开云优惠体育网页版入口

专利名称：基于人工智能sEMG信号特征提取及肌肉疲劳级别判别方法

专利类型：发明专利

专利申请号：CN202410395915.0

专利申请（专利权）人：齐鲁工业大学(山东省科学院)
权利人地址：山东省济南市长清区西部新城大学开云优惠体育网页版入口园

专利发明（设计）人：方斌,梁文昊,郭增辉,陈志远

专利摘要：本发明公开了一种基于人工智能sEMG信号特征提取及肌肉疲劳级别判别方法，包括如下步骤：S1、使用多模态传感器设备实时捕捉用户在进行特定体力活动时的sEMG信号数据和辅助数据；S2、对所收集的sEMG信号数据及辅助数据进行预处理；S3、利用多尺度熵分析和机器学习算法对预处理后的sEMG信号数据进行特征提。籗4、基于提取的特征，构建并训练一个用于肌肉疲劳级别判别的复合人工智能模型；S5、对用户的肌肉疲劳级别进行实时评估，并根据评估结果，调整运动强度和休息时间安排。本发明通过采用创新的信号预处理技术，有效地提高了sEMG信号处理的准确性和效率。

主权利要求：
1.一种基于人工智能sEMG信号特征提取及肌肉疲劳级别判别方法，其特征在于，包括以下步骤：S1、使用多模态传感器设备实时捕捉用户在进行特定体力活动时的sEMG信号数据，并同时收集环境温度、湿度、用户的运动速度和心率结合的辅助数据；
S2、对所收集的sEMG信号数据及辅助数据进行预处理，包括去除电源干扰、运动伪差及噪声去除，并采用带通滤波技术对信号进行滤波处理；
S3、利用多尺度熵分析和机器学习算法对预处理后的sEMG信号数据进行特征提。笨悸歉ㄖ葜械幕肪澈蜕聿问，从sEMG信号数据及辅助数据中提取反映肌肉活动状态的关键特征，多尺度熵分析用于量化sEMG信号的复杂度变化，捕获肌肉疲劳过程中的动态特性，机器学习模型进一步分析动态特性，包括时域特征、频域特征及时频域特征；
S4、基于提取的特征，构建并训练一个用于肌肉疲劳级别判别的复合人工智能模型，复合人工智能模型综合分析sEMG信号及辅助数据的关键特征，判断肌肉是否疲劳以及疲劳的程度；
S5、对用户的肌肉疲劳级别进行实时评估，并根据评估结果，调整运动强度和休息时间安排；
所述S1具体包括以下步骤：
S11、设定多模态传感器设备，包括sEMG信号采集器、温度传感器、湿度传感器、速度计和心率监测器，用于实时监测和记录用户在特定体力活动时的生理和环境数据；
S12、对于每个时间点t采集综合数据：
dfinal(t)＝{dsEMG(t),dT(t),dH(t),dV(t),dHR(t)}；
其中，dsEMG(t)是时间点t的sEMG信号值，dT(t)是时间点t的环境温度值，dH(t)是时间点t的环境湿度值，dV(t)是时间点t的用户运动速度值，dHR(t)是时间点t的用户心率值；
S13、结合S12的综合数据构建sEMG数据集Dfinal，sEMG数据集Dfinal由所有时间点的综合数据dfinal(t)组成：Dfinal＝{dfinal(1),dfinal(2),...,dfinal(n)}；
其中，n是在特定体力活动期间捕捉到的数据点的总数；
所述S2具体包括以下步骤：
S21、对最终的数据集Dfinal中的每种数据类型进行噪声剔除，具体操作包括：对于sEMG信号dsEMG(t)，应用自适应滤波器以去除电源干扰和运动伪差，自适应滤波器根据信号的实时特性动态调整其参数减少噪声影响，自适应滤波器使用以下公式进行噪声剔除：其中， 是在时刻t估计的噪声，通过最小均方误差算法进行估计：其中，wi(t)是自适应滤波器在时刻t的权重，M是滤波器的阶数；
对于环境温度、湿度、用户运动速度和心率数据，采用简单移动平均滤波方法去除由于环境变化或设备误差导致的随机噪声：其中，dX(t)代表任一辅助数据环境温度dT(t)、湿度dH(t)、用户运动速度dV(t)、或心率数据dHR(t)在时间t的值，N是平均窗口的大。琩′X(t)是滤波后的数据值；
S22、之后对处理后的sEMG信号dsEMG(t)采用带通滤波处理，使得信号保留有用的频率成分：设计一个带通滤波器，选择合适的下限频率fL和上限频率fH，以便覆盖sEMG信号中重要的频率范围，fL设为20Hz，fH设为450Hz，以过滤出人体肌肉活动的典型频率，应用该带通滤波器Fbp到sEMG信号上，使用快速傅里叶变换将信号转换到频率域：DsEMG(f)＝FFT(dsEMG(t))；
D'sEMG(f)＝DsEMG(f)·H(f)；
d'sEMG(t)＝IFFT(D'sEMG(f))；
其中，DsEMG(f)是原始sEMG信号的傅里叶变换，H(f)是带通滤波器的频域表示；
应用滤波器特性剔除不在[fL,fH]范围内的频率成分，D'sEMG(f)是应用带通滤波后的sEMG信号在频域的表示，通过逆傅里叶变换将其转换回时域得到处理后的sEMG信号d'sEMG(t)：S23、经过预处理后，将所有预处理后的数据重新组合成预处理后的综合数据集Dpreprocessed，其中包括经过噪声剔除和滤波处理的sEMG信号和辅助数据：所述S3具体包括以下步骤：
S31、对预处理后的sEMG信号数据d'sEMG(t)进行多尺度熵分析，量化sEMG信号在不同时间尺度上的复杂度变化，反映肌肉疲劳过程中的动态特性：对每个预处理后的sEMG信号样本，构建其多尺度表示，通过对信号进行粗粒化处理得到不同尺度的时间序列，对于sEMG信号d'sEMG(t)在尺度s上的粗粒化时间序列 第j个元素定义为：其中，s表示尺度因子，表示在多尺度熵分析中考虑的时间序列的粗粒度级别，尺度因子越大，时间序列被平均的范围越广，能够捕捉到sEMG信号更长时间范围内的复杂度变化，理解肌肉疲劳过程中的动态变化， 表示在尺度s下，时间序列的第j个元素，通过对原始sEMG信号进行粗粒化处理得到，代表了在特定尺度下sEMG信号的平均活动强度，分析肌肉活动的持续性和变化趋势；
对于每个尺度s的时间序列 计算样本熵SE(s,m,r)时，定义距离函数d[x,y]为两个序列(x,y)之间的最大绝对差，计算匹配模板向量的比率A(m,r,N)：其中，m表示嵌入维度，用于样本熵计算中构建模板向量的维数，反映在计算样本熵时考虑的时间序列的历史信息的多少，与肌肉疲劳过程中信号的时间相关性有关，r表示相似度容忍度，用于样本熵计算中判断两个序列是否相似的阈值，是基于sEMG信号标准差的一个比例，体现了信号波动的敏感度，用于识别肌肉疲劳引起的细微变化，N是时间序列的长度，A(m,r,N)表示尺度m下，相似模板序列对数与总模板序列对数的比率；
对每个尺度的时间序列计算样本熵，用于量化该尺度下信号的复杂度，其中r是标准差的倍数，通常取0.1×SD，SD是信号的标准差：S32、利用机器学习算法对预处理后的sEMG信号数据及辅助数据d'T(t，d'H(t)，d'V(t)，d'HR(t)进行特征提。ㄊ庇蛱卣、频域特征及时频域特征，反映了肌肉活动的平均水平、波动程度和峰值强度，用于判断肌肉是否疲劳及疲劳程度：从sEMG信号中提取时域特征：
从sEMG信号中提取频域特征，频域特征Ffreq通过计算功率谱密度PSD得到，其中PSD(f)为：2
PSD(f)＝|FFT(d'sEMG(t))|；
其中，FFT表示快速傅里叶变换；
S33、将从多尺度熵分析和机器学习算法中提取的特征合并，形成用于后续的肌肉疲劳级别判别的综合特征向量，综合特征向量Fcomposite通过合并多尺度熵分析得到的复杂度特征、时域特征、频域特征Ffreq以及考虑的辅助数据特征Faux构成：2
Fcomposite＝[SE(s,m,r),μ,σ ,Pmax,PSD(f),Faux]；
其中，Faux包括环境温度、湿度的均值、变化率；
所述S4具体包括以下步骤：
S41、构建结合深度学习和机器学习技术的复合人工智能模型，用于综合分析sEMG信号及辅助数据的关键特征，以判断肌肉是否疲劳以及疲劳的程度：定义复合人工智能模型的输入层接收综合特征向量Fcomposite，通过多层神经网络层进行特征转换，每层神经网络的输出计算公式为：[l] [l] [l] [l?1] [l?1] [l]
a ＝g (W (a ⊙d )+b )；
[l?1]
其中，d 是Dropout向量，用于随机关闭第l?1层的某些神经元，⊙表示Hadamard乘积；
加入支持向量机用于基于DNN提取的特征以及辅助数据特征Faux进行肌肉疲劳级别的分类，并采用带权重的交叉熵损失，以处理可能存在的类别不平衡问题：其中，C是类别数，wi是类别i的权重，yi是真实标签， 是预测概率；
S42、准备训练数据集，包括从实际测量的sEMG信号及辅助数据中提取的特征向量Fcomposite和对应的肌肉疲劳级别标签，训练数据集的形式为：(i)
其中，y 是第i个样本的肌肉疲劳级别标签，N是样本总数；
S43、使用训练数据集对复合人工智能模型进行训练，采用交叉验证技术优化模型参数：使用一部分训练数据对模型进行训练，结合特征向量Fcomposite包括多尺度熵分析得到的复杂度特征、时域特征、频域特征以及辅助数据特征，采用加权的损失函数综合不同类型的特征对肌肉疲劳级别的影响：其中，α和β是调节项，用于平衡分类误差和回归误差的重要性，wf是特征f的权重，xi,f是Fcomposite中第i个样本的第f个特征值， 是该特征的预测值，yi,c是真实的分类标签， 是对应的预测概率；
在另一部分数据上验证模型的性能，对于肌肉疲劳恢复时间的预测，定义基于Fcomposite特征的线性回归模型，并应用L2正则化以防止过拟合：其中， 是基于综合特征向量Fcomposite的线性回归模型预测的第i个样本的疲劳恢复时间，λ是正则化参数；
S44、经过训练后的复合人工智能模型基于输入的特征向量Fcomposite预测肌肉的疲劳级别；
所述S5具体包括以下步骤：
S51、根据复合特征向量Fcomposite的评估结果，即肌肉疲劳级别，动态调整运动强度和休息时间的建议，评估结果分为多个级别，每个级别对应不同的运动和休息建议：Adjustment＝f(Levelfatigue)；
其中，Levelfatigue是模型评估得到的肌肉疲劳级别，Adjustment是根据疲劳级别得到的运动强度和休息时间调整建议的函数；
S52、计算运动强度调整值Adjustintensity和休息时间调整值Adjustrest，调整值基于疲劳级别和用户个人健康数据，包括之前的运动习惯、健康状况：Adjustintensity＝gintensity(Levelfatigue,Datapersonal)；
Adjustrest＝grest(Levelfatigue,Datapersonal)；
其中，gintensity和grest是根据肌肉疲劳级别和个人健康数据计算运动强度调整值和休息时间调整值的函数，Datapersonal代表用户的个人健康数据；
S53、通过用户界面提供实时反。故炯∪馄＠图侗鹌拦澜峁约案菡庑┙峁髡脑硕慷群托菹⑹奔浣ㄒ。 说明书 : 基于人工智能sEMG信号特征提取及肌肉疲劳级别判别方法技术领域[0001] 本发明涉及肌肉疲劳判别技术领域，尤其涉及一种基于人工智能sEMG信号特征提取及肌肉疲劳级别判别方法。背景技术[0002] 在现代社会，随着健康意识的增强和运动科学的发展，人们越来越注重通过体育运动来提高身体健康和生活质量。特别是在专业运动员和健身爱好者中，对于运动效率的提升和运动伤害的预防有着极高的需求。肌肉疲劳作为运动过程中常见的生理现象，其有效监测和管理对于提高训练效果、预防运动伤害具有重要意义。sEMG(表面肌电图)作为一种能够反映肌肉活动状态的重要生理信号，被广泛应用于运动科学、康复医学等领域。然而，现有的基于sEMG信号的肌肉疲劳监测和管理方法存在一些不足之处，亟需通过创新技术进行改进。[0003] 首先，现有技术在sEMG信号处理方面，往往受到信号噪声、人体运动伪差等因素的干扰，影响信号处理的准确性和效率。传统的信号预处理方法如简单的滤波技术，难以完全消除这些干扰，导致后续的特征提取和肌肉疲劳判别准确度受限。此外，传统方法在特征提取方面多依赖于经验和直观，缺乏深入分析sEMG信号内在复杂性的手段，难以充分挖掘sEMG信号中蕴含的关于肌肉疲劳状态的信息。[0004] 其次，关于肌肉疲劳级别的判别，现有技术大多采用简单的阈值判断或基于有限特征的统计模型，这些方法未能充分考虑肌肉疲劳过程的复杂性和个体差异性，导致判别结果的泛化能力和个性化适应性不足。此外，现有技术在提供肌肉疲劳管理建议时，往往缺乏实时性和个性化，难以满足用户对于及时和定制化管理策略的需求。[0005] 因此，如何提供一种基于人工智能sEMG信号特征提取及肌肉疲劳级别判别方法是本领域技术人员亟需解决的问题。发明内容[0006] 本发明的一个目的在于提出一种基于人工智能sEMG信号特征提取及肌肉疲劳级别判别方法，本发明通过采用创新的信号预处理技术，有效地提高了sEMG信号处理的准确性和效率。[0007] 根据本发明实施例的一种基于人工智能sEMG信号特征提取及肌肉疲劳级别判别方法，包括以下步骤：[0008] S1、使用多模态传感器设备实时捕捉用户在进行特定体力活动时的sEMG信号数据，并同时收集环境温度、湿度、用户的运动速度和心率结合的辅助数据；[0009] S2、对所收集的sEMG信号数据及辅助数据进行预处理，包括去除电源干扰、运动伪差及其他可能影响信号质量的噪声，并采用带通滤波技术对信号进行滤波处理；[0010] S3、利用多尺度熵分析和机器学习算法对预处理后的sEMG信号数据进行特征提。笨悸歉ㄖ葜械幕肪澈蜕聿问，从sEMG信号数据及辅助数据中提取反映肌肉活动状态的关键特征，多尺度熵分析用于量化sEMG信号的复杂度变化，捕获肌肉疲劳过程中的动态特性，机器学习模型进一步分析动态特性，包括时域特征、频域特征及时频域特征；[0011] S4、基于提取的特征，构建并训练一个用于肌肉疲劳级别判别的复合人工智能模型，复合人工智能模型综合分析sEMG信号及辅助数据的关键特征，判断肌肉是否疲劳以及疲劳的程度；[0012] S5、对用户的肌肉疲劳级别进行实时评估，并根据评估结果，调整运动强度和休息时间安排。[0013] 可选的，所述S1具体包括以下步骤：[0014] S11、设定多模态传感器设备，包括sEMG信号采集器、温度传感器、湿度传感器、速度计和心率监测器，用于实时监测和记录用户在特定体力活动时的生理和环境数据；[0015] S12、对于每个时间点t采集综合数据：[0016] dfinal(t)＝{dsEMG(t),dT(t),dH(t),dV(t),dHR(t)}；[0017] 其中，dsEMG(t)是时间点t的sEMG信号值，dT(t)是时间点t的环境温度值，dH(t)是时间点t的环境湿度值，dV(t)是时间点t的用户运动速度值，dHR(t)是时间点t的用户心率值；[0018] S13、结合S12的综合数据构建sEMG数据集Dfinal，sEMG数据集Dfinal由所有时间点的综合数据dfinal(t)组成：[0019] Dfinal＝{dfinal(1)，dfinal(2)，...，dfinal(n)}；[0020] 其中，n是在特定体力活动期间捕捉到的数据点的总数。[0021] 可选的，所述S2具体包括以下步骤：[0022] S21、对最终的数据集Dfinal中的每种数据类型进行噪声剔除，具体操作包括：[0023] 对于sEMG信号dsEMG(t)，应用自适应滤波器以去除电源干扰和运动伪差，自适应滤波器根据信号的实时特性动态调整其参数减少噪声影响，自适应滤波器使用以下公式进行噪声剔除：[0024][0025] 其中， 是在时刻t估计的噪声，通过最小均方误差算法进行估计：[0026][0027] 其中，wi(t)是自适应滤波器在时刻t的权重，M是滤波器的阶数；[0028] 对于环境温度、湿度、用户运动速度和心率数据，采用简单移动平均滤波方法去除由于环境变化或设备误差导致的随机噪声：[0029][0030] 其中，dX(t)代表任一辅助数据环境温度dT(t)、湿度dH(t)、用户运动速度dV(t)、或心率数据dHR(t)在时间t的值，N是平均窗口的大。琩X(t)是滤波后的数据值；[0031] S22、之后对处理后的sEMG信号dsEMG(t)采用带通滤波处理，使得信号保留有用的频率成分：[0032] 设计一个带通滤波器，选择合适的下限频率fL和上限频率fH，以便覆盖sEMG信号中重要的频率范围，fL设为20Hz，fH设为450Hz，以过滤出人体肌肉活动的典型频率，应用该带通滤波器fbp到sEMG信号上，使用快速傅里叶变换将信号转换到频率域：[0033] DsEMG(f)＝FFT(dsEMG(t))；[0034] D′sEMG(f)＝DsEMG(f)·H(f)；[0035] d′sEMG(t)＝IFFT(D′sEMG(f))；[0036] 其中，DsEMG(f)是原始sEMG信号的傅里叶变换，H(f)是带通滤波器的频域表示；[0037] 应用滤波器特性剔除不在[fL,fH]范围内的频率成分，D'sEMG(f)是应用带通滤波后的sEMG信号在频域的表示，通过逆傅里叶变换将其转换回时域得到处理后的sEMG信号d'sEMG(t)：[0038][0039] S23、经过预处理后，将所有预处理后的数据重新组合成预处理后的综合数据集Dpreprocessed，其中包括经过噪声剔除和滤波处理的sEMG信号和辅助数据：[0040][0041] 可选的，所述S3具体包括以下步骤：[0042] S31、对预处理后的sEMG信号数据d'sEMG(t)进行多尺度熵分析，量化sEMG信号在不同时间尺度上的复杂度变化，反映肌肉疲劳过程中的动态特性：[0043] 对每个预处理后的sEMG信号样本，构建其多尺度表示，通过对信号进行粗粒化处理得到不同尺度的时间序列，对于sEMG信号d'sEMG(t)在尺度s上的粗粒化时间序列 第j个元素定义为：[0044][0045] 其中，s表示尺度因子，表示在多尺度熵分析中考虑的时间序列的粗粒度级别，尺度因子越大，时间序列被平均的范围越广，能够捕捉到sEMG信号更长时间范围内的复杂度变化，理解肌肉疲劳过程中的动态变化， 表示在尺度s下，时间序列的第j个元素，通过对原始sEMG信号进行粗粒化处理得到，代表了在特定尺度下sEMG信号的平均活动强度，分析肌肉活动的持续性和变化趋势；[0046] 对于每个尺度s的时间序列 计算样本熵SE(s,m,r)时，定义距离函数d[x,y]为两个序列(x,y)之间的最大绝对差，计算匹配模板向量的比率A(m,r,N)：[0047][0048] 其中，m表示嵌入维度，用于样本熵计算中构建模板向量的维数，反映在计算样本熵时考虑的时间序列的历史信息的多少，与肌肉疲劳过程中信号的时间相关性有关，r表示相似度容忍度，用于样本熵计算中判断两个序列是否相似的阈值，是基于sEMG信号标准差的一个比例，体现了信号波动的敏感度，用于识别肌肉疲劳引起的细微变化，N是时间序列的长度，A(m,r,N)表示尺度m下，相似模板序列对数与总模板序列对数的比率；[0049] 对每个尺度的时间序列计算样本熵，用于量化该尺度下信号的复杂度，其中r是标准差的倍数，通常取0.1×SD，SD是信号的标准差：[0050][0051] S32、利用机器学习算法对预处理后的sEMG信号数据及辅助数据d'T(t)，d'H(t)，d'V(t)，d'HR(t)进行特征提。ㄊ庇蛱卣、频域特征及时频域特征，反映了肌肉活动的平均水平、波动程度和峰值强度，用于判断肌肉是否疲劳及疲劳程度：[0052] 从sEMG信号中提取时域特征：[0053][0054] 从sEMG信号中提取频域特征，频域特征Ffreq通过计算功率谱密度PSD得到，其中PSD(f)为：[0055] PSD(f)＝|FFT(d'sEMG(t))|2；[0056] 其中，FFT表示快速傅里叶变换；[0057] S33、将从多尺度熵分析和机器学习算法中提取的特征合并，形成用于后续的肌肉疲劳级别判别的综合特征向量，综合特征向量Fcomposite通过合并多尺度熵分析得到的复杂度特征、时域特征、频域特征Ffreq以及考虑的辅助数据特征Faux构成：[0058] Fcomposite＝[SE(s,m,r),μ,σ2,Pmax,PSD(f),Faux]；[0059] 其中，Faux包括环境温度、湿度的均值、变化率。[0060] 可选的，所述S4具体包括以下步骤：[0061] S41、构建结合深度学习和机器学习技术的复合人工智能模型，用于综合分析sEMG信号及辅助数据的关键特征，以判断肌肉是否疲劳以及疲劳的程度：[0062] 定义复合人工智能模型的输入层接收综合特征向量Fcomposite，通过多层神经网络层进行特征转换，每层神经网络的输出计算公式为：[0063] a[l]＝g[l](W[l](a[l?1]⊙d[l?1])+b[l])；[0064] 其中，d[l?1]是Dropout向量，用于随机关闭第l?1层的某些神经元，⊙表示Hadamard乘积；[0065] 加入支持向量机用于基于DNN提取的特征以及辅助数据特征Faux进行肌肉疲劳级别的分类，并采用带权重的交叉熵损失，以处理可能存在的类别不平衡问题：[0066][0067] 其中，C是类别数，wi是类别i的权重，yi是真实标签， 是预测概率；[0068] S42、准备训练数据集，包括从实际测量的sEMG信号及辅助数据中提取的特征向量Fcomposite和对应的肌肉疲劳级别标签，训练数据集的形式为：[0069][0070] 其中，y(i)是第i个样本的肌肉疲劳级别标签，N是样本总数；[0071] S43、使用训练数据集对复合人工智能模型进行训练，采用交叉验证技术优化模型参数：[0072] 使用一部分训练数据对模型进行训练，结合特征向量Fcomposite包括多尺度熵分析得到的复杂度特征、时域特征、频域特征以及辅助数据特征，采用加权的损失函数综合不同类型的特征对肌肉疲劳级别的影响：[0073][0074] 其中，α和β是调节项，用于平衡分类误差和回归误差的重要性，wf是特征f的权重，xi,f是Fcomposite中第i个样本的第f个特征值， 是该特征的预测值，yi,c是真实的分类标签，是对应的预测概率；[0075] 在另一部分数据上验证模型的性能，对于肌肉疲劳恢复时间的预测，定义基于Fcomposite特征的线性回归模型，并应用L2正则化以防止过拟合：[0076][0077] 其中， 是基于综合特征向量Fcomposite的线性回归模型预测的第i个样本的疲劳恢复时间，λ是正则化参数；[0078] S44、经过训练后的复合人工智能模型基于输入的特征向量Fcomposite预测肌肉的疲劳级别。[0079] 可选的，所述S5具体包括以下步骤：[0080] S51、根据复合特征向量Fcomposite的评估结果，即肌肉疲劳级别，动态调整运动强度和休息时间的建议，评估结果分为多个级别，每个级别对应不同的运动和休息建议：[0081] Adjustment＝f(Levelfatigue)；[0082] 其中，Levelfatigue是模型评估得到的肌肉疲劳级别，Adjustment是根据疲劳级别得到的运动强度和休息时间调整建议的函数；[0083] S52、计算运动强度调整值Adjustintensity和休息时间调整值Adjustrest，调整值基于疲劳级别和用户个人健康数据，包括之前的运动习惯、健康状况：[0084] Adjustintensity＝gintensity(Levelfatigue,Datapersonal)；[0085] Adjustrest＝grest(Levelfatigue,Datapersonal)；[0086] 其中，gintensity和grest是根据肌肉疲劳级别和个人健康数据计算运动强度调整值和休息时间调整值的函数，Datapersonal代表用户的个人健康数据；[0087] S53、通过用户界面提供实时反。故炯∪馄＠图侗鹌拦澜峁约案菡庑┙峁髡脑硕慷群托菹⑹奔浣ㄒ。[0088] 本发明的有益效果是：[0089] (1)本发明通过采用创新的信号预处理技术，包括去除电源干扰、运动伪差及其他可能影响信号质量的噪声，并采用带通滤波技术，有效地提高了sEMG信号处理的准确性和效率。[0090] (2)本发明通过结合多尺度熵分析和机器学习算法，从sEMG信号及辅助数据中提取出更加丰富和深入的特征，包括时域特征、频域特征及时频域特征，有效捕捉肌肉疲劳过程中的动态变化。同时，构建的复合人工智能模型综合考虑了sEMG信号及辅助数据的关键特征，能够准确判别肌肉是否疲劳以及疲劳的程度。附图说明[0091] 附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：[0092] 图1为本发明提出的一种基于人工智能sEMG信号特征提取及肌肉疲劳级别判别方法的流程图。具体实施方式[0093] 现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。[0094] 参考图1，一种基于人工智能sEMG信号特征提取及肌肉疲劳级别判别方法，包括以下步骤：[0095] S1、使用多模态传感器设备实时捕捉用户在进行特定体力活动时的sEMG信号数据，并同时收集环境温度、湿度、用户的运动速度和心率结合的辅助数据；[0096] 本实施方式中，S1具体包括以下步骤：[0097] S11、设定多模态传感器设备，包括sEMG信号采集器、温度传感器、湿度传感器、速度计和心率监测器，用于实时监测和记录用户在特定体力活动时的生理和环境数据；[0098] S12、对于每个时间点t采集综合数据：[0099] dfinal(t)＝{dsEMG(t),dT(t),dH(t),dV(t),dHR(t)}；[0100] 其中，dsEMG(t)是时间点t的sEMG信号值，dT(t)是时间点t的环境温度值，dH(t)是时间点t的环境湿度值，dV(t)是时间点t的用户运动速度值，dHR(t)是时间点t的用户心率值；[0101] S13、结合S12的综合数据构建sEMG数据集Dfinal，sEMG数据集Dfinal由所有时间点的综合数据dfinal(t)组成：[0102] Dfinal＝{dfinal(1),dfinal(2),...,dfinal(n)}；[0103] 其中，n是在特定体力活动期间捕捉到的数据点的总数。[0104] S2、对所收集的sEMG信号数据及辅助数据进行预处理，包括去除电源干扰、运动伪差及其他可能影响信号质量的噪声，并采用带通滤波技术对信号进行滤波处理；[0105] 本实施方式中，S2具体包括以下步骤：[0106] S21、对最终的数据集Dfinal中的每种数据类型进行噪声剔除，具体操作包括：[0107] 对于sEMG信号dsEMG(t)，应用自适应滤波器以去除电源干扰和运动伪差，自适应滤波器根据信号的实时特性动态调整其参数减少噪声影响，自适应滤波器使用以下公式进行噪声剔除：[0108][0109] 其中， 是在时刻t估计的噪声，通过最小均方误差算法进行估计：[0110][0111] 其中，wi(t)是自适应滤波器在时刻t的权重，M是滤波器的阶数；[0112] 对于环境温度、湿度、用户运动速度和心率数据，采用简单移动平均滤波方法去除由于环境变化或设备误差导致的随机噪声：[0113][0114] 其中，dX(t)代表任一辅助数据环境温度dT(t)、湿度dH(t)、用户运动速度dV(t)、或心率数据dHR(t)在时间t的值，N是平均窗口的大。琩X(t)是滤波后的数据值；[0115] S22、之后对处理后的sEMG信号dsEMG(t)采用带通滤波处理，使得信号保留有用的频率成分：[0116] 设计一个带通滤波器，选择合适的下限频率fL和上限频率fH，以便覆盖sEMG信号中重要的频率范围，fL设为20Hz，fH设为450Hz，以过滤出人体肌肉活动的典型频率，应用该带通滤波器fbp到sEMG信号上，使用快速傅里叶变换将信号转换到频率域：[0117] DsEMG(f)＝FFT(dsEMG(t))；[0118] D′sEMG(f)＝DsEMG(f)·H(f)；[0119] d′sEMG(t)＝IFFT(D′sEMG(f))；[0120] 其中，DsEMG(f)是原始sEMG信号的傅里叶变换，H(f)是带通滤波器的频域表示；[0121] 应用滤波器特性剔除不在[fL，fH]范围内的频率成分，D′sEMG(f)是应用带通滤波后的sEMG信号在频域的表示，通过逆傅里叶变换将其转换回时域得到处理后的sEMG信号d′sEMG(t)：[0122][0123] S23、经过预处理后，将所有预处理后的数据重新组合成预处理后的综合数据集Dpreprocessed，其中包括经过噪声剔除和滤波处理的sEMG信号和辅助数据：[0124][0125] S3、利用多尺度熵分析和机器学习算法对预处理后的sEMG信号数据进行特征提。笨悸歉ㄖ葜械幕肪澈蜕聿问，从sEMG信号数据及辅助数据中提取反映肌肉活动状态的关键特征，多尺度熵分析用于量化sEMG信号的复杂度变化，捕获肌肉疲劳过程中的动态特性，机器学习模型进一步分析动态特性，包括时域特征、频域特征及时频域特征；[0126] 本实施方式中，S3具体包括以下步骤：[0127] S31、对预处理后的sEMG信号数据d′sEMG(t)进行多尺度熵分析，量化sEMG信号在不同时间尺度上的复杂度变化，反映肌肉疲劳过程中的动态特性：[0128] 对每个预处理后的sEMG信号样本，构建其多尺度表示，通过对信号进行粗粒化处理得到不同尺度的时间序列，对于sEMG信号d′sEMG(t)在尺度s上的粗粒化时间序列 第j个元素定义为：[0129][0130] 其中，s表示尺度因子，表示在多尺度熵分析中考虑的时间序列的粗粒度级别，尺度因子越大，时间序列被平均的范围越广，能够捕捉到sEMG信号更长时间范围内的复杂度变化，理解肌肉疲劳过程中的动态变化， 表示在尺度s下，时间序列的第j个元素，通过对原始sEMG信号进行粗粒化处理得到，代表了在特定尺度下sEMG信号的平均活动强度，分析肌肉活动的持续性和变化趋势；[0131] 对于每个尺度s的时间序列 计算样本熵SE(s，m，r)时，定义距离函数d[x，y]为两个序列(x，y)之间的最大绝对差，计算匹配模板向量的比率A(m，r，N)：[0132][0133] 其中，m表示嵌入维度，用于样本熵计算中构建模板向量的维数，反映在计算样本熵时考虑的时间序列的历史信息的多少，与肌肉疲劳过程中信号的时间相关性有关，r表示相似度容忍度，用于样本熵计算中判断两个序列是否相似的阈值，是基于sEMG信号标准差的一个比例，体现了信号波动的敏感度，用于识别肌肉疲劳引起的细微变化，N是时间序列的长度，A(m，r，N)表示尺度m下，相似模板序列对数与总模板序列对数的比率；[0134] 对每个尺度的时间序列计算样本熵，用于量化该尺度下信号的复杂度，其中r是标准差的倍数，通常取0.1×SD，SD是信号的标准差：[0135][0136] S32、利用机器学习算法对预处理后的sEMG信号数据及辅助数据d′T(t)，d′H(t)，d′V(t)，d′HR(t)进行特征提。ㄊ庇蛱卣、频域特征及时频域特征，反映了肌肉活动的平均水平、波动程度和峰值强度，用于判断肌肉是否疲劳及疲劳程度：[0137] 从sEMG信号中提取时域特征：[0138][0139] 从sEMG信号中提取频域特征，频域特征Ffreq通过计算功率谱密度PSD得到，其中PSD(f)为：[0140] PSD(f)＝|FFT(d′sEMG(t))|2；[0141] 其中，FFT表示快速傅里叶变换；[0142] S33、将从多尺度熵分析和机器学习算法中提取的特征合并，形成用于后续的肌肉疲劳级别判别的综合特征向量，综合特征向量Fcomposite通过合并多尺度熵分析得到的复杂度特征、时域特征、频域特征Ffreq以及考虑的辅助数据特征Faux构成：[0143] Fcomposite＝[SE(s，m，r)，μ，σ2，Pmax，PSD(f)，Faux]；[0144] 其中，Faux包括环境温度、湿度的均值、变化率。[0145] S4、基于提取的特征，构建并训练一个用于肌肉疲劳级别判别的复合人工智能模型，复合人工智能模型综合分析sEMG信号及辅助数据的关键特征，判断肌肉是否疲劳以及疲劳的程度；[0146] 本实施方式中，S4具体包括以下步骤：[0147] S41、构建结合深度学习和机器学习技术的复合人工智能模型，用于综合分析sEMG信号及辅助数据的关键特征，以判断肌肉是否疲劳以及疲劳的程度：[0148] 定义复合人工智能模型的输入层接收综合特征向量Fcomposite，通过多层神经网络层进行特征转换，每层神经网络的输出计算公式为：[0149] a[l]＝g[l](W[l](a[l?1]⊙d[l?1])+b[l])；[0150] 其中，d[l?1]是Dropout向量，用于随机关闭第l?1层的某些神经元，⊙表示Hadamard乘积；[0151] 加入支持向量机用于基于DNN提取的特征以及辅助数据特征Faux进行肌肉疲劳级别的分类，并采用带权重的交叉熵损失，以处理可能存在的类别不平衡问题：[0152][0153] 其中，C是类别数，wi是类别i的权重，yi是真实标签， 是预测概率；[0154] S42、准备训练数据集，包括从实际测量的sEMG信号及辅助数据中提取的特征向量Fcomposite和对应的肌肉疲劳级别标签，训练数据集的形式为：[0155][0156] 其中，y(i)是第i个样本的肌肉疲劳级别标签，N是样本总数；[0157] S43、使用训练数据集对复合人工智能模型进行训练，采用交叉验证技术优化模型参数：[0158] 使用一部分训练数据对模型进行训练，结合特征向量Fcomposite包括多尺度熵分析得到的复杂度特征、时域特征、频域特征以及辅助数据特征，采用加权的损失函数综合不同类型的特征对肌肉疲劳级别的影响：[0159][0160] 其中，α和β是调节项，用于平衡分类误差和回归误差的重要性，wf是特征f的权重，xi，f是Fcomposite中第i个样本的第f个特征值， 是该特征的预测值，yi，c是真实的分类标签，是对应的预测概率；[0161] 在另一部分数据上验证模型的性能，对于肌肉疲劳恢复时间的预测，定义基于Fcomposite特征的线性回归模型，并应用L2正则化以防止过拟合：[0162][0163] 其中， 是基于综合特征向量Fcomposite的线性回归模型预测的第i个样本的疲劳恢复时间，λ是正则化参数；[0164] S44、经过训练后的复合人工智能模型基于输入的特征向量Fcomposite预测肌肉的疲劳级别。[0165] S5、对用户的肌肉疲劳级别进行实时评估，并根据评估结果，调整运动强度和休息时间安排。[0166] 本实施方式中，S5具体包括以下步骤：[0167] S51、根据复合特征向量Fcomposite的评估结果，即肌肉疲劳级别，动态调整运动强度和休息时间的建议，评估结果分为多个级别，每个级别对应不同的运动和休息建议：[0168] Adjustment＝f(Levelfatigue)；[0169] 其中，Levelfatigue是模型评估得到的肌肉疲劳级别，Adjustment是根据疲劳级别得到的运动强度和休息时间调整建议的函数；[0170] S52、计算运动强度调整值AdjusLintensity和休息时间调整值Adjustrest，调整值基于疲劳级别和用户个人健康数据，包括之前的运动习惯、健康状况：[0171] Adjustintensity＝gintensity(Levelfatigue，Datapersonal)；[0172] Adjustrest＝grest(Levelfatigue，Datdpersonal)；[0173] 其中，gintensity和grest是根据肌肉疲劳级别和个人健康数据计算运动强度调整值和休息时间调整值的函数，Datapersonal代表用户的个人健康数据；[0174] S53、通过用户界面提供实时反。故炯∪馄＠图侗鹌拦澜峁约案菡庑┙峁髡脑硕慷群托菹⑹奔浣ㄒ。[0175] 实施例1：[0176] 将本发明在现代都市的健身中心内，一位长期从事IT工作的中年男性——称他为李先生，因长时间坐办公室而导致身体机能下降，决定开始进行规律的健身训练以改善自身健康状况。为了更科学、高效地进行训练，避免运动过程中可能出现的肌肉疲劳和伤害，李先生选择了一款集成了本发明技术的智能健身辅助装置。[0177] 在这一场景中，该装置通过在李先生的主要训练肌群上安装的sEMG传感器来收集肌肉活动数据，同时利用环境温度、湿度传感器以及配戴在李先生手腕上的心率监测器，实时收集辅助数据。这些数据通过无线方式实时发送到中央处理单元，在那里应用本发明描述的技术进行分析处理。[0178] 在某次训练期间，李先生决定进行高强度的有氧运动和力量训练组合，包括30分钟的跑步机运动和一系列的自由重量训练。在跑步机运动开始的前10分钟，装置通过分析sEMG信号及辅助数据显示李先生的肌肉活动在正常范围内，没有显示出明显疲劳迹象。然而，在跑步机运动接近20分钟时，通过复合人工智能模型分析sEMG信号和辅助数据，系统检测到李先生的腿部肌肉疲劳迹象明显增加。[0179] 根据复合人工智能模型的分析结果，系统即时向李先生发出警告，并建议调整运动强度，同时建议在接下来的力量训练前增加5分钟的休息时间。李先生根据系统的建议，减少了跑步机的速度，并在力量训练前进行了额外休息。[0180] 为了验证本发明的有效性，健身中心对比了引入本发明技术前后的客户运动伤害开云优惠体育网页版入口。统计数据显示，在引入本技术前，每月因运动导致的肌肉拉伤或其他相关伤害的开云优惠体育网页版入口平均为150起。而在引入本技术后，类似伤害的开云优惠体育网页版入口减少到了每月平均3起，降低了80.35％。同时，通过对比分析，客户对于训练后的个人感觉开云优惠体育网页版入口也显示出明显改善，训练满意度从之前的平均75.48％提高到了95.95％。[0181] 此外，为进一步证明本发明的有益效果，健身中心还特意记录了一项针对200位参与者(包括李先生)的为期3个月的跟踪研究。研究期间，这些参与者均使用了集成本发明技术的智能健身辅助装置进行日常训练。研究显示，在使用本技术的辅助下，参与者的平均肌肉恢复时间从未使用时的48小时缩短到了36小时，训练效率提高了25.34％。同时，参与者开云优惠体育网页版入口的训练后身体不适和疲劳感明显减轻。[0182] 本发明通过采用创新的信号预处理技术，包括去除电源干扰、运动伪差及其他可能影响信号质量的噪声，并采用带通滤波技术，有效地提高了sEMG信号处理的准确性和效率。[0183] 本发明通过结合多尺度熵分析和机器学习算法，从sEMG信号及辅助数据中提取出更加丰富和深入的特征，包括时域特征、频域特征及时频域特征，有效捕捉肌肉疲劳过程中的动态变化。同时，构建的复合人工智能模型综合考虑了sEMG信号及辅助数据的关键特征，能够准确判别肌肉是否疲劳以及疲劳的程度。[0184] 以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

专利地区：山东

专利申请日期：2024-04-02

专利公开日期：2024-11-29

专利公告号：CN118266951B