基于注意机制和表面肌电信号的疲劳评估

物联网和网络物理系统3（2023）112基于注意机制和表面肌电信号的疲劳评估方法党玉坤a，刘梓桐b，XiX，杨中a，葛林强c，苗盛b，d，*a青岛大学计算机科学技术学院&b青岛理工大学信息与控制工程学院，青岛，266520c计算机科学学院，哥伦布州立大学，GA，31907，美国d北九州大学环境工程系，日本自动清洁装置保留字：注意机制表面肌电长短时记忆肌肉疲劳深度学习A B标准表面肌电信号可用于定量评估肌肉疲劳，从而直观、客观地反映神经肌肉活动的功能状态。有效的疲劳诊断可以预防肌肉损伤，从而提高康复锻炼的安全性。传统的疲劳诊断存在一定的局限性，主观性强，准确性差设计了表面肌电信号采集电路，采用双通道形式采集上肢肱二头肌和肱三头肌在力松弛状态下的表面肌电信号使用动态时间规整-K最近邻（DTW-KNN）和三种深度学习算法进行肌肉疲劳分类评估 实验结果表明，与传统的机器学习算法相比，深度学习算法能够获得更高的准确率和时间效率。此外，本研究还引入了一种注意力机制来动态合理地分配网络权值，以实现高层次的特征学习。Attention-Long-Short-Term Memory（Attention Based LSTM）神经网络的评估准确率达到93.5%，时间开销仅为3.73秒，可以实时评估肌肉疲劳。1. 介绍肌肉系统是人体的重要组成部分，为人体的各种正常活动提供动力[1]。但是，在大量的高负荷工作后，肌肉会出现肌肉疲劳，甚至损伤肌肉本身[2]。 对于肢体功能障碍的患者，短期的康复运动疲劳会导致训练效果下降和肢体控制能力不足，当疲劳积累时，会导致肌肉损伤[3]。特别是对于一些肌肉敏感性下降的偏瘫患者[4]，主观疲劳感知与实际肌肉表现存在较大偏差，这使得科学的康复训练难以适度有效。因此，为了有效提高肢体功能障碍患者的康复效果，肌肉疲劳的分类将成为科学康复训练的重要辅助手段[5]。世界卫生组织调查结果显示，意外或疾病所致上肢功能障碍的发生率高[6]。为了快速恢复，患者往往忽视肌肉疲劳的程度，进行长时间或高强度的康复训练，造成了一定的负面影响。此外，由于影响肌肉疲劳的因素很多，上肢功能障碍患者的肌肉感知能力下降，有些疲劳往往难以通过自己的主观感觉察觉[7]。如果患者不顾肌肉疲劳，长时间进行过度运动，很可能对身体造成损害因此，上肢的正常康复训练锻炼对患者的恢复尤为重要。患者需要进行科学的体育锻炼，以促进肌肉恢复，同时确保肌肉不会过度疲劳[8]。但目前市场上的肌肉疲劳评估产品操作复杂，价格昂贵，专业医师数量有限，护理和诊断成本高。其次，疲劳水平的评估☆本工作得到了山东省自然科学基金项目（编号：ZR 2019PEE018）和山东省重大科技创新项目（编号：2019JZZY 020101）的支持。* 通讯作者。青岛理工大学信息与控制工程学院，青岛，266520。电子邮件地址：smiao@qut.edu.cn（新加坡）Miao）。https://doi.org/10.1016/j.iotcps.2023.03.002接收日期：2023年1月31日;接收日期：2023年3月15日;接受日期：2023年3月19日2023年3月28日网上发售2667-3452/©2023作者。由爱思唯尔公司出版我代表科爱通信公司，公司这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表物联网和网络物理系统期刊主页：www.keaipublishing.com/en/journals/Y. Dang等人物联网和网络物理系统3（2023）112113以及医护人员的经验，这导致了不一致和模糊的评价标准[9]。因此，设计一种低成本、高精度的肌肉疲劳评估方法具有重要意义和良好的应用前景。表面肌电图（sEMG）是一种广泛使用的测量肌肉活动的工具表面测试电极放置在目标肌肉的表面上，以记录或收集肌肉活动期间的表面信号。 定性分析目标肌肉的神经肌肉功能，推断目标肌肉的疲劳和损伤程度，具有无创、实时、多目标测量的优点[10]。近年来，随着表面肌电信号检测分析技术的进步，其在康复医学领域的肌肉功能评价和康复科学领域的疲劳判定中具有重要的实用价值，主要用于检测肢体特定部位的肌肉疲劳[11]。在过去的几十年里，信息技术（IT）和各种类型的传感器得到了广泛的应用和迅速的发展[12，13]。例如，便携式传感器可以通过小巧、灵活和便携来减轻患者的训练负担，并可以获得患者肢体的准确数据。大多数医疗机构已将传感器技术、人工智能和互联网应用于运动康复领域，极大地促进了智能康复训练的发展[14]。针对现有肌肉疲劳评估方法的局限性，开发了一种基于表面肌电信号传感器的在此基础上，以力松弛状态下肱二头肌和肱三头肌的表面肌电信号数据为研究对象，探讨了基于深度学习算法的疲劳评估方法。选择动态时间规整-K近邻（DTW-KNN）联合算法和前馈神经网络（FNN）作为基线，测试长短期记忆（LSTM）神经网络算法和注意力-长短期记忆（Attention-LSTM）神经网络算法，期望取得更好的性能。本文的创新点和贡献在于：1. 与传统的疲劳评估方法相比，本文采用无痛无创的低成本、高精度的肌肉疲劳评估，将受试者从设备的束缚中解放出来，从而展现出符合实验分析需要的完整技术动作2. 与大多数研究仅针对肌肉某一状态的实验方案相比，本文采用力松弛法对肌肉疲劳状态进行全过程检测。对建模结果进行了综合分析，取得了较高的评价精度和效率。本文的其余部分组织如下：第2节介绍了疲劳评估技术的相关工作，第3节介绍了基于深度学习的sEMG数据分析方法，第4提供了实验结果和讨论，第5节总结了本文。2. 相关作品如今，人类数据的信息化程度越来越高。 随着数据分析计算技术和生物数据采集技术的不断发展，生物医学领域产生了大量包含人体信息的数据[15]。人体生物电是人体细胞在生命活动过程它是正常生理活动的表现，是生命活动的基本特征[16]。 人体生物电数据在医学、康复和其他领域有着广泛的重要应用[17]。 sEMG信号是指由电极记录的肌肉动作电位。肌电图记录的肌肉生物电模式可以客观量化肌肉能量，对肢体肌肉疲劳的评估具有重要意义[18]。Miriam等人提出了一种肌肉疲劳模型，将sEMG变化与肌肉疲劳相关联，以评估肌肉疲劳和肌肉运动能力以及训练后神经肌肉变化引起的运动限制[19]。Chang等人 开发了一种2 kHz无线sEMG测量系统，使用sEMG功率谱中值频率的线性回归的回归斜率评估肌肉疲劳[20]。Sun等人 综述了运动性疲劳中表面肌电信号的处理、特征提取和分类方法，并介绍了基于表面肌电信号多源信息融合的运动性疲劳评估模型，以有效降低运动损伤的风险[21]。 智能健康监测设备由刘等人发明。通过信号分类自动检测用户的sEMG信号，并可评估患者的肢体运动疲劳程度[22]。 随着人工智能和互联网技术的快速发展，疲劳评估领域的研究迅速增加。智能评估技术可以对不同运动功能水平的用户进行疲劳评估，有效降低运动风险，避免过度疲劳造成肢体损伤，提高康复运动的安全性。因此，肢体疲劳程度的评估具有重要意义。sEMG信号广泛用于生理肌肉评估，可以客观量化肢体运动和疲劳程度[23]。Guo等人通过持续等长力诱导肌肉疲劳，通过分析sEMG和近红外光谱获得了肌肉疲劳的可靠信息，并从电生理和血液动力学角度评估了肌肉疲劳的程度[24]。Fan等人在MYO器械运动过程中采集人体表面肌电信号，识别肌肉疲劳状态[25]。研究发现，肘关节运动对肱二头肌疲劳的影响最大Costa等研究了sEMG在比较患侧和非患侧的协同效应时评估中风患者当前疲劳和恢复水平的能力，从而提高患者的上肢康复效果[26]。Li等建立了基于sEMG和ECG数据融合的改进粒子群优化支持向量机分类模型，识别三种不同的疲劳状态，从而为患者提高康复安全性提供技术支持[27]。Selcan等人使用肌电生物反馈评估肢体疲劳并改善中风偏瘫患者的活动范围、肌肉力量和功能水平[28]。Widasari等人提出了一种基于移动设备的无线sEMG系统，用于监测肱二头肌肌肉疲劳，并保持肱二头肌肌肉状态直到运动完成，确保用户的运动质量[29]。Hruby等人 利用表面肌电的评估反馈帮助系统性臂丛神经损伤患者构建康复方案，从而建立新的运动模式[30]。Taelman等人研究了在静态肘关节伸展直至疲劳期间从sEMG获得的数据，以评估肌肉疲劳[31]。因此，sEMG为患者提供的运动功能的神经肌肉信息可以客观量化肌肉能量，评估肢体肌肉疲劳程度，从而有效降低运动风险，提高康复运动的安全性[32]。使用sEMG感测数据来评估肌肉疲劳可以有效地避免肢体损伤，提高肢体功能障碍患者的康复质量[33]。近年来，机器学习在引起社会各界广泛关注的同时，也在运动康复领域取得了重大突破[34]。Zhang等人研究了基于注意力频域网络（AFNet）和注意力时域网络（ATNet）的多维特征融合网络（MFFNet），使用sEMG信号检测肌肉状态并客观量化肢体疲劳程度[35]。Moniri等人使用浅层模型和卷积神经网络（CNN）实时学习和预测躯干肌肉的sEMG特征。所提出的模型可以预测躯干肌肉疲劳，从而潜在地预防腰痛[36]。Su等人 使用从上肢采集的sEMG信号，以深度信念网络（DBN）作为学习机制评估肌肉疲劳，这有助于跟踪目标肌肉的状态并预测肌肉疲劳发作[37]。Lin等人Y. Dang等人物联网和网络物理系统3（2023）112114使用3D-CNN和LSTM的组合模型，有效区分跑步运动中sEMG的有效信号和噪声，更准确地评估运动中肌肉疲劳程度，预防运动损伤[38]。对于肢体损伤和疲劳评估，患者大多选择接受康复治疗师的辅助诊断，但目前康复治疗师资源短缺[39]。机器学习可以量化身体疲劳的程度[40]。Papakostas et al. 使用sEMG信号和机器学习算法来评估患者的肢体疲劳，客观地量化患者的肢体状态，并防止患者肢体功能障碍的病情进一步恶化[41]。Li等人提出了一种深度学习方法，将混合神经网络与生理肌电图模型相结合，从单个运动单元活动中解码肌肉力量，并通过肌肉力量评估客观地可视化肢体疲劳状态[42]。Fu等基于sEMG数据和CNN模型客观评价办公室工作人员的肌肉疲劳程度，从而评价办公室产品的舒适性[43]。Subramani等人使用sEMG和离散小波变换（DWT）方法评估Covid-19患者的肌肉疲劳和肌肉功能障碍，以预测和诊断肌肉麻痹疾病[44]。Jiang等人使用sEMG和CNN算法来评估患者肩部的疲劳水平，从而改善肩部外骨骼的激励控制[45]。Zeng等使用sEMG和超声数据建立线性回归模型，并评估非疲劳和疲劳状态[46]。研究表明，表面肌电信号数据是更强大的肌肉疲劳的评估。Wei等人使用高密度表面肌电信号建立基于模式识别的康复环境，并对前臂康复练习进行实时疲劳分类，以提高前臂的精细运动水平[47]。但上述研究还存在以下问题：1. 研究所需设备成本高，测量数据来源单一，肢体疲劳评估的准确性无法保证，缺乏软硬件高度集成的完整检测系统2. 肢体疲劳评估方法采用单一肌肉肌电传感器数据，因此存在误差噪声大、准确度不高等问题;3. 大多数研究仅关注某个用力或放松阶段的疲劳检测，对肌肉疲劳的整体检测是不够的。因此，本研究在智慧健康场景下，通过低成本且易于获取的sEMG传感器采集肢体sEMG数据，并利用机器学习算法进行肌肉疲劳评估的研究机制，以实现低成本，高精度的肌肉疲劳评估。3. 方法随着当前人工智能、移动互联网、传感设备技术的不断发展，本研究结合移动互联网、人工智能和肌电传感设备，构建肢体疲劳评估测试用例。图 1显示了该肢体疲劳评估测试用例的数据流程图。用例结构主要包括两部分，即受试者直接参与的sEMG数据采集部分和服务器端的sEMG数据分析部分。采集的表面肌电信号的质量与表面肌电信号采集设备密切相关。先进的采集设备可以在一定程度上保证表面肌电信号的质量本实验主要采用双通道表面肌电信号仪采集肢体运动数据。服务器接收到传感器设备采集的数据后，可以根据数据的不同模式，结合不同的机器学习算法，构建身体运动评估机器学习模型。 在模型建立之后，可以输入受试者的表面肌电信号数据以获得受试者的疲劳评估结果。 各种机器学习模型可以获得各种结果。通过比较不同的结果，我们可以发现最有效的3.1. 表面肌电图数据运动过程中代谢物的积累会抑制α运动神经元激发神经冲动的能力，从而降低肌肉的工作能力神经-肌肉接头处的神经递质也随着运动的进行而出现释放障碍现象，导致肌肉细胞膜的去极化过程减弱，收缩力下降sEMG信号是运动单位收缩时特定电极部位动作电位总和形成的信号，可有效监测神经疲劳的特征性变化此外，研究表明，不仅中枢和外周疲劳在次最大自主运动中比在最大自主运动中进展得更慢，而且在次最大自主收缩的情况下，有意识努力的程度和肌肉的功率输出之间存在明显的不匹配从而揭示了表面肌电信号程序在评估肌肉疲劳方面的客观性双导联表面肌电信号传感装置采用无创表面电极法，采用表面贴装电极片结合双导联电极采集表面肌电信号。 如图月2Fig. 1. 肢体疲劳评估测试用例图。Y. Dang等人物联网和网络物理系统3（2023）112115不图二. 双导联表面肌电信号传感装置。双导联表面肌电信号传感装置由主模板、导联线、调节增益和电池组成。表面肌电信号容易受到人体温度、极化电位、工频干扰等强噪声的影响。在粘贴电极片之前，必须用酒精清洁和润湿皮肤，以降低电极与皮肤之间的此外，主动电极应沿肌梭方向，参比电极应远离当前肌肉或放置在肌肉较少的地方，本实验将参比电极应用于肘部实验中的电极放置位置如图3所示。表面肌电信号采集装置的采样频率为2000Hz，选用电位稳定、重复性好、内阻低、灵敏度高的贴片电极，两测试电极之间距离约2cm左臂肱桡肌表面肌电信号为由sEMG传感装置获得的肢体可以被视为序列。在本研究中，相关的机器学习算法将被用于处理和分析所收集的表面肌电信号序列数据。3.2.1. 长短期记忆关于递归神经网络（RNN），由于梯度消失，在处理长时间序列数据时，RNN很难将信息从较早的时间步转移到较晚的时间步，这就产生了短期记忆的问题LSTM在RNN的基础上进行了改进，增加了保存信息和遗忘信息的功能，较好地解决了短期记忆的问题，在处理和预测长期序列数据时有更好的效果LSTM模型单元的基本结构如图所示。 四、 每个LSTM单元有3个输入和2个输出。 输入包括当前时刻的sEMG信号输入x t、最后时刻LSTM单元输出h t-1和最后时刻单元状态C t-1。细胞状态代表信息的传递，LSTM网络主要依靠细胞状态C和当前输出h来训练模型。Wf、Wi、Wc、Wo表示权重，b表示偏置项，σ是Sigmoid函数，tanh是双曲正切函数。LSTM单元包含三个基本结构，即输出门、输入门和遗忘门。遗忘门的功能是遗忘不必要的信息。 它控制遗忘输入的程度X t和前一个隐藏层输出h t-1。公式如下：ft<$σWf½ht-1;xt] bf（1）输入门的功能是将新信息保存到单元状态。输入门首先使用sigmoid函数来确定单元中的哪些信息需要更新：（2）在确定需要更新的信息后，使用tanh函数生成向量，得到备选更新内容：了c0（3）最后，我们将这两部分结合起来，得到一个新的细胞状态，分别通过非侵入性方法提取。3.2. 机器学习算法公式如下：Ct¼ft×Ct-1it×C0（四）当受试者进行动作测试时，受试者的sEMG数据被测量为输出门的功能是根据单元状态确定最终输出内容首先，LSTM使用sigmoid函数来图三. 电极放置位置示意图。不Y. Dang等人物联网和网络物理系统3（2023）112116[/]¼XN-四分之二]2pDk不ðÞ不不¼见图4。 LSTM模型图的结构。确定单元状态的哪一部分将被输出：ot¼σWo½ht-1;xt]bo（5）在确定细胞状态的输出部分之后，细胞状态将通过tanh函数进行处理，并乘以sigmoid函数的结果，以获得最终输出结果：（6）V¼Wv X2RDv×N（9）其中，Wq2RDk×Dx，Wk2RDk×Dx，Wv2RDv×Dx分 别是外线性映射的参数矩阵. 其中，Q^l/2q1;对于每个查询向量qn2q，使用键值对注意机构，可以获得输出矢量hn在本研究中，输入信息xt（xt1，xt2，...，x tn）表示通过对原始数据，即sEMG传感设备获得的sEMG信号数据进行归一化而设置时间步长S，并将当前数据的第一个S数据分类以获得S * n维数据，我们将这些数据集成到输入矩阵中，并将其发送到递归神经网络模型。每个hnattK;V;qn（10）N（11）第一次见面第1页时间，我们在时间t放置数据样本xt（t1/41，2，ht-1是时间t1的模型输出结果，在时间t将其发送到隐藏层以获得分类联系我们softmax。S.kj;qn中国（12）在时间t处的sEMG序列的预测结果ht。 LSTM算法擅长从时间序列中提取特征和整合多源肌肉信号。最简单的方法是将多源sEMG信号视为一个完整的多维时间序列。 对于本研究中以sEMG信号为输入的多变量时间序列建模，更新每个时间点sEMG信号的状态是非常重要的，需要一个适合多输入变量的神经网络模型。 LSTM算法可以完美地解决这个难题。3.2.2. Self-attention由于信息传递能力和梯度消失问题，递归神经网络只能建立短距离的依赖关系。自注意机制可以建立长距离依赖关系，动态生成不同连接的权重，有效地处理和预测长时间序列数据。自注意模型通常采用查询-键值（QKV）模式。在本研究中，输入sEMG信号序列为X1/4½x1;对于每个输入，首先将其映射到三个不同的空间，从而产生三个向量：查询向量qi2RDk，键向量ki2RDk和值向量vi2RDv，Q¼WqX2RDk×N（7）K¼WkX2RDk×N（8）其中，n;j2½1;N]是输出和输入向量序列的位置，anj表示第n个输出到第j个输入的权重在本研究中，使用缩放的点积作为注意力评分函数，输出向量序列缩写为：HVsoftmax.（ 13）其中softmax是按列标准化的函数在以往的研究中，大多数提取的表面肌电信号特征直接作为模型的输入然而，不同的sEMG特征对模型的贡献不同，肌肉疲劳时用力或放松两种不同状态的sEMG信号对模型的影响也不同。 如果所有的特征和状态信号都以相同的权重输入模型，则模型的训练效率和准确性将受到影响。因此，在构建肌肉疲劳评估回归模型之前，利用注意机制调整sEMG特征和状态信号的输入权重，对贡献大的sEMG特征和状态信号赋予较高的输入权重。在LSTM网络结构之前添加了注意力机制，并增加了关键输入权重，以期望更好的评估结果。4. 实验结果在这项研究中，实验进行了肱二头肌和肱三头肌的人左臂。采用双导联表面肌电信号传感器作为前端设备，贴片电极用于Y. Dang等人物联网和网络物理系统3（2023）112117¼非侵入性地提取sEMG信号该贴片电极具有电位稳定、重现性好、内阻低、灵敏度高等特点。本实验选取10名健康的青年男性，保证他们在实验3天内不进行剧烈运动，肱二头肌和肱三头肌处于非疲劳、无损伤的状态为了保护受试者的肌肉不被过度劳累而影响实验效果，每名受试者每2小时只采集一组动作所有受试者均用左手握住握力器，利用肱二头肌和肱三头肌用力。在达到最大握力后，他们立即放松并记录最大力Fmax。然后受试者仍在左手使用握力器，肱二头肌和肱三头肌肌肉达到最大力Fmax的70%后放松，以一次力-放松为一个周期T，保证周期时间T5s。在非疲劳状态下，sEMG传感装置采集40 s内8个力松弛循环的sEMG信号并存储为sEMG数据为了采集半疲劳状态下肱二头肌和肱三头肌的表面肌电数据，要求受试者左手持握握力器，保持70%的最大力Fmax 80 s，以确保肱二头肌和肱三头肌处于半疲劳状态。然后，每组收集8个40 s内的力松弛周期，每个力松弛周期为5 s。所收集的数据被记录为在半疲劳状态下施加力的肱二头肌和肱三头肌的sEMG数据为了采集疲劳状态下肱二头肌和肱三头肌的表面肌电数据，要求受试者左手持握握力计，保持70%的最大力Fmax 150 s，以确保肱二头肌和肱三头肌处于疲劳状态。然后，每组收集8个40 s内的力松弛周期，每个力松弛周期为5 s。所收集的数据被记录为在疲劳状态下施加力的肱二头肌和肱三头肌的sEMG数据非疲劳状态、半疲劳状态和疲劳状态的sEMG序列数据各 80组。最后，实验共采集了240组sEMG序列对采集到的表面肌电信号进行抽取，使采样率固定在2000 Hz，以减少数据点的数量，然后用数字陷波滤波器滤除潜在的工频干扰，从滤波后的信号中提取出活动段。本实验采用了一种简单的移动平均法，即计算肱二头肌和肱三头肌的sEMG信号序列xi，yi的功率，得到P xi，P yi。 使用正态分布对缺失数据进行插值，对数据个数小于规定长度的动作序列进行补齐，保证插值后序列数据的均值和方差保持不变。随机删除与数据条数量相同的动作序列高于指定长度，并确保动作序列放入相同长度的深度学习算法模型中。实验流程图见图11。 五、本研究采集的sEMG数据均为时间序列数据，因此不同sEMG信号序列之间存在时间上的差异。传统的DTW-KNN算法主要用于解决离散时间序列匹配问题[48]。 DTW算法可以基于距离度量两个不等长序列的相似性。输出值用于衡量sEMG信号之间的相似性，输出的归一化距离可以进一步输入到KNN分类器，然后通过KNN分类来判断受试者的疲劳程度。FNN是一种典型的深度学习模型，以单向流的形式传递数据信息，可以提供高效的计算能力，在性能方面更加优越，可以更快地处理大量的时间序列数据，并及时给出分类评估。因此，在本研究中，四种算法，DTW-KNN，FNN，LSTM，Attention-LSTM分别用于分类和评估收集的肱二头肌和肱三头肌力松弛sEMG数据，以获得高精度的评估。4.1. 精度为了评估sEMG数据在不同机器学习算法下对上肢疲劳分类的影响，有必要比较使用不同机器学习算法获得的分类结果的准确性。 在实验中，使用DTW-KNN，FNN，LSTM和Attention-LSTM四种算法对收集的数据进行建模，并分析所获得的分类结果的准确性。在本实验中使用DTW-KNN算法对数据进行分析时，使用DTW算法计算测试集力松弛循环数据的属性与训练集力松弛循环数据的属性之间的距离。 在获得属性之间的距离之后，将属性之间的距离的累积和记录为两个力松弛循环之间的距离，并且最终将距离归一化并输入到KNN算法分类器中。KNN分类算法根据选择的K值进行投票，并确定上肢疲劳属于非疲劳状态、半疲劳状态和疲劳状态的类别。在本实验中，当使用FNN、LSTM和Attention-LSTM算法进行建模时，针对sEMG传感器设备采集的肱二头肌和肱三头肌的力-松弛周期数据建立深度学习模型每个神经网络模型的输入层是肱二头肌和肱三头肌的sEMG数据序列值xi、yi和它们的功率值P xi、P yi。疲劳度为输出层，FNN算法和LSTM算法中神经网络层数为2层，Attention-LSTM算法中神经网络层数为3层，其中Attention图五、实验性血流图。Y. Dang等人物联网和网络物理系统3（2023）112118层是1层。 所有模型经过50次迭代后拟合，训练集和测试集的误差曲线和正确率曲线如图所示。 六、为了从有限的数据中获得尽可能多的有效信息，本研究采用了K-Fold交叉验证。K-Fold交叉验证是一种常用的模型评估方法。其核心思想是将原始数据平均划分为k个子集，每个子集的数据作为一个测试集，剩余的K-1个子集作为训练集。本实验采用三重交叉验证的方法，将实验中测得的240个功率弛豫循环数据平均分为3部分。 该算法按照训练集与测试集之比为2：1的原则对数据进行处理。训练集用于训练模型，测试集用于评估模型生成的效果表1中显示了3重交叉验证后使用四种算法获得的sEMG数据的准确度、精确度、召回率和F1分数。从表1中可以看出，Attention- LSTM算法的结果与其他三种算法相比准确率最高，可以达到93. 5%。FNN算法的准确率可以达到77.5%，LSTM算法的准确率可以达到86%，而DTW-KNN算法的准确率相对其他四种算法来说比较差，只有63.0%。精密度表示预测阳性样本结果的准确度，使模型尽可能正确召回率表示从一个样本中预测出阳性样本的概率表1疲劳评估模型的准确度、精确度、召回率和F1评分比较。算法准确率精确率召回率F1得分DTW-KNN 63. 0%（-）47. 62% 46. 43% 45. 89%FNN 77.5%（14.5%）81.73% 45.86% 58.75%LSTM 86%（23%）94.67% 44.28% 60.34%注意力-LSTM93.5%（平均30.5%）98.77% 47.66% 64.30%真正的阳性样本 从表1可以看出，Attention-LSTM模型的准确率和召回率最高，这表明Attention-LSTM模型在保证高准确率的同时，样本覆盖范围广，漏报样本量少。一般来说，准确率和召回率是负相关的。F1-Score作为一个综合性指标，平衡了准确率和召回率的影响Attention-LSTM模型的F1-Score值最高，因此模型质量最好。在本实验中，DTW-KNN是一种传统的机器学习算法，与其他深度学习算法相比，其准确性较差这是因为当sEMG传感装置采集放松期的肱二头肌和肱三头肌的sEMG数据时，非疲劳、半疲劳和疲劳的sEMG信号变化不明显。然而，当sEMG传感装置采集的肱二头肌和肱三头肌肌肉力循环的sEMG数据时，sEMG信号变化为非疲劳、半疲劳和疲劳。图六、FNN、LSTM和Attention-LSTM效果比较图。Y. Dang等人物联网和网络物理系统3（2023）112119疲劳和疲惫是完全不同的。非疲劳、半疲劳和疲劳的评价标准最关注的是力状态下的sEMG信号，因此力期sEMG数据的权重远大于松弛期sEMG数据的权重。 在这三种深度学习算法中，神经网络的神经元细胞之间来回连接，细胞之间可以进行重要的信息传递。因此，该模型已经学习到sEMG数据的力周期和松弛周期之间的权重差，但DTW-KNN算法无法识别sEMG数据的力周期和松弛周期之间的权重差因此，与深度学习算法相比，DTW-KNN算法的结果并不理想。与LSTM算法相比，FNN算法的神经元是分层排列的，每个神经元只连接上一层的神经元，接收上一层的输出，输出到下一层，但层与层之间没有反馈，没有反向信息传播，准确性差。Attention-LSTM算法相比LSTM算法增加了自注意机制，可以建立长距离依赖关系，动态合理地分配注意力权重，实现高层特征学习，从而获得更准确的预测结果。4.2. 效率在肢体疲劳的评估中，不仅追求结果的准确性，还关注训练结果能否及时反馈给受试者因此，当本研究使用DTW-KNN、FNN、LSTM和Attention-LSTM四种算法对受试者的疲劳进行分类时，我们还需要关注它们的运行效率。本实验的计算机硬件配置为：Inter（R）i5- 9300 H CPU，8 GBRAM ， 操 作 系 统 为 Windows 10 专 业 版 操 作 系 统 ， Python 3.8.1 和TensorFlow 2.3开发平台。我们用这种方法在计算机上处理和分析数据，并比较两种算法的效率差异在本研究中，由于算法的内部结构和原理不同，在使用LSTM和Attention-LSTM算法进行数据分类时，神经网络模型的建立和三重交叉验证需要花费大量时间。在使用DTW-KNN算法进行数据分类时，时间消耗主要体现在数据属性之间距离的根据表2中的数据可以看出，DTW-KNN算法相比其他深度学习算法的评估时间开销最高，为126.32s。KNN的核心思想是基于欧氏距离等距测度在特征空间中找到与测试样本最接近的K个训练样本，并将训练样本中大部分数据的类别作为测试样本的类别因此，DTW-KNN基于距离计算对数据进行分类，这是懒惰学习的典型例子该算法本身没有显式的学习过程，训练时间成本为零。然而，DTW-KNN算法需要计算数据属性之间的距离。随着数据量的增加和数据维数的扩大，传统的DTW-KNN算法在疲劳评估应用中的时效性已不能满足 与传统的机器学习算法相比，FNN和LSTM算法需要进行向量矩阵乘法计算，并且当网络参数数量变大时，时间开销增加。此外，在处理sEMG数据时，具有添加的注意力机制的Attention-LSTM算法比LSTM算法花费更多的时间。 这是因为增加的自关注机制要求嵌入层的输出向量被馈送到三个神经网络中，这三个神经网络依次分别输出Query、Key和Value向量，并且这个训练模型的过程需要大量的时间开销。在训练模型的时间开销方面，DTW-KNN算法租M是一种传统的机器学习算法，没有用于训练模型的时间FNN算法的模型训练时间为258.65 s，LSTM算法的模型训练时间为表2疲劳评估模型效率比较。算法分类评估模型训练DTW-KNN126.32s0sFNN0.547s238.65sLSTM0.692s395.46s注意力-LSTM3.73s2551.27s395.46s. Attention-LSTM算法的模型训练时间为2551.27秒，这是由于Attention-LSTM算法具有更多的模型层，并且增加的Attention神经网络层花费了大量时间进行向量计算。另外，注意机制是为了增强重要时态特征的重要性，有效处理模型无法区分时态特征重要程度差异的随着模型输 入 长 度 的 增 加 ， Attention-LSTM 算 法 的 性 能 也 随 之 下 降 ， 因 此Attention-LSTM算法的模型训练时间最长。综上所述，Attention-LSTM算法在判断疲劳程度时具有较高的准确性和良好的时效性，能够为肌肉疲劳评估提供准确、实时的反馈。此外，随着肌肉评估变得越来越精细，Attention-LSTM算法在大多数情况下可能是最佳选择。5. 结论肢体肌肉疲劳程度的评估有助于预防肢体功能障碍患者的肌肉疲劳和损伤，并辅助医务人员评估患者的肌肉恢复情况。 针对现有评估方法的局限性，提出了一种非侵入式实时评估肌肉疲劳的方法。 通过应用DTW-KNN和其他四种深度学习算法，本文提出的方法可以根据预期的准确度水平对sEMG数据中的疲劳程度进行分类。实验结果表明，深度学习算法的评估准确率远大于传统机器学习算法。此外，Attention-LSTM算法通过注意力机制对数据分类具有更高的准确性，满足实时准确评估肌肉疲劳的实时性要求本研究提供了一种客观、全面的评估肌肉疲劳程度的方法，从而在定量评估上肢功能障碍患者肌肉功能的同时，为康复运动训练提供了安全保障在未来的工作中，本文提出的方法将在上肢功能障碍患者中进行测试，并将研究一个完整的肌肉疲劳评估系统，以验证其有效性和可用性。竞合利益作者声明，他们没有已知的竞争性经济利益或个人关系，可能会影响本文报告的工作。引用[1] E. Mercuri，F.Muntoni，Muscular dystrophies，Lancet 381（2013）845- 860.[2] 号政府Forman，M.W.放大图片作者：A. M. Holmes，肌肉疲劳对手部和腕部运动任务表现的影响：一项系统性综述。移动Sci. 81（2022），102912。[3] M.C. Vila Pouca，MP.Parente，R.M.N.Jorge，J.A.Ashton-Miller，肌肉-肌腱-骨单位损伤：一项考虑被动组织疲劳作用的系统性综述，骨科运动医学杂 志 9（2021），23259671211020731。[4] D. Samanta，儿童交替性偏瘫的管理：回顾，Pediatr。Neurol. 103（2020）12- 20.[5] Q. Liu，Y. Liu，C. Zhang，Z.阮，W。孟氏Y.蔡角，澳-地AI，基于sEMG的动态肌肉疲劳分类使用SVM与改进的鲸鱼优化算法，IEEE Internet Things J。 8（2021b）16835- 16844。[6] A.G.节约，T。Thayabaranathan，G.霍华德，V.J.霍华德，P.M.罗斯韦尔V.L. 费金湾Norrving，G.A.Donnan，D.A.Cadilhac，全球卒中统计，国际J. 中风12（2017）13- 32.Y. Dang等人物联网和网络物理系统3（2023）112120[7] L.孙，刘杰，X.戴，E：脑卒中患者运动性疲劳的评估和治疗，中国。J. 康复中心理论实践（2016）672- 675。[8] M. Brazzelli，D.H. C.A.桑德斯格雷格，G. E. Mead，中风患者的体能训练：更新综述，中风43（2012）e39- e40。[9] R. Xia、X. Zhang，S. Zhang，X.太阳，W。傅，运动性疲劳的生物力学评价及其与运动损伤关系的研究进展，J. Med. 生 物 力学（2020）E127- E132。[10] S. Rampichini，T.M.维埃拉山口卡斯蒂廖尼湾Merati，用于评估肌肉疲劳的肌电表现的表面肌电图的复杂性分析：综述，熵22（2020）529。[11] I. Martín-Fuentes，J.M. Oliva-Lozano，J.M. Muyor，腿部推举运动及其变体过程中下肢肌肉肌电图活动的评价：系统评价，国际医学杂志。J. Environ. Res. Publ. 卫生17（2020）4626.[12] D. Chen，Z. Lv，人工智能使数字双胞胎能够训练自动驾驶汽车，物联网和网络物理系统2（2022）31- 41。[13] Z. Lv、Y. Han，A.K.辛格湾，澳-地Manogaran，H. Lv，基于人工智能的工业物联网系统的可信度，IEEE Trans. Ind. Inf. 17（2020）1496- 1504。[14] A. Haleem，M. Javaid，R.P. Singh，R. Suman，医疗4.0技术用于医疗保健：功能，能力和应用，物联网和网络物理系统，2022年。[15] D.韦德，康复-一种新的方法。概述和第一部分：问题，2015年。[16] A. A.K. Gautam，Y.N. Singh，用于人类识别的生物电信号的评估，ProcediaComput。Sci. 48（2015）746- 752。[17] K. Wang，S. Xie，J. Rodrigues，物联网下可穿戴远程康复的医疗数据安全，物联网和网络物理系统2（2022）1- 11。[18] S.K.陈文辉，疲劳对表面肌电信号稳定性的影响，中华神经科学杂志，2001。61（2017）120- 125。[19] M. Gonz 'alez-Izal，A. Malanda，E. Gorostiaga，M. Izquierdo，评估肌肉疲劳的肌电图模型，J。肌电图Kinesiol. 22（2012）501- 512。[20] K.M. Chang，S.H.刘晓华Wu，A wireless semg recording system and itsapplicationto muscle fatigue detection，Sensors 12（2012）489- 499.[21] J.孙，G. Liu，Y.孙，K.林，Z.周军，蔡健，表面肌电图在运动性疲劳中的应用：综述，前沿。系统Neurosci. 16（2022）。[22] J. Liu，Z. Zhu，Y. Zhou，N. Wang，G.戴湾，菲-地Liu，J. Xiao，Y.谢、Z. Zhong，H. Liu等人，4.5 bioaip：一个可重构的生物医学人工智能处理器，具有自适应学习功能，用于多功能智能健康监测，在：2021年IEEE国际固态电路会议（ISSCC），2021年，pp。 62比64 美国电气与电子工程师协会。[2