随着物质和生活水平的日益提高,全民健身运动已然成为趋势。健身运动虽能够有效地锻炼人体肌肉,但长时间的运动会造成肌体疲劳,而过度疲劳会对人体产生很多不利影响,甚至直接损害肌体健康,所以对于疲劳的评定与预测具有重要意义。目前传统的运动肌肉疲劳评估研究大多集中于医疗、康复以及体育等专业领域,对于日常健身运动领域的研究相对较少,因此本文选取跳绳和平板支撑两种运动作为研究对象,利用多传感器数据融合技术,并结合小波变换、卡尔曼滤波、最小二乘法和BP神经网络等多种算法对人体健身运动情况进行分析研究。针对跳绳运动和平板支撑运动进行表面肌电信号的采集实验设计。通过分析表面肌电信号的特性选取采集实验设备,依据运动过程的人体肌肉发力肌群、主要锻炼部位及运动适宜人群对象,进行科学的实验设计,得到实验数据,为后续分析提供可靠数据支持。对数据融合算法和预测算法进行研究分析,将数据融合技术与疲劳预测算法联立,对选取的两种运动分别进行基于多传感器的数据融合肌肉疲劳预测系统设计。利用离散小波变换对跳绳运动采集的六通道表面肌电信号（s EMG）信号进行小波分解与重构降噪处理,对经小波变换预处理后的s EMG信号进行时域指标均方根值（RMS）、积分肌电值（i EMG）和频域指标中值频率（MF）、平均功率频率（MPF）特征提取,实现特征层数据融合,并综合肌肉活跃频率区间分析得出肌肉疲劳程度结果;最后利用最小二乘法回归分析对频域指标进行数据拟合,通过频域指标对人体疲劳情况进行分类,并结合最小二乘法拟合结果进行分析,判定人体疲劳情况。而对于平板支撑运动采集的六通道s EMG信号采用卡尔曼滤波方法进行降噪处理,对经卡尔曼滤波预处理后的s EMG信号进行时域指标RMS、i EMG和频域指标MF、MPF特征提取,实现特征层数据融合,并综合分析肌肉活跃频率区间得出肌肉疲劳程度结果;利用BP神经网络对频域特征值MF和MPF进行数据预测,结合LM算法、RPROP算法、SCG算法和贝叶斯算法四种优化算法对设计的神经网络进行优化;最后利用BP神经网络结合LM优化算法对所有频域特征MF、MPF值进行疲劳度识别。研究结果表明,基于多传感器的数据融合肌肉疲劳预测系统的设计可以有效的得到运动肌肉的疲劳分析,能够实现对疲劳进行预测和评估。以上研究具有一定的理论价值和实用价值,可以为日常健身锻炼者们提供量化数据作为指导。