基于长期短期记忆 (LSTM) 的算法用于预测使用无标记运动分析数据的中心频率和协同激活比率的评估
Jun Won Choi1, Woon Mo Jung1, Jong Min Kim1
1Department of Biomedical Engineering, Yonsei University, Wonju-Si, Gangwon-Do 26493 Republic of Korea.
Biomedical engineering letters
|November 24, 2025
概括
这项研究开发了一种使用表面电肌图 (EMG) 和运动分析的深度学习模型,以准确预测运动期间的肌肉疲劳和协调. 该算法显示了在培训和康复中实时监控的前景.
科学领域:
- 生物力学 生物力学
- 运动科学 运动科学 运动科学
- 机器学习 机器学习
背景情况:
- 精确,非侵入性监测肌肉疲劳和协调对于优化运动表现和康复至关重要.
- 现有的方法可能具有侵入性或缺乏实时反能力.
研究的目的:
- 开发和验证用于估计肌肉疲劳和肌肉间协调的深度学习算法.
- 整合表面电肌图 (EMG) 和无标记运动分析,以进行全面的运动评估.
主要方法:
- 一个深度学习模型 (LSTM) 使用同步的EMG和来自参与者执行子卷曲的无标记运动数据进行训练.
- 通过EMG信号的中位数频率 (MDF) 来评估肌肉疲劳.
- 肌肉间协调使用协同激活比率 (SAR) 来量化.
主要成果:
- 该LSTM模型实现了高预测准确性,无论是肌肉疲劳 (MDF) 和协调 (SAR).
- 结果表明局部的双肩筋疲劳和潜在的补偿激活在deltoid.
- 随着时间的推移,SAR的下降表明肌肉协同作用的疲劳诱导的变化.
结论:
- 拟议的深度学习框架有效地检测实时的肌肉疲劳和协调变化.
- 这种方法具有个性化培训,疲劳监测和人体工程学评估的潜力.
