基于SEMG的疲勞檢測方法研究

閆瑜 鄒稷 孫黎明

【摘?要】肌肉疲勞的檢測對醫療、運動、康復以及人類工效領域有著重要意義。本文對基于SEMG信號特征值及其在疲勞時的表現做了介紹，并且對現有的疲勞檢測方法進行了歸納總結。研究發現現階段大多研究側重于對肌電信號是否疲勞進行判斷，對疲勞程度的研究較少，目前還沒有標準的疲勞程度劃分。

【關鍵詞】表面肌電信號;特征值;疲勞檢測

前沿

人體在長時間保持同一個姿勢不動，或進行同一個機械運動時容易產生生理疲勞，過度和長期的生理疲勞極有可能造成肌肉損傷。目前疲勞檢測方法包括主觀檢測和客觀檢測。現階段人們對疲勞的主觀評價主要依據是瑞典心理學家Borg等人研究設計的主觀疲勞自覺量表（RPE表）。在客觀評價中常常將生理信號作為客觀評價指標，在疲勞研究中常采用的生物電信號包括心電、眼電、腦電以及肌電信號。由于肌電信號具有采集簡單、無創，并且能夠實時準確地反映肌肉活動狀態和功能狀態等優勢在疲勞研究中得到廣泛應用，并取得一定的研究成果。現如今，基于SEMG信號的疲勞檢測研究已經被運用到運動醫學、臨床醫學、人類工效學以及康復醫學等領域。

1 肌肉疲勞檢測中常用的SEMG信號特征值

在疲勞檢測中常用到的特征值有積分肌電值（IEMG）、均方根值（RMS）、平均振幅（MA）、平均功率頻率（MPF）、中值頻率（MF）、過零率（ZCR）、疲勞指數（FI）、普距（SAM）等。經過大量的實驗研究發現當肌肉疲勞時，IEMG和RMS均隨時間呈直線遞減型變化，肌肉疲勞度越高肌電值越低;FI越大，則表明肌肉越容易趨于疲勞;隨著疲勞的推移，SEMG 信號功率譜中的主頻率逐漸轉向較低頻率，MF、MPF和ZCR也逐漸下降，SMR 呈線性升高的趨勢;MF在抗噪聲干擾方面具有優勢，并且刻畫頻譜特征變化要優于MPF，但敏感性卻低于MPF。

2 肌肉疲勞在肌電信號中的表現

經時域和頻域分析，研究發現在肌肉運動到疲勞過程中SEMG信號的時域值總體上呈上升趨勢，功率譜大多由高頻向低頻漂移。有大量研究表明在發生疲勞時，IEMG、ARV、RMS幅度增加，ZCR、MF、MPF會降低。

肌電信號在不同的運動下也會有細微的差別。在等長收縮狀態下，SEMG信號的MA持續升高、IEMG和 RMS直線遞減、低頻段能量不斷減少、高頻段能量持續增加;在力竭時MA達到最大值時，但是高頻段能量會在力竭前下降。在做向心運動和離心運動時發現從總趨勢看由初始態到力竭時，頻域值功率向低頻轉移，肌電圖的振幅值增加，Crenshaw等研究發現MF明顯下降、Tesch等研究發現IEMG特征值在向心收縮時高于離心收縮。在較為復雜的等動運動中MPF在疲勞初期有顯著下降，隨后下降率降低逐漸進入穩態;IEMG與RMS的時間曲線變化缺乏較好的一致性，但在疲勞過程中呈遞增性變化。

此外年齡的選擇也會影響肌電疲勞的采集。王立玲等對不同年齡下的男性肌肉疲勞特性進行了研究，檢測部位為右上肢肱二頭肌，實驗分為3個年齡段，A組為12-19歲男性、V組為20-29歲男性、T組為30-39歲男性。實驗結果如表1所示;實驗結果顯示：從開始到疲勞，從特征值看驗證了肌肉疲勞時MPF、MF減小，FI增大的研究觀點;從變化率數值上看，MPF對肌肉疲勞敏感性強于MF;對不同年齡段的疲勞指數變化率進行比較，發現各組疲勞指數變化率的關系為：A組>T組>V組，也就是說在A組與T組相續發生疲勞時，V組還未達到疲勞。

3 肌肉疲勞檢測常用的分析方法

SEMG信號疲勞檢測分析方法有時域、頻域和時頻以及非線性分析方法。時域分析是將肌電信號看作時間的函數，用提取到的特征值來直接地表征SEMG信號與肌肉力之間的關系;時域分析方法主要有：平均振幅值（AEMG）、均方根值（RMS）、積分肌電值（IEMG）和過零點數（ZC）等。

頻率域分析是指在頻率方面評價肌電信號的指標分析，其特征值能較穩定地表現SEMG信號與肌肉疲勞之間的關系;頻域分析方法主要有：平均功率頻率值（MPF）和中位頻率值（MF）。這兩個方法的原理就是對經過預處理的SEMG信號進行快速傅里葉變換，提取出可以定量刻畫SEMG信號的功率譜或者頻譜的兩個指標即MPF和MF。

而時頻分析方法提取到的特征值則結合了時域和頻域的信息，故能較精確地顯示出非平穩信號在任何時刻的頻率信息。時頻分析方法主要分為：小波變換（WT）和短時傅里葉變換（STFT）以及基于 Cohen 類時頻分布等。常用的Cohen類時頻分布包括：偽Wigner-ville分布（PWVD）、平滑偽WVD分布（SPWD）、Born-Jordan分布（BJD）、Wigner-ville分布（WVD）、Choi-Williams分布（CWD）以及連續指數分布（RWED）等分布方式。

王越等進行機械操作和重物搬舉實驗，經時域分析驗證，肌電值越低，表明肌肉疲勞度越高。文獻[11]中以MF值進行頻域分析得肱橈肌、肱二頭肌、三角肌、斜方肌上端MF值隨著時間段的增加呈下降趨勢。通過每個間歇期性對肌電信號的變化（p<0.05）趨勢可以看出上肢肌肉疲勞程度越重，其肌電信號恢復至正常值越久。非線性擬合結果顯示，上肢肌肉疲勞的發展趨勢呈現出“S 型”的趨勢。

陳飚等通過設計搬舉實驗和跑步實驗，分析動態活動下肌電的頻譜差異。采用STFT（短時傅里葉變換）和FFT（快速傅里葉變換）兩種方法進行對比分析。盡管兩種方法在理論上不同，但結果顯示MF的斜率無明顯差異，此外由表2可以看出STFT的檢出率大于FFT的檢出率。

基于Cohen類時頻分布方法中，顏芳等用CWT（使用 Mexihat 和-Mexihat小波）分析單個M-波在電刺激誘發下的表面肌電信號，研究表明在肌肉發生疲勞時，CWT的尺度因子呈增長趨勢。Knaflitz等采用CWT分析方法對腿部肌肉在騎車運動時的肌電信號進行分析研究，研究結果顯示CWT分布中的瞬時平均頻率值降低，與初始值相比降低了5%。牟永閣等分析肌肉動態收縮期間的表面肌電信號的?Choi-Williams 分布（CWD），隨著疲勞的產生頻率成分向低端壓縮。

糜超等采用4 個不同的分類算法來對肌肉的疲勞和非疲勞兩種狀態進行判別，各類方法的判別準確率如表3所示。經比較發現SVM分類的正確率高達98%。

曹昂等采集15名健康男青年右臂肱橈肌的sEMG信號采用多種方式進行肌肉疲勞狀態研究，并建立肌肉疲勞狀態檢測系統。特征組的設置和特征的選擇如表4所示。增加MIF特征值，設置（EEMD-HT+Time+FFT）特征類型的設置彌補了傳統的頻域分析對于非平穩信號分析存在的不足之處，提高分類的準確性;通過設置（BSE+EEMD-HT）、（Time+FFT+BSE）和（Time+FFT+EEMD-HT+BSE）特征組來對分析不同特征值與帶譜熵（BSE）結合的分類效果。此外，還設置傳統SVM和Grid-SVM進行SVM 參數優化效果對比分析，其結果如表5所示。

實驗結果顯示^[10]：在時域分析和頻域分析的基礎上引入MIF、BSE 特征值能夠有效地提高識別率，也就是說在傳統SEMG時域和頻域特征的基礎上，加入EEMD-HT和BSE構成新的特征類型，能夠更加準確地描述肌肉疲勞狀態。此外對比SVM、Grid-SVM與PSO-SVM算法，可知Grid-SVM與PSO-SVM算法識別準確率均優于SVM且PSO-SVM算法準確率提升更大。PSO-SVM與SVM算法相比，采用（Time+FFT+EEMD-HT+BSE）特征類型進行判別，其準確率提高了0.151%

4 總結與展望

肌肉運動到疲勞過程中SEMG信號的時域值總體上呈上升趨勢，功率譜大多由高頻向低頻漂移。為了節省實驗時間，可以選擇較易疲勞的老人和小孩來進行測試。在SEMG的疲勞檢測中常用的特征值有IEMG、RMS、MA、MPF、MF、ZCR、SAM等，分析方法包括時域分析、頻域分析、時頻域分析和非線性分析，在對疲勞進行識別時采用多項特征值和混合的分析方式可以極大地提高疲勞判別的準確性。此外研究發現現階段大多研究側重于對肌電信號是否疲勞進行判斷，對疲勞程度的研究較少，目前還沒有標準的疲勞程度劃分。

參考文獻：

[1]王立玲，楊錚，劉元博，et al.基于sEMG信號的不同年齡下男性肌肉疲勞特性研究[J].中國康復醫學雜志，2019，34（2）.

[2]于海龍，范雪莉，宮海蘭，et al.一種基于sEMG信號的手勢識別方法研究[J].江西師范大學學報（自然科學版），2018，42（05）：76-81.

[3]楊錚，王立玲，馬東.基于自回歸模型表面肌電信號檢測肌肉疲勞研究[J].中國生物醫學工程學報，2018（6）：673-679.

[4]尹昱東.對腦電信號特征的駕駛疲勞檢測方法[J].電子技術與軟件工程，2017（18）：96-96.

[5]王越，劉洋，徐明偉.基于表面肌電的工人上肢肌肉疲勞試驗研究[J].華北科技學院學報，2019，16（01）：104-108.

[6]陳飚，王正倫，趙磊，et al.短時和快速傅里葉變換用于動態活動下表面肌電頻譜分析的比較研究[J].工業衛生與職業病，2012（3）：144-150.

[7]顏芳，曾孝平，何慶華，等.肌肉疲勞過程中電誘發表面肌電信號的小波分析[J].重慶大學學報，2005，28（1）：77-81.

[8]牟永閣，彭承琳，鄭小林，et al.肌肉動態收縮期間表面肌電信號的時頻分析[J].生物物理學報，2004，20（4）：323-328.

[9]糜超，陳陽，鄒凌.基于表面肌電的肌肉疲勞檢測系統研究[J].現代電子技術，2018，41（20）：86-90.

[10]曹昂，張珅嘉，劉睿，et al.基于表面肌電信號的肌肉疲勞狀態分類系統[J].計算機應用，2018，v.38;No.334（06）：281-288.

基金項目：

本課題得到長春大學科研培育項目（秋實基金項目：）：上肢運動功能多模態康復訓練方法研究（ZKQ201903）;吉林省發改委項目：基于有限狀態機模型的上肢運動功能多模態康復訓練系統研究;長春大學碩士研究生學術創新項目：上肢運動功能多模態康復訓練方法研究的支持。

（作者單位：長春大學 電子信息工程學院）