利用表面肌电图（sEMG）和深度学习技术估算肌肉疲劳的临近程度

《Journal of Electromyography and Kinesiology》：Estimating proximity to muscular failure using surface EMG and deep learning

肌肉疲劳临近度基于表面肌电信号实时估计方法，通过短时傅里叶变换将sEMG信号转换为频谱图，构建连续临近度指标（PFI）。对比MLP、Transformer、RNN等模型，LSTM在12人数据集上均方误差达49.44±18.34，优于传统回归模型。研究表明sEMG频谱特征可有效量化疲劳进程，为动态阻力训练系统提供实时生物反馈依据。

　　

莱昂纳多·加罗法洛（Leonardo Garofalo）|索菲·德福（Sophie Defauw）|朱塞佩·卡尔卡尼奥（Giuseppe Calcagno）|乔瓦尼·菲奥里利（Giovanni Fiorilli）|亚历山德拉·迪卡尼奥（Alessandra Di Cagno）

AthleteIQ公司，地址：美国特拉华州多佛市南州长大道1111b号，邮编19904

摘要

了解个体在运动过程中距离肌肉疲劳有多近，可以用来动态地个性化抗阻训练。我们提出了一种深度学习方法，通过表面肌电图（sEMG）信号实时估计接近疲劳的程度，该方法基于一个包含192个记录的新数据集，这些记录来自12名参与者在完成等长二头肌保持动作直至疲劳的过程。

记录的sEMG信号经过预处理后，使用短时傅里叶变换（Short-Time Fourier Transform）转换为频谱图窗口。根据每个窗口在时间上的位置，为其分配了一个连续的“接近疲劳指数”（Proximity to Failure Index，简称PFI），该指数表示保持动作所经过的时间百分比。训练了几种深度学习模型，包括多层感知器（multilayer perceptron）、变换器（Transformer）和循环神经网络（recurrent neural networks），以从频谱图中预测PFI值，并将其与线性和支持向量回归（linear and support vector regression）基线方法进行比较。模型性能通过留一法交叉验证（leave-one-out cross-validation）进行评估。

所有深度学习模型的表现都优于基线方法，其中长短期记忆网络（long short-term memory network）的平均平方误差最低（）。这项工作表明，可以通过等长保持动作期间的sEMG信号估计接近肌肉疲劳的程度，为开发根据肌电图活动调整抗阻训练的实时生物反馈系统提供了基础。

引言

表面肌电图（sEMG）是一种非侵入性技术，用于监测肌肉的电活动。它涉及将电极放置在感兴趣的肌肉上方的皮肤表面，以检测由运动单位动作电位在肌肉收缩时产生的肌电信号。

在疲劳性收缩过程中，会发生多种生化和生理变化，这些变化会反映在sEMG信号的特性中（De Luca, 1984）。其中一个重要变化是乳酸浓度的升高。乳酸浓度的增加会影响细胞内pH值，进而导致肌肉纤维的传导速度下降。这些变化表现为信号频谱的变化和信号幅度的变化（Cifrek et al., 2009）。

鉴于其在运动科学、职业健康与安全以及康复医学等领域的重要性，已经提出了许多机器学习和深度学习方法来通过分析sEMG信号的变化来检测肌肉疲劳。

例如，Wang等人（2021）提出了一种方法，根据受试者的无氧阈值将sEMG信号分类为“疲劳”或“非疲劳”。为了减少噪声，在预处理过程中对信号进行了小波包阈值去噪处理。随后，提取了捕捉时域和频域特征的特征，如均方根（RMS）和中频（MDF），并将其作为输入用于长短期记忆（LSTM）网络进行分类。

在另一项研究中，Wang等人（2020）使用V斜率法在递增骑行测试中确定的受试者通气阈值，将sEMG信号分类为“正常”或“疲劳”。通过小波阈值去噪技术抑制运动伪影和背景噪声，同时不破坏关键信号特征。提取了一组五个特征——RMS和积分EMG（时域），以及中频、平均功率频率和带谱熵（频域）——这些特征用于训练混合卷积神经网络-支持向量机（CNN–SVM）分类器，其中CNN层负责自动特征提取，高斯核SVM执行最终分类。

类似地，Zhang等人（2021）引入了一种多级疲劳分类方法，将肌肉疲劳分为四种不同的状态：“非疲劳”、“低疲劳”、“中等疲劳”和“高疲劳”。首先使用带通和陷波滤波器对sEMG信号进行预处理，生成一维时域信号，然后使用高斯短时傅里叶变换（GSTFT）将其转换为二维频谱图。这些互补的信号表示作为输入，传递给多维特征融合网络（MFFNet），该网络通过两个并行子网络——注意力频域网络（AFNet）和注意力时域网络（ATNet）整合频域和时域特征。AFNet采用具有通道和空间注意力机制的卷积神经网络（CNN）来提取频域特征，而ATNet使用双层双向长短期记忆（BiLSTM）网络结合时间注意力来捕捉时间动态。两个分支的特征被连接起来，通过全连接层进行最终分类。

然而，在运动科学领域，不仅了解疲劳的存在，还了解个体距离肌肉疲劳有多近（即肌肉不再能够产生足够力量完成特定运动的临界点）是至关重要的。

这在抗阻训练中特别有价值，因为它允许对训练强度和量进行精细控制，从而实现个性化的工作负荷调节和疲劳管理（Lovegrove et al., 2022, Mangine et al., 2022）。

传统上，接近疲劳的程度是通过自我评估方法来估计的，例如剩余重复次数（Repetitions in Reserve，RIR）方法（Helms et al., 2016），运动员根据他们感知的疲劳程度来估计在运动中还能完成多少次重复。尽管RIR提供了一种实用的估计接近肌肉疲劳的方法，但其主观性质限制了其在实时自动化训练生物反馈系统中的实用性。相比之下，使用sEMG等生物信号来估计接近疲劳的程度提供了一种替代策略，使得基于传感器的系统能够持续响应运动过程中的生理变化，并指导个性化的训练调整，而无需依赖自我报告。

然而，从sEMG信号估计接近机械疲劳的程度也存在挑战。传统方法如跟踪中频（MDF）或平均频率（MNF）等频谱指数虽然能有效检测疲劳的存在，但它们并不能指示某人距离机械疲劳有多近。

虽然之前的研究集中在从sEMG信号检测疲劳上，但估计接近肌肉疲劳的程度这一问题在很大程度上尚未得到探索。在本文中，我们迈出了第一步，通过训练深度学习模型直接从sEMG频谱图中预测肌肉疲劳，从数据中学习肌肉疲劳的肌电表现和机械表现之间的关系。

我们贡献了（1）一个包含在完成等长保持动作直至疲劳过程中收集的sEMG记录的新数据集，以及（2）一种直接从sEMG信号实时估计接近疲劳程度的深度学习方法。

数据集片段

数据集

本研究包括12名男性参与者（平均年龄：22.4 ± 2.1岁），他们都至少有两年的持续抗阻训练经验，定义为每周至少进行三次结构化的举重训练。这一选择标准确保了参与者对高强度训练有了一定的熟悉度，从而降低了数据收集过程中潜在受伤的风险。所有后续程序都在左右两侧的二头肌上进行。

结果

图4展示了使用LSTM模型进行微调后，对一名参与者单次等长保持动作的代表性预测轨迹。

底部的水平轴表示时间。从sEMG信号中提取的每个频谱图窗口，以垂直的频域特征列显示，展示了等长收缩过程中频谱内容的变化。在图的顶部，给定的预测PFI与相应的

讨论

本研究旨在确定是否可以直接从sEMG信号量化接近肌肉疲劳的程度。

虽然之前的研究通常使用sEMG信号将收缩分为离散类别（Wang et al., 2021, Wang et al., 2020, Zhang et al., 2021），如“疲劳”或“非疲劳”，但我们的方法侧重于生成一个实时的、连续的估计值，反映在整个等长保持过程中努力的逐渐积累，表明受试者已经达到了什么程度

结论

本研究介绍了一种在等长保持动作期间进行sEMG分析的新方法，并首次证明可以使用深度学习从sEMG信号连续估计接近肌肉疲劳的程度。与将疲劳分为少数离散类别的先前方法不同，我们的方法提供了连续的、实时的估计值，反映了个体向肌肉疲劳发展的过程。这为实时生物反馈系统奠定了基础

CRediT作者贡献声明

莱昂纳多·加罗法洛（Leonardo Garofalo）：撰写 – 审稿与编辑，撰写 – 原稿，可视化，验证，软件，方法论，调查，正式分析，数据整理，概念化。索菲·德福（Sophie Defauw）：撰写 – 审稿与编辑。朱塞佩·卡尔卡尼奥（Giuseppe Calcagno）：撰写 – 审稿与编辑。乔瓦尼·菲奥里利（Giovanni Fiorilli）：撰写 – 审稿与编辑，监督，资源，项目管理。亚历山德拉·迪卡尼奥（Alessandra Di Cagno）：撰写 – 审稿与编辑，监督，资源，项目管理。

资金

本研究未获得公共部门、商业部门或非营利部门的任何特定资助。

利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：莱昂纳多·加罗法洛与AthleteIQ有关联，包括就业和股权或股票。索菲·德福与AthleteIQ有关联，包括就业和股权或股票。如果还有其他作者，他们声明没有已知的可能会影响研究的财务利益或个人关系。