[发明专利]基于特征提取和GRU深度学习模型的多类型肌肉疲劳检测方法

说明书

本发明公开了一种基于特征提取和GRU深度学习模型的肌肉疲劳检测方法，包括：1通过表面肌电传感器采集受试者长时程背部肌群的表面肌电信号，对样本数据进行分割、异常值筛除、滤波去噪和以疲劳界限为依据设置分类标签；2将清洗后的数据样本滑窗提取为形状[s,c]的特征序列，导入GRU神经网络进行训练，且在训练过程中设置样本采样权重措施解决样本标签不平衡的问题；3使用验证集来调整学习率优化模型并以验证集准确率为标准选择最优模型，将最终模型运行于测试集上，最终各肌肉区域的疲劳检测均可达到98％以上的准确率。本发明能克服传统单块肌肉检测方法的局限，对人体主要肌群进行全面的疲劳检测，且提高了检测的准确率。

技术领域

本发明涉及生理信号特征检测技术领域，特别是一种基于特征提取和GRU深度学习模型的多类型肌肉疲劳检测方法。

背景技术

肌肉系统是人体的重要组成部分，为人体的各项运动提供动力。但肌肉在保持长时间紧绷或者反复工作后会产生肌肉疲劳，从而影响人体的正常运动，甚至会对肌肉自身造成损伤。因此，人体肌肉疲劳状态的准确检测，是肌肉疲劳缓解与治疗的基础，具有重要的运动学和医学意义。

表面肌电(surface ElectroMyoGraphy，sEMG)信号作为肌肉运动时产生的微弱电流信号，其变化与参与活动的运动单位数量、活动模式和代谢状态等因素有关，能够实时准确地反映肌肉活动状态和功能状态，在康复医学领域的肌肉功能评价以及在体育科学中的疲劳判定中具有重要实用价值，多被用来检测人体特定部位的肌肉疲劳。肌肉疲劳源自比较复杂的生理过程，目前大多数研究者分析肌肉疲劳时一般依赖于实验范式，提取不同特征进行统计学和传统的机器学习分析，这在研究前后期都依赖于大量的人工操作，缺乏实时性和准确性。

而深度学习方法采用多层次的神经网络结构，能够自主地进行特征学习和层级特征表示，其最核心在于摒弃了传统机器学习方法中的手工特征等环节。但根据调研发现现有大部分深度学习方法的研究都只针对特定一种肌肉进行疲劳检测，不具有普遍适用性，同时也限制了疲劳检测的实时性和准确性。

发明内容

本发明针对现有技术疲劳检测肌肉单一导致缺乏普遍适用性的不足，提出一种基于特征提取和GRU深度学习模型的多类型肌肉疲劳检测方法，以期能提取更有效的特征组合，并结合GRU时序深度网络进行多肌肉疲劳检测，从而提高检测的普遍适用性和准确率。

本发明为解决上述技术问题所采用的技术方案是：

本发明一种基于特征提取和GRU深度学习模型的多类型肌肉疲劳检测方法的特点包括以下步骤：

S1：通过表面肌电检测仪按照采样频率f采集受试者的m种肌肉的表面肌电信号数据，并以窗口长度u和滑动步长step对所述表面肌电信号数据分别进行有重叠地滑窗分割，生成第i种肌肉的时序样本T_i＝[t₁,t₂,…,t_n,…,t_N]，其中，t_n表示第i种肌肉的时序样本内第n个表面肌电信号的电位值，N＝u·f为单个样本信号点的个数；i∈[1,m]；

S2：对第i种肌肉的时序样本T_i作预处理和特征提取：

S2.1：筛除第i种肌肉的时序样本T_i中的异常值再进行滤波去噪处理，得到预处理后的时序样本T′_i；

S2.2：设置窗口长度为u₁，并无重叠地对预处理后的时序样本T′_i进行滑窗并提取s组特征序列，每组包含c个不同的时域、频域特征，从而生成数据结构为[s,c]的第i种肌肉的特征序列样本，记为