CN111904416A - 肌肉疲劳检测方法、计算机设备以及存储介质 - Google Patents
肌肉疲劳检测方法、计算机设备以及存储介质 Download PDFInfo
- Publication number
- CN111904416A CN111904416A CN202010734489.0A CN202010734489A CN111904416A CN 111904416 A CN111904416 A CN 111904416A CN 202010734489 A CN202010734489 A CN 202010734489A CN 111904416 A CN111904416 A CN 111904416A
- Authority
- CN
- China
- Prior art keywords
- muscle
- wavelet packet
- fatigue
- packet energy
- detection method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 206010049565 Muscle fatigue Diseases 0.000 title claims abstract description 110
- 238000001514 detection method Methods 0.000 title claims abstract description 62
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 210000003205 muscle Anatomy 0.000 claims abstract description 92
- 238000000354 decomposition reaction Methods 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 13
- 238000002567 electromyography Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 description 22
- 238000001228 spectrum Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 230000003183 myoelectrical effect Effects 0.000 description 8
- 238000011002 quantification Methods 0.000 description 8
- 210000001364 upper extremity Anatomy 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000009661 fatigue test Methods 0.000 description 6
- 230000004118 muscle contraction Effects 0.000 description 6
- 230000003068 static effect Effects 0.000 description 6
- 230000008602 contraction Effects 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 210000003141 lower extremity Anatomy 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 208000029549 Muscle injury Diseases 0.000 description 2
- 238000004497 NIR spectroscopy Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000001087 myotubule Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/22—Ergometry; Measuring muscular strength or the force of a muscular blow
- A61B5/224—Measuring muscular strength
- A61B5/225—Measuring muscular strength of the fingers, e.g. by monitoring hand-grip force
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
- A61B5/4519—Muscles
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Rheumatology (AREA)
- Physical Education & Sports Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请涉及人体运动功能检测技术领域,并公开了肌肉疲劳检测方法、计算机设备以及计算机可读存储介质。该肌肉疲劳检测方法包括:获取目标肌肉的表面肌电数据;按时序将表面肌电数据划分成多个数据段;计算各数据段的小波包能量熵;基于小波包能量熵生成目标肌肉的肌肉疲劳指标。通过上述方式,本申请能够用于量化肌肉的疲劳程度,提高肌肉疲劳检测准确度。
Description
技术领域
本申请涉及人体运动功能检测技术领域,特别是涉及肌肉疲劳检测方法、计算机设备以及计算机可读存储介质。
背景技术
肌肉疲劳表现为肌肉输出力量的降低,将导致工作效率降低,过度的肌肉疲劳将对肌肉造成不可逆损伤。人体肌肉收缩主要分为静态收缩和动态收缩。
静态收缩又常称为等距收缩,指肌肉发生张力时,肌肉的长度维持不变,一般发生于人体固定姿态情形下。相对应的,动态收缩是指肌肉发生张力时肌肉长度是变化的,一般发生于人体重复性劳动情形下。肌肉疲劳的相关研究在人机接口、人体工效学、运动保健、医疗康复等领域应用前景广阔。
目前,肌肉疲劳检测技术和量化方法仍是研究的热点和难点。
发明内容
本申请主要解决的技术问题是提供一种肌肉疲劳检测方法、计算机设备以及计算机可读存储介质,能够用于量化肌肉的疲劳程度,提高肌肉疲劳检测准确度。
为解决上述技术问题,本申请采用的一个技术方案是:提供一种肌肉疲劳检测方法,该肌肉疲劳检测方法包括:获取目标肌肉的表面肌电数据;按时序将表面肌电数据划分成多个数据段;计算各数据段的小波包能量熵;基于小波包能量熵生成目标肌肉的肌肉疲劳指标。
为解决上述技术问题,本申请采用的另一个技术方案是:提供一种计算机设备,该计算机设备包括处理器以及与处理器连接的存储器;其中,存储器用于存储程序数据,处理器用于执行程序数据,以实现如上述的肌肉疲劳检测方法。
为解决上述技术问题,本申请采用的另一个技术方案是:提供一种具有计算机可读存储介质,该计算机可读存储介质用于存储程序数据,程序数据在被处理器执行时,用于实现如上述的肌肉疲劳检测方法。
本申请的有益效果是:区别于现有技术的情况,本申请提供一种肌肉疲劳检测方法,该方法依据肌肉疲劳时表面肌电信号的功率频谱中低频成分增加、高频成分减少和频谱左移的原理,通过获取目标肌肉的表面肌电数据,并按时序将表面肌电数据划分成多个数据段,联合使用小波包能量和信息熵,以计算各数据段的小波包能量熵,由于小波包能量熵本身的数值就能够表达肌肉疲劳状况,适合于静态和动态肌肉收缩的疲劳状态评估,因此基于小波包能量熵能够生成目标肌肉的肌肉疲劳指标,用于表征用户的疲劳状况,即本方法能够用于量化肌肉的疲劳程度,提高肌肉疲劳检测准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请肌肉疲劳检测方法一实施例的流程示意图;
图2是图1所示的肌肉疲劳检测方法中S160的具体流程示意图;
图3是本申请肌肉疲劳检测方法一实施例的三层小波包分解二叉树示意图;
图4是人体上肢主要肌肉位置示意图;
图5是图1所示的肌肉疲劳检测方法中S180的一具体流程示意图;
图6是图1所示的肌肉疲劳检测方法中S180的另一具体流程示意图;
图7是本申请计算机设备一实施例的结构示意图;
图8是本申请计算机可读存储介质一实施例的示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序或结构。此外,术语“包括”和“具有”以及他们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
目前,肌肉疲劳的检测技术主要包括表面肌电信号(sEMG,surfaceelectromyography)、肌音信号(MMG,Mechanomyogram)、超声图像(ultrasonoscopy)、近红外光谱(NIRS,near-infrared spectroscopy)、惯性传感单元(IMU,inertial measurementunit)等。
相关技术中,基于B超图像和近红外光谱技术的疲劳检测技术存在信号采集设备商业化不成熟,使用操作复杂等缺陷,较难大规模成功应用于肌肉疲劳检测。
目前普遍应用于肌肉疲劳检测的技术是表面肌电信号,但是基于表面肌电信号的肌肉疲劳检测算法多较为简单,不能够很好的表达肌肉疲劳信息。
其中,基于表面肌电信号均方根的肌肉疲劳判别方法,主要是依据肌肉疲劳时为了维持收缩力将会募集更多的肌纤维运动单元,从而使得表面肌电信号增强的原理;基于表面肌电信号中值频率和平均功率频率的肌肉疲劳判别方法,主要是依据肌肉疲劳时表面肌电信号的功率频谱中低频成分增加、高频成分减少和频谱左移的原理。可以理解,其中“低频”和“高频”为相对概念,用于说明表面肌电信号的功率频谱的变化,比如肌肉疲劳时发生频谱左移。
上述基于表面肌电信号的肌肉疲劳检测方法一般应用于静态肌肉收缩疲劳而非更为普遍的动态肌肉收缩疲劳的评估中,且均是通过观察疲劳参数的变化来估算是否存在肌肉疲劳现象,疲劳参数本身的数值却不能表达疲劳信息,也难以更进一步的量化疲劳状况和判断疲劳趋势。
基于此,本申请提供一种肌肉疲劳检测方法,以解决上述肌肉疲劳检测方法无法量化疲劳状况且准确度不高的问题。
请结合参阅图1-图4,图1是本申请肌肉疲劳检测方法一实施例的流程示意图。图2是图1所示的肌肉疲劳检测方法中S160的具体流程示意图。图3是本申请肌肉疲劳检测方法一实施例的三层小波包分解二叉树示意图。图4是人体上肢主要肌肉位置示意图。
本实施例中,肌肉疲劳检测方法包括:
S120:获取目标肌肉的表面肌电数据。
实际检测时,可根据实际的运动类型确定需要检测的肌肉,即目标机构为检测对象进行特定运动时所使用的目标肌肉。
在一种应用场景中,可利用肌电采集设备采集人体运动时目标肌肉的表面肌电信号,并将表面肌电传感器贴附在目标肌肉上。
可选地,目标肌肉可以是单个,也可以是多个。其中,每一块目标肌肉对应一个肌电通道。
当目标肌肉为多个时,步骤S120可包括:
将多个目标肌肉的表面肌电数据进行叠加并取平均值。可以理解,该平均值即作为所获取的表面肌电数据。
通过将多个目标肌肉的表面肌电数据进行叠加并取平均值,可以实现对多个目标肌肉的肌肉疲劳量化。
可选地,可对采集的所有目标肌肉的表面肌电信号分别进行滤波处理,滤波处理包括带通滤波、工频陷波,目的是将工频干扰等杂波去除。
S140:按时序将表面肌电数据划分成多个数据段。
在一种实施方式中,可对表面肌电信号进行滑窗处理(也可称之为滑窗稀疏化),目的在于将稠密的表面肌电信号按一定时间段进行分割,从而实现按时序将表面肌电数据划分成多个数据段,以为进一步处理做准备。
S160:计算各数据段的小波包能量熵。
请参阅图2,步骤S160可包括:
S161:对数据段进行小波包分解,以获取多个分解节点。
S162:计算各分解节点的归一化小波包能量。
S163:基于多个分解节点的归一化小波包能量,计算数据段的小波包能量熵。
步骤S163中,具体的,可基于以下公式计算小波包能量熵:
其中,WPEE为小波包能量熵,Pi j为经小波分解后的第i层的第j个分解节点的归一化小波包能量,ln为自然对数。
依据小波包理论,信号可以分解为任意二叉树的节点。
下面结合图3进行具体说明。图3中以三层小波包分解树为例,其中,(0,0)代表原始信号,(i,j)代表小波包分解节点,i代表小波包分解的层级,j代表该层级对应的频率段,j越大,对应频率越高。
其中,g(n)=(-1)nh(1-n),即g(n)和h(n)为一对正交基。因此,二叉小波包树中的每个节点都可以递归地划分为两个正交子空间。
然后,对能量特征进行归一化,得到单个频段能量的相对值,反映信号在总频率范围内各频段的能量分布Pi j:
概率Pi j也称为相对小波包能量。将小波包分解系数的能量分布与信息熵结合,计算第i层级小波包能量熵为:
由上述计算过程可知,小波包能量熵能够定量地度量表面肌电信号频率分布的无序度。
S180:基于小波包能量熵生成目标肌肉的肌肉疲劳指标。
由小波包能量熵的定义可知,若小波包能量集中在一个子带内,WPEE为0,即表面肌电信号是有序的;反之,若小波包能量在每个子带中随机分布,则表面肌电信号是无序的。
依据肌肉疲劳时表面肌电信号的功率频谱中低频成分增加、高频成分减少和频谱左移的原理,可知当肌肉处于疲劳状态时,肌电图的频率被压缩到低频,导致WPEE值下降,即WPEE值本身就可以表示疲劳程度,其值越小,表示肌肉越疲劳。
因此,利用本实施例的方法得到的小波包能量熵本身的数值就能够定量表达肌肉疲劳状况,且适合于静态和动态肌肉收缩的疲劳状态评估。
在一种实施方式中,基于小波包能量熵生成目标肌肉的肌肉疲劳指标可以是:
根据小波包能量熵与疲劳阈值的比较结果,确定目标肌肉的肌肉疲劳程度。
可选地,疲劳阈值可以是一个也可以是多个。
当疲劳阈值为一个时,若小波包能量熵小于疲劳阈值,判断为疲劳,可能对人体产生不利影响;若小波包能量熵大于疲劳阈值,判断为非疲劳,对人体的损伤可以忽略。
当疲劳阈值为多个时,多个疲劳阈值可以形成一个疲劳对照表,并形成多个数值区间,小波包能量熵落入数值越小的数值区间代表疲劳程度越严重。
可以理解,确定疲劳阈值的大小可以根据被测用户的年龄、体能等情况进行调整。
本实施例的肌肉疲劳检测方法可以应用于检测人体进行日常活动时的肌肉疲劳情况。
本实施例的肌肉疲劳检测方法也可以应用于检测人体进行人机协作运动时的肌肉疲劳情况。随着机器人技术的发展,机器人的使用和推广极大的促进了经济社会发展,人机协作已经成为生产生活中必不可少内容。用户在机器的协作下提高了完成相应任务的效率,但是用户也会由于频繁操作机器而造成肌肉疲劳,通过向用户反馈肌肉疲劳情况,可以避免极度肌肉疲劳的发生,减少肌肉损伤,从而达到更好的人机协作效果。
为了验证本实施例的肌肉疲劳检测方法的有效性和准确性,申请人还进行了以下疲劳实验并设置了对照试验组。
请参阅图4,在一种应用场景中,本实施例的肌肉疲劳检测方法针对人机协作过程中上肢肌肉的疲劳量化,用肌电采集设备采集人机协作过程中人体目标肌肉的表面肌电信号,采样频率设为512Hz,将表面肌电传感器分别贴附在两只手臂的肱二头肌、肱桡肌和桡侧腕屈肌。
(1)在疲劳实验中,被测人员坐立在适宜高度位置的座椅上,使用双手拉伸龙门架的单侧砝码块。疲劳试验共进行5组,五组砝码的重量依次为1,3,5,7,8块砝码块,每块砝码块重量为5磅,每组持续拉伸一分钟,每组被测人员可以休息1-3分钟,疲劳试验将逐步造成被测人员的手部肌肉进入疲劳状态。仅在拉伸过程中同步采集所选肌肉通道的表面肌电信号,其余时间暂停表面肌电信号采集。每组疲劳试验结束后,实验组织人员将给被测人员提供一个单手电子握力计,让被测人员用力握紧握力计,分别测出左右手的握力,并记录下来;被测人员还将根据自身疲劳状态选择Borg主观疲劳量化表分数,并由实验组织者记录下来。单手握力逐步降低,Borg量表得分依次升高,定性表示了被测人员手臂肌肉的疲劳程度逐渐加深。
(2)对采集的表面肌电信号进行预处理,预处理包括:先进行50Hz陷波处理,再进行10-500Hz带通滤波;为对稠密的表面肌电数据稀疏化,对滤波后的数据进行滑窗处理,按照1s窗长分割表面肌电信号。步骤(1)中每个肌肉通道总共有5分钟的数据,滑窗处理将总共分割产生300个表面肌电信号数据段。
(3)计算步骤(2)中各肌肉通道每个数据段内表面肌电信号的平均功率频率fmean,计算方式为:
每个肌肉通道将获得300个平均功率频率fmean,对每个肌肉通道内的fmean进行最小二乘拟合,对每只手臂的三个肌肉通道的fmean求取叠加平均后再进行最小二乘拟合。
依据肌肉疲劳过程中频谱左移的理论,fmean的变化率为负则表示肌肉存在疲劳现象,否则肌肉没有达到疲劳状态。
可以理解,(1)中的握力计读数和Borg疲劳程度量化表数据是肌肉疲劳的主观感受,属于对照组;(3)中的平均功率频率及其变化率,也作为对照组。
(4)利用上述本实施例的肌肉疲劳检测方法,分别对单块肌肉和多块肌肉的疲劳状况的量化评估。
其中,对多肌肉通道的肌肉疲劳量化,可以表征人体上肢整体疲劳状态。具体的,对上述手臂对应的3个肌肉通道进行疲劳量化评估如下:将步骤2)中对应每只手臂3个肌肉通道的表面肌电信号对应叠加,然后求取平均值。将得到300个数据段的平均值,该平均值代表整只手臂的表面肌电信号。然后,对这些数据进行步骤4)中的操作,将得到整只手臂(对应3个肌肉通道)的肌肉疲劳状态和肌肉疲劳动态趋势,对于该手臂未来一段时间内的肌肉疲劳也具有预测作用。
通过在实际的健身器材龙门架拉伸运动和下肢外骨骼机器人***中应用本实施例的肌肉疲劳检测方法并与传统肌肉疲劳检测方法所得到的结果进行对比,试验结果表明本实施例的肌肉疲劳检测方法具备具有较高的实时性和准确性。
基于此,在技术应用阶段,本申请还设置了以下人机协作任务:
上肢肌肉疲劳量化人机协作任务一:在外骨骼控制***无人体疲劳反馈的条件下,被测人员使用带有拐杖的下肢外骨骼机器人正常行走。同时,按照步骤(1)中采集手臂表面肌电信号的采集表面肌电数据,按步骤(4)进行肌肉疲劳量化。
上肢肌肉疲劳量化人机协作任务二:在外骨骼控制***有人体疲劳反馈的条件下,被测人员使用带有拐杖的下肢外骨骼机器人正常行走,疲劳阈值根据疲劳试验确定为WPEE=0.8,当单手的WPEE值低于阈值时将降低外骨骼行走的速度,给与上肢更多的疲劳恢复时间,缓解肌肉疲劳。同时,按照步骤(1)中采集手臂表面肌电信号的采集表面肌电数据,按步骤(4)进行肌肉疲劳量化。
上肢肌肉疲劳量化人机协作任务三:在外骨骼控制***无人体疲劳反馈,被测人员使用带有拐杖的下肢外骨骼机器人跨越障碍物。同时,按照步骤(1)中采集手臂表面肌电信号的采集表面肌电数据,按步骤(4)进行肌肉疲劳量化。
设置人机协作任务的目的是为了验证“无人体疲劳反馈”和“有人体疲劳反馈”这两种情况下,肌肉疲劳会产生差异。实验证明有肌肉疲劳反馈可以避免极度肌肉疲劳的发生,减少肌肉损伤,从而达到更好的人机协作效果。这也反映了疲劳检测的应用价值,不单单可以检测量化疲劳状况,还可以通过反馈疲劳状况改善疲劳状况。
本实施例的肌肉疲劳检测方法,依据肌肉疲劳时表面肌电信号的功率频谱中低频成分增加、高频成分减少和频谱左移的原理,通过获取目标肌肉的表面肌电数据,并按时序将表面肌电数据划分成多个数据段,联合使用小波包能量和信息熵,以计算各数据段的小波包能量熵,由于小波包能量熵本身的数值就能够表达肌肉疲劳状况,适合于静态和动态肌肉收缩的疲劳状态评估,因此基于小波包能量熵能够生成目标肌肉的肌肉疲劳指标,用于表征用户的疲劳状况,即本方法能够用于量化肌肉的疲劳程度,提高肌肉疲劳检测准确度。
请参阅图5,图5是本申请肌肉疲劳检测方法一实施例中S180的一具体流程示意图。
可选地,步骤S180基于小波包能量熵生成目标肌肉的肌肉疲劳指标,包括:
S181:将多个数据段的小波包能量熵进行归一化处理。
可以理解,小波包能量熵进行归一化处理后的值在0-1之间。
S182:在0-1之间划分出多个数值范围,并统计归一化后的小波包能量熵落入各数值范围的数量。
可选地,可在0-1之间均匀划分出多个数值范围。
S183:基于统计结果确定目标肌肉的疲劳程度。
由于小波包能量熵的值越小,表示人体疲劳程度越严重,不同的数值范围可表示不同的疲劳等级,因此基于统计结果能够确定目标肌肉的疲劳程度。
仍以上述应用场景举例,按照1s窗长分割表面肌电信号,步骤(1)中每个肌肉通道总共有5分钟的数据,滑窗处理将总共分割产生300个表面肌电信号数据段,即每个肌肉通道可以计算的总共300个对应的WPEE值。
为了进一步直观表达肌肉疲劳状况,对每个肌肉通道的WPEE值分别进行归一化处理,对归一化后的WPEE值进行均匀分层统计,依次分为WPEE∈[0,0.25),[0.25,0.5),[0.5,0.75),[0.75,1),并用百分比或者小数等表示在各个数值范围内的归一化后的小波包能量熵占总个数的比例,即进行分层统计。基于统计结果,WPEE值在低层级(即数值范围越小)的占比越大,则代表疲劳程度越深。例如,[0,0.25)表示肌肉已经处于极度疲劳状态,长期处于这一状态将对肌肉造成损伤;[0.75,1)表示肌肉处于可接受的疲劳状态,一般不会对肌肉造成损伤。
在一种实施方式,步骤S183可包括:
根据归一化后的小波包能量熵落入数量最多的数值范围确定目标肌肉的疲劳程度。
也就是说,若归一化后的小波包能量熵落入数量最多的数值范围为[0,0.25),则直接根据此结果确定肌肉已经处于极度疲劳状态。若归一化后的小波包能量熵落入数量最多的数值范围为[0.75,1),则直接根据此结果确定肌肉处于可接受的疲劳状态。
请参阅图6,图6是本申请肌肉疲劳检测方法一实施例中S180的另一具体流程示意图。
可选地,步骤S180基于小波包能量熵生成目标肌肉的肌肉疲劳指标,包括:
S184:根据多个数据段的小波包能量熵计算小波包能量熵随时间的变化率。
可选地,步骤S184可包括:
对多个数据段的小波包能量熵进行归一化处理;
对归一化后的小波包能量熵进行曲线拟合得到疲劳曲线,并获取疲劳曲线的斜率。
其中,曲线拟合可采用最小二乘法。
S185:基于变化率确定目标肌肉的疲劳趋势。
由于小波包能量熵的值越小,表示人体疲劳程度越严重,所以小波包能量熵的变化率为负则表示肌肉疲劳正在加剧,为正则表示肌肉正在从疲劳状态恢复。
此外,由于肌肉疲劳是一个渐进的过程,因此小波包能量熵的变化率在一定程度上也可以表示未来一段时间内肌肉的疲劳趋势。比如,若目前肌肉已经处于极度疲劳状态,由于疲劳恢复需要时间内,可预测未来一段时间内肌肉都将处于疲劳状态。
可以理解,本实施例中,图5和图6所示的方法可以结合,以同时确定目标肌肉的疲劳程度和目标肌肉的疲劳趋势。在一种实施方式中,在对多个数据段的小波包能量熵进行归一化处理后,可分别利用上述步骤S182和S183对归一化后的WPEE值进行分层统计,确定目标肌肉的疲劳程度;并利用步骤S184和S185确定目标肌肉的疲劳趋势。
请参阅图7,图7是本申请计算机设备一实施例的结构示意图。
本实施例中,计算机设备100包括处理器110和与处理器110连接的存储器120。存储器120用于存储程序数据,处理器110用于执行程序数据,以实现上述实施例中的肌肉疲劳检测方法。
其中,处理器110还可以称为CPU(Central Processing Unit,中央处理单元)。处理器110可能是一种集成电路芯片,具有信号的处理能力。处理器110还可以是通用处理器110、数字信号处理器110(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器110可以是微处理器110或者该处理器110也可以是任何常规的处理器110等。
请参阅图8,图8是本申请计算机可读存储介质一实施例的示意图。
计算机可读存储介质200用于存储程序数据210,程序数据210在被处理器执行时能够实现上述实施例中的肌肉疲劳检测方法。
可以理解的,本实施例中的计算机可读存储介质200可以应用于服务器,其具体的实施可以参考上述实施例,这里不再赘述。
在本申请所提供的几个实施方式中,应该理解到,所揭露的方法以及设备,可以通过其它的方式实现。例如,以上所描述的设备实施方式仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外,在本申请各个实施方式中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述其他实施方式中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分S。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请所提供的肌肉疲劳检测方法,该方法依据肌肉疲劳时表面肌电信号的功率频谱中低频成分增加、高频成分减少和频谱左移的原理,通过获取目标肌肉的表面肌电数据,并按时序将表面肌电数据划分成多个数据段,联合使用小波包能量和信息熵,以计算各数据段的小波包能量熵,由于小波包能量熵本身的数值就能够表达肌肉疲劳状况,适合于静态和动态肌肉收缩的疲劳状态评估,因此基于小波包能量熵能够生成目标肌肉的肌肉疲劳指标,用于表征用户的疲劳状况,即本方法能够用于量化肌肉的疲劳程度,提高肌肉疲劳检测准确度。
以上仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (11)
1.一种肌肉疲劳检测方法,其特征在于,包括:
获取目标肌肉的表面肌电数据;
按时序将所述表面肌电数据划分成多个数据段;
计算各所述数据段的小波包能量熵;
基于所述小波包能量熵生成所述目标肌肉的肌肉疲劳指标。
2.根据权利要求1所述的肌肉疲劳检测方法,其特征在于,所述计算各所述数据段的小波包能量熵的步骤包括:
对所述数据段进行小波包分解,以获取多个分解节点;
计算各所述分解节点的归一化小波包能量;
基于所述多个分解节点的归一化小波包能量,计算所述数据段的小波包能量熵。
4.根据权利要求1所述的肌肉疲劳检测方法,其特征在于,所述基于所述小波包能量熵生成所述目标肌肉的肌肉疲劳指标的步骤:
根据所述小波包能量熵与疲劳阈值的比较结果,确定所述目标肌肉的疲劳程度。
5.根据权利要求1所述的肌肉疲劳检测方法,其特征在于,所述基于所述小波包能量熵生成所述目标肌肉的肌肉疲劳指标的步骤:
将所述多个数据段的所述小波包能量熵进行归一化处理;
在0-1之间划分出多个数值范围,并统计归一化后的所述小波包能量熵落入各所述数值范围的数量;
基于统计结果确定所述目标肌肉的疲劳程度。
6.根据权利要求5所述的肌肉疲劳检测方法,其特征在于,所述基于统计结果确定所述目标肌肉的疲劳程度的步骤包括:
根据所述归一化后的小波包能量熵落入数量最多的所述数值范围确定所述目标肌肉的疲劳程度。
7.根据权利要求1所述的肌肉疲劳检测方法,其特征在于,所述基于所述小波包能量熵生成所述目标肌肉的肌肉疲劳指标的步骤:
根据所述多个数据段的所述小波包能量熵计算所述小波包能量熵随时间的变化率;
基于所述变化率确定所述目标肌肉的疲劳趋势。
8.根据权利要求7所述的肌肉疲劳检测方法,其特征在于,所述根据所述多个数据段的所述小波包能量熵计算所述小波包能量熵随时间的变化率的步骤:
对所述多个数据段的所述小波包能量熵进行归一化处理;
对归一化后的所述小波包能量熵进行曲线拟合得到疲劳曲线,并获取所述疲劳曲线的斜率。
9.根据权利要求1所述的肌肉疲劳检测方法,其特征在于,所述获取目标肌肉的表面肌电数据的步骤包括:
将多个所述目标肌肉的所述表面肌电数据进行叠加并取平均值。
10.一种计算机设备,其特征在于,所述计算机设备包括处理器以及与所述处理器连接的存储器;
其中,所述存储器用于存储程序数据,所述处理器用于执行所述程序数据,以实现如权利要求1-9任一项所述的肌肉疲劳检测方法。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储程序数据,所述程序数据在被处理器执行时,用于实现如权利要求1-9任一项所述的肌肉疲劳检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010734489.0A CN111904416A (zh) | 2020-07-27 | 2020-07-27 | 肌肉疲劳检测方法、计算机设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010734489.0A CN111904416A (zh) | 2020-07-27 | 2020-07-27 | 肌肉疲劳检测方法、计算机设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111904416A true CN111904416A (zh) | 2020-11-10 |
Family
ID=73280927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010734489.0A Pending CN111904416A (zh) | 2020-07-27 | 2020-07-27 | 肌肉疲劳检测方法、计算机设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111904416A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112957056A (zh) * | 2021-03-16 | 2021-06-15 | 苏州大学 | 利用协同网络的肌肉疲劳等级特征的提取方法及*** |
CN113288182A (zh) * | 2021-07-09 | 2021-08-24 | 深圳京柏医疗科技股份有限公司 | 一种盆底肌疲劳判断方法、盆底肌康复训练方法及装置 |
CN114366589A (zh) * | 2022-01-21 | 2022-04-19 | 珠海格力电器股份有限公司 | 按摩设备的控制方法、控制装置、存储介质及电子装置 |
CN114504334A (zh) * | 2022-02-07 | 2022-05-17 | 苏州微创畅行机器人有限公司 | 状态预测方法、装置、计算机设备和存储介质 |
CN115985463A (zh) * | 2023-03-17 | 2023-04-18 | 山东大学齐鲁医院 | 一种基于可穿戴式设备的实时预测肌肉疲劳度方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040019290A1 (en) * | 2002-07-24 | 2004-01-29 | Tanita Corporation | Muscle fatigue measuring equipment |
CN103345641A (zh) * | 2013-07-16 | 2013-10-09 | 杭州电子科技大学 | 基于小波包熵和支持向量机的手部肌电信号动作识别方法 |
CN104382595A (zh) * | 2014-10-27 | 2015-03-04 | 燕山大学 | 基于肌电信号与虚拟现实交互技术的上肢康复***及方法 |
CN107137080A (zh) * | 2017-05-25 | 2017-09-08 | 中国科学院深圳先进技术研究院 | 慢性腰痛患者肌肉活动状态判断方法及*** |
US20170354377A1 (en) * | 2016-06-10 | 2017-12-14 | Panasonic Intellectual Property Management Co., Ltd. | Muscle fatigue output device, muscle fatigue output method, and recording medium |
-
2020
- 2020-07-27 CN CN202010734489.0A patent/CN111904416A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040019290A1 (en) * | 2002-07-24 | 2004-01-29 | Tanita Corporation | Muscle fatigue measuring equipment |
CN103345641A (zh) * | 2013-07-16 | 2013-10-09 | 杭州电子科技大学 | 基于小波包熵和支持向量机的手部肌电信号动作识别方法 |
CN104382595A (zh) * | 2014-10-27 | 2015-03-04 | 燕山大学 | 基于肌电信号与虚拟现实交互技术的上肢康复***及方法 |
US20170354377A1 (en) * | 2016-06-10 | 2017-12-14 | Panasonic Intellectual Property Management Co., Ltd. | Muscle fatigue output device, muscle fatigue output method, and recording medium |
CN107137080A (zh) * | 2017-05-25 | 2017-09-08 | 中国科学院深圳先进技术研究院 | 慢性腰痛患者肌肉活动状态判断方法及*** |
Non-Patent Citations (2)
Title |
---|
张博文: ""基于SEMG的肌肉疲劳度评估及其在上肢康复产品设计中的应用研究"", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
陈伟婷等: "基于熵的动态收缩sEMG信号疲劳特征分析", 《中国医学物理学杂志》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112957056A (zh) * | 2021-03-16 | 2021-06-15 | 苏州大学 | 利用协同网络的肌肉疲劳等级特征的提取方法及*** |
CN112957056B (zh) * | 2021-03-16 | 2022-12-30 | 苏州大学 | 利用协同网络的肌肉疲劳等级特征的提取方法及*** |
CN113288182A (zh) * | 2021-07-09 | 2021-08-24 | 深圳京柏医疗科技股份有限公司 | 一种盆底肌疲劳判断方法、盆底肌康复训练方法及装置 |
CN114366589A (zh) * | 2022-01-21 | 2022-04-19 | 珠海格力电器股份有限公司 | 按摩设备的控制方法、控制装置、存储介质及电子装置 |
CN114504334A (zh) * | 2022-02-07 | 2022-05-17 | 苏州微创畅行机器人有限公司 | 状态预测方法、装置、计算机设备和存储介质 |
CN114504334B (zh) * | 2022-02-07 | 2024-04-26 | 苏州微创畅行机器人有限公司 | 状态预测方法、装置、计算机设备和存储介质 |
CN115985463A (zh) * | 2023-03-17 | 2023-04-18 | 山东大学齐鲁医院 | 一种基于可穿戴式设备的实时预测肌肉疲劳度方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111904416A (zh) | 肌肉疲劳检测方法、计算机设备以及存储介质 | |
Chen et al. | Characterization of surface EMG signal based on fuzzy entropy | |
Cifrek et al. | Surface EMG based muscle fatigue evaluation in biomechanics | |
Talib et al. | A review on crosstalk in myographic signals | |
Xie et al. | Classification of the mechanomyogram signal using a wavelet packet transform and singular value decomposition for multifunction prosthesis control | |
CN102622605B (zh) | 一种表面肌电信号的特征提取及动作模式识别方法 | |
Mokaya et al. | Burnout: a wearable system for unobtrusive skeletal muscle fatigue estimation | |
Dua et al. | Novel classification of coronary artery disease using heart rate variability analysis | |
CN103034837B (zh) | 特征参数与脉象要素的关联 | |
CN109498370B (zh) | 基于肌电小波关联维的下肢关节角度预测方法 | |
Meng et al. | Evaluation of decomposition parameters for high-density surface electromyogram using fast independent component analysis algorithm | |
CN114052744A (zh) | 基于脉冲神经网络的心电信号分类方法 | |
CN107320097B (zh) | 利用肌电信号边际谱熵提取肌肉疲劳特征的方法和装置 | |
Tu et al. | Lower limb motion recognition based on surface electromyography | |
Sonmezocak et al. | Detection of EMG signals by neural networks using autoregression and wavelet entropy for bruxism diagnosis | |
Wu et al. | Classification and simulation of process of linear change for grip force at different grip speeds by using supervised learning based on sEMG | |
Gürüler et al. | Feature selection on single-lead ECG for obstructive sleep apnea diagnosis | |
Chan et al. | Estimating heart rate from seismocardiogram signal using a novel deep dominant frequency regressor and domain adversarial training | |
Sarillee et al. | Classification of muscle fatigue condition using multi-sensors | |
Marri et al. | Analysis of biceps brachii muscles in dynamic contraction using sEMG signals and Multifractal DMA algorithm | |
Wahyunggoro et al. | DWT analysis of sEMG for muscle fatigue assessment of dynamic motion flexion-extension of elbow joint | |
Marri et al. | Analyzing the influence of curl speed in fatiguing biceps brachii muscles using sEMG signals and multifractal detrended moving average algorithm | |
CN106983511B (zh) | 肌力与肌张力状态突变点的识别方法及识别装置 | |
Suganthi et al. | Evaluation of muscle fatigue based on SEMG using deep learning techniques | |
Hu et al. | Evaluation of emg feature extraction for classification of exercises in preventing falls in the elderly |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201110 |