论文部分内容阅读
人体肌肉疲劳检测在体育竞技、康复训练等领域对于防止肌肉过度训练造成损伤具有非常大的研究和应用价值。受此启发,本研究创新地将表面肌电信号、肌音信号、肌氧饱和度三种可以表征肌肉疲劳的生理信号,通过数据融合的方法实现对肌肉疲劳状态更加准确的检测。本论文的研究内容及成果如下:(1)搭建多源生理信号采集系统。主要包括肌音传感器、肌氧饱和度传感器、A/D转换器、通讯模块和主控芯片的选取,表面肌电传感器设计与性能测试,下位机程序和上位机程序设计。设计肌肉疲劳实验并对肱二头肌的多源生理信号进行采集,同时根据疲劳等级评测表对疲劳度进行自主标定。(2)对表面肌电信号、肌音信号和肌氧饱和度的特征量进行提取与分析。对表面肌电信号时域的IEMG和RMS参数、频域的MPF和MF参数以及非线性动力学角度的C0复杂度和Ap En特征量进行回归分析和显著性分析,并从中选取最优的特征参数。对肌音信号频域的MPF和MF参数,以及非线性动力学角度的LZC、FD、MLE和Ap En特征量进行线性回归分析和显著性分析,并选取最优参数。将肌氧饱和度指标作为表征肌肉状态的参数,并对该指标进行肌肉疲劳相关性分析。(3)建立多模态数据融合的肌肉疲劳等级评价模型。将从表面肌电信号、肌音信号和肌氧信号中提取的最优特征参数进行特征级融合,基于SVM构建肌肉疲劳等级评价模型。设计单模态数据与多模态数据融合的肌肉疲劳等价评测对比实验,实验结果表明:在同样的条件下,多模态数据融合对于肌肉疲劳度的识别正确率为89.2%,表面肌电信号和肌音信号单独作为肌肉疲劳度评判依据时,其正确率分别为84.2%和80.8%,实验结果表明多模态数据融合的识别率比两种单模态的识别率分别提高了5.0%和8.4%,评测肌肉疲劳状态的准确率有所提高,性能也更稳定。