基于表面肌电信号复杂度指标的手工搬运任务感知疲劳动态监测研究

《Journal of NeuroEngineering and Rehabilitation》：Perceived fatigue progression tracking during manual handling tasks using sEMG recordings

本研究针对手工搬运作业中物理疲劳导致的肌肉骨骼疾病风险，开发了基于表面肌电信号(sEMG)的疲劳监测方法。研究人员通过惯性测量单元(IMU)分割任务活动，提取线性和复杂度肌电疲劳表现(MMF)指标，发现复杂度指标（移动性、模糊熵、Dimitrov指数）在8/10肌肉中与自觉劳累程度(RPE)显著相关(p<0.05)。结合深度学习模型（CNN-LSTM）实现了69%的五级疲劳分类准确率，为职业健康监测提供了个性化解决方案。

　　

在当今的工业生产领域，手工搬运作业仍然是许多行业不可或缺的环节，但这类重复性体力劳动带来的职业健康问题日益凸显。工作相关肌肉骨骼疾病(work-related musculoskeletal disorders)作为最常见的职业伤害之一，占美国私营部门工伤疾病的25.4%，其中物理疲劳被认为是主要诱因。传统的主观疲劳评估方法如自觉劳累程度(Rating of Perceived Exertion, RPE)量表虽简便易用，但存在回忆偏差和个体差异等局限性，难以实现客观、连续的疲劳监测。

表面肌电信号(surface electromyography, sEMG)技术为肌肉疲劳监测提供了新的可能性。肌电疲劳表现(myoelectric manifestation of fatigue, MMF)指标能够反映肌肉活动状态的改变，但以往研究多集中于单一肌肉群或孤立运动，对于复杂多活动的手工搬运任务中全身肌肉疲劳的动态变化规律尚不明确。特别是当任务涉及不同肌肉参与度和关节活动范围(range of motion, ROM)时，如何准确捕捉疲劳进展成为技术难点。

发表在《Journal of NeuroEngineering and Rehabilitation》上的这项研究创新性地将惯性测量单元(inertial measurement units, IMUs)与sEMG技术相结合，通过8名健康男性参与者执行重复的手工搬运任务（平均146±43个循环），每2分钟报告一次RPE值，直至达到最高疲劳等级（9/10）。研究人员在参与者右侧身体10个关键肌肉放置sEMG传感器，同时使用7个IMU监测关节角度，从而实现对不同活动（举起、搬运、放下）和关节活动范围的精确分段。

研究采用的关键技术方法包括：利用IMU获得的关节角度数据对sEMG记录进行活动和ROM分段；提取线性MMF指标（肌肉激活水平、中位频率）和复杂度MMF指标（移动性、模糊熵、Dimitrov指数）；采用Spearman相关性分析评估这些指标与RPE等级的关系；开发长短期记忆网络(LSTM)和卷积神经网络结合LSTM(CNN-LSTM)的深度学习模型进行五级疲劳分类，并通过留一法交叉验证(leave-one-out cross-validation, LOOCV)评估模型性能。

振幅分析结果

肌肉激活水平（均方根值，RMS）与RPE等级的相关性分析显示，肱二头肌、胫骨前肌和腓肠肌外侧头在所有活动中均呈现显著正相关(p<0.05)。在放下活动中，除三角肌后束和股直肌外，所有肌肉的sEMG振幅均随RPE等级增加而升高。

频谱分析结果

中位频率分析表明，除搬运活动中的股直肌外，所有下肢肌肉的sEMG记录均显示中位频率随RPE等级增加而降低（显著负相关：p<0.05）。斜方肌在所有活动中的中位频率也随RPE等级增加而下降。

移动性分析结果

移动性（反映信号变异性比率）随RPE等级升高而降低（显著负相关：p<0.05）。在举起活动中，除桡侧腕屈肌外，所有肌肉活动的移动性均随RPE等级增加而下降。搬运活动中，除最长肌髂肋部和胫骨前肌外，所有肌肉的移动性均显著降低。放下活动中，除肱二头肌、最长肌最长部和胫骨前肌外，所有肌肉的移动性均呈现下降趋势。

模糊熵分析结果

模糊熵值随RPE等级增加而降低（显著负相关：p<0.05），在举起、搬运和放下任务中，10块肌肉中有8块呈现这一趋势。举起任务中，除肱二头肌和股二头肌外，所有上肢和下肢肌肉的模糊熵值均随RPE等级增加而下降。搬运任务中，除最长肌髂肋部和股直肌外，所有肌肉均显示模糊熵值降低。放下活动中，除斜方肌和股直肌外，所有肌肉的模糊熵值均随疲劳进展而减少。

Dimitrov指数分析结果

Dimitrov指数与RPE等级呈正相关，表明随着疲劳程度加重，sEMG频谱中低至超低频成分相对于高频成分的功率增加。举起任务中，所有肌肉均呈现显著相关性(p<0.05)。搬运和放下任务中，10块肌肉中有8块显示相关性，其中搬运任务中所有下肢肌肉、放下任务中所有上肢肌肉均表现出显著关联。

多阶段感知疲劳检测结果

LSTM模型利用MMF指标作为输入，在LOOCV方法下实现60%的平均准确率。加入卷积层后，CNN-LSTM模型性能提升至69%的平均准确率，表明MMF指标的空间依赖性对疲劳分类有重要贡献。混淆矩阵显示CNN-LSTM在中高疲劳水平（3-5阶段）的召回率更高。

本研究通过系统分析手工搬运任务中肌肉疲劳的肌电表现，揭示了复杂度MMF指标在感知疲劳监测中的优越性能。与线性指标相比，移动性、模糊熵和Dimitrov指数在更多肌肉（8/10）中显示出与RPE等级的显著相关性，表明这些指标能更敏感地捕捉动态收缩下的疲劳相关变化。Dimitrov指数作为频谱特性指标，在动态条件下比传统中位频率更能有效反映肌肉传导速度下降导致的低频成分增加。

活动特异性分析表明，不同任务阶段主导疲劳的肌肉群存在差异：举起活动中斜方肌、胫骨前肌和腓肠肌外侧头；搬运活动中桡侧腕屈肌、竖脊肌和腓肠肌外侧头；放下活动中最长肌髂肋部。这种差异反映了任务生物力学需求的动态变化，强调了分段分析的重要性。

深度学习模型的成功应用（CNN-LSTM达到69%准确率）证明了MMF指标在疲劳阶段分类中的实用价值。尽管实验室环境和样本量限制需要未来研究进一步验证，但本研究为职业健康监测提供了技术框架，支持早期过度劳累检测和个性化疲劳管理，对预防工作相关肌肉骨骼疾病具有重要意义。