对肌肉疲劳状态进行连续监测是康复医学与运动科学的重要研究方向，对优化康复训练方案、提升运动表现评估及并预防肌肉劳损具有重要的价值。当前监测技术主要分为侵入式电生理检测、心肺代谢评估以及非侵入式的可穿戴传感等，其中可穿戴设备因适用性高和对活动干扰低更受到测试者的青睐。表面肌电信号（sEMG）是主流检测手段，表面肌电信号时频域特征（如均方根RMS、中值频率MDF）可以反映当前肌肉的活动状态。近年来在机器学习的加持下，疲劳识别和检测技术得到进一步强化。但仍面对一些挑战：单模态信息有限、关键特征仍较少；缺少与肌疲劳直接相关的维度信息，如扭矩、输出功率等；缺乏轻量化传感器与鲁棒性更强的特征提取方法，需要扩大样本多样性以验证模型普适性。

针对以上背景，我校信息科学与技术学院王玺、纺织学院李乔团队开发了面向肘关节的可穿戴测量系统，通过多元传感融合技术实现基于骨骼-肌肉系统对肱二头肌的动态功率与实时扭矩同步监测。基于这两个新的信息源提出9项疲劳评价指标，其中对照sEMG频移验证了能量消耗、功率均方根和扭矩过零率等特征信号的有效性；基于筛选特征采用谱聚类算法成功实现疲劳状态三阶段分类，即非疲劳、过渡和疲劳三种状态，在测试集上实现95%准确率、95%召回率、99%AUC值的卓越性能。该研究以《基于可穿戴传感平台和功率-扭矩特征的运动中肌疲劳动态识别与预测》（MuscleFatigue Identification and Prediction in Motion Using Wearable Device withPower and Torque-based Features）为题发表于《可穿戴电子》（Wearable Electronics）。论文第一作者为东华大学信息学院硕士生李张丁，通讯作者为东华大学信息科学与技术学院副教授王玺。参与作者分别为东华大学纺织学院副教授李乔、五邑大学纺织科学与工程学院讲师王飞、香港理工大学智能可穿戴系统研究院(RI-IWEAR)院长陶肖明。

本研究基于Biometric 移动式sEMG（BIOM-LE2，2000Hz）和高精度移动式关节角度仪（BIOM-WS150，1000Hz）搭建多模态可穿戴传感平台，面向弯举运动采集肱二头肌sEMG信号、肘关节角度。进行回合分割和信号预处理之后，基于肘关节骨骼肌肉模型反算肱二头肌的实时扭矩、功率。

图1 (a) 实验设计及传感器加载示意图; (b) 场地实验原图; (c) 肘关节屈伸骨骼肌肉模型; (d) 肱二头肌sEMG参照信号(滤波前后); (e) 实时肘关节角度

图2 (a) 肱二头肌输出功率的RMS值随着弯举回合次数的变化趋势; (b) 屈肘扭矩的RMS值随着弯举回合次数的变化趋势；(c) 屈肘扭矩过零率（ZCR）随着弯举回合次数的变化趋势。

为了构建骨骼肌疲劳与发力能力直接相关性，本研究提出了基于骨骼肌输出功率和屈肘扭矩的9个创新性疲劳指标，包括能量消耗、功率均方根、扭矩过零率等，发现他们分别与sEMG-RMS呈现显著负相关、动态收缩中敏感性达0.7044、与疲劳进展显著正相关。进一步通过XGBoost算法验证特征重要性（增益权重>0.85），建立了关键特征与经典EMG指标（RMS/MDF）的生物学关联性。

图3 (a) 基于9个新特征的疲劳聚类情况 (b) 除去不显著特征—扭矩变化率之后的疲劳聚类情况(c) 经过PCA融合关键特征后，对疲劳状态3分聚类的3D展示  (d) 基于PCA一阶特征疲劳3分类情况展示。以上红色代表未疲劳、蓝色为疲劳过渡态、绿色为疲劳态。

该研究中召集了495受试者，并构建了真实的样本数据库。通过XGboost对新特征进行筛选，并通过谱聚类-PCA融合方法，强化了特征方向，获得了较好的分类效果。具体而言，对主要的新特征进行PCA变换，保留前3个主要成分（累计方差贡献率＞85%），并定义为新的特征。基于新的融合特征改善了分类效果，对疲劳前回合，疲劳进展回合，疲劳后回合进行了较为清晰的区分。其中非疲劳状态（红色）聚集在坐标原点附近；过渡状态（蓝色）沿第二主成分轴扩散；疲劳状态（绿色）呈现高的第三主成分值。

图4 (a) 混淆矩阵; (b) 疲劳态识别的ROC 曲线

在对骨骼肌疲劳三状态进行清晰区分的基础上，对比了几种有监督机器学习方法训练并评估疲劳预测模型，并优选了KNN方法。结果表明总体准确率达 95%，有效召回率为 95%，F1-SCORE 为 95%，AUC 为 99%。该系列实验结果验证了功率-扭矩特征联合PCA降维的有效性，为动态肌肉疲劳状态的可视化识别提供了新范式。

该研究突破了传统sEMG信号的局限，首次通过对疲劳直接相关的屈曲扭矩、输出功率进行分析并定位新特征指标，并参考sEMG特征验证了有效性。算法上，通过融合谱聚类-PCA降维技术，实现疲劳状态清晰区分并三维可视化，在32名受试者的55组弯举测试中，验证了动态等张收缩下疲劳识别的可靠性，KNN模型测试集准确率达95%（AUC=99%）。该研究目前测试者群体较单一，未来将纳入女性、老年及康复患者群体，研究性别/年龄对疲劳特征的影响；同时结合迁移学习，实现模型对不同运动强度、个体生理差异的动态适配；并考虑关联更多模态信息，如结合乳酸、氧合指标、生物阻抗等其他生理参数，构建更全面的疲劳评估体系，同时开发低功耗、柔性化穿戴智能设备。   

本项研究得到国家自然科学基金青年科学基金、香港ITC项目、111项目的支持。

文献链接:https://doi.org/10.1016/j.wees.2024.12.005