基于可穿戴设备功率与扭矩特征的运动中肌肉疲劳识别与预测研究

针对传统肌电信号(EMG)在动态肌肉收缩疲劳监测中的局限性，研究人员通过高分辨率测角仪构建肘关节屈曲扭矩与肱二头肌功率模型，提出9项与EMG信号RMS、MDF显著相关的疲劳指标，采用谱聚类和KNN算法实现95%准确率的疲劳预测，为运动康复领域提供非侵入式监测新方案。

　　

肌肉疲劳监测是康复医学与运动科学的核心课题，但传统基于表面肌电信号(sEMG)的方法存在信号易受干扰、设备笨重等痛点。当运动员进行高强度训练时，肌肉系统无法维持特定功能水平的"力竭"现象，往往导致运动损伤风险激增。尽管现有技术可通过EMG信号分析疲劳特征，但其在动态收缩条件下的非线性特征、环境噪声敏感性等问题始终制约着临床应用。

东华大学信息科学与技术学院的研究团队独辟蹊径，利用商业级可穿戴测角仪采集单自由度屈肘运动数据，通过生物力学模型推导出肱二头肌功率与扭矩特征，构建出包含9项创新指标的疲劳评估体系。研究发现，这些指标与EMG信号的均方根(RMS)和中位频率(MDF)具有显著相关性，采用谱聚类算法可清晰区分"非疲劳-过渡-疲劳"三阶段状态，最终通过K近邻(KNN)模型实现95%准确率、99%AUC的预测性能。该成果发表于《Wearable Electronics》，为运动训练实时监控提供了更便携的解决方案。

关键技术方法包括：采用BIOM-WS150测角仪(1000Hz)和BIOM-LE2 sEMG传感器(2000Hz)同步采集32名健康男性志愿者的屈肘运动数据；基于肘关节 musculoskeletal model 建立包含力矩方程(式1)、功率方程(式2)的生物力学模型；通过小波变换降噪处理信号；利用XGBoost算法筛选关键特征指标；采用主成分分析(PCA)降维后实施谱聚类标记数据。

【疲劳特征提取】研究发现肱二头肌功率信号的RMS呈现"先升后降"特征，与能量消耗曲线变化一致；而屈曲扭矩的过零率(ZCR)随运动重复次数(Reps)单调递增，有效反映肌肉震颤程度。特征重要性分析显示，排除扭矩斜率特征后的8维数据集聚类效果最优，Calinski-Harabasz指数达240.63。

【疲劳状态识别】通过PCA降维至三维空间后，谱聚类将运动过程明确划分为三个阶段：前3次Reps为红色非疲劳簇，4-7次Reps为蓝色过渡簇，8-9次Reps为绿色疲劳簇，轮廓系数提升至0.268。这种划分与实验观察到的肌肉震颤现象高度吻合。

【预测模型构建】采用70%样本训练的KNN模型在测试集表现优异，召回率、F1-score均达95%，ROC曲线下面积(AUC)高达99%，显著优于传统EMG分析方法。特别是扭矩信号的动态变化特征，为疲劳早期预警提供了新指标。

该研究突破性地证明：仅通过关节角度信号衍生的生物力学特征即可实现精准疲劳监测，克服了sEMG信号易受肌间串扰(crosstalk)影响的缺陷。但研究者也指出，当前样本仅包含男性群体，未来需纳入女性及患者数据以验证普适性。这项成果不仅为可穿戴设备在运动医学中的应用开辟新途径，其构建的扭矩-功率特征体系更为智能康复器械开发提供了理论基石。