第4期 贾森，等：面向地铁低头族的颈部疲劳sEMG-JASA评价模型 ·707· 1.1sEMG特征提取 MF值变化 数据分析选取时域分析和频域分析两个评价 指标，通过联合分析提高结果的可靠性。根据 sEMG信号的时、频特征与肌肉活动之间的相关 恢复 肌力增加 性判断肌肉状态。研究中利用软件中自带的信号 ·+RMS值变化 处理系统对原始信号进行计算和分析处理。 1.11时域分析 肌力减小 疲劳 时域分析方法中均方根值(root mean square, RMS)在时间维度上反映肌电信号振幅的变化特 征，能够实时无损伤地反映肌肉活动状态。本 图2联合分析 文系统中采用计算RMS作为时域特征进行疲劳 Fig.2 Joint analysis 判定，其相关计算公式为 N+T 1.3疲劳评价分析流程 RMS EMG(t)dt/T (1) 1)设置参数。将采集到数据的输入。 由于肌电信号的振幅和肌肉张力呈一定对应 2)信号分段。将数据的前10s和后10s去 关系，当RMS值增加时肌肉处于疲劳状态。 掉，并将数据每200ms分为一段。 1.1.2频域分析 3)计算每段的RMS值与MF值 在肌电信号处理中频域分析法可以直接观察 4)将RMS与MF的特征值经过JASA分析后 表面肌电信号频段的分布与变化情况，其中中位 根据数据所在象限进行疲劳判断，若判断疲劳则 频率(median frequency,MF)是一种可靠准确的特 对乘客进行提醒，保留数据后继续检测。否则， 征参数四。其计算公式为 进行下一时间段的疲劳判断分析。疲劳判断与显 (2) 著性判断方式如下： 肌肉疲劳时功率谱从高频移动到低频，MF值 ①If MFdope<O,RMS ope>0 相应下降。 疲劳 RMS可以在一定程度上反映肌电信号的平 else非疲劳 均功率，采用RMS算法得到sEMG信号的幅值偏 ②ifP<0.05 大，可以更好地反映肌电的特点；从统计学角度 有显著性* 而言，MF能更好地反映sEMG的频谱特征。本 P<0.01 文以RMS与MF为判断肌肉疲劳的指标，对时域 有显著性* 与频域进行数据的特征提取。 else无显著性 1.2联合分析 (MF sope表示MF值和时间的线性回归得到斜 幅频联合分析(joint analysis of EMG spectrum 率值；RMSsope表示RMS值和时间的线性回归得 and amplitude,JASA)由Luttmann等最先提出， 到斜率值) 是一种同时考虑sEMG振幅和频谱变化的疲劳测 5)将后一段时间与前一段时间进行方差分 定方法。在肌肉疲劳指标的测试中，对sEMG信 析，判断有无显著性。若有则进行再次提醒，若 号在振幅和频谱领域的变化都是单独考虑的，由 无显著性则持续进行检测。 于sEMG信号振幅和频谱对肌力和疲劳状态具有 两重依赖性，故只有同时考虑振幅和频谱的变化 2实验验证 才能更好地进行疲劳评价。 众多研究已经证实：时域指标伴随肌力的增 前期研究中进行了实地观察测试。选择上海 加和疲劳的产生而增加；频域指标MF随肌力的 地铁九号线为实验观察线路，随机选取地铁乘 增加而增加，但却随疲劳的发生而降低。如图2 客并详细记录他们的低头和抬头时间。如图3 所示只有RMS值上升而MF值同时下降时才能 所示，可以看出乘客在地铁上大部分时间都在低 确认肌肉处于疲劳状态。其他3个象限分别表示 头，而抬头时间所占比例仅约总时长的20%。在 肌肉处于恢复期(MF值增加同时RMS值减小)、 实验观察中我们发现持续低头的最长时间为 肌力增加(MF值增加同时RMS值增加)与肌力 25min,当要到达目的地时乘客才会频繁地抬头 减小MF值减小同时RMS减小)。 查看站点。1.1 sEMG 特征提取 数据分析选取时域分析和频域分析两个评价 指标，通过联合分析提高结果的可靠性。根据 sEMG 信号的时、频特征与肌肉活动之间的相关 性判断肌肉状态。研究中利用软件中自带的信号 处理系统对原始信号进行计算和分析处理。 1.1.1 时域分析 时域分析方法中均方根值 (root mean square， RMS) 在时间维度上反映肌电信号振幅的变化特 征，能够实时无损伤地反映肌肉活动状态[11]。本 文系统中采用计算 RMS 作为时域特征进行疲劳 判定，其相关计算公式为 RMS = ∫ t+T t EMG2 (t)dt/T (1) 由于肌电信号的振幅和肌肉张力呈一定对应 关系，当 RMS 值增加时肌肉处于疲劳状态。 1.1.2 频域分析 在肌电信号处理中频域分析法可以直接观察 表面肌电信号频段的分布与变化情况，其中中位 频率 (median frequency, MF) 是一种可靠准确的特 征参数[12]。其计算公式为 MF = 1 2 ∫ ∞ 0 PSD(f)d f (2) 肌肉疲劳时功率谱从高频移动到低频, MF 值 相应下降。 RMS 可以在一定程度上反映肌电信号的平 均功率，采用 RMS 算法得到 sEMG 信号的幅值偏 大，可以更好地反映肌电的特点[13] ；从统计学角度 而言，MF 能更好地反映 sEMG 的频谱特征[14]。本 文以 RMS 与 MF 为判断肌肉疲劳的指标，对时域 与频域进行数据的特征提取。 1.2 联合分析 幅频联合分析 (joint analysis of EMG spectrum and amplitude, JASA) 由 Luttmann 等 [15] 最先提出， 是一种同时考虑 sEMG 振幅和频谱变化的疲劳测 定方法。在肌肉疲劳指标的测试中，对 sEMG 信 号在振幅和频谱领域的变化都是单独考虑的，由 于 sEMG 信号振幅和频谱对肌力和疲劳状态具有 两重依赖性，故只有同时考虑振幅和频谱的变化 才能更好地进行疲劳评价[14]。 众多研究已经证实：时域指标伴随肌力的增 加和疲劳的产生而增加;频域指标 MF 随肌力的 增加而增加，但却随疲劳的发生而降低。如图 2 所示只有 RMS 值上升而 MF 值同时下降时才能 确认肌肉处于疲劳状态。其他 3 个象限分别表示 肌肉处于恢复期 (MF 值增加同时 RMS 值减小)、 肌力增加 (MF 值增加同时 RMS 值增加) 与肌力 减小 (MF 值减小同时 RMS 减小)。 + + − − MF值变化 恢复 肌力增加 肌力减小 疲劳 RMS值变化 图 2 联合分析 Fig. 2 Joint analysis 1.3 疲劳评价分析流程 1) 设置参数。将采集到数据的输入。 2) 信号分段。将数据的前 10 s 和后 10 s 去 掉，并将数据每 200 ms 分为一段。 3) 计算每段的 RMS 值与 MF 值。 4) 将 RMS 与 MF 的特征值经过 JASA 分析后 根据数据所在象限进行疲劳判断，若判断疲劳则 对乘客进行提醒，保留数据后继续检测。否则， 进行下一时间段的疲劳判断分析。疲劳判断与显 著性判断方式如下： ① If MFslope <0, RMSslope >0 疲劳 else 非疲劳 ② if P<0.05 有显著性* P<0.01 有显著性** else 无显著性 MFslope RMSslope （ 表示 MF 值和时间的线性回归得到斜 率值； 表示 RMS 值和时间的线性回归得 到斜率值） 5) 将后一段时间与前一段时间进行方差分 析，判断有无显著性。若有则进行再次提醒，若 无显著性则持续进行检测。 2 实验验证 前期研究中进行了实地观察测试。选择上海 地铁九号线为实验观察线路，随机选取地铁乘 客并详细记录他们的低头和抬头时间。如图 3 所示，可以看出乘客在地铁上大部分时间都在低 头，而抬头时间所占比例仅约总时长的 20%。在 实验观察中我们发现持续低头的最长时间为 25 min，当要到达目的地时乘客才会频繁地抬头 查看站点[16]。 第 4 期 贾淼，等：面向地铁低头族的颈部疲劳 sEMG-JASA 评价模型 ·707·