使用sEMG和IMU信号的多式疲劳检测系统与混合CNN-LSTM注意力模型
Soree Hwang1,2, Nayeon Kwon1, Dongwon Lee1
1Bionics Research Center, Biomedical Research Division, Korea Institute of Science and Technology (KIST), Seoul 02792, Republic of Korea.
Sensors (Basel, Switzerland)
|September 19, 2025
概括
本研究介绍了一种使用表面电肌图 (sEMG) 和惯性测量单元 (IMU) 信号来检测身体疲劳的新系统. 多式联网方法在识别疲劳状态方面实现了高精度,提供个性化的监控解决方案.
科学领域:
- 生物医学工程 生物医学工程
- 可穿戴技术可穿戴技术
- 人类绩效监测 人类绩效监测
背景情况:
- 身体疲劳对各种行业的安全和业绩构成重大风险.
- 目前的疲劳检测方法在个人变化和有限的概括性方面扎.
- 客观可靠的疲劳评估对于预防事故和优化性能至关重要.
研究的目的:
- 开发和验证使用sEMG和IMU信号的多模式疲劳检测系统.
- 为了研究混合CNN-LSTM-Attention模型对疲劳分类的有效性.
- 解决疲劳检测中的个人间差异,以进行个性化监测.
主要方法:
- 开发了一个集成sEMG和IMU信号的多式联网系统.
- 一个混合CNN-LSTM-Attention模型处理了传感器数据以进行疲劳分类.
- 在35名健康参与者中,通过逐步向上和向下运动诱导疲劳.
- 来自胃侧的sEMG和来自前和前直骨的IMU抽动信号被利用.
- 使用Leave-one-subject-out交叉验证 (LOSOCV) 来进行评估.
主要成果:
- 该系统使用双边sEMG信号实现了87.94%的准确性.
- 通过IMU-EMG综合方法获得了疲劳状态的87.94%的平衡回忆.
- 该模型在对参与者的疲劳状态进行分类方面表现出了强度.
结论:
- 开发的多模式疲劳检测系统显示出高精度和稳定性.
- 该系统为个性化的疲劳监测提供了一个有前途的解决方案.
- 这种方法有效地解决了个人之间的差异,优于传统的依赖对象的方法.
