编辑推荐：
为了更精确地识别导致下背部疼痛和职业损伤风险的肌肉疲劳状态，研究人员开发了一种基于60通道混合生理传感器阵列（集成sEMG与NIRS）和深度学习算法的新型识别框架。他们构建的双流卷积混合注意力网络（DCHANet）在疲劳分级任务中表现出色，其中FAT-3任务的分类准确率高达97.93%（受试者内）和96.80%（受试者间）。这项研究为肌肉骨骼疾病的临床监测和早期干预提供了有前景的新方案。
在现代快节奏的工作与生活中，下背部疼痛（Low Back Pain）正日益成为一个普遍且代价高昂的健康问题，它不仅严重影响个人的生活质量，也给医疗系统带来了沉重负担。众多研究表明，肌肉疲劳是引发慢性下背部疼痛和职业性肌肉骨骼损伤的一个关键诱因。因此，对背部肌肉的疲劳状态进行早期、精确的识别，就像是给背部健康安装了一个“预警雷达”，对于预防损伤、实现科学康复至关重要。然而，这个“雷达”的研发却面临着不小的技术挑战。传统的识别方法，无论是依赖表面肌电图（surface electromyography, sEMG）测量肌肉电活动，还是借助近红外光谱（near-infrared spectroscopy, NIRS）监测肌肉的血流动力学变化，往往都只能从一个侧面反映肌肉状态，如同“盲人摸象”，难以全面、精准地描绘出疲劳的完整图谱。同时，现有的识别算法在处理这类复杂的生理信号时也常常“力不从心”，导致识别准确率不尽如人意。为了突破这些瓶颈，一项发表在《IEEE Transactions on Neural Systems and Rehabilitation Engineering》上的研究为我们带来了一个创新性的解决方案。
研究者们核心采用了三项关键技术来构建他们的识别系统。首先，他们自主设计并集成了一个高密度的60通道混合生理传感器阵列，这个阵列如同一个精密的“探测网”，将sEMG电极和NIRS探针巧妙结合，实现了对同一块肌肉区域神经肌肉活动和血液动力学信号的同时、同位置记录。其次，为了应对这种多模态、高维度的数据，研究团队创造性地提出了一个名为双流卷积混合注意力网络（Dual-stream Convolutional Hybrid Attention Network, DCHANet）的深度学习架构。这个网络的核心在于其“两条腿走路”的策略：拥有两个独立的特征提取流，分别针对sEMG信号的时频特性和NIRS信号的时空特性进行优化学习。最后，也是最精妙的一环，是设计了一个层次化的注意力融合模块。这个模块能智能地评估来自两种模态的各个特征的重要性，并对其进行加权融合，从而让模型能够“全神贯注”于那些对判断疲劳状态最关键的信息线索。本研究的数据来源于一个专门设计的实验，研究人员招募了受试者进行标准化的背部肌肉疲劳诱发任务，并在此过程中同步采集他们的sEMG和NIRS信号，构建了用于模型训练和评估的数据集。
研究团队通过一系列严谨的实验，系统地验证了所提出框架的有效性。他们设定了不同精度的识别任务来全面评估模型性能。
多模态特征可视化分析
通过特征可视化技术，研究人员直观地展示了DCHANet网络学习到的特征分布。结果显示，在特征空间中，不同疲劳等级的多模态（sEMG-NIRS）特征形成了界限清晰、易于区分的聚类。相比之下，仅使用sEMG或NIRS单模态特征时，不同类别的特征之间存在明显的重叠区域。这一发现从几何角度证实，融合sEMG的神经肌肉信息和NIRS的代谢活动信息，能为肌肉疲劳状态提供更具判别性的特征描述，是提升分类精度的关键。
DCHANet在肌肉疲劳识别任务中的性能表现
研究评估了DCHANet在三级别（FAT-3）和十五级别（FAT-15）疲劳识别任务上的表现。在FAT-3任务中，使用多模态输入时，DCHANet取得了极高的分类准确率，在受试者内（subject-wise）评估下达到97.93%，在更具挑战性的受试者间（cross-subject）评估下也达到了96.80%。在更精细的FAT-15任务中，其准确率分别为91.06%（受试者内）和88.53%（受试者间）。这些结果表明，该模型不仅能可靠地区分“无疲劳”、“轻度疲劳”和“重度疲劳”等宏观状态，还能实现更细粒度的疲劳水平判别。
多模态与单模态输入的性能对比
为了凸显多模态融合的优势，研究者将多模态DCHANet与仅使用sEMG或仅使用NIRS作为输入的单模态版本进行了对比。在所有评估设置下，多模态DCHANet的性能均显著优于任何单模态模型。例如，在跨受试者的FAT-3任务中，sEMG单模态的准确率为94.20%，NIRS单模态为91.13%，而多模态模型将其提升至96.80%。这有力地证明了从两种生理模态中提取互补信息对于提高肌肉疲劳识别鲁棒性和准确性的必要性。
与经典机器学习方法的对比
研究还将DCHANet与两种经典的机器学习方法进行了比较：基于方向梯度直方图（Histogram of Oriented Gradients, HOG）特征结合分类器的方法，以及标准的卷积神经网络（Convolutional Neural Network, CNN）。在所有疲劳识别任务中，DCHANet的性能都大幅超越了这些基线方法。特别是在跨受试者的FAT-15任务中，DCHANet（88.53%）的准确率比标准CNN（76.20%）高出超过12个百分点，凸显了其专为多模态生理信号设计的双流结构和注意力融合机制的有效性。
注意力权重的可解释性分析
通过对网络中层次化注意力融合模块的权重进行分析，研究为模型决策提供了一定的可解释性。分析发现，在判断疲劳状态时，模型会根据不同阶段动态调整对sEMG和NIRS模态的“关注”程度。例如，在疲劳初期，模型可能更依赖反映肌肉激活模式的sEMG特征；而在疲劳累积后期，反映肌肉氧合与代谢状况的NIRS特征可能被赋予更高权重。这种动态的、与生理过程相符的注意力分配，进一步印证了模型学习的合理性。
综上所述，本研究成功构建并验证了一个基于多模态生理传感与深度学习相结合的下背部肌肉疲劳识别框架。其核心结论在于：通过集成sEMG与NIRS的60通道混合传感器阵列进行同步、共位信号采集，能够获取全面反映肌肉疲劳神经肌肉与血流动力学维度的互补信息。为解决多模态信息融合与分析的挑战，所提出的DCHANet网络，凭借其双流特征提取和层次化注意力融合机制，能够有效挖掘并整合这些信息。最终，该框架在粗粒度（FAT-3）和细粒度（FAT-15）的疲劳识别任务中均实现了高精度分类，性能显著优于单模态方法和传统机器学习算法。这项工作的意义深远，它不仅为肌肉疲劳的生物力学与生理学研究提供了一个强大的新型工具，更重要的是，为实现肌肉骨骼疾病的客观、精准、实时临床监测与早期干预开辟了一条切实可行的技术路径，在职业健康防护、康复工程及运动科学等领域具有广阔的应用前景。
