肌肉疲劳是指肌肉在重复活动后产生力量或功率的能力下降，涉及中枢和周围机制。中枢疲劳源于大脑或脊髓的神经反应，而周围疲劳则由肌肉纤维中的代谢变化引起，包括乳酸积累、离子失衡和ATP供应减少[Dugan和Frontera, 2000]。小腿肌肉，特别是腓肠肌和比目鱼肌，对于行走、跑步、跳跃和姿势控制至关重要，有助于膝关节稳定、足底屈曲和力量传递。这些肌肉的疲劳会破坏生物力学平衡，增加受伤风险，尤其是在进行高强度或重复下肢运动的运动员中[Lu等人, 2024]。
在足球、篮球和羽毛球等运动中，小腿肌肉拉伤很常见，这些运动涉及爆发性动作和快速的方向变化。研究表明，每支球队每个赛季有多达四名球员会遭受小腿损伤，平均恢复时间为约95天[Green和Pizzari, 2017, Green等人, 2022]。舞蹈和有氧运动等休闲活动也有类似的风险。疲劳通常由长时间的努力和恢复不足引起[Brenner和Watson, 2024]。Edwards将疲劳定义为“在肌肉活动期间无法维持所需或预期的力量（或功率输出”）。其发生和表现取决于多种因素，包括刺激类型（自主或电刺激）、肌肉收缩模式（等长、等张或动态）以及运动强度、持续时间和频率[Halson, 2014]。
准确评估肌肉疲劳对于优化表现、预防损伤和康复至关重要。传统的监测方法包括主观评估、基于表现的评估和基于生理信号的方法。主观工具，如Borg感知用力评分和疲劳问卷，虽然简单，但受个体感知和回忆偏差的限制[Gawron, 2016]。基于表现的指标——如峰值扭矩、跳跃高度和反应时间——虽然标准化，但在实时或自由生活条件下应用起来具有挑战性。生理方法通过捕捉肌肉功能的生物变化来克服这些限制。诸如机械肌电图（MMG）、近红外光谱（NIRS）和超声波（US）以及肌电图（EMG）等技术已被广泛研究：MMG测量肌肉振动，NIRS跟踪氧合情况，US监测结构变化，提供连续和客观的疲劳评估。
其中，表面肌电图（sEMG）是最常用的非侵入性工具，用于评估肌肉激活和神经肌肉疲劳[Huang等人, 2019, Carovac等人, 2011, D’Amico等人, 2020, Gafner等人, 2018]。sEMG记录来自肌肉纤维的电活动，可以分析与疲劳相关的特征，如传导速度变化和平均或中频的变化[Parimala等人, 2025, Sun等人, 2022, Skrzat等人, 2020]，这些在静态和动态任务中都得到了验证[Sun等人, 2022, Rampichini等人, 2020]。然而，其使用受到运动伪迹、电极放置、皮肤状况以及附近肌肉的串扰的影响，这些因素在动态或现场条件下会降低信号的一致性[Dang等人, 2023, Rampichini等人, 2020, Daniel等人, 2024, Lim等人, 2024, Jurell, 1998]。因此，sEMG更适合在受控实验室环境中使用，而不适合在自然环境中的实时监测。
为了解决这些限制，最近的研究越来越多地探索惯性测量单元（IMUs）作为疲劳评估的替代或补充方法。IMUs是可穿戴传感器，可以记录加速度、角速度，有时还包括方向，提供稳定的运动数据。它们的小尺寸、易于安装以及抗运动伪迹的特性使其适合在体育和职业环境中进行连续、实时的监测[Wang等人, 2021, Marotta等人, 2021, Chang等人, 2023, McConnochie等人, 2025, Manoharan等人, 2025]。与sEMG不同，IMUs不受皮肤阻抗、电极放置或出汗的影响，可以实现可扩展且不显眼的部署。从IMU衍生的指标，如峰值加速度、抖动、步态变异性、关节角度和运动范围，使用机器学习方法（包括支持向量机、随机森林和神经网络）在疲劳分类中显示出潜力[Marotta等人, 2021, Karvekar等人, 2019]。
深度学习模型，如卷积神经网络（CNNs）和长短期记忆网络（LSTMs），通过直接从原始IMU信号中提取相关模式来进一步提高性能。研究表明，仅使用下肢IMU数据的疲劳分类准确率可超过85%[Chang等人, 2023]。剩余的挑战包括需要更大、更多样化的人群和改进的疲劳真实标记。结合IMU数据与sEMG或力平台等模态的传感器融合方法，通过捕捉疲劳的生物力学和神经肌肉成分来提高准确性[Hwang等人, 2025, Nair等人, 2024]。
通过整合sEMG和IMU数据，可以利用两种模态的优势。sEMG提供详细的神经肌肉信息，而IMUs捕捉运动动态和节段级运动学。特征级融合涉及在疲劳任务期间同步信号，并从sEMG中提取窗口化特征（RMS、平均值和中频），从IMUs中提取加速度方差、抖动和角速度[Hwang等人, 2025, Meng等人, 2021, Vásconez等人, 2022]。标准化和重采样确保了时间对齐。在融合数据集上训练的模型在准确性、鲁棒性和早期疲劳检测方面始终优于单一模态方法[Hwang等人, 2025, Meng等人, 2021]。
先前的研究表明，sEMG可以在模型开发期间用作真实标记方法，从而创建适用于现场使用的仅基于IMU的模型。这种策略在训练期间结合了sEMG的精确性，同时避免了其在实际应用中的局限性。使用基于sEMG的标签训练的仅基于IMU的模型，在实时应用中的表现与依赖两种模态的系统相当[Hwang等人, 2025, Nair等人, 2024, Meng等人, 2021]。这些方法特别适用于现实世界环境中的连续监测，其中快速传感器设置、用户舒适性和系统可靠性至关重要。
尽管有这些有希望的发展，现有文献主要集中在通用疲劳评估或大型肌肉群（如股四头肌和腘绳肌）上。关于使用仅基于IMU的模型针对局部小腿肌肉疲劳的研究较少，特别是在与运动和职业任务相关的重复踝关节和膝关节伸展运动中[Marotta等人, 2021, Chang等人, 2023, Schlink等人, 2021]。此外，尽管传感器融合模型表现出高性能，但在实际应用中依赖sEMG仍然不切实际。因此，挑战在于开发不需要sEMG即可进行实时操作的准确、可扩展的疲劳检测系统。
为了解决这些限制，本研究提出了一个数据驱动的框架，在受控的小腿疲劳协议期间同步sEMG和IMU数据。该框架的一个关键组成部分是识别和分析肌电图衍生的疲劳标志与IMU特征之间的相关性，确保选择最符合生理学的IMU指标进行模型训练。
通过利用sEMG衍生的疲劳标志作为真实标记，我们使用这些相关的IMU特征训练机器学习模型来检测疲劳进展，如图1所示。一旦验证，这些模型仅使用IMU数据即可运行，从而在自然环境中实现实时的、无需肌电图的疲劳评估。这种方法的新颖之处在于它能够将实验室级别的生理测量转化为可穿戴的、适合现场使用的系统。本研究贡献了一个特定于节段的下肢疲劳检测模型，并证明了仅使用IMU信号进行准确、可扩展且不显眼的疲劳监测在体育、康复和职业应用中的可行性。
