基于表面肌电的肌疲劳分析与肌力预测研究及实现的中期报告.docx

基于表面肌电的肌疲劳分析与肌力预测研究及实现的中期报告
概述：
本研究利用表面肌电信号（sEMG）对肌肉疲劳状态进行分析，并基于此提出了一种肌力预测模型。在初步实验中，我们采集了肱二头肌长头肌肉运动过程中的sEMG信号，并通过FFT算法提取了sEMG功率谱的特征参数。然后，我们利用模糊C均值聚类算法对这些特征参数进行聚类，从而实现了肌肉疲劳程度的分类。另外，我们基于多元线性回归分析方法，建立了一种基于sEMG特征参数的肌力预测模型，实现了肌肉力量的预测。
数据采集与处理：
我们选取了10名男性志愿者作为实验对象，采集了他们进行肱二头肌长头肌肌肉收缩运动时的sEMG信号。通过16通道EMG信号采集器进行信号采集，数据采样频率为1000Hz。我们将采集的sEMG信号进行滤波去噪（50Hz陷波滤波器和10-500Hz带通滤波器），然后对信号进行时域和频域特征提取。时域特征参数包括平均值、方差、标准差、峰值、峭度和偏度等；频域特征参数包括功率谱密度（PSD）、频率的峰值频率、能量密度等。
肌肉疲劳状态分类：
我们利用模糊C均值聚类算法（FCM）对肌肉疲劳程度进行分类。首先我们将该算法应用于提取的功率谱密度（PSD）特征参数，然后通过多次试验和调整，确定了模糊度（m=2）和聚类中心数（c=3）的最优参数组合。最终得到了三类肌肉疲劳状态：未疲劳状态、轻度疲劳状态和重度疲劳状态。
肌力预测模型建立：
我们采用多元线性回归模型进行肌力预测。首先，我们选择了三个参数（PSD特征中的峰值频率、标准差和平均值）并使用正交试验法进行分析，确定它们的最佳组合方案。然后，我们将已知的最大肌力值作为参考值，将数据集分为训练集和测试集，并建立了肌力预测模型，最终实现了对肌肉力量的预测。
结论：
通过对10名志愿者的实验数据进行分析，本研究构建了基于sEMG信号的肌肉疲劳状态分类模型并建立了肌力预测模型。实验结果表明，该方法可以有效地分析肌肉疲劳的程度，同时也可以提高肌肉力量的预测精度，为肌肉力量的训练和康复提供了有效的技术手段。