基于SEMG的疲勞檢測(cè)方法研究

閆瑜 鄒稷 孫黎明

【摘?要】肌肉疲勞的檢測(cè)對(duì)醫(yī)療、運(yùn)動(dòng)、康復(fù)以及人類工效領(lǐng)域有著重要意義。本文對(duì)基于SEMG信號(hào)特征值及其在疲勞時(shí)的表現(xiàn)做了介紹，并且對(duì)現(xiàn)有的疲勞檢測(cè)方法進(jìn)行了歸納總結(jié)。研究發(fā)現(xiàn)現(xiàn)階段大多研究側(cè)重于對(duì)肌電信號(hào)是否疲勞進(jìn)行判斷，對(duì)疲勞程度的研究較少，目前還沒有標(biāo)準(zhǔn)的疲勞程度劃分。

【關(guān)鍵詞】表面肌電信號(hào);特征值;疲勞檢測(cè)

前沿

人體在長(zhǎng)時(shí)間保持同一個(gè)姿勢(shì)不動(dòng)，或進(jìn)行同一個(gè)機(jī)械運(yùn)動(dòng)時(shí)容易產(chǎn)生生理疲勞，過度和長(zhǎng)期的生理疲勞極有可能造成肌肉損傷。目前疲勞檢測(cè)方法包括主觀檢測(cè)和客觀檢測(cè)?，F(xiàn)階段人們對(duì)疲勞的主觀評(píng)價(jià)主要依據(jù)是瑞典心理學(xué)家Borg等人研究設(shè)計(jì)的主觀疲勞自覺量表（RPE表）。在客觀評(píng)價(jià)中常常將生理信號(hào)作為客觀評(píng)價(jià)指標(biāo)，在疲勞研究中常采用的生物電信號(hào)包括心電、眼電、腦電以及肌電信號(hào)。由于肌電信號(hào)具有采集簡(jiǎn)單、無創(chuàng)，并且能夠?qū)崟r(shí)準(zhǔn)確地反映肌肉活動(dòng)狀態(tài)和功能狀態(tài)等優(yōu)勢(shì)在疲勞研究中得到廣泛應(yīng)用，并取得一定的研究成果?，F(xiàn)如今，基于SEMG信號(hào)的疲勞檢測(cè)研究已經(jīng)被運(yùn)用到運(yùn)動(dòng)醫(yī)學(xué)、臨床醫(yī)學(xué)、人類工效學(xué)以及康復(fù)醫(yī)學(xué)等領(lǐng)域。

1 肌肉疲勞檢測(cè)中常用的SEMG信號(hào)特征值

在疲勞檢測(cè)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(shù)（FI）、普距（SAM）等。經(jīng)過大量的實(shí)驗(yàn)研究發(fā)現(xiàn)當(dāng)肌肉疲勞時(shí)，IEMG和RMS均隨時(shí)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(hào)功率譜中的主頻率逐漸轉(zhuǎn)向較低頻率，MF、MPF和ZCR也逐漸下降，SMR 呈線性升高的趨勢(shì);MF在抗噪聲干擾方面具有優(yōu)勢(shì)，并且刻畫頻譜特征變化要優(yōu)于MPF，但敏感性卻低于MPF。

2 肌肉疲勞在肌電信號(hào)中的表現(xiàn)

經(jīng)時(shí)域和頻域分析，研究發(fā)現(xiàn)在肌肉運(yùn)動(dòng)到疲勞過程中SEMG信號(hào)的時(shí)域值總體上呈上升趨勢(shì)，功率譜大多由高頻向低頻漂移。有大量研究表明在發(fā)生疲勞時(shí)，IEMG、ARV、RMS幅度增加，ZCR、MF、MPF會(huì)降低。

肌電信號(hào)在不同的運(yùn)動(dòng)下也會(huì)有細(xì)微的差別。在等長(zhǎng)收縮狀態(tài)下，SEMG信號(hào)的MA持續(xù)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(xù)增加;在力竭時(shí)MA達(dá)到最大值時(shí)，但是高頻段能量會(huì)在力竭前下降。在做向心運(yùn)動(dòng)和離心運(yùn)動(dòng)時(shí)發(fā)現(xiàn)從總趨勢(shì)看由初始態(tài)到力竭時(shí)，頻域值功率向低頻轉(zhuǎn)移，肌電圖的振幅值增加，Crenshaw等研究發(fā)現(xiàn)MF明顯下降、Tesch等研究發(fā)現(xiàn)IEMG特征值在向心收縮時(shí)高于離心收縮。在較為復(fù)雜的等動(dòng)運(yùn)動(dòng)中MPF在疲勞初期有顯著下降，隨后下降率降低逐漸進(jìn)入穩(wěn)態(tài);IEMG與RMS的時(shí)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(huì)影響肌電疲勞的采集。王立玲等對(duì)不同年齡下的男性肌肉疲勞特性進(jìn)行了研究，檢測(cè)部位為右上肢肱二頭肌，實(shí)驗(yàn)分為3個(gè)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(shí)驗(yàn)結(jié)果如表1所示;實(shí)驗(yàn)結(jié)果顯示：從開始到疲勞，從特征值看驗(yàn)證了肌肉疲勞時(shí)MPF、MF減小，F(xiàn)I增大的研究觀點(diǎn);從變化率數(shù)值上看，MPF對(duì)肌肉疲勞敏感性強(qiáng)于MF;對(duì)不同年齡段的疲勞指數(shù)變化率進(jìn)行比較，發(fā)現(xiàn)各組疲勞指數(shù)變化率的關(guān)系為：A組>T組>V組，也就是說在A組與T組相續(xù)發(fā)生疲勞時(shí)，V組還未達(dá)到疲勞。

3 肌肉疲勞檢測(cè)常用的分析方法

SEMG信號(hào)疲勞檢測(cè)分析方法有時(shí)域、頻域和時(shí)頻以及非線性分析方法。時(shí)域分析是將肌電信號(hào)看作時(shí)間的函數(shù)，用提取到的特征值來直接地表征SEMG信號(hào)與肌肉力之間的關(guān)系;時(shí)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(diǎn)數(shù)（ZC）等。

頻率域分析是指在頻率方面評(píng)價(jià)肌電信號(hào)的指標(biāo)分析，其特征值能較穩(wěn)定地表現(xiàn)SEMG信號(hào)與肌肉疲勞之間的關(guān)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(gè)方法的原理就是對(duì)經(jīng)過預(yù)處理的SEMG信號(hào)進(jìn)行快速傅里葉變換，提取出可以定量刻畫SEMG信號(hào)的功率譜或者頻譜的兩個(gè)指標(biāo)即MPF和MF。

而時(shí)頻分析方法提取到的特征值則結(jié)合了時(shí)域和頻域的信息，故能較精確地顯示出非平穩(wěn)信號(hào)在任何時(shí)刻的頻率信息。時(shí)頻分析方法主要分為：小波變換（WT）和短時(shí)傅里葉變換（STFT）以及基于 Cohen 類時(shí)頻分布等。常用的Cohen類時(shí)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(xù)指數(shù)分布（RWED）等分布方式。

王越等進(jìn)行機(jī)械操作和重物搬舉實(shí)驗(yàn)，經(jīng)時(shí)域分析驗(yàn)證，肌電值越低，表明肌肉疲勞度越高。文獻(xiàn)[11]中以MF值進(jìn)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(shí)間段的增加呈下降趨勢(shì)。通過每個(gè)間歇期性對(duì)肌電信號(hào)的變化（p<0.05）趨勢(shì)可以看出上肢肌肉疲勞程度越重，其肌電信號(hào)恢復(fù)至正常值越久。非線性擬合結(jié)果顯示，上肢肌肉疲勞的發(fā)展趨勢(shì)呈現(xiàn)出“S 型”的趨勢(shì)。

陳飚等通過設(shè)計(jì)搬舉實(shí)驗(yàn)和跑步實(shí)驗(yàn)，分析動(dòng)態(tài)活動(dòng)下肌電的頻譜差異。采用STFT（短時(shí)傅里葉變換）和FFT（快速傅里葉變換）兩種方法進(jìn)行對(duì)比分析。盡管兩種方法在理論上不同，但結(jié)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(shí)頻分布方法中，顏芳等用CWT（使用 Mexihat 和-Mexihat小波）分析單個(gè)M-波在電刺激誘發(fā)下的表面肌電信號(hào)，研究表明在肌肉發(fā)生疲勞時(shí)，CWT的尺度因子呈增長(zhǎng)趨勢(shì)。Knaflitz等采用CWT分析方法對(duì)腿部肌肉在騎車運(yùn)動(dòng)時(shí)的肌電信號(hào)進(jìn)行分析研究，研究結(jié)果顯示CWT分布中的瞬時(shí)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(dòng)態(tài)收縮期間的表面肌電信號(hào)的?Choi-Williams 分布（CWD），隨著疲勞的產(chǎn)生頻率成分向低端壓縮。

糜超等采用4 個(gè)不同的分類算法來對(duì)肌肉的疲勞和非疲勞兩種狀態(tài)進(jìn)行判別，各類方法的判別準(zhǔn)確率如表3所示。經(jīng)比較發(fā)現(xiàn)SVM分類的正確率高達(dá)98%。

曹昂等采集15名健康男青年右臂肱橈肌的sEMG信號(hào)采用多種方式進(jìn)行肌肉疲勞狀態(tài)研究，并建立肌肉疲勞狀態(tài)檢測(cè)系統(tǒng)。特征組的設(shè)置和特征的選擇如表4所示。增加MIF特征值，設(shè)置（EEMD-HT+Time+FFT）特征類型的設(shè)置彌補(bǔ)了傳統(tǒng)的頻域分析對(duì)于非平穩(wěn)信號(hào)分析存在的不足之處，提高分類的準(zhǔn)確性;通過設(shè)置（BSE+EEMD-HT）、（Time+FFT+BSE）和（Time+FFT+EEMD-HT+BSE）特征組來對(duì)分析不同特征值與帶譜熵（BSE）結(jié)合的分類效果。此外，還設(shè)置傳統(tǒng)SVM和Grid-SVM進(jìn)行SVM 參數(shù)優(yōu)化效果對(duì)比分析，其結(jié)果如表5所示。

實(shí)驗(yàn)結(jié)果顯示^[10]：在時(shí)域分析和頻域分析的基礎(chǔ)上引入MIF、BSE 特征值能夠有效地提高識(shí)別率，也就是說在傳統(tǒng)SEMG時(shí)域和頻域特征的基礎(chǔ)上，加入EEMD-HT和BSE構(gòu)成新的特征類型，能夠更加準(zhǔn)確地描述肌肉疲勞狀態(tài)。此外對(duì)比SVM、Grid-SVM與PSO-SVM算法，可知Grid-SVM與PSO-SVM算法識(shí)別準(zhǔn)確率均優(yōu)于SVM且PSO-SVM算法準(zhǔn)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(jìn)行判別，其準(zhǔn)確率提高了0.151%

4 總結(jié)與展望

肌肉運(yùn)動(dòng)到疲勞過程中SEMG信號(hào)的時(shí)域值總體上呈上升趨勢(shì)，功率譜大多由高頻向低頻漂移。為了節(jié)省實(shí)驗(yàn)時(shí)間，可以選擇較易疲勞的老人和小孩來進(jìn)行測(cè)試。在SEMG的疲勞檢測(cè)中常用的特征值有IEMG、RMS、MA、MPF、MF、ZCR、SAM等，分析方法包括時(shí)域分析、頻域分析、時(shí)頻域分析和非線性分析，在對(duì)疲勞進(jìn)行識(shí)別時(shí)采用多項(xiàng)特征值和混合的分析方式可以極大地提高疲勞判別的準(zhǔn)確性。此外研究發(fā)現(xiàn)現(xiàn)階段大多研究側(cè)重于對(duì)肌電信號(hào)是否疲勞進(jìn)行判斷，對(duì)疲勞程度的研究較少，目前還沒有標(biāo)準(zhǔn)的疲勞程度劃分。

參考文獻(xiàn)：

[1]王立玲，楊錚，劉元博，et al.基于sEMG信號(hào)的不同年齡下男性肌肉疲勞特性研究[J].中國(guó)康復(fù)醫(yī)學(xué)雜志，2019，34（2）.

[2]于海龍，范雪莉，宮海蘭，et al.一種基于sEMG信號(hào)的手勢(shì)識(shí)別方法研究[J].江西師范大學(xué)學(xué)報(bào)（自然科學(xué)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(hào)檢測(cè)肌肉疲勞研究[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)，2018（6）：673-679.

[4]尹昱東.對(duì)腦電信號(hào)特征的駕駛疲勞檢測(cè)方法[J].電子技術(shù)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(yàn)研究[J].華北科技學(xué)院學(xué)報(bào)，2019，16（01）：104-108.

[6]陳飚，王正倫，趙磊，et al.短時(shí)和快速傅里葉變換用于動(dòng)態(tài)活動(dòng)下表面肌電頻譜分析的比較研究[J].工業(yè)衛(wèi)生與職業(yè)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(fā)表面肌電信號(hào)的小波分析[J].重慶大學(xué)學(xué)報(bào)，2005，28（1）：77-81.

[8]牟永閣，彭承琳，鄭小林，et al.肌肉動(dòng)態(tài)收縮期間表面肌電信號(hào)的時(shí)頻分析[J].生物物理學(xué)報(bào)，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(cè)系統(tǒng)研究[J].現(xiàn)代電子技術(shù)，2018，41（20）：86-90.

[10]曹昂，張珅嘉，劉睿，et al.基于表面肌電信號(hào)的肌肉疲勞狀態(tài)分類系統(tǒng)[J].計(jì)算機(jī)應(yīng)用，2018，v.38;No.334（06）：281-288.

基金項(xiàng)目：

本課題得到長(zhǎng)春大學(xué)科研培育項(xiàng)目（秋實(shí)基金項(xiàng)目：）：上肢運(yùn)動(dòng)功能多模態(tài)康復(fù)訓(xùn)練方法研究（ZKQ201903）;吉林省發(fā)改委項(xiàng)目：基于有限狀態(tài)機(jī)模型的上肢運(yùn)動(dòng)功能多模態(tài)康復(fù)訓(xùn)練系統(tǒng)研究;長(zhǎng)春大學(xué)碩士研究生學(xué)術(shù)創(chuàng)新項(xiàng)目：上肢運(yùn)動(dòng)功能多模態(tài)康復(fù)訓(xùn)練方法研究的支持。

（作者單位：長(zhǎng)春大學(xué) 電子信息工程學(xué)院）