌电信号的肌肉疲劳状态分类系统[J].计算机应用，2018，v.38;No.334（06）：281-288.

基金项目：

本课题得到长春大学科研培育项目（秋实基金项目：）：上肢运动功能多模态康复训练方法研究（ZKQ201903）;吉林省发改委项目：基于有限状态机模型的上肢运动功能多模态康复训练系统研究;长春大学硕士研究生学术创新项目：上肢运动功能多模态康复训练方法研究的支持。

（作者单位：长春大学 电子信息工程学院）