本技术涉及肌肉激活状态评价技术领域,特别涉及一种基于FMG和sEMG信号的肌力预测方法及装置,其中,方法包括:基于FMG技术,采集待测试人员的肌肉活动时产生的肌肉压力信号;基于sEMG技术,采集待测试人员的肌肉活动时产生的肌肉生理电信号;提取肌肉压力信号与肌肉生理电信号的目标时域特征和目标频域特征,并按照目标肌力等级进行标准化处理,以得到处理后的特征,并将处理后的特征输入至目标机器学习模型中,以输出待测试人员的肌肉力量预测结果。由此,解决了相关技术中由于sEMG信号容易受噪声干扰,且需要使用高密度阵列进行信号解析,增加了传感器数量,并且增加了信号处理的难度,降低了肌力预测的鲁棒性的问题。
背景技术
人体肌肉功能与激活状态是反应人运动能力和健康状态的一项重要的生理参数指标,在运动科学、临床术后康复等领域,肌肉功能与激活状态的评估有重要意义,例如在运动中肌肉发力不平衡会导致关节不稳、磨损甚至受伤,在术后康复中,肌肉损伤和肌肉激活不足有可能导致关节活动度受限、关节力量下降、关节损伤和疼痛的发生。因此,能够对肌肉激活状态和功能进行评估对人体运动健康有十分重要的价值。
目前常用于定量肌肉力量和肌肉功能的方法主要包括成像手段和测力计两种,其中,成像手段主要包括肌骨超声、CT (Computed Tomography,电子计算机X射线断层扫描技术)、MRI(Magnetic Resonance Imaging,磁共振成像)等,通过影像学特征对肌肉结构特点进行表征,从而进一步推算肌肉力量,其主要问题是依赖有经验的医生,测量重复性较差,难以对运动时的肌肉进行实时监测;测力计包括等速肌力测试仪和测力计,等速肌力测试仪体型大、价格昂贵,应用并不广泛。测力计适用的测量场景较为有限,也较为依赖医生的测量经验和标准化的测量方法,难以推广。
在肌骨系统损伤的术后康复中,患者通常需要进行长期的康复训练,在日常训练中通过可穿戴设备对肌肉的激活状态进行实时监测能够定量化具体肌肉的康复训练效果,如,sEMG是一种常见的肌肉生理信息,目前已有一些方法基于sEMG信号和机器学习模型实现对肌肉力量的预测,从而为康复训练方案的制定提供有效的信息。
然而,相关技术中,由于sEMG信号容易受噪声干扰,且sEMG通常混杂着深层肌肉与表层肌肉的信号,需要使用高密度阵列进行信号解析,增加了传感器数量,并且增加了信号处理的难度,降低了肌力预测的鲁棒性,亟待解决。
实现思路