基于表面肌电信号（sEMG）的多层次运动疲劳评估：MACNet方法的研究与应用

作者及发表信息
本研究的通讯作者为Guofu Zhang、Banghua Yang（上海大学机电工程与自动化学院）及Dingguo Zhang（英国巴斯大学电子与电气工程系），合作者包括Peng Zan。研究发表于IEEE Transactions on Neural Systems and Rehabilitation Engineering 2025年第33卷，文章标题为《Multilevel Assessment of Exercise Fatigue Utilizing Multiple Attention and Convolution Network (MACNet) Based on Surface Electromyography》。研究得到中国国家重点研发计划（2022YFC3602700、2022YFC3602703）、国家自然科学基金（62376149）等多项资助。

学术背景

科学领域与问题
运动疲劳评估是运动科学、康复医学及神经肌肉研究的重要课题。疲劳分为中枢性疲劳和外周性疲劳，后者主要表现为肌肉疲劳（muscle fatigue），即肌肉无法维持所需收缩力。长期疲劳积累可能导致运动损伤或加重神经疾病患者（如多发性硬化症、帕金森病）的症状。传统疲劳评估依赖主观量表（如RPE量表）或表面肌电信号（surface electromyography, sEMG）的时频特征（如均方根值RMS、中位频率MDF），但sEMG信号具有非线性、个体差异大、易受噪声干扰等挑战，导致传统方法分类精度有限。

研究目标
本研究提出一种基于深度学习的多注意力与卷积网络（MACNet），旨在实现sEMG信号的三层次疲劳分类（低、中、高疲劳），并探索疲劳相关的sEMG通道与时域特征贡献。

研究方法与流程

1. 实验设计与数据采集

研究对象
48名健康受试者（24男/24女，右利手），年龄25-30岁，无神经肌肉疾病史。实验前72小时避免剧烈运动，确保身体状态稳定。

疲劳诱导范式
- 最大自主收缩（MVC）测试：受试者进行3次握力测试，取平均值作为正式实验的基准。
- 疲劳任务：正式实验中，受试者以50% MVC强度进行300次间歇性握力动作（每次持续4秒，间隔6-7秒休息），共4组（每组75次）。
- 数据同步采集：
- sEMG信号：记录右侧指浅屈肌（RFDS）、指深屈肌（RFDP）和指伸肌（RED）的肌电信号，采样率2500 Hz，经带通滤波（10-400 Hz）和降采样至1000 Hz。
- 主观疲劳评分：采用RPE量表（6-20分），将疲劳分为低（6-11分）、中（12-14分）、高（15-20分）三个等级。

2. MACNet模型设计

模型包含四个核心模块：
1. 滑动窗口时序注意力模块（TAM-SW）
- 通过滑动窗口（窗口长度1000，步长200）分割sEMG信号，结合局部/全局注意力机制捕捉时序依赖性。
- 创新点：引入残差连接，缓解梯度消失问题。
2. 多尺度卷积模块（MCM）
- 使用不同卷积核（1×7、1×1、3×3）提取多尺度特征，增强特征多样性。
3. 通道-空间注意力模块（CSAM）
- 通过通道注意力（Channel Attention）和空间注意力（Spatial Attention）聚焦关键特征。
4. 分类模块
- 采用全连接层与投票机制，综合窗口预测结果输出最终分类。

3. 实验设置与评估

• 数据划分：
  
  • 受试内（Subject-wise）：4折交叉验证，80%训练集+20%验证集。
    
  • 跨受试（Cross-subject）：10折交叉验证。
    
• 数据增强：针对类别不平衡问题，使用SMOTE过采样技术。
  
• 评估指标：F1分数（F1-score）和准确率（Accuracy）。
  

主要结果

1. 分类性能

   • 受试内评估：MACNet平均F1分数83.95%，准确率84.11%，显著优于SVM（65.01%）、RF（65.19%）、MFFNet（62.89%）等基线模型。
     
   • 跨受试评估：F1分数82.83%，准确率82.43%，验证了模型的泛化能力。
     
   • 混淆矩阵显示，中疲劳分类准确率较低（67.75%），主要误判为高疲劳。
     

2. 可解释性分析

   • Grad-CAM可视化：揭示RFDS和RFDP肌肉对高疲劳分类贡献更大，且时域特征随疲劳程度增强而显著变化。
     
   • t-SNE降维：MACNet提取的特征在低/中/高疲劳类别间分离度更高，优于其他模型。
     

3. 消融实验

   • 移除滑动窗口（TAM-SW）或调整步长（100 vs. 200）均导致性能下降，证明TAM-SW对时序建模的关键作用。
     

结论与价值

科学价值
1. 方法创新：MACNet首次将滑动窗口时序注意力与多尺度卷积结合，解决了sEMG信号的非线性和个体差异问题。
2. 应用价值：为运动训练、康复医学中的疲劳量化提供了客观工具，尤其适用于神经疾病患者的疲劳监测。
3. 理论意义：通过Grad-CAM揭示了不同肌肉和时域特征对疲劳的贡献差异，支持“中枢-外周协同调控疲劳”的生理学假说。

亮点
- 三层次疲劳分类：突破传统二分类（疲劳/非疲劳）局限。
- 高鲁棒性：在跨受试评估中保持82%以上的准确率。
- 开源共享：代码发布于GitHub（https://github.com/zhanggf94/macnet）。

局限性与未来方向

1. 个体差异：部分受试者分类性能波动较大（F1分数54%~97%）。
   
2. 计算复杂度：模型参数量较大，未来可通过神经元剪枝优化。
   
3. 多模态扩展：结合脑电（EEG）信号探索疲劳的中枢机制。
   

本研究为sEMG-based疲劳评估提供了新范式，其方法论和开源代码有望推动相关领域的算法开发与临床应用。