本申请提供的基于表面肌电信号的肌肉疲劳量化方法及其应用,具体涉及信号处理技术领域,该方法采集并预处理sEMG信号,利用TVBCMD算法提取具有缓变带宽特性的信号模态分量,通过FBD‑FST方法识别动态边界参数,以确定TVBCMD算法的参数,构建ABCMD算法的递归框架,按频谱趋势能量逐个提取信号模态分量,从提取的分量中提取平均功率频率MPF和中值频率MF,并进行量化分析,实现对肌肉疲劳程度的精准评估,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。
背景技术
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。
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。
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。
实现思路