表面肌电信号方法、装置及穿戴式智能设备

1.本发明涉及传感医疗器件领域，特别是涉及一种表面肌电信号方法、装置及穿戴式智能设备。


背景技术：

2.下肢疲劳性骨折(或应力性骨折)是运动员、官兵常见的训练伤，具有发病隐匿、易漏诊、治疗周期长的特点，呈散着高发趋势，受到高度关注。
3.长期训练致使肌肉疲劳不协调性收缩产生的张应力以及肌肉疲劳失去对骨骼的保护是疲劳性骨折的主要诱因。
4.如何实现对肌肉疲劳的智能判断，以减少疲劳性骨折的发生是目前亟需要解决的技术问题。


技术实现要素：

5.鉴于以上所述现有技术的缺点，本发明的目的在于提供一种表面肌电信号方法、装置及穿戴式智能设备。
6.因此，本发明的技术方案是：
7.根据本发明的第一方面，提供一种表面肌电信号方法，所述方法包括：
8.获取第一表面肌电信号；
9.基于所述第一表面肌电信号，采用短时傅里叶变换得到第一信号频谱；
10.对所述第一信号图谱进行傅里叶变换，计算出第一信号的谱图特征，所述第一信号的谱图特征包括频谱信息和定时序列数据的频域信息；
11.将所述第一信号的谱图特征输入预训练得到的深度学习模型，完成姿态识别和肌肉疲劳判断。
12.进一步地，通过如下方法进行预训练得到深度学习模型：
13.构建深层神经网络模型；
14.基于已有数据集，所述已有数据集包括第二表面肌电信号及对应的姿态和肌肉疲劳程度；
15.基于所述第二表面肌电信号，采用短时傅里叶变换得到信号频谱；
16.对所述信号图谱进行傅里叶变换，计算出第二信号的谱图特征，所述第二信号的谱图特征包括频谱信息和定时序列数据的频域信息；
17.以所述第二信号的谱图特征作为深层神经网络模型的输入，姿态和肌肉疲劳程度作为输出，对所述深层神经网络模型进行训练，得到所述深度学习模型。
18.根据本发明的第二方面，提供一种表面肌电信号装置，所述装置包括：
19.信号获取模块，被配置为获取第一表面肌电信号；
20.频谱计算模块，被配置为基于所述第一表面肌电信号，采用短时傅里叶变换得到第一信号频谱。
21.谱图特征计算模块，被配置为对所述第一信号图谱进行傅里叶变换，计算出第一信号的谱图特征，所述第一信号的谱图特征包括频谱信息和定时序列数据的频域信息；
22.识别模块，被配置为将所述第一信号的谱图特征输入预训练得到的深度学习模型，完成姿态识别和肌肉疲劳判断。
23.进一步地，所述装置还包括模型训练模块，所述模型训练模块被配置为：
24.构建深层神经网络模型；
25.基于已有数据集，所述已有数据集包括第二表面肌电信号及对应的姿态和肌肉疲劳程度；
26.基于所述第二表面肌电信号，采用短时傅里叶变换得到信号频谱；
27.对所述信号图谱进行傅里叶变换，计算出第二信号的谱图特征，所述第二信号的谱图特征包括频谱信息和定时序列数据的频域信息；
28.以所述第二信号的谱图特征作为深层神经网络模型的输入，姿态和肌肉疲劳程度作为输出，对所述深层神经网络模型进行训练，得到所述深度学习模型。
29.根据本发明的第三方面，提供一种穿戴式智能设备，所述穿戴式设备包括：
30.智能腿套，用于采集第一表面肌电信号；
31.信号获取模块，连接所述智能腿套，用于获取第一表面肌电信号；
32.频谱计算模块，用于基于所述第一表面肌电信号，采用短时傅里叶变换得到第一信号频谱。
33.谱图特征计算模块，用于对所述第一信号图谱进行傅里叶变换，计算出第一信号的谱图特征，所述第一信号的谱图特征包括频谱信息和定时序列数据的频域信息；
34.识别模块，用于将所述第一信号的谱图特征输入预训练得到的深度学习模型，完成姿态识别和肌肉疲劳判断。
35.进一步地，所述智能腿套包括调节套、腿套、分布式柔性电极以及硬件电路，所述调节套设置在所述腿套上，所述分布式柔性电极设置在所述腿套的夹层内，所述分布式柔性电极的信号输出端连接所述硬件电路的信号输入端，所述硬件电路连接所述信号获取模块，用于实时对所述分布式柔性电极采集到的第一表面肌电信号进行处理，并馈送至所述信号获取模块。
36.进一步地，所述硬件电路包括外部接口电路、通道电路、ad转换电路、微控制器、电源电路、串口模块以及无线通信模块；所述分布式柔性电极的信号输出端连接所述外部接口电路的信号输入端，所述外部接口电路的信号输出端连接所述通道电路的信号输入端，所述通道电路的信号输出端连接所述ad转换电路的信号输入端，所述ad转换电路的信号输出端连接所述微控制器的信号输入端，所述微控制器的信号输出端通过所述串口模块连接所述无线通信模块，以与所述信号获取模块远程交互。
37.进一步地，所述通道电路包括依次连接的放大电路和滤波电路，以对从外部接口电路接入的模拟信号进行放大和滤波处理。
38.进一步地，所述无线通信模块包括蓝牙单元、zigbee单元以及wi-fi单元中的一种及其组合。
39.进一步地，所述分布式柔性电极为多个由面向微小应力的高灵敏度柔性肌电电极组成的肌电电极阵列。
40.与现有技术相比，本发明的有益效果在于：
41.本发明通过采集运动状态下的表面肌电信号，并基于深度学习网络对采集到的信号进行处理，识别出运动姿态以及疲劳程度，对用户的运动训练起到一定指导作用，并起到骨损伤预防的作用。
附图说明
42.在不一定按比例绘制的附图中，相同的附图标记可以在不同的视图中描述相似的部件。具有字母后缀或不同字母后缀的相同附图标记可以表示相似部件的不同实例。附图大体上通过举例而不是限制的方式示出各种实施例，并且与说明书以及权利要求书一起用于对所发明的实施例进行说明。在适当的时候，在所有附图中使用相同的附图标记指代同一或相似的部分。这样的实施例是例证性的，而并非旨在作为本装置或方法的穷尽或排他实施例。
43.图1为根据本发明实施例的一种表面肌电信号方法的流程图。
44.图2为根据本发明实施例的一种表面肌电信号方法中模型训练的流程图。
45.图3为根据本发明实施例的一种表面肌电信号装置的结构图。
46.图4为根据本发明实施例的一种表面肌电信号装置在具有模型训练模块时的结构图。
47.图5为根据本发明实施例的一种穿戴式智能设备的结构图。
48.图6为根据本发明实施例的一种穿戴式智能设备在具有模型训练模块时的结构图。
49.图7为根据本发明实施例的一种穿戴式智能设备的智能腿套的立体结构示意图。
50.图8为根据本发明实施例的一种穿戴式智能设备的智能腿套的硬件电路的结构图。
51.图9为根据本发明实施例的一种穿戴式智能设备的智能腿套的硬件电路具体应用时的示意图。
具体实施方式
52.以下列举的部分实施例仅仅是为了更好地对本发明进行说明，但本发明的内容并不局限在应用于所举的实施例中。所以熟悉本领域的技术人员根据上述发明内容对实施方案进行非本质的改进和调整而应用于其他实施例中，仍在本发明的保护范围之内。
53.现在结合说明书附图对本发明做进一步的说明。
54.柔性电子技术是一种与众多技术兼容，具有高度包容性高度交叉的新兴技术。通过与cmos、印刷电子、纳米技术等的不断融合，在功能材料、加工方法、测量参数、系统集成、应用等方面进行扩展，研制分布式肌电信号监测系统。肌电信号监测系统将多个自主研发的肌电传感器做成小装置，穿戴在手臂、腿部、肋间等人体部位，以此截获各部位多个肌肉群的肌电信号，将采集到的人体生物电信号经过一系列信号处理，结合各类神经网络和机器学习方法进行动作识别、疲劳判断等任务。
55.肌电信号是一种非常微弱的电生理信号，其振幅可从0～10mv(峰到峰)或0～1.5mv(均方根)。信号的可用能量限制在0～500hz频率范围内，主导能量分布在50～150hz
范围内，可用信号是能量高于电噪声水平的信号。在相同的肌肉运动状态下，肌电信号的幅频特征曲线具有相似性，在不同部位的肌肉运动状态下，肌电信号具有一定的规律性。
56.肌电信号与肌张力之间存在一定的定量关系，肌肉运动过程中，肌电信号检测幅度随着肌肉收缩速度的增加而逐渐增大，肌肉相对检测电极的不对称收缩运动影响肌电信号与肌肉力量关系的稳定性。
57.基于肌电信号与肌张力之间存在的定量关系，本发明从肌电信号入手，基于机器学习，根据肌电信号识别出姿态和疲劳程度，以此实现骨损伤预防。
58.具体来说，本发明实施例提供一种表面肌电信号方法，如图1所示，该方法包括：
59.步骤s101，获取第一表面肌电信号。
60.需要说明的是，第一表面肌电信号通过采用分布式柔性电极在用户运动状态下所采集到的信号，其中分布式柔性电极是一种可实时监测肌群应力且能因人而异进行自适应调节的智能型腿套。选取面向微小应力的高灵敏度柔性肌电电极，结合小腿肌群其受力特征及位置，开发面向胫骨肌群的高灵敏度分布式柔性肌电电极阵列，构成了分布式柔性电极。
61.在一些实施例中，在获取第一表面肌电信号后，对所述第一表面肌电信号进行预处理，所述预处理包括去噪和切片，以排除干扰信号。
62.步骤s102，基于所述第一表面肌电信号，采用短时傅里叶变换得到第一信号频谱。
63.短时傅里叶变换(stft)把整个时域过程分解成无数个等长的小过程，每个小过程近似平稳。
64.步骤s103，对所述第一信号图谱进行傅里叶变换，计算出第一信号的谱图特征，所述第一信号的谱图特征包括频谱信息和定时序列数据的频域信息。
65.步骤s104，将所述第一信号的谱图特征输入预训练得到的深度学习模型，完成姿态识别和肌肉疲劳判断。
66.在一些实施例中，如图2所示，通过如下方法进行预训练得到深度学习模型：
67.步骤s201，构建深层神经网络模型。
68.需要注意，本文中所述的深层神经网络模型为已有的神经网络模型，包括卷积神经网络(cnn)、递归神经网络(rnn)、深信度网络(dbn)、深度自动编码器(autoencoder)和生成对抗网络(gan)等。
69.步骤s202，基于已有数据集，所述已有数据集包括第二表面肌电信号及对应的姿态和肌肉疲劳程度。
70.步骤s203，基于所述第二表面肌电信号，采用短时傅里叶变换得到信号频谱。
71.步骤s204，对所述信号图谱进行傅里叶变换，计算出第二信号的谱图特征，所述第二信号的谱图特征包括频谱信息和定时序列数据的频域信息。
72.步骤s205，以所述第二信号的谱图特征作为深层神经网络模型的输入，姿态和肌肉疲劳程度作为输出，对所述深层神经网络模型进行训练，得到所述深度学习模型。
73.需要说明的是，上述学习方法为有监督的机器学习，其中已有数据集通过公开数据获取，或者通过实验获取，基于已有的数据集，结合肌电信号与肌张力之间存在的定量关系，定向判断谱图特征与姿态和肌肉疲劳程度之间的关系，在训练过程中不断调整深层神经网络模型的模型参数，获取到一组最优的模型参数，利用该最优的模型参数配置所述深
层神经网络模型，得到深度学习模型。该深度学习模型直接用于实时获取得到的第一表面肌电信号的识别。
74.本发明实施例还提供一种表面肌电信号装置，如图3所示，所述装置300包括：
75.信号获取模块301，被配置为获取第一表面肌电信号。
76.频谱计算模块302，被配置为基于所述第一表面肌电信号，采用短时傅里叶变换得到第一信号频谱。
77.谱图特征计算模块303，被配置为对所述第一信号图谱进行傅里叶变换，计算出第一信号的谱图特征，所述第一信号的谱图特征包括频谱信息和定时序列数据的频域信息。
78.识别模块304，被配置为将所述第一信号的谱图特征输入预训练得到的深度学习模型，完成姿态识别和肌肉疲劳判断。
79.在一些实施例中，如图4所示，所述装置300还包括模型训练模块305，所述模型训练模块305被配置为：构建深层神经网络模型；基于已有数据集，所述已有数据集包括第二表面肌电信号及对应的姿态和肌肉疲劳程度；基于所述第二表面肌电信号，采用短时傅里叶变换得到信号频谱；对所述信号图谱进行傅里叶变换，计算出第二信号的谱图特征，所述第二信号的谱图特征包括频谱信息和定时序列数据的频域信息；以所述第二信号的谱图特征作为深层神经网络模型的输入，姿态和肌肉疲劳程度作为输出，对所述深层神经网络模型进行训练，得到所述深度学习模型。
80.需要说明的是，本实施例所述的表面肌电信号装置与在先描述的表面肌电信号方法属于同一技术思路，其具有相似的技术原理和有益效果，此处不赘述。
81.本发明实施例提供一种穿戴式智能设备，如图5所示，所述穿戴式设备包括：
82.智能腿套501，用于采集第一表面肌电信号；
83.信号获取模块502，连接所述智能腿套，用于获取第一表面肌电信号；
84.频谱计算模块503，用于基于所述第一表面肌电信号，采用短时傅里叶变换得到第一信号频谱。
85.谱图特征计算模块504，用于对所述第一信号图谱进行傅里叶变换，计算出第一信号的谱图特征，所述第一信号的谱图特征包括频谱信息和定时序列数据的频域信息；
86.识别模块505，用于将所述第一信号的谱图特征输入预训练得到的深度学习模型，完成姿态识别和肌肉疲劳判断。
87.在一些实施例中，如图6所示，所述穿戴式设备还包括模型训练模块506，所述模型训练模块506被配置为：构建深层神经网络模型；基于已有数据集，所述已有数据集包括第二表面肌电信号及对应的姿态和肌肉疲劳程度；基于所述第二表面肌电信号，采用短时傅里叶变换得到信号频谱；对所述信号图谱进行傅里叶变换，计算出第二信号的谱图特征，所述第二信号的谱图特征包括频谱信息和定时序列数据的频域信息；以所述第二信号的谱图特征作为深层神经网络模型的输入，姿态和肌肉疲劳程度作为输出，对所述深层神经网络模型进行训练，得到所述深度学习模型。
88.在一些实施例中，提供智能腿套的具体结构示意，如图7所示，该智能腿套包括调节套1、腿套2、分布式柔性电极3以及硬件电路4，所述调节套1设置在所述腿套2上，所述分布式柔性电极3设置在所述腿套2的夹层内，所述分布式柔性电极3的信号输出端连接所述硬件电路4的信号输入端，所述硬件电路4用于实时对所述分布式柔性电极采集到的肌群应
力信号进行处理，以记录并传输肌群应力信号。
89.需要注意，本发明是一种可实时监测肌群应力且能因人而异进行自适应调节的智能型腿套。选取面向微小应力的高灵敏度柔性肌电电极，结合小腿肌群其受力特征及位置，开发面向胫骨肌群的高灵敏度分布式柔性肌电电极阵列，构成了分布式柔性电极3，分布式柔性电极3用于采集肌群应力信号，硬件电路4对采集到的肌群应力信号(模拟信号)处理，得到数字信号(第一表面肌电信号)，并可传输出去以实时显示，使用者可实时获取到肌群的变化，根据肌群的变化，使用者可通过调节套1调节腿套2的松紧，从一定程度上缓解肌肉疲劳。
90.在一些实施例中，所述调节套1为可调节绑带，该可调节绑带选用织物材料，所述腿套2为织物腿套。其中织物就是由细小柔长物通过交叉，绕结，连接构成的平软片块物，机织物是由存在交叉关系的纱线构成，针织物是由存在绕结关系的纱线构成，无纺织物是由存在连接关系的纱线构成，第三织物是由存在交叉/绕结关系的纱线构成，众多纱线构成稳定的关系后就形成了织物，然而交叉，绕结和连接是纱线能构成的三种稳定结构关系，让织物保持稳定的形态以及特定力学性能。
91.可以理解的是，调节套1和腿套2还可以采用其他材质，包括但不限于如上所例举的织物材料。
92.在一些实施例中，如图8所示，所述硬件电路4包括外部接口电路401、通道电路402、ad转换电路403、微控制器404、电源电路405、串口模块406以及无线通信模块407；所述分布式柔性电极3的信号输出端连接所述外部接口电路401的信号输入端，所述外部接口电路401的信号输出端连接所述通道电路402的信号输入端，所述通道电路402的信号输出端连接所述ad转换电路403的信号输入端，所述ad转换电路403的信号输出端连接所述微控制器404的信号输入端，所述微控制器404的信号输出端通过所述串口模块406连接所述无线通信模块407。
93.需要说明的是，电源电路405起到供电作用，其电力来源可以由充电电池(图中未示出)提供，电源电路405可以通过微控制器404为分布式柔性电极3、外部接口电路401、通道电路402、ad转换电路403、电源电路405、串口模块406以及无线通信模块407提供电能，也可以直接为分布式柔性电极3和硬件电路4进行供能，本实施例此处不作具体限制。
94.如图9所示，该硬件电路4主要对分布式柔性电极3所采集到的肌群应力信号(模拟信号)进行处理，将其转化为数字信号后，并传输至上位机5中。具体来说，模拟信号通过外部接口电路401接入，并通过通道电路402，其中通道电路402包括依次连接的放大电路4021和滤波电路4022，以对从外部接口电路401接入的模拟信号进行放大和滤波处理。滤波处理的目的主要是将干扰信号排除，以保证信号的精确度。经过通道电路402处理后的模拟信号被馈送至ad转换电路403，将该模拟信号转换为数字信号，数字信号被馈送至微控制器404，微控制器404通过串口模块406连接到无线通信模块407，将经过微控制器402处理的数字信号发送到信号获取模块中，并通过频谱计算模块、谱图特征计算模块以及识别模块识别出肌肉疲劳程度，根据肌肉程度可实现骨损伤预防，例如当肌肉疲劳程度达到预设的阈值时，提示疲劳性骨折风险。
95.在一些实施例中，所述无线通信模块包括蓝牙单元、zigbee单元以及wi-fi单元中的一种及其组合。例如可以是蓝牙单元、zigbee单元以及wi-fi单元中的一种，或者可以是
蓝牙单元、zigbee单元的组合，蓝牙单元、wi-fi单元的组合，蓝牙单元、zigbee单元以及wi-fi单元的组合。
96.在一些实施例中，所述硬件电路4设置在所述腿套1的某一侧方，例如设置在前侧或者后侧或者左侧或者右侧，本实施例此处不对硬件电路4的具体安装方位进行限定。
97.下面本发明实施例将结合具体的使用方法来进一步阐述本发明的可行性和进步性。
98.在使用该肌群应力监测智能腿套时，穿戴着腿套的穿戴者行走、跑步等运动会引起不同肌群产生变化，腿套内的传感器贴附于小腿上，可精准感知其变化。通过硬件电路可将传感器所监测的变化进行记录并传输至表面肌电信号装置中。其中上位机是能够处理并显示肌群应力信号的设备，包括但不限于智能手机、运动手表。在具体应用时，可设置一个疲劳阈值，该疲劳阈值可在初次使用肌群应力监测智能腿套时进行检测，例如当肌群应力信号达到某一数值a时，用户出现疲劳感，则该数值a作为该用户的疲劳阈值，在已测出疲劳阈值的情况下，设置一个预警疲劳阈值，该数值应当小于疲劳阈值，例如是疲劳阈值的90％，在达到该预警疲劳阈值时，发出报警信号，以提示疲劳性骨折风险。
99.以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

技术特征：
1.一种表面肌电信号方法，其特征在于，所述方法包括：获取第一表面肌电信号；基于所述第一表面肌电信号，采用短时傅里叶变换得到第一信号频谱；对所述第一信号图谱进行傅里叶变换，计算出第一信号的谱图特征，所述第一信号的谱图特征包括频谱信息和定时序列数据的频域信息；将所述第一信号的谱图特征输入预训练得到的深度学习模型，完成姿态识别和肌肉疲劳判断。2.根据权利要求1所述的方法，其特征在于，通过如下方法进行预训练得到深度学习模型：构建深层神经网络模型；基于已有数据集，所述已有数据集包括第二表面肌电信号及对应的姿态和肌肉疲劳程度；基于所述第二表面肌电信号，采用短时傅里叶变换得到信号频谱；对所述信号图谱进行傅里叶变换，计算出第二信号的谱图特征，所述第二信号的谱图特征包括频谱信息和定时序列数据的频域信息；以所述第二信号的谱图特征作为深层神经网络模型的输入，姿态和肌肉疲劳程度作为输出，对所述深层神经网络模型进行训练，得到所述深度学习模型。3.一种表面肌电信号装置，其特征在于，所述装置包括：信号获取模块，被配置为获取第一表面肌电信号；频谱计算模块，被配置为基于所述第一表面肌电信号，采用短时傅里叶变换得到第一信号频谱。谱图特征计算模块，被配置为对所述第一信号图谱进行傅里叶变换，计算出第一信号的谱图特征，所述第一信号的谱图特征包括频谱信息和定时序列数据的频域信息；识别模块，被配置为将所述第一信号的谱图特征输入预训练得到的深度学习模型，完成姿态识别和肌肉疲劳判断。4.根据权利要求3所述的装置，其特征在于，所述装置还包括模型训练模块，所述模型训练模块被配置为：构建深层神经网络模型；基于已有数据集，所述已有数据集包括第二表面肌电信号及对应的姿态和肌肉疲劳程度；基于所述第二表面肌电信号，采用短时傅里叶变换得到信号频谱；对所述信号图谱进行傅里叶变换，计算出第二信号的谱图特征，所述第二信号的谱图特征包括频谱信息和定时序列数据的频域信息；以所述第二信号的谱图特征作为深层神经网络模型的输入，姿态和肌肉疲劳程度作为输出，对所述深层神经网络模型进行训练，得到所述深度学习模型。5.一种穿戴式智能设备，其特征在于，所述穿戴式设备包括：智能腿套，用于采集第一表面肌电信号；信号获取模块，连接所述智能腿套，用于获取第一表面肌电信号；频谱计算模块，用于基于所述第一表面肌电信号，采用短时傅里叶变换得到第一信号
频谱。谱图特征计算模块，用于对所述第一信号图谱进行傅里叶变换，计算出第一信号的谱图特征，所述第一信号的谱图特征包括频谱信息和定时序列数据的频域信息；识别模块，用于将所述第一信号的谱图特征输入预训练得到的深度学习模型，完成姿态识别和肌肉疲劳判断。6.根据权利要求5所述的穿戴式智能设备，其特征在于，括调节套、腿套、分布式柔性电极以及硬件电路，所述调节套设置在所述腿套上，所述分布式柔性电极设置在所述腿套的夹层内，所述分布式柔性电极的信号输出端连接所述硬件电路的信号输入端，所述硬件电路连接所述信号获取模块，用于实时对所述分布式柔性电极采集到的第一表面肌电信号进行处理，并馈送至所述信号获取模块。7.根据权利要求6所述的穿戴式智能设备，其特征在于，所述硬件电路包括外部接口电路、通道电路、ad转换电路、微控制器、电源电路、串口模块以及无线通信模块；所述分布式柔性电极的信号输出端连接所述外部接口电路的信号输入端，所述外部接口电路的信号输出端连接所述通道电路的信号输入端，所述通道电路的信号输出端连接所述ad转换电路的信号输入端，所述ad转换电路的信号输出端连接所述微控制器的信号输入端，所述微控制器的信号输出端通过所述串口模块连接所述无线通信模块，以与所述信号获取模块远程交互。8.根据权利要求7所述的穿戴式智能设备，其特征在于，所述通道电路包括依次连接的放大电路和滤波电路，以对从外部接口电路接入的模拟信号进行放大和滤波处理。9.根据权利要求1所述的穿戴式智能设备，其特征在于，所述无线通信模块包括蓝牙单元、zigbee单元以及wi-fi单元中的一种及其组合。10.根据权利要求1所述的穿戴式智能设备，其特征在于，所述分布式柔性电极为多个由面向微小应力的高灵敏度柔性肌电电极组成的肌电电极阵列。

技术总结
本发明公开了一种表面肌电信号方法、装置及穿戴式智能设备，所述方法包括：获取第一表面肌电信号；基于所述第一表面肌电信号，采用短时傅里叶变换得到第一信号频谱；对所述第一信号图谱进行傅里叶变换，计算出第一信号的谱图特征，所述第一信号的谱图特征包括频谱信息和定时序列数据的频域信息；将所述第一信号的谱图特征输入预训练得到的深度学习模型，完成姿态识别和肌肉疲劳判断。本发明通过采集运动状态下的表面肌电信号，并基于深度学习网络对采集到的信号进行处理，识别出运动姿态以及疲劳程度，对用户的运动训练起到一定指导作用，并起到骨损伤预防的作用。并起到骨损伤预防的作用。并起到骨损伤预防的作用。


技术研发人员：杨俊 苟欣 李佩 谢磊 董晨辉 李春宝 史浩飞
受保护的技术使用者：中国科学院重庆绿色智能技术研究院
技术研发日：2023.04.24
技术公布日：2023/9/5