面向康复训练评估的多肌群sEMG特征融合与筛选

杨箫; 孙江宏; 高可可; 胡福清; 马超; 周福强

doi:10.12404/j.issn.1671-1815.2506614

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (15) :6317-6325 DOI: 10.12404/j.issn.1671-1815.2506614

医药、卫生

面向康复训练评估的多肌群sEMG特征融合与筛选

杨箫 ¹ ,
孙江宏 ¹^,²^,^* ,
高可可 ¹ ,
胡福清 ¹ ,
马超 ¹^,³ ,
周福强 ¹^,³

作者信息 +

Fusion and Selection of Multi-muscle sEMG Features for Rehabilitation Training Assessment

YANG Xiao ¹ ,
SUN Jiang-hong ¹^,²^,^* ,
GAO Ke-ke ¹ ,
HU Fu-qing ¹ ,
MA Chao ¹^,³ ,
ZHOU Fu-qiang ¹^,³

Author information +

文章历史 +

摘要

为解决单一肌肉群表面肌电(surface electromyography,sEMG)信号在康复训练评估中参考性不足的问题,通过对多肌群sEMG特征融合与筛选研究,为慢性疼痛患者与运动功能障碍群体提供高精度的量化评估方法。同步采集20名健康受试者肱二头肌、肱三头肌及肱桡肌的sEMG信号与主观疲劳评分(ratings of perceived exertion, RPE),通过小波去噪与特征提取获得时域[均方根值(root mean square,RMS)]与频域[中值频率(median frequency,MF)]特征,并分析其与RPE之间的相关性。基于Pearson相关系数筛选显著特征,构建线性回归(linear regression,LR)、支持向量机回归(support vector machine regression,SVMR)、套索回归(Lasso)及逐步回归(stepwise regression,SWR)模型对融合特征进行建模比较。结果表明:SVMR模型融合三肌肉群RMS与MF特征时性能最优,肱桡肌RMS与RPE的相关性最高(r = 0.841),均方误差(mean square error,MSE)为0.077,较单一模型降低78%,判定系数R²达0.950,评估准确率提升35%。提出的多肌群sEMG特征处理与建模方法,能有效提高康复训练评估的精度,具有良好的临床推广与应用潜力。

Abstract

In order to address the limitation that surface electromyography (sEMG) signals from a single muscle group provide insufficient reference for rehabilitation training assessment, the multi-muscle sEMG feature fusion and selection method was proposed to provide a high-precision quantitative evaluation for patients with chronic pain and motor dysfunction. sEMG signals of the biceps brachii, triceps brachii, and brachioradialis were synchronously collected from 20 healthy subjects along with their ratings of perceived exertion (RPE). Wavelet denoising and feature extraction were performed to obtain time-domain (root mean square, RMS) and frequency-domain (median frequency, MF) features, and their correlations with RPE were further analyzed. Significant features were selected based on Pearson correlation coefficients, and multiple regression models—including linear regression (LR), support vector machine regression (SVMR), Lasso regression, and stepwise regression (SWR)—were constructed and compared. Results show that the SVMR model achieved the best performance when fusing RMS and MF features of the three muscle groups, with the RMS of the brachioradialis exhibiting the highest correlation with RPE (r = 0.841). The mean square error (MSE) is 0.077, representing a 78% reduction compared with single-muscle models, while the coefficient of determination (R²) reached 0.950, corresponding to a 35% improvement in evaluation accuracy. The proposed multi-muscle sEMG feature processing and modeling method can effectively enhance the accuracy of rehabilitation training assessment and demonstrates promising potential for clinical application and translation.

Graphical abstract

关键词

表面肌电 / 康复训练评估 / 多肌群 / 特征融合 / 回归模型 / 判定系数

Key words

surface electromyography / rehabilitation training assessment / multi-muscle / feature fusion / regression model / coefficient of determination

引用本文

引用格式 ▾

杨箫, 孙江宏, 高可可, 胡福清, 马超, 周福强. 面向康复训练评估的多肌群sEMG特征融合与筛选[J]. 科学技术与工程, 2026, 26(15): 6317-6325 DOI:10.12404/j.issn.1671-1815.2506614

YANG Xiao, SUN Jiang-hong, GAO Ke-ke, HU Fu-qing, MA Chao, ZHOU Fu-qiang. Fusion and Selection of Multi-muscle sEMG Features for Rehabilitation Training Assessment[J]. Science Technology and Engineering, 2026, 26(15): 6317-6325 DOI:10.12404/j.issn.1671-1815.2506614

登录浏览全文

4963

注册一个新账户忘记密码

近年来,老龄化进程加速与脑血管疾病后遗症频发^[1-2],肢体运动障碍患者数量激增。据残疾人联合会统计,中国有超八千万残疾人口^[3],肢体残疾占比最高^[4]。康复训练作为恢复运动功能的重要手段,多数医院康复科借助康复机器人对上肢瘫痪者进行康复训练^[5-6],其评估方法的精准性与客观性日益受到临床关注^[7-9]。

表面肌电(surface electromyography, sEMG)通过检测肌肉与神经电活动,在非侵入条件下能直接反映肢体运动的微观生理响应^[10-11],相较传统基于运动力矩、关节角度等指标的评估手段,具有操作简便、信号响应快等显著优势^[12],现已广泛应用于肌肉疲劳监测、运动状态识别和康复评估等领域。已有研究多聚焦于单肌肉群sEMG特征分析:Yu等^[13]利用二头肌和肱桡肌的均方根值(root mean square, RMS)表征肌肉激活度;Giovanni等^[14]通过中值频率(median frequency, MF)频域特征表征肌肉疲劳水平;Liao等^[15]基于时域特征构建非线性评估模型(RMS波动峰值为0.28 mV)对肌电波动进行预测。然而因生理结构差异、采集位置变化和信噪比波动等因素,单肌肉群分析存在稳定性差和个体适应性差等问题^[16]。临床实践中仍需依赖患者的主观疲劳感评分(rating of perceived exertion, RPE)进行辅助决策。

为提升评估精度,部分学者尝试多特征融合策略,刘光达等^[17]通过时域、频域特征融合提升单肌肉群线性回归模型性能(R² = 0.739 8),但其研究未涉及多肌肉群间协同特征的潜在价值,限制了评估模型的泛化能力与适用范围。鉴于肢体运动高度依赖多肌肉群协同控制,单一肌群特征难以全面刻画运动状态,采用多肌肉群融合特征探讨和系统性康复评估机制可解决仅使用肌电信号准确性低的问题^[18]。Roksela^[19]通过肱二头肌-肱三头肌sEMG活性评估神经系统疾病,Matteo^[20]基于肱二头肌-肱桡肌特征构建上肢康复评估模型,Ding等^[21]进一步证实多肌肉群特征在口腔康复评估中的性别适应性差异,王辉等^[22]研究多肌肉群肌电和肌动信号的差异,并发现两者均能可靠评估肌肉痉挛等级。以上研究为多特征融合提供理论依据,但现有方法仍局限于单一特征类型(时域或频域)或简单线性回归模型,尚未建立系统性评估框架。

针对上述问题,现构建多肌群sEMG时频域特征融合筛选框架,以克服单一肌群或单一特征评估的局限性。与现有研究相比,本文研究系统性融合上肢三个核心肌群(肱二头肌、肱三头肌与肱桡肌)的时域与频域特征,并深入对比线性回归、支持向量机回归、套索回归及逐步回归共4种模型在处理此类融合特征时的性能。通过对20名健康受试者sEMG信号与主观疲劳评分的同步采集分析,并基于Pearson相关性进行特征筛选。构建的一套从信号预处理、特征筛选到模型构建与评估的完整流程,显著提升疲劳评估的精度与鲁棒性,可为建立客观、系统化的康复训练评估体系提供直接应用的方法学支持与理论依据,也为后续融合运动学信息的多模态评估研究奠定基础。

1 上肢多肌肉sEMG群信号采集试验

1.1 试验设计与原理

纳入20名健康受试者(男、女各10人),年龄22~28岁,体重为(64±10) kg,身高为(166±12) cm,均符合《中国居民营养与慢性病状况报告(2020)》标准。所有受试者无神经、肌肉或骨骼系统疾病史,试验前24 h内未进行剧烈运动,签署知情同意书并通过伦理审查。

聚焦上肢核心肌群——肱二头肌、肱三头肌和肱桡肌,RPE为临床常用机体主观疲劳感受和局部肌肉疲劳状态评估标准^[23],采用多通道表面肌电(sEMG)信号同步采集与主观疲劳感评分(RPE)联合记录的方式,研究多肌肉群时频域特征在肌肉疲劳评估中的协同作用机制。

1.2 试验流程

试验流程如图1所示。

(1)试验准备阶段:完成健康审查及知情同意书签署后,对受试者目标肌群使用75%医用酒精消毒脱脂,贴附X-1型Ag/AgCl电极(杭州迅达公司)标准化电极布置位置。

(2)预试验校准:受试者取坐姿,固定上肢于康复训练装置中,进行短时准备活动以熟悉RPE流程;同时采集sEMG信号并调整参数,直至波形稳定(基线噪声 < 5 μV)。

(3)试验采集阶段:将康复机器人调节至恒定角速度(0.5 rad/s),同步启动sEMG采集与RPE记录。受试者完成2 min肘关节屈伸运动训练,在第0~30秒(初期)、第60~90秒(中期)与第150~180秒(末期)分别记录RPE。为保证数据一致性,每位受试者3次实验间隔5~10 min。

(4)数据质量控制:每名受试者完成3次试验,剔除运动幅度偏差大于10%的异常数据。原始sEMG信号经滑动平均法(窗口宽度200 ms)降噪处理,同一肌群试验数据取平均值以降低个体差异,共获得180组有效数据用于后续分析。

1.3 试验设备参数

采集系统采用RM6280C多道生理信号采集仪(成都仪器厂),配置参数如下:生物电通道模式、时间常数0.02 s、高通滤波1 kHz、灵敏度1 mV/div、采样率10 kHz、扫描速度800 ms/div,并启用50 Hz陷波器以抑制工频干扰。

2 多肌肉群sEMG信号处理

2.1 信号预处理

为减少噪声引起sEMG信号异常,构建两级预处理流程。

(1)去均值:为去除固有噪声对信号中心波长的交叉干扰,需对原始信号逐一去均值,消除基线偏移,原始信号经帧数长度T滑动窗口去均值处理,消除设备固有噪声,计算公式为

(1)

$\mathrm{s}\mathrm{E}\mathrm{M}{\mathrm{G}}_{\mathit{i}1}\left(\mathit{t}\right)=\mathrm{s}\mathrm{E}\mathrm{M}{\mathrm{G}}_{\mathit{i}0}\left(\mathit{t}\right)-\frac{1}{\mathit{T}}{\int }_{\mathit{t}}^{\mathit{t}+\mathit{T}}\mathrm{s}\mathrm{E}\mathrm{M}{\mathrm{G}}_{\mathit{i}0}\left(\mathit{t}\right)\mathrm{d}\mathit{t}$

式(1)中:sEMG_i0(t)为原始信号t时刻幅度;sEMG_i1(t)为原始信号t时刻去均值后的幅度。

(2)去除异常值:去除异常值需先对去均值信号二次去均值提高其集中程度,再利用标准差反映数据集离散程度,将绝对值大于3倍标准差部分作为异常值剔除,并将非异常值保留为非异常信号,公式如下。

①二次去均值:

(2)

$\mathrm{s}\mathrm{E}\mathrm{M}{\mathrm{G}}_{\mathit{i}2}\left(\mathit{t}\right)=\mathrm{s}\mathrm{E}\mathrm{M}{\mathrm{G}}_{\mathit{i}1}\left(\mathit{t}\right)-\frac{1}{\mathit{T}}{\int }_{\mathit{t}}^{\mathit{t}+\mathit{T}}\mathrm{s}\mathrm{E}\mathrm{M}{\mathrm{G}}_{\mathit{i}1}\left(\mathit{t}\right)\mathrm{d}\mathit{t}$

式(2)中:sEMG_i2(t)为原始信号t时刻二次去均值后的幅度。

②判断异常值:判断异常值和非异常值^[24],公式为

(3)

$\left\{\begin{array}{l}\left|\mathrm{s}\mathrm{E}\mathrm{M}{\mathrm{G}}_{\mathit{i}2}\left(\mathit{t}\right)\right|>3\sqrt{\frac{1}{\mathit{T}}{\int }_{\mathit{t}}^{\mathit{t}+\mathit{T}}\mathrm{s}\mathrm{E}\mathrm{M}{\mathrm{G}}_{\mathit{i}2}^{2}\left(\mathit{t}\right)\mathrm{d}\mathit{t}}\\ \left|\mathrm{s}\mathrm{E}\mathrm{M}{\mathrm{G}}_{\mathit{i}2}\left(\mathit{t}\right)\right|\le 3\sqrt{\frac{1}{\mathit{T}}{\int }_{\mathit{t}}^{\mathit{t}+\mathit{T}}\mathrm{s}\mathrm{E}\mathrm{M}{\mathrm{G}}_{\mathit{i}2}^{2}\left(\mathit{t}\right)\mathrm{d}\mathit{t}}\end{array}\right.$

2.2 自适应小波去噪

sEMG微弱且易受噪声干扰,为得到更多有用且与原始信号相似性强的信号,分离sEMG信号中的生理噪声与工频干扰,采用小波去噪方法。相较于传统滤波器,小波去噪特别适用于sEMG这类非平稳信号,能在有效去噪的同时更好地保留信号的突变细节和时频特性。

具体采用db4小波基函数进行3层分解^[25]:获取低频近似系数A_n(n=1,2,3)和高频细节系数D_n(n=1,2,3),对高频系数实施改进SUREShrink软阈值法(阈值自适应调整),抑制随机噪声;最后重构信号sEMG(t),通过对比分析原始和重构信号变化规律一致性进而验证所采集信号有效性。

2.3 时频域特征提取

为全面提取肌肉电信号在不同维度的显著特征,基于信号时域与频域的物理特性,选取均方根值(RMS)与中值频率(MF)作为表征特征^[26]。

(1)时域特征(RMS)提取:时域特征反映信号随时间维度变化规律,计算滑动窗口(200 ms)均方根值,表征肌肉激活强度为

(4)

$\mathrm{R}\mathrm{M}\mathrm{S}=\sqrt{\frac{1}{\mathit{T}}{\int }_{\mathit{t}}^{\mathit{t}+\mathit{T}}\mathrm{s}\mathrm{E}\mathrm{M}{\mathrm{G}}^{2}\left(\mathit{t}\right)\mathrm{d}\mathit{t}}$

式(4)中:sEMG(t)为t时刻表面肌电信号幅度。

(2)频域特征(median frequency, MF)提取:为分析肌肉活动状态,通过快速傅里叶变换(fast Fourier transform, FFT)获取功率谱密度(power spectral density, PSD), 提取中值频率反映肌肉疲劳程度公式为

(5)

$\mathrm{M}\mathrm{F}=\frac{1}{2}{\int }_{0}^{\mathit{\infty }}\mathrm{P}\mathrm{S}\mathrm{D}\left(\mathit{f}\right)\mathrm{d}\mathit{f}$

式(5)中:f为表面肌电信号频率;PSD(f)为表面肌电信号功率谱密度函数。

2.4 多模型回归分析

(1)特征相关性筛选:基于SPSS26统计学软件Pearson系数法,量化特征RMS、MF与RPE关联性,设定显著性P<0.05为具有统计学意义,筛选显著特征,相关系数r计算公式为

(6)

$\mathit{r}=\frac{\mathrm{c}\mathrm{o}\mathrm{v}(\mathit{X},\mathit{Y})}{{\mathit{\sigma }}_{\mathit{X}}{\mathit{\sigma }}_{\mathit{Y}}}$

式(6)中:cov(X,Y)为变量X和Y的协方差;σ_X和σ_Y分别为变量X和Y的标准差。

(2)回归模型构建与验证:对比线性回归(linear regression,LR)、支持向量机回归(support vector machine regression,SVMR,径向基核函数γ=0.1)、套索回归(Lasso,α=0.01)及逐步回归(stepwise regression,SWR)提高其生成统计模型的预测精度和可解释性,采用判定系数R²与均方误差(mean square error,MSE)衡量模型预测能力,公式为

(7)

${\mathit{R}}^{2}=1-\frac{\stackrel{\mathit{m}}{\sum _{\mathit{i}=1}}({\stackrel{\wedge }{\mathit{y}}}_{\mathit{i}}-{\mathit{y}}_{\mathit{i}}{)}^{2}}{\stackrel{\mathit{m}}{\sum _{\mathit{i}=1}}(\stackrel{-}{\mathit{y}}-{\mathit{y}}_{\mathit{i}}{)}^{2}}$

(8)

$\mathrm{M}\mathrm{S}\mathrm{E}=\frac{1}{\mathit{m}}\stackrel{\mathit{m}}{\sum _{\mathit{i}=1}}({\mathit{y}}_{\mathit{i}}-{\stackrel{\wedge }{\mathit{y}}}_{\mathit{i}}{)}^{2}$

式中:${\stackrel{\wedge }{\mathit{y}}}_{\mathit{i}}$为预测值;y_i为真实值;$\stackrel{-}{\mathit{y}}$为均值。

3 试验结果及分析

3.1 采集信号质量验证

以肱二头肌为例,根据第2节方法对原始信号去噪得到重构信号变化规律如图2所示。由于sEMG为微伏级信号,原始信号周期性明显(主频段20~150 Hz),波动稳定(方差σ²=0.032 V²)、幅值符合sEMG典型微伏级信号特征(范围均在-0.5~ 0.5 V),表明原始信号受噪声干扰小。经预处理后重构信号与原始信号对比可知两者具有强相似性,验证了本文所采集信号的有效性。

经以上方法对每名受试者去噪,为提高数据信噪比,构建30点5次方3阶平滑算法模型对每组数据平滑处理,为提高同肌肉群3组数据对比有效性,采用Butterworth四阶低通滤波器(截止频率40 Hz)与Savitzky-Golay平滑算法(30点,五次多项式)对每名受试者同一肌肉群的三次重复试验数据进行平滑处理,变化规律如图3所示。

由图3可知,受试者同一个肌肉群所采集3组数据信号规律均一致,经过预处理均具有明显周期性变化且仅存在微小数值差异,表明同肌肉群所测3组数据均能表达肌肉微观响应。变化相异部分产生原因在于受试上肢运动过程中动作无法保持完全一致,但在允许波动范围内且影响较小。进一步对每名受试者同肌肉群3组数据进行均值处理,得sEMG原始分析数据并提取信号时频域特征。

3.2 多肌群sEMG时域特征分析

以单个受试者为例,对多肌肉群各选取500个采样点,并计算时域特征均方根值(RMS)以反映肌肉激活强度,结果如图4所示。

由图4可知:①肱二头肌整体呈增大趋势,RMS振幅为0.025~0.05 mV,最大峰值0.18 mV,单次波动最大值0.11 mV;②肱三头肌整体呈增大趋势:RMS振幅为0.01~0.1 mV,最大峰值0.2 mV,单次波动最大值0.16 mV;③肱桡肌整体呈减小趋势:RMS振幅为0.025~0.08 mV,最大峰值0.18 mV,单次波动最大值0.15 mV。

结果显示不同肌肉群RMS特征的变化趋势存在明显差异,单一肌肉时域特征难以全面刻画疲劳状态,亟需多肌群联合特征以提高评估准确性。

3.3 多频域特征变化与疲劳特征提取

通过快速傅里叶变换(FFT)提取运动初期与末期的频域特征,肌肉疲劳前后变化规律如图5所示。

运动初、末期对应肌肉疲劳前、后,为得到肌肉纤维活动量和能量情况以分析肌肉疲劳前后特征变化规律,故对多肌肉群运动初期和末期的MF(衡量发力纤维数量)和最大幅度进行测定(反映肌肉能量值)。由于不同肌肉群sEMG特征参数量纲不同,采用min-max标准化法^[27]对数据集归一化处理,将原始数据映射到[0,1]区间,得到多肌肉群运动初期和末期疲劳特征(表1)。公式为

(9)

${\mathit{x}}^{\mathrm{*}}=\frac{\mathit{x}-\mathrm{m}\mathrm{i}\mathrm{n}\mathit{P}}{\mathrm{m}\mathrm{a}\mathrm{x}\mathit{P}-\mathrm{m}\mathrm{i}\mathrm{n}\mathit{P}}$

式(9)中:x为原始数据;maxP和minP分别为特征P的最大值和最小值。

由表1可知,肱二头肌、肱三头肌和肱桡肌末期发力纤维数量分别减少为初期的75%、50%和60%;最大能量值分别增大为初期的166%、233%和152%,能量值随疲劳显著上升,反映剩余发力纤维需承担更大负荷以维持相同输出力。

MF的下降表明随着疲劳加剧,肌肉可动用的高速纤维数量减少,且不同肌肉群降幅差异显著,其与最大能量值呈负相关变化,原因在于上肢发出相同力时,发力纤维减少则分配给发力纤维剩余部分的力加大。因此,MF对不同肌肉群疲劳具有区分性和代表性,同时其与RMS随肌肉疲劳变化趋势相反,通过两者结合使康复训练评估更具临床参考性。

3.4 sEMG特征与RPE的相关性与个体差异分析

为探究sEMG特征在不同肌肉群与受试者间的差异性及其对疲劳评估的影响,统计20名受试者(男女各10名)的多肌肉群RMS、MF及RPE(表2),并对RMS与MF进行归一化处理(图6、图7)。进一步采用Pearson相关性分析验证各特征与RPE的关联性,得到各系数均具有显著性(P<0.05)如表3所示。

个体差异显著性:单肌肉群RMS与MF在受试者间呈现显著差异(图6、图7),表明肌肉活动模式存在个体特异性。

性别差异:男性受试者中观察到MF = 1(归一化最大值),提示男性康复训练中肌肉力量表现更优;女性受试者MF整体高于男性,可能与动作执行速度较慢、肌肉持续激活时间延长有关。

肌肉功能:肱三头肌与肱桡肌的MF在男女间差异较小(图7),可能因协同肌肉群的功能代偿机制。肱二头肌的MF值显著高于其他肌肉,与其作为上肢主动发力肌群相关。

根据表3可知,单个特征与 RPE具有不同程度的相关性,表明单个特征评估准确性低。为进一步验证单一特征模型的评估能力,分别建立其与RPE之间的LR、SVMR、Lasso、SWR回归模型,并比较判定系数R²指标。

由图6和图 7可知,不同受试者单肌肉群RMS和MF差异大,同时肱三头肌和肱桡肌MF在男性和女性中差异较小,男性不同受试者出现MF = 1,表明男性康复训练肌肉力量有更好表现。

肱二头肌较其他两部分肌肉具有更大的MF值,该现象与肱二头肌为主要发力肌肉有关,同时女性该肌肉MF整体大于男性,原因在于女受试者康复训练中动作较缓慢该值更大。

由表4可知,肱桡肌RMS的R²为0.690~0.702,其余肌肉群特征的R²在0.177~0.412,从而验证单个特征对肌肉疲劳评估准确性差,因此,以判定系数R²作为评估指标,进一步进行多个肌肉群sEMG时域和频域融合特征康复训练评估方法研究。

3.5 多肌群融合特征模型构建与评估

为提升上肢肌肉疲劳评估的准确性,构建线性回归(LR)、支持向量回归(SVMR)、套索回归(Lasso)和逐步回归(SWR)等回归模型。模型使用肱二头肌、肱三头肌和肱桡肌的RMS与MF作为自变量,以RPE为因变量。通过决定系数R²量化融合特征在表征肌肉疲劳方面的能力^[28]。主要结果如下。

(1)融合特征的优势:如图8所有融合特征模型的R²值均显著高于单一肌肉特征模型。其中,肱二头肌的MF与肱桡肌的RMS构成的最佳二元融合组合取得了最高的R² = 0.802,证明跨肌群特征融合在疲劳表征中的有效性。

(2)模型性能对比:如图9所示,SVMR 模型在所有模型中表现最优,其MSE最低0.077,相较于SWR模型(MSE = 0.350)下降78%。结果验证 SVMR 在处理多肌群特征融合时的鲁棒性。

(3)多肌群融合判定:将三组肌肉群的RMS和MF特征融合,提升肌肉疲劳表征效果。线性回归模型中,多肌群融合特征模型的 R²达0.950,相较于单肌群模型(R²= 0.702),提高35%(图10),各回归模型中观察到类似性能提升。

(4)系统化评估框架:融合基于 R²的多肌群sEMG融合特征评估流程(图11),集成特征提取、特征筛选与多模型建模分析,为临床康复训练评估提供通用性框架。其中,肱二头肌MF与肱桡肌RMS的特征组合结合SVMR模型,形成具备现实应用价值的评估工具。

4 结论

围绕康复训练评估问题开展多肌群sEMG特征融合与筛选研究,融合肱二头肌、肱三头肌和肱桡肌的时域与频域特征,构建多种回归模型实现主观疲劳评分(RPE)的预测与分析,得到如下结论。

(1)相较LR(MSE = 0.29)、Lasso(MSE = 0.194)和SWR(MSE = 0.350)回归模型,SVMR (MSE = 0.077)对sEMG 融合特征康复训练评估效果更优,准确性较单一模型降低78%。

(2)多肌群特征融合模型在SVMR下R²值达0.950,评估准确性较最佳单肌群模型(R² = 0.702)提升35%;其中肱二头肌MF与肱桡肌RMS的二元融合特征组合(R² = 0.802),相比最佳单特征模型性能提升了约14%。

(3)建立包含信号预处理、特征筛选与建模评估在内的完整评估流程,具备良好扩展性和应用潜力,为康复训练中的肌肉疲劳监测提供量化依据。

未来工作将面向特定病理人群开展方法验证,进一步融合运动学与肌力参数,构建实时反馈的多模态康复训练评估系统。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	洪小慧, 黄黎, 李佩玲, 等. 个体化康复延伸服务在脑卒中肢体功能障碍患者中的应用研究[J]. 现代医药卫生, 2025, 41(2): 417-420.

[2]	Hong Xiaohui, Huang Li, Li Peiling, et al. Application of individualized extended rehabilitation service in stroke patients with limb dysfunction[J]. Modern Medicine & Health, 2025, 41(2): 417-420.

[3]	Xiong L H, Li X Z, Lu X, et al. Impact of early refined nursing program on prognosis of middle-aged and elderly patients with cognitive dysfunction combined with cerebral infarction[J]. World Journal of Psychiatry, 2024, 14(7): 1034-1042.

[4]	唐瑞瑞, 胡龙军, 徐桔密, 等. 上海市标准化残疾人辅助器具服务社建设现状调查[J]. 医学与社会, 2023, 36(2): 19-23.

[5]	Tang Ruirui, Hu Longjun, Xu Jumi, et al. Investigation on status quo of the standard assistive devices agencies construction for the disabled in Shanghai[J]. Medicine and Society, 2023, 36(2): 19-23.

[6]	卫琳敏, 卢健, 袁红, 等. 辅助器具全程管理模式对社区肢体残疾人日常生活活动能力的影响[J]. 上海医药, 2024, 45(6): 42-44, 57.

[7]	Wei Linmin, Lu Jian, Yuan Hong, et al. Study of the effect of the whole-process management mode of assistive devices on the activities of daily living of physically disabled people[J]. Shanghai Medical & Pharmaceutical Journal, 2024, 45(6): 42-44, 57.

[8]	尚岳伟, 陶庆, 周智伟, 等. 一种串联式肘腕关节康复机器人研制[J]. 科学技术与工程, 2025, 25(27): 11676-11682.

[9]	Shang Yuewei, Tao Qing, Zhou Zhiwei, et al. Development of a series rehabilitation robot for wrist joint[J]. Science Technology and Engineering, 2025, 25(27): 11676-11682.

[10]	廖斌, 陆佳琪, 李煜, 等. 基于绳牵引并联机构的上肢康复机器人设计[J]. 科学技术与工程, 2022, 22(32): 14229-14236.

[11]	Liao Bin, Lu Jiaqi, Li Yu, et al. Design of an upper limb rehabilitation robot based on a cable-driven parallel mechanism[J]. Science Technology and Engineering, 2022, 22(32): 14229-14236.

[12]	Shi L, Wang R, Zhao J, et al. Detection of rehabilitation training effect of upper limb movement disorder based on MPL-CNN[J]. Sensors, 2024, 24(4): 1105.

[13]	Aleksandra R, Anna L. The usefulness of surface electromyography in rehabilitation and physiotherapy: systematic review[J]. Pomeranian Journal of Life Sciences, 2020, 66(3): 49-56.

[14]	Xue H, Yan Z, Feng W, et al. Musculoskeletal rehabilitation status monitoring based on sEMG[J]. Mobile Information Systems, 2021(1): 4482578.

[15]	Liu Y, Li X L, Zhu A B, et al. Design and evaluation of a surface electromyography-controlled lightweight upper arm exoskeleton rehabilitation robot[J]. International Journal of Advanced Robotic Systems, 2021, 18(3): 17298814211003461.

[16]	Jaehyung K, Byunggook K, Yeonggwan I. Surface electromyography for evaluating patients with oromandibular dystonia[J]. CRANIO : The Journal of Craniomandibular Practice, 2021, 42(3): 1-9.

[17]	He J, Niu X, Zhao P, et al. From forearm to wrist: deep learning for surface electromyography-based gesture recognition[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering : A Publication of the IEEE Engineering in Medicine and Biology Society, 2024, 32: 102-111.

[18]	Yu B, Zhang X, Cheng Y, et al. The effects of the biceps brachii and brachioradialis on elbow flexor muscle strength and spasticity in stroke patients[J]. Neural Plasticity, 2022(1): 1295908.

[19]	Giovanni C, Silvia C. A simulation study to assess the factors of influence on mean and median frequency of sEMG signals during muscle fatigue[J]. Sensors, 2022, 22(17): 6360.

[20]	Liao F Y, Zhang X Y, Cao C H M, et al. Effects of muscle fatigue and recovery on complexity of surface electromyography of biceps brachii[J]. Entropy, 2021, 23(8): 1036.

[21]	Yun I, Jeung J, Song Y H, et al. Non-invasive quantitative muscle fatigue estimation based on correlation between sEMG signal and muscle mass[J]. IEEE Access, 2020, 8: 191751-191757.

[22]	刘光达, 董梦坤, 许蓝予, 等. 手臂疲劳时表面肌电信号特征[J]. 科学技术与工程, 2021, 21(25): 10690-10696.

[23]	Liu Guangda, Dong Mengkun, Xu Lanyu, et al. Characteristic analysis of surface electromyography signal in arm fatigue[J]. Science Technology and Engineering, 2021, 21(25): 10690-10696.

[24]	Moniri A, Terracina D. Real-time forecasting of sEMG features for trunk muscle fatigue using machine learning[J]. IEEE Transactions on Bio-medical Engineering, 2020, 68(2): 718-727.

[25]	Roksela A. Evaluation of neurological disorders in isokinetic dynamometry and surface electromyography activity of biceps and triceps muscles[J]. The Latest Developments and Challenges in Biomedical Engineering, 2024, 746: 151-162.

[26]	Matteo B P. Upper and lower limb performance fatigability in people with multiple sclerosis investigated through surface electromyography: a pilot study[J]. Physiological Measurement, 2020, 41(2), 457-462.

[27]	Ding Y, Zhou S, Zeng L. Optimal parameters for rapid evaluation of muscle fatigue degree by surface electromyograph[J]. Analytical and Quantitative Cytopathology and Histopathology, 2022, 43(6): 659-668.

[28]	王辉, 黄品高, 张元康, 等. 基于肌电与肌动同步解析的肌肉痉挛评测方法[J]. 仪器仪表学报, 2019, 40(8): 176-183.

[29]	Wang Hui, Huang Pingao, Zhang Yuankang, et al. Muscle spasm evaluation method based on synchronous analysis of electromyography and muscle movement[J]. Journal of Instrumentation, 2019, 40 (8): 176-183.

[30]	Zhong S, Jia N, Qu Y, et al. Analysis and study on biomarkers of local muscle fatigue caused by repetitive lifting task[J]. BMC Musculoskeletal Disorders, 2024, 25(1): 660.

[31]	Kahl L, Hofmann U G. Comparison of algorithms to quantify muscle fatigue in upper limb muscles based on sEMG signals[J]. Medical Engineering & Physics, 2016, 38(11): 1260-1269.

[32]	潘礼正, 宋爱国, 徐国政, 等. 基于SVM-GDFNN的上肢康复训练机器人处方诊断[J]. 机械工程学报, 2013, 49(13): 17-23.

[33]	Pan Lizheng, Song Aiguo, Xu Guozheng, et al. Prescription diagnosis of upper limb rehabilitation training robot based on SVM-GDFNN[J]. Chinese Journal of Mechanical Engineering, 2013, 49(13): 17-23.

[34]	Liu Q, Liu Y, Zhang C, et al. sEMG-based dynamic muscle fatigue classification using SVM with improved whale optimization algorithm[J]. IEEE Internet of Things Journal, 2021, 8(23): 16835-16844.

[35]	Shantal M, Othman Z, Bakar A A. A novel approach for data feature weighting using correlation coefficients and min-max normalization[J]. Symmetry, 2023, 15: 2185.

[36]	Noushin F G, Stefano S, Giacomo S, et al. Assessing aberrant muscle activity patterns via the analysis of surface EMG data collected during a functional evaluation.[J]. BMC Musculoskeletal Disorders, 2019, 20(1): 13.