编辑推荐：
为克服主观疲劳量表（如Borg RPE）存在个体差异的局限，研究人员系统评述了2020-2025年间51项基于非侵入性生物信号（以sEMG为主，结合NIRS、MMG、IMU等多模态技术）的肌肉疲劳检测系统研究。结果表明，融合多模态信号与机器学习（如SVM、RF及深度学习）的方法可实现准确率超90%的疲劳检测，为损伤预防与性能提升提供了客观、精准的评估新策略。
在日常高强度运动或重复性劳动中，肌肉疲劳是一种常见的生理现象。它不仅会导致肌肉力量生成能力下降，影响运动表现和工作效率，更是运动损伤和职业性肌肉骨骼疾病的重要诱因。长期以来，对肌肉疲劳的评估在很大程度上依赖于受试者的主观报告，例如广泛使用的Borg主观用力感觉量表（RPE）。然而，这种主观评分方法存在显著的个体间差异，其评估结果容易受到受试者心理状态、经验等因素的影响，缺乏客观性和一致性。因此，开发一种能够客观、准确、无创地检测甚至预测肌肉疲劳的方法，对于科学训练、康复医学、人机工效学以及竞技体育等领域具有迫切的现实需求。
近年来，随着可穿戴传感技术和生物信号处理算法的快速发展，基于生理信号的客观评估方法为这一挑战带来了曙光。发表在《IEEE Sensors Reviews》上的一篇系统性综述，为我们描绘了当前该领域的研究全景。这项研究旨在系统性地评估和梳理基于非侵入性生物信号的肌肉疲劳评估系统的现状与发展趋势。为了回答如何实现客观、精准的疲劳评估这一问题，研究人员对2020年至2025年间发表的51项相关研究进行了全面的回顾与分析。
研究者们所综述的研究，核心在于利用各种非侵入性设备采集生理信号，并构建算法模型进行疲劳的检测与评估。主要技术方法围绕以下几个关键方面展开：首先是信号采集技术，绝大部分研究以表面肌电图（sEMG，一种通过皮肤表面电极记录肌肉电活动的技术）作为核心模态。与此同时，越来越多的研究开始采用多模态融合策略，将sEMG与近红外光谱（NIRS，用于监测肌肉组织氧合状态）、肌动信号（MMG，记录肌肉收缩时的机械振动）以及惯性测量单元（IMU，获取肢体运动学数据）等其他信号相结合，以期从电生理、代谢、机械运动等多个维度更全面地刻画疲劳状态。其次是数据分析与建模方法，机器学习在其中扮演了越来越重要的角色。这既包括支持向量机（SVM）、随机森林（RF）等传统机器学习算法，也涵盖了各种深度学习模型。这些模型通过对提取的生理信号特征进行训练，最终实现疲劳状态的分类或预测。
通过对这51项研究的深入剖析，该综述得出了若干重要结论，揭示了该领域的研究热点与未来方向。
主要研究模态：sEMG的主导地位与多模态融合趋势
尽管存在多种生物信号，但表面肌电信号（sEMG）因其能直接反映运动单位的募集与放电活动，仍然是当前肌肉疲劳评估研究中应用最广泛、最主流的信号模态。然而，研究也明确指出，单一的sEMG信号在表征中枢性与外周性疲劳的复杂相互作用时存在局限。因此，一个明显的趋势是转向多模态技术。通过将sEMG与NIRS（监测代谢变化）、MMG（反映机械性能）以及IMU（记录运动模式）相结合，系统能够获取更丰富的互补信息。例如，sEMG振幅升高可能伴随肌肉硬度增加，而NIRS则可能显示组织氧合下降，这种多参数联用为更早、更可靠地检测疲劳提供了可能。
关键技术手段：机器学习与深度学习的高精度表现
在信号处理与疲劳判定环节，单纯依靠时域、频域特征（如sEMG的中值频率下降）的阈值判断方法正逐渐被更智能的数据驱动方法所取代。机器学习，特别是深度学习模型，在处理高维多模态生物信号数据方面展现出显著优势。综述指出，采用这些先进算法模型的研究，报告的疲劳检测准确率常常超过90%。这表明，通过复杂的非线性建模，算法能够从海量生理数据中学习到比传统指标更精细、更稳健的疲劳特征模式，为实现实时、在线的疲劳监测与预警奠定了技术基础。
研究的核心目标：从检测到预测的演进
当前大多数系统的设计核心目标是实现疲劳的“检测”，即在疲劳已经发生时将其识别出来。然而，更具应用价值的方向是向“预测”迈进。少数前沿研究已经开始尝试利用时间序列模型或早期生理信号变化特征，来预测未来一段时间内疲劳的发生。这种预测能力对于预防损伤、优化训练或工作节奏具有革命性意义，代表了该领域下一个重要的技术突破点。
综上所述，这篇系统性综述清晰地表明，基于非侵入性生理信号的肌肉疲劳评估领域正在蓬勃发展。其发展路径呈现出从单一模态到多模态融合、从传统特征分析到机器学习/深度学习驱动、从事后检测到事前预测的鲜明趋势。尽管sEMG仍是基石，但结合NIRS、MMG、IMU等多参数信息已成为提升评估效能的关键。机器学习模型，尤其是深度学习，凭借其强大的模式识别能力，为实现高精度（>90%）的疲劳客观评估提供了核心工具。
这项研究的重要意义在于，它系统性地梳理和整合了近年来的最新进展，为研究人员和工程师绘制了一幅清晰的技术发展地图。它不仅证实了客观评估方法超越主观量表的可行性，更指明了通过多模态信息融合和人工智能算法优化来进一步提升系统性能的具体方向。这为开发下一代可穿戴、智能化的人体状态监测设备提供了坚实的理论依据和技术路线参考，最终将推动肌肉疲劳评估在运动科学、临床康复、职业健康与安全等多个领域实现从实验室研究到规模化实际应用的跨越，助力于更有效的损伤预防和人类运动表现的提升。
