[发明专利]融合肌电信号多重分形和LSTM的肌肉疲劳识别方法

说明书

本发明公开了一种融合肌电信号多重分形和LSTM的肌肉疲劳识别方法，包括：S1.采集表面肌电信号信息；S2.对表面肌电信号信息进行特征提取，得到肌电信号的多重分形特征；S3.构建肌肉疲劳识别模型；S4.以多重分形特征作为特征数据，形成特征数据集，并将特征数据集输入到肌肉疲劳识别模型，进行识别模型的训练，得到训练好的肌肉疲劳识别模型；S5.将待测肌电信号信息的多重分形特征形成的特征数据集输入到训练好的肌肉疲劳识别模型，输出肌肉疲劳识别结果。本发明能够针对表面肌电信号的复杂特性，实现对肌肉疲劳状态的准确识别。

技术领域

本发明涉及肌肉疲劳识别领域，具体涉及一种融合肌电信号多重分形和LSTM的肌肉疲劳识别方法。

背景技术

运动性肌肉疲劳是指运动活动引起相关肌肉产生最大收缩力量或输出功率暂时性降低的生理现象。患者在进行运动康复训练时肌肉的持续反复收缩容易导致肌肉疲劳以及肌肉力量快速下降，严重时会导致人体肌肉损伤，及时调整康复训练模式将有效预防人体肌肉损伤，避免二次伤害发生。因此，准确估计肌肉疲劳状态在神经肌肉学和康复医学领域具有重要意义。

近年来，基于表面肌电信号(surface electromyography,sEMG)解码技术与人工智能技术融合的肌肉疲劳估计方法获得广泛关注。但由于运动过程中肌肉非稳态收缩导致sEMG信号的高度非平稳、非线性和复杂性，基于sEMG的肌肉疲劳估计往往高度依赖于信号滤波降噪、特征提取等预处理技术。

目前，常用的特征提取技术包括时域、频域分析技术。这些技术是以sEMG信号平稳为假设前提的线性分析技术，对sEMG信号中的复杂瞬变的非线性动力学特征的研究存在局限性。为此，一些学者围绕sEMG信号的自相似性、不均匀性、复杂性等非线性动力学特性，引入单分形理论发展了sEMG信号非线性动力学特征研究方法，例如运用Katz算法提取sEMG信号分形维数、多尺度熵等指标，然而仅用单一分形维数来描述动态肌肉疲劳过程中产生的sEMG复杂的非线性动力学演化过程是不够的，导致现有的肌肉疲劳识别模型的识别准确度不高。因此，为解决以上问题，需要一种融合肌电信号多重分形和LSTM的肌肉疲劳识别方法，进一步地探索肌电信号不同层次的局部特征变化。

发明内容

有鉴于此，本发明的目的是克服现有技术中的缺陷，提供融合肌电信号多重分形和LSTM的肌肉疲劳识别方法，能够针对表面肌电信号的复杂特性，实现对肌肉疲劳状态的准确识别。

本发明的融合肌电信号多重分形和LSTM的肌肉疲劳识别方法，包括如下步骤：

S1.采集表面肌电信号信息；

S2.对表面肌电信号信息进行特征提取，得到肌电信号的多重分形特征；

S3.构建肌肉疲劳识别模型；

S4.以多重分形特征作为特征数据，形成特征数据集，并将特征数据集输入到肌肉疲劳识别模型，进行识别模型的训练，得到训练好的肌肉疲劳识别模型；

S5.将待测肌电信号信息的多重分形特征形成的特征数据集输入到训练好的肌肉疲劳识别模型，输出肌肉疲劳识别结果。

进一步，所述表面肌电信号信息包括股内侧肌表面肌电信号、股外侧肌表面肌电信号以及股直肌表面肌电信号。

进一步，所述多重分形特征包括多重分形谱的宽度Δα、Hurst曲线变化差值ΔH以及峰值奇异指数HMAX。

进一步，根据如下公式确定多重分形谱的宽度Δα：

Δα＝α_max-α_min；

其中，α_max为多重分形谱宽度最大值；α_min为多重分形谱宽度最小值。

进一步，根据如下公式确定Hurst曲线变化差值ΔH：