高密度肌電握力在肌肉疲勞狀態(tài)下的應(yīng)用

瀏覽次數(shù)：167　發(fā)布日期：2026-3-27　來源：本站　僅供參考，謝絕轉(zhuǎn)載，否則責(zé)任自負

背景介紹

肌電接口在人機交互、假肢控制、康復(fù)訓(xùn)練等領(lǐng)域具有廣泛應(yīng)用。通過解讀肌電信號，系統(tǒng)可以識別用戶意圖，實現(xiàn)對機械臂、外骨骼等設(shè)備的自然控制。然而，肌肉疲勞會導(dǎo)致肌電信號的頻譜和幅值發(fā)生變化，使得基于非疲勞狀態(tài)訓(xùn)練的模型在疲勞狀態(tài)下性能顯著下降，影響控制精度和用戶體驗。傳統(tǒng)方法雖然嘗試通過疲勞指數(shù)調(diào)整模型參數(shù)或使用數(shù)據(jù)增強來緩解這一問題，但往往只適用于離散動作識別，或需要持續(xù)采集疲勞狀態(tài)下的力標(biāo)簽，缺乏實用性和推廣性。

因此，本文提出一種基于域自適應(yīng)的連續(xù)力估計方法，旨在無需疲勞狀態(tài)下的力標(biāo)簽的情況下，提升肌電信號在肌肉疲勞時的抓握力估計精度，推動肌電接口在長期使用中的穩(wěn)定性與實用性。

論文摘要

本文提出了一種基于域自適應(yīng)的抓握力估計方法，以應(yīng)對肌肉疲勞對肌電信號分布的影響，提升疲勞狀態(tài)下的力估計精度。該方法采用對抗訓(xùn)練策略與端到端深度學(xué)習(xí)模型，將非疲勞狀態(tài)（源域）與疲勞狀態(tài)（目標(biāo)域）的肌電特征進行對齊。實驗招募8名健康受試者，采集高密度肌電信號與抓握力數(shù)據(jù)，進行非疲勞與疲勞狀態(tài)下的對比實驗。

結(jié)果顯示，所提方法在疲勞狀態(tài)下的均方根誤差較基線模型降低了51.9%（0.127 vs 0.264，p<0.05）。域判別器的分類準(zhǔn)確率由98.52%降至51.82%，表明特征提取器成功提取了域不變特征。該方法無需疲勞狀態(tài)下的力標(biāo)簽，具有較高的實用性和推廣潛力，可用于假肢、外骨骼等連續(xù)控制任務(wù)中。

研究方法

本研究使用高密度肌電信號采集系統(tǒng)（Quattrocento，OT Bioelettronica，意大利）和三個64通道電極陣列，電極間距為10 mm，放置于前臂負責(zé)抓握力的關(guān)鍵肌肉區(qū)域（如指淺屈肌、指深屈肌、拇長屈肌等）。肌電信號采樣率為2048 Hz，分辨率為16 bit，參考電極置于手腕處。同步采集抓握力信號（Biometrics G200，200 Hz），并通過Arduino UNO實現(xiàn)信號同步。實驗分為三個階段：最大隨意收縮測量、非疲勞狀態(tài)數(shù)據(jù)采集、疲勞誘導(dǎo)與數(shù)據(jù)采集。疲勞誘導(dǎo)通過維持65% MVC直至力下降超過3秒實現(xiàn)。

數(shù)據(jù)處理方面，肌電信號經(jīng)過20–450 Hz帶通濾波和50 Hz陷波濾波后，以512幀（約250 ms）為窗口輸入模型。所提域自適應(yīng)模型包括特征提取器（三層CNN）、力估計器與域判別器，采用對抗訓(xùn)練策略對齊源域與目標(biāo)域特征，優(yōu)化目標(biāo)為最小化力估計損失并最大化域分類損失。

實驗結(jié)果

實驗結(jié)果表明，肌肉疲勞顯著影響力估計精度：基線模型在非疲勞狀態(tài)下的RMSE為0.056，在疲勞狀態(tài)下上升至0.264（p<0.05），驗證了疲勞對肌電模式的影響。

窗口大小實驗中，512幀（250 ms）窗口在RMSE（0.056）和計算效率之間表現(xiàn)最優(yōu)。所提域自適應(yīng)方法在疲勞狀態(tài)下RMSE為0.127，較基線模型降低51.9%，且在所有8名受試者中均表現(xiàn)更優(yōu)。在非疲勞狀態(tài)下，所提方法RMSE略有上升（0.055→0.068），但整體魯棒性增強。域判別器在對抗訓(xùn)練后分類準(zhǔn)確率由98.52%降至51.82%，說明特征提取器成功提取了域不變特征。

此外，不同力等級（30%、60%、90% MVC）下RMSE無顯著差異，方法具有良好的泛化能力。疲勞數(shù)據(jù)集大小減少至50%時，RMSE上升至0.179，但仍優(yōu)于基線，表明該方法對數(shù)據(jù)量具有一定容忍性。電極數(shù)量減少對模型性能影響不顯著，進一步支持其在實際應(yīng)用中的靈活性。

總結(jié)與展望

本研究首次將域自適應(yīng)方法引入肌電抓握力估計中，成功緩解了肌肉疲勞對模型性能的負面影響。該方法在無需疲勞狀態(tài)力標(biāo)簽的前提下，通過對抗訓(xùn)練實現(xiàn)源域與目標(biāo)域特征的域?qū)R，顯著提升了疲勞狀態(tài)下的力估計精度，且具有模型無關(guān)性和任務(wù)可遷移性。實驗結(jié)果表明，所提方法在不同力等級、不同電極配置下均表現(xiàn)穩(wěn)定，具備良好的實用潛力。

未來工作將從以下幾個方面展開：1）擴大樣本量，驗證方法在不同人群中的泛化能力；2）推廣至其他任務(wù)，如腕部運動學(xué)、手部姿態(tài)估計等連續(xù)回歸問題；3）探索模型在嵌入式平臺上的實時部署，降低延遲至250 ms以內(nèi)；4）結(jié)合多模態(tài)信號（如超聲、EEG）進一步提升估計精度與魯棒性。最終目標(biāo)是推動肌電接口在假肢控制、康復(fù)訓(xùn)練等場景中的長期穩(wěn)定應(yīng)用，提升用戶生活質(zhì)量。

原文鏈接
https://doi.org/10.1109/tnsre.2025.3541227

研究團隊介紹

本研究團隊來自上海交通大學(xué)機械與振動國家重點實驗室，由通訊作者Peter B. Shull副教授領(lǐng)導(dǎo)。團隊成員包括博士生Huimin Pan、Dongxuan Li及Chen Chen副教授，長期致力于肌電控制、可穿戴傳感與人機交互領(lǐng)域的研究。團隊在肌電信號處理、深度學(xué)習(xí)建模及肌肉疲勞補償?shù)确矫婢哂性鷮嵉难芯炕A(chǔ)，近年來在IEEE TNSRE、TBME等權(quán)威期刊發(fā)表多篇高質(zhì)量論文。本研究依托國家自然科學(xué)基金項目，創(chuàng)新性地將域自適應(yīng)引入肌電抓握力估計，為解決肌肉疲勞導(dǎo)致的控制精度下降問題提供了新思路。團隊注重開源共享，相關(guān)代碼與數(shù)據(jù)已在GitHub公開，推動學(xué)術(shù)交流與技術(shù)落地。