高密度肌电握力在肌肉疲劳状态下的应用
2026-03-27 来源:本站 点击次数:40论文摘要
本文提出了一种基于域自适应的抓握力估计方法，以应对肌肉疲劳对肌电信号分布的影响，提升疲劳状态下的力估计精度。该方法采用对抗训练策略与端到端深度学习模型，将非疲劳状态（源域）与疲劳状态（目标域）的肌电特征进行对齐。实验招募8名健康受试者，采集高密度肌电信号与抓握力数据，进行非疲劳与疲劳状态下的对比实验。
结果显示，所提方法在疲劳状态下的均方根误差较基线模型降低了51.9%（0.127 vs 0.264，p<0.05）。域判别器的分类准确率由98.52%降至51.82%，表明特征提取器成功提取了域不变特征。该方法无需疲劳状态下的力标签，具有较高的实用性和推广潜力，可用于假肢、外骨骼等连续控制任务中。
本研究使用高密度肌电信号采集系统（Quattrocento，OT Bioelettronica，意大利）和三个64通道电极阵列，电极间距为10 mm，放置于前臂负责抓握力的关键肌肉区域（如指浅屈肌、指深屈肌、拇长屈肌等）。肌电信号采样率为2048 Hz，分辨率为16 bit，参考电极置于手腕处。同步采集抓握力信号（Biometrics G200，200 Hz），并通过Arduino UNO实现信号同步。实验分为三个阶段：最大随意收缩测量、非疲劳状态数据采集、疲劳诱导与数据采集。疲劳诱导通过维持65% MVC直至力下降超过3秒实现。
数据处理方面，肌电信号经过20–450 Hz带通滤波和50 Hz陷波滤波后，以512帧（约250 ms）为窗口输入模型。所提域自适应模型包括特征提取器（三层CNN）、力估计器与域判别器，采用对抗训练策略对齐源域与目标域特征，优化目标为最小化力估计损失并最大化域分类损失。
实验结果
窗口大小实验中，512帧（250 ms）窗口在RMSE（0.056）和计算效率之间表现最优。所提域自适应方法在疲劳状态下RMSE为0.127，较基线模型降低51.9%，且在所有8名受试者中均表现更优。在非疲劳状态下，所提方法RMSE略有上升（0.055→0.068），但整体鲁棒性增强。域判别器在对抗训练后分类准确率由98.52%降至51.82%，说明特征提取器成功提取了域不变特征。
此外，不同力等级（30%、60%、90% MVC）下RMSE无显著差异，方法具有良好的泛化能力。疲劳数据集大小减少至50%时，RMSE上升至0.179，但仍优于基线，表明该方法对数据量具有一定容忍性。电极数量减少对模型性能影响不显著，进一步支持其在实际应用中的灵活性。
总结与展望
本研究首次将域自适应方法引入肌电抓握力估计中，成功缓解了肌肉疲劳对模型性能的负面影响。该方法在无需疲劳状态力标签的前提下，通过对抗训练实现源域与目标域特征的域对齐，显著提升了疲劳状态下的力估计精度，且具有模型无关性和任务可迁移性。实验结果表明，所提方法在不同力等级、不同电极配置下均表现稳定，具备良好的实用潜力。
未来工作将从以下几个方面展开：1）扩大样本量，验证方法在不同人群中的泛化能力；2）推广至其他任务，如腕部运动学、手部姿态估计等连续回归问题；3）探索模型在嵌入式平台上的实时部署，降低延迟至250 ms以内；4）结合多模态信号（如超声、EEG）进一步提升估计精度与鲁棒性。最终目标是推动肌电接口在假肢控制、康复训练等场景中的长期稳定应用，提升用户生活质量。
原文链接
https://doi.org/10.1109/tnsre.2025.3541227
研究团队介绍
本研究团队来自上海交通大学机械与振动国家重点实验室，由通讯作者Peter B. Shull副教授领导。团队成员包括博士生Huimin Pan、Dongxuan Li及Chen Chen副教授，长期致力于肌电控制、可穿戴传感与人机交互领域的研究。团队在肌电信号处理、深度学习建模及肌肉疲劳补偿等方面具有扎实的研究基础，近年来在IEEE TNSRE、TBME等权威期刊发表多篇高质量论文。本研究依托国家自然科学基金项目，创新性地将域自适应引入肌电抓握力估计，为解决肌肉疲劳导致的控制精度下降问题提供了新思路。团队注重开源共享，相关代码与数据已在GitHub公开，推动学术交流与技术落地。
联系我们
电话: 15920901903
官网：https//www.ruihongan.cn