随着我国经济社会的发展,在航空航天、深海探索和体育竞技等领域不断发展,对工作人员和运动员身体疲劳状态监测,防止过度疲劳和运动损伤至关重要。为了保障身体健康、预防事故发生,本文重点研究穿戴式运动疲劳监测技术,希望通过无创检测技术实现人体运动疲劳状态检测。通过实时监测人体运动时心电信号和相关肌肉上的生物电信号,对所采集的体表生物电信号进行一些必要滤波和预处理之后提取疲劳强相关特征指标,再基于机器学习和基于深度神经网络的方法对运动疲劳状态进行分类识别。本文主要研究工作如下:(1)本文利用心电信号和表面肌电信号进行人体运动疲劳检测。针对生理信号能量微弱(uV级)、不宜采集的特点,设计高放大倍数、低噪声的生理信号传感器,主要包括前端微弱模拟信号的调理电路、经典滤波电路、多级放大电路和后端数字电路系统。根据微弱生理信号幅频特性进行原理图设计、器件选型、硬件电路制作与调试,进行生理信号采集实验。(2)使用自适应滤波算法抑制运动伪迹噪声。针对运动伪迹噪声随机性强、频谱范围与心电信号重叠、振幅大对心电信号干扰强、无法通过经典滤波器处理的特征,利用自适应滤波算法结合人体运动信息,设计运动伪迹自适应滤波器。自适应滤波算法根据人体运动信息不断优化滤波器参数和权值,自动匹配运动噪声,抑制运动干扰。(3)基于模式识别的运动疲劳检测算法。经过深入调研和分析发现,以往研究人员大多通过单一的生理和生化指标进行人体运动疲劳研究。但人体是个复杂的有机体,其生理变化复杂,无法通过单一变量准确的判断身体状态。因此,利用模式识别算法融合多生理指标进行运动疲劳检测,适用性强、准确率更高。(4)提出基于LSTM神经网络的运动疲劳检测算法。针对模式识别SVM算法模型,其分类最优决策面在训练完成后便固定不变,不能有效利用当前的输入、输出优化模型,无法将历史输入信息保留在模型中,应用灵活性和范围受到局限。为了更好的解决以上问题,提出了基于LSTM神经网络模型的运动疲劳检测技术,LSTM神经网络能利用当前输入信息和输出结果,通过反馈不断优化模型参数和权值,利用隐藏层结构将历史信息保留在网络中用,能充分利用所有历史信息,训练方便,学习能力强,适用性更广,所获得的检测分类效果更好。最后,运动疲劳力竭实验结果证明,随着运动强度和运动时间的增加,运动人员的主观疲劳感受逐渐增大,心电指标:心率、高频功率(HF)、低频功率(LF),大腿肌肉表面肌电信号指标:均方根值(RMS)、平均功率频率(MPF)变化显著,可以作为运动疲劳状态识别指标;在运动疲劳多类分类器实验表明,基于SVM的多类分类器分类正确率比LSTM多类分类器正确率低,LSTM神经网络模型多类分类器,充分发挥LSTM神经网络能够利用历史信息、挖掘生理信号有效信息的特征,提高了运动疲劳多分类器准确率。