论文部分内容阅读
随着重负荷的体力劳动逐渐从人力承担转移至机器作业,人体的各项机能日益减退,其中腿部力量的下降最为明显,腿部肌肉的运动锻炼显得尤为重要。运动中,对腿部肌肉状态变化的把握有利于提高锻炼的科学性,而肌肉疲劳状态则是评估肌肉功能的重要参考因素之一。本文设计并制作了一套完整的基于腿部多部位肌肉表面肌电信号评估腿部肌肉疲劳状态的智能识别系统。腿部6块目标肌肉的sEMG通过扣式反馈电极片拾取后,经过以AD620和OP07芯片为主组建的硬件调理电路放大滤波处理。利用基于Cortex-M3内核的STM32F103C8T6内部ADC将6路调理电路输出的模拟信号转化为数字信号,通过主从蓝牙模块HC-05将数据包转发至基于ARM Cortex-A8内核的AM335X开发板智能终端。智能终端可实现肌电图绘制、无线转发数据包至服务器及显示回传疲劳状态数值的功能。服务器端加载训练完成的识别模型,处理实时接收的数据流,得出评估结果并下发至智能终端,及时提醒使用者放松腿部肌肉,进而保证运动安全。通过对肌电信号产生机理及特点的研究,论证多种分析方法优缺点,尝试建立一种可融合多部位sEMG的多层双向LSTM网络模型来分析腿部疲劳状态。模型训练实验中,获取10位采集对象在大强度跑步运动中sEMG数据集,按照0-500m、500-800m、800-1200m、1200-1500m的跑步距离确定数据集疲劳状态标签。对数据集进行切分等预处理得到适合模型训练输入的疲劳实例集,以此作为输入,建立并训练基于多层双向LSTM的腿部肌肉疲劳状态识别模型。在测试集上的实验结果表明模型能对疲劳实例集进行较高精度的状态识别判定,准确识别率达到77.34%。实际跑步应用中,用量化考核的方法测试整个疲劳状态智能识别系统的判别准确度及泛化普适能力。受测对象分为A、B两组,其中A组对象均参与过训练模型时数据集的获取实验,B组相反。实验结果表明A组准确率为68%,B组准确率为52.67%,经过分析总结出整体识别系统在跑步运动中工作稳定,对腿部疲劳状态的识别能力、泛化能力欠佳。在疲劳状态过渡段处的判别精度有较大下降,是导致整体识别准确率下降的原因之一。在疲劳状态稳定后,判别精度有所提升。此外系统传输时延也对整体识别准确率有一定的影响。