基于FGNN算法的sEMG肌肉疲劳分类方法

为了有防止果蝇优化算法的局部最优约束,提高肌肉疲劳分类的准确率,本研究提出了一种基于肌电信号的肌肉疲劳分类方法：果蝇-遗传优化算法,实现了肌肉疲劳的准确检测和分类。在改进的果蝇优化算法基础上把遗传算法的交叉变异和果蝇优化算法混合,并与神经网络结合对肌肉疲劳进行识别。相较于果蝇优化算法,改进后的算法有更强的跳出局部最优的能力。与神经网络结合后对于疲劳状态识别具有更好的效果。本研究提出的肌肉疲劳分类方法,可以防止运动员过度疲劳引起的肌肉损伤,实现准确的肌肉疲劳检测和分类。一共招募了10名健康的年轻参与者(6名男性和4名女性)进行疲劳测试。首先根据主观评测法对疲劳等级进行划分。然后,将采集到的肌电信号数据进行预处理、提取特征后作为神经网络,遗传算法-神经网络, 果蝇优化算法-神经网络, 果蝇-遗传算法-神经网络的输入。经比较果蝇-遗传优化算法-神经网络的准确率为94.3%,优于其他方法     

手臂疲劳时表面肌电信号特征

为了解表面肌电信号(surface electromyography, sEMG)特征的变化规律,找出更加有效的疲劳特征参数组合,通过回归分析和皮尔逊相关系数分析的方法研究了6名受试者负重状态下,手臂表面肌电信号的时域、频域和时频域特征参数与主观疲劳感量表(rating of perceived exertion, RPE)之间的关系。结果表明:随着负重时间的持续,sEMG的时域特征均方根值(root mean square, RMS)和积分肌电值(integrated electromyography, iEMG)有上升趋势,频域特征平均功率频率(mean power frequency, MPF)、中值频率(media frequency, MF)有下降趋势,而时频域特征瞬时平均频率(instantaneous mean power frequency, IMPF)、瞬时中值频率(instantaneous median frequency, IMF)出现先短暂上升然后下降趋势。对各特征参数进行非线性拟合,发现RMS和iEMG幂函数拟合优于指数函数拟合,而MPF、MF、IMPF和IMF指数函数拟合优于幂函数。对联合特征参数进行多元回归分析,发现RMS与MF组成的回归模型判定系数R~2最大。可见RMS与MF相结合作为评估肌肉疲劳的联合参数更加合理有效。