本申请提供的基于熵的肌肉疲劳评估方法及其应用,具体涉及信号处理技术领域,该方法首先采集表面肌电(sEMG)信号并进行预处理。随后,采用分数阶微积分与波动分散熵(FDE)算法结合,并引入多尺度处理过程,从而创新性地提出RCMFFDE算法。利用此算法对预处理后的sEMG信号进行多尺度分析,生成多条熵值曲线。通过选取满足预设条件的熵值曲线作为最终熵值曲线,所述最终熵值曲线能够准确反映肌肉疲劳状态。该方法能够有效、可靠地评估肌肉疲劳程度,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
近年来,随着运动科学、康复医学以及人工智能技术的快速发展,肌肉疲劳监测技术已经成为一个备受关注的热点领域。在体育训练以及工业生产线等领域,准确评估肌肉疲劳程度对于提升训练效果以及优化工作流程具有重要意义。然而,在实际应用中,肌肉疲劳监测技术面临着诸多挑战。一方面,肌肉疲劳是一个复杂且动态的生理过程,涉及多种生理参数的交互影响,这使得准确监测变得尤为困难。另一方面,不同个体间的肌肉疲劳特征存在显著差异,这使得通用性监测技术的研发变得更加复杂。此外,现有的监测方法大多依赖于昂贵的设备和复杂的操作流程,限制了其在实际场景中的广泛应用。因此,如何研发一种准确、可靠、便携且成本效益高的肌肉疲劳监测技术,成为当前行业发展的迫切需求。
为了解决肌肉疲劳监测中的相关问题,传统的现有技术主要采用了多种信号分析方法来提取sEMG信号中的特征信息。其中,时域分析、频域分析和时频域分析是三种常用的方法。时域分析主要通过计算信号的均值、方差、均方根值等统计参数来评估肌肉的疲劳程度;频域分析则通过傅里叶变换等方法将信号转换为频域表示,进而分析信号的频谱特征;时频域分析则结合了时域和频域的优势,能够更全面地反映信号的动态变化。此外,随着非线性动力学方法的发展,熵算法逐渐被应用于sEMG信号的分析中。如样本熵、模糊熵、分散熵等,这些算法通过量化信号的不确定性来评估肌肉的疲劳状态。特别是近年来提出的分数阶模糊分散熵和多尺度熵等方法,进一步提高了特征提取的精度和鲁棒性。这些传统的现有技术通过不断优化和创新,为肌肉疲劳监测提供了有力的支持,但在实际应用中上述方法仍存在利用表面肌电(sEMG)信号评估肌肉疲劳算法的灵敏性和鲁棒性不足的问题。
综上所述,如何有效、可靠地评估肌肉疲劳程度是本技术领域急需攻克的难题。
实现思路