人體運動姿態跟蹤和肌肉分析通過各類傳感器或多種類型攝像頭來捕捉骨關節的連續運動，從而實現連續評估運動部位的肌肉活動值。準確跟蹤人群的運動姿態，分析其肌肉運動情況，對于制定個性化的康復方案具有重要的價值。分析人體肌肉狀態已引起社會的廣泛關注。基于肌肉狀態分析工作的肌電圖（EMG）模式識別方法已經提出多年。然而，由于佩戴不適且價格昂貴等原因，在日常生活中使用機械臂和慣性傳感器進行運動跟蹤與肌肉狀態分析非常不方便。

近年來，利用集成了柔性傳感器的智能可穿戴傳感器來監測人體健康狀態引起了廣泛的興趣。該方法用戶體驗好、穿著舒適、價格便宜。因此在本研究中，研究者提出利用集成了柔性傳感器的智能服飾來收集手臂運動數據，以評估手臂連續運動的運動學信息，并預測手臂每塊肌肉的EMG信號。

據麥姆斯咨詢報道，近日，廈門大學信息學院郭詩輝副教授課題組在Hindawi旗下開源期刊Journal of Sensors發表了以“Intelligent Sensors and Internet of Medical Things for Smart Healthcare”為主題的研究論文。郭詩輝副教授為該研究論文的通訊作者，主要從事虛擬現實、人機交互、計算機圖形學的研究工作。

肌肉狀態分析的工作流程圖

這項研究提出了一種基于柔性傳感器的人體姿態跟蹤方法。通過分析計算捕捉到的姿態以獲得上肢的關節角度，并利用該角度連續評估上肢運動的EMG信號。

首先，利用集成了長短時記憶（LSTM）模塊的神經網絡回歸模型，對智能服飾采集到的傳感器電阻和Kinect采集到的角度數據進行連續評估。然后，對5名實驗對象的六種肩肘運動角度及相應的EMG信號進行預處理并校準。回歸分析采用基于極端隨機樹（extra trees）的堆疊回歸模型。研究實驗結果表明，傳感器電阻對關節角度的平均估計絕對誤差為3.45度，關節角度對EMG信號的絕對百分比誤差僅為1.82%。

從14塊主要上肢肌肉采集EMG信號

堆疊模型主要包括極端隨機樹、隨機森林和KNN基本模型

這項研究的實驗結果表明，長短時記憶網絡能夠有效解決柔性傳感器的非線性和遲滯問題，堆疊模型能夠很好地回歸出關節角度數據和EMG信號數據。該方法為未來家庭健康監測和運動指導提供了更多的可能性，例如，用戶可以基于該系統實現在線醫療和在線診斷。然而，該領域仍有許多問題亟需解決和研究，如傳感器位置偏移、服裝褶皺引起的變形等，這些因素都會影響預測結果的準確性。因此，研究人員表示將在后續工作中繼續解決上述問題，并將其所提出的基于機器學習的流程應用于生物信息學和計算生物學等其他領域。

這項研究工作獲得國家自然科學基金（62072383、61702433、62077039）、中央高?；究蒲袠I務費專項資金資助（2072019006）、北京航空航天大學虛擬現實技術與系統國家重點實驗室開放課題資助項目基金（VRLAB2020B17）的支持。廈門大學生命科學學院的Zhiyong Chen和北大荒集團總醫院的Qingsuo Wang為該研究的共同第一作者。

論文鏈接：

https://doi.org/10.1155/2022/5227955

審核編輯 ：李倩