基于表面肌电信号的肌肉疲劳量化方法及其应用

本发明涉及信号处理，具体而言，涉及一种基于表面肌电信号的肌肉疲劳量化方法及其应用。

背景技术：

1、随着现代运动科学和医学研究的深入，肌肉疲劳状态的精确量化分析已成为预防运动损伤和肌肉疾病的重要研究领域。近年来，表面肌电信号(semg)作为一种非侵入性、便捷且高效的肌肉活动监测手段，受到了广泛的关注和应用。随着技术的进步，semg信号分析技术不断发展，为肌肉疲劳状态的实时监测提供了可能。然而，在实际应用中，行业发展面临着诸多挑战。一方面，人体肌肉疲劳状态的复杂性使得semg信号呈现出高度的非线性和时变性，给准确提取和分析信号特征带来了困难。另一方面，现有的肌肉疲劳检测方法在噪声背景较强的情况下，往往难以准确提取出semg信号内部的真实模态分量，导致对肌肉疲劳状态的量化分析不够精确。此外，传统的瞬时频率(if)初始化方法大多基于整体时频分布(tfd)来选定能量值最高点作为if，无法完整反映semg信号在不同频段内部的模态分量变化趋势，进一步限制了肌肉疲劳状态评估的准确性。因此，如何在噪声背景复杂的情况下，准确提取semg信号的主要模态分量，并实现对肌肉疲劳状态的精确量化分析，是当前行业亟待解决的关键问题。

2、针对上述挑战，传统的现有技术主要通过一系列信号处理技术来尝试解决。一方面，为了提取semg信号中的模态分量，研究者们开发了多种方法，如匹配追踪法及其变种(如自适应啁啾模式分解acmd)。这些方法通过调制解调技术，将宽带信号转换为窄带信号，并利用变分优化模型递归提取多分量am-fm信号。acmd方法特别适用于分析宽带调频信号，在生理信号监测领域得到了广泛应用。然而，传统的acmd方法需要预先设定初始瞬时频率(if)和带宽惩罚参数，这在一定程度上限制了其适应性和准确性。为了克服这一问题，研究者们提出了基于带宽感知的自适应啁啾模式分解(ba-acmd)，通过多次实验分析提取分量的带宽和之间的关系，建立了数学表达式，并利用加权频谱趋势来确定不同模态分量的边界，从而自适应地确定acmd所需参数。另一方面，为了改进if初始化方法，传统技术也尝试利用时频脊线提取法和基于希尔伯特变换的瞬时频率初始化方法来求取if。这些方法在提取tfd中能量具有明显变化趋势且噪声干扰较小的情况下，可以取得较为理想的效果。然而，对于semg信号这种能量聚集度高的信号来说，这些方法仍然难以完整反映信号在不同频段内部的模态分量变化趋势。因此，传统的现有技术虽然在一定程度上解决了肌肉疲劳状态评估中的一些问题，但仍存在诸多局限性和挑战，需要进一步的创新和改进。

3、综上所述，如何对肌肉疲劳程度进行精确量化分析，从而准确判断肌肉疲劳程度的技术问题是本技术领域急需攻克的难题。

技术实现思路

1、本发明的主要目的在于提供一种基于表面肌电信号的肌肉疲劳量化方法及其应用，以解决现有技术无法对肌肉疲劳程度进行精确量化分析，从而无法准确判断肌肉疲劳程度的技术问题，对预防人体肌肉疾病和运动损伤，具有重要的运动学和医学意义。

2、为了实现上述目的，本发明提供了一种基于表面肌电信号的肌肉疲劳量化方法及其应用，对预防人体肌肉疾病和运动损伤，具有重要的运动学和医学意义。

3、第一方面，本发明提供一种基于表面肌电信号的肌肉疲劳量化方法，所述方法包括：

4、采集semg信号，并对所述semg信号进行预处理；

5、利用tvbcmd算法对预处理后的semg信号进行处理，以提取具有缓变带宽特性的多个信号模态分量；

6、利用fbd-fst方法来识别各个所述信号模态分量的动态边界参数，以确定所述tvbcmd算法的所需参数；

7、根据所述tvbcmd算法的所需参数和tvbcmd算法，构建abcmd算法的递归提取框架，按照各个所述信号模态分量对应的频谱趋势能量大小，逐个提取所述信号模态分量，直至满足预设的停止条件；

8、从提取的所述信号模态分量中提取肌肉疲劳特征，所述肌肉疲劳特征包括但不限于平均功率频率mpf和中值频率mf，并根据提取的所述肌肉疲劳特征对肌肉疲劳程度进行量化分析。

9、可选地，所述tvbcmd算法通过引入时变带宽惩罚参数，在acmd技术的基础上，动态提取多个所述信号模态分量。

10、可选地，所述利用fbd-fst方法来识别各个所述信号模态分量的动态边界参数，以确定所述tvbcmd算法的所需参数，包括：

11、通过所述fbd-fst方法检测所述semg信号的频谱趋势的拐点来确定各个所述信号模态分量的动态边界；

12、根据所述信号模态分量的动态边界，确定所述动态边界对应的所述动态边界参数；

13、根据所述动态边界参数，确定所述tvbcmd算法的所需参数，其中，所需参数用以指示所述时变带宽惩罚参数和初始瞬时频率。

14、可选地，所述通过所述fbd-fst方法检测所述semg信号的频谱趋势的拐点来确定各个所述信号模态分量的动态边界；根据所述信号模态分量的动态边界，确定所述动态边界对应的所述动态边界参数，包括：

15、对所述semg信号进行傅立叶变换，得到所述semg信号的频谱；

16、提取所述频谱的频谱趋势，并识别频谱趋势的拐点，将所述拐点作为不同的所述所述信号模态分量的边界点；

17、通过滑动窗口技术获取整个采集所述semg信号的时间段的所述拐点的变化曲线，将所述变化曲线作为划分不同的所述所述信号模态分量的动态边界参数。

18、可选地，所述根据所述tvbcmd算法的所需参数和tvbcmd算法，构建abcmd算法的递归提取框架，按照各个所述信号模态分量对应的频谱趋势能量大小，逐个提取所述信号模态分量，直至满足预设的停止条件，包括：

19、步骤一、根据所述tvbcmd算法的所需参数和tvbcmd算法，提取能量最强的所述信号模态分量；

20、步骤二、从所述semg信号中减去已提取的所述信号模态分量，得到剩余信号；

21、步骤三、重复步骤一和步骤二，直至所述剩余信号的能量低于预设阈值。

22、可选地，所述从提取的所述信号模态分量中提取肌肉疲劳特征，所述肌肉疲劳特征包括但不限于平均功率频率mpf和中值频率mf，并根据提取的所述特征对肌肉疲劳程度进行量化分析，包括：

23、对提取的信号模态分量进行统计分析，计算平均功率频率mpf和中值频率mf；

24、根据计算得到的平均功率频率mpf和中值频率mf，结合已知的肌肉疲劳程度与所述肌肉疲劳特征之间的关系，对肌肉疲劳程度进行量化评估。

25、第二方面，本发明提供一种利用如第一方面所述的基于表面肌电信号的肌肉疲劳量化方法在预防人体肌肉疾病和运动损伤中的应用。

26、本技术提供的基于表面肌电信号的肌肉疲劳量化方法及其应用，该方法通过采集semg信号并进行预处理，以提高信号质量，采用tvbcmd算法处理预处理后的semg信号，有效提取出具有缓变带宽特性的多个信号模态分量。为优化tvbcmd算法参数，本发明引入fbd-fst方法，精准识别各信号模态分量的动态边界参数。在此基础上，构建abcmd算法的递归提取框架，依据信号模态分量的频谱趋势能量大小，逐一提取信号模态分量，直至满足预设停止条件。这一过程确保了信号模态分量的全面且精确提取。最后，从提取的信号模态分量中，本发明进一步提取出平均功率频率mpf和中值频率mf等关键肌肉疲劳特征，并据此对肌肉疲劳程度进行量化分析，为肌肉疲劳监测提供科学依据。该方法解决了现有技术无法对肌肉疲劳程度进行精确量化分析，从而无法准确判断肌肉疲劳程度的技术问题，对预防人体肌肉疾病和运动损伤，具有重要的运动学和医学意义。