运动疲劳的多层次评估,使用基于表面肌电图的多重注意力和卷积网络 (MACNet)

科学领域:

• 生物医学工程 生物医学工程
• 运动科学 运动科学 运动科学
• 机器学习 机器学习

背景情况:

• 准确评估运动疲劳对于优化表现和预防受伤至关重要.
• 表面电肌图 (sEMG) 提供了对肌肉疲劳的定量见解.
• 现有的sEMG疲劳评估方法在多层次评估中往往缺乏准确性.

研究的目的:

• 开发一种新的深度学习模型,以便使用sEMG对肌肉疲劳进行更强大,多层次的评估.
• 加强从sEMG信号中提取与疲劳相关的信息.

主要方法:

• 一个多重注意力和卷积网络 (MACNet) 设计用于三级肌肉疲劳评估.
• 在50%的最大自愿收缩范式下,从48名受试者收集了sEMG信号.
• 为了更好的分析,MACNet集成了时间注意,多尺度卷积和通道空间注意.

主要成果:

• 马克网获得了高平均分类F1-分数和准确度 (例如,84.11%的学科准确度).
• 通过GradCAM可视化,确定了影响疲劳评估的关键肌肉 (flexor digitorum superficialis/profundus) 和时间域特征.
• 该模型在学科和跨学科评估中都表现出卓越的表现.

结论:

• 在运动疲劳分类方面,MACNet显著超过了最先进的方法.
• 该模型有效地从sEMG道和时间域特征中提取细微的见解.
• 这一进步为了解和管理运动引起的肌肉疲劳提供了改进的工具.