[发明专利]一种基于可穿戴式设备的实时预测肌肉疲劳度方法及系统

说明书

本发明涉及疲劳度检测技术领域，尤其是涉及一种基于可穿戴式设备的实时预测肌肉疲劳度方法及系统。所述方法包括获取运动过程中的表面肌电sEMG信号和惯性测量单元IMU信号；对sEMG信号和IMU信号分别进行预处理，提取sEMG信号的时、频域信息；根据sEMG信号的时、频域信息和IMU信号，利用预测模型预测sEMG信号的时、频域信息和IMU信号的变化趋势；本发明可以帮助下肢活动困难患者患者在没有专业医护人员监督的情况下在家中完成康复，还可以合理安排患者的训练时间，从而帮助患者更好地做康复运动，防止肌肉疲劳带来的二次伤害。

技术领域

本发明涉及疲劳度检测技术领域，尤其是涉及一种基于可穿戴式设备的实时预测肌肉疲劳度方法及系统。

背景技术

肌肉疲劳是一种普遍存在的人体生理现象，主要表现为骨骼肌的最大自主收缩力下降。肌肉疲劳会导致控制肌肉运动的神经驱动指令减少，导致肌肉力的下降和关节能力的下降，这将影响正常运动，甚至可能损害肌肉从而造成肌肉萎缩，这对下肢活动困难的患者会造成极大的危害。临床上肌肉疲劳评估主要是依靠不同类型的量表来记录患者的主观感受，过度依赖于患者的主观感受容易造成疲劳度检测误差大，从而达不到较好的训练康复效果。

非侵入性的表面肌电信号可以由贴附于皮肤表面的电极贴来轻松采集，且设备对人体无害，因此该采集方法被应用广泛。表面肌电信号会在肌肉活动之前和期间产生，其中包含与当前运动有关的肌肉状态和功能等重要信息，能够有效地评估康复过程中的肌肉功能和疲劳程度。目前，针对疲劳度检测的大多数算法研究是在疲劳情况发生后对信号进行分析从而判断疲劳程度，这种方法并不具备实时性。因此，一种新颖的实时预测肌肉疲劳度方法来预测运动过程中疲劳程度进展是非常必要的。

发明内容

名词解释：

sEMG信号：表面肌电信号；

IMU信号：惯性测量单元信号；

ReLU：激活函数；

BN：Batch Normalization的简称，批标准化；

Sigmoid函数：在生物学中常见的S型函数，也称为S型生长曲线。

为了解决上述提到的问题，本发明提供一种基于可穿戴式设备的实时预测肌肉疲劳度方法及系统。

第一方面，本发明提供的一种基于可穿戴式设备的实时预测肌肉疲劳度方法，采用如下的技术方案：

一种基于可穿戴式设备的实时预测肌肉疲劳度方法，包括：

获取运动过程中的表面肌电信号（简称sEMG信号）和惯性测量单元信号（简称IMU信号）；

对sEMG信号和IMU信号分别进行预处理，提取sEMG信号的时、频域信息；

根据sEMG信号的时、频域信息和IMU信号，利用预测模型预测sEMG信号的时、频域信息和IMU信号的变化趋势；

通过分类模型对预测的sEMG信号的时、频域信息和IMU信号进行特征提取，同时将提取到的特征进行特征融合，特征融合采用numpy.concatenate()进行，送将融合后的特征送入全连接层，对疲劳状态的信号和非疲劳状态的信号进行分类，并实时语音提醒。

进一步地，所述对sEMG信号和IMU信号进行预处理，包括对sEMG信号进行滤波、归一化和滑动窗口处理；对IMU信号进行归一化和滑动窗口处理。

进一步地，所述利用预测模型预测sEMG信号的时、频域信息和IMU信号的变化趋势，包括将表面肌电sEMG信号和IMU信号输入到模型中，进行特征提取将提取的特征输入到注意力机制中，输出注意力机制权重。