人體運(yùn)動姿態(tài)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(guān)節(jié)的連續(xù)運(yùn)動，從而實(shí)現(xiàn)連續(xù)評估運(yùn)動部位的肌肉活動值。準(zhǔn)確跟蹤人群的運(yùn)動姿態(tài)，分析其肌肉運(yùn)動情況，對于制定個性化的康復(fù)方案具有重要的價值。分析人體肌肉狀態(tài)已引起社會的廣泛關(guān)注。基于肌肉狀態(tài)分析工作的肌電圖（EMG）模式識別方法已經(jīng)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(jī)械臂和慣性傳感器進(jìn)行運(yùn)動跟蹤與肌肉狀態(tài)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(jiān)測人體健康狀態(tài)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(yùn)動數(shù)據(jù)，以評估手臂連續(xù)運(yùn)動的運(yùn)動學(xué)信息，并預(yù)測手臂每塊肌肉的EMG信號。

據(jù)麥姆斯咨詢報道，近日，廈門大學(xué)信息學(xué)院郭詩輝副教授課題組在Hindawi旗下開源期刊Journal of Sensors發(fā)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(xiàn)實(shí)、人機(jī)交互、計算機(jī)圖形學(xué)的研究工作。

肌肉狀態(tài)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(tài)跟蹤方法。通過分析計算捕捉到的姿態(tài)以獲得上肢的關(guān)節(jié)角度，并利用該角度連續(xù)評估上肢運(yùn)動的EMG信號。

首先，利用集成了長短時記憶（LSTM）模塊的神經(jīng)網(wǎng)絡(luò)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(shù)據(jù)進(jìn)行連續(xù)評估。然后，對5名實(shí)驗對象的六種肩肘運(yùn)動角度及相應(yīng)的EMG信號進(jìn)行預(yù)處理并校準(zhǔn)。回歸分析采用基于極端隨機(jī)樹（extra trees）的堆疊回歸模型。研究實(shí)驗結(jié)果表明，傳感器電阻對關(guān)節(jié)角度的平均估計絕對誤差為3.45度，關(guān)節(jié)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(jī)樹、隨機(jī)森林和KNN基本模型

這項研究的實(shí)驗結(jié)果表明，長短時記憶網(wǎng)絡(luò)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(guān)節(jié)角度數(shù)據(jù)和EMG信號數(shù)據(jù)。該方法為未來家庭健康監(jiān)測和運(yùn)動指導(dǎo)提供了更多的可能性，例如，用戶可以基于該系統(tǒng)實(shí)現(xiàn)在線醫(yī)療和在線診斷。然而，該領(lǐng)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(yù)測結(jié)果的準(zhǔn)確性。因此，研究人員表示將在后續(xù)工作中繼續(xù)解決上述問題，并將其所提出的基于機(jī)器學(xué)習(xí)的流程應(yīng)用于生物信息學(xué)和計算生物學(xué)等其他領(lǐng)域。

這項研究工作獲得國家自然科學(xué)基金（62072383、61702433、62077039）、中央高校基本科研業(yè)務(wù)費(fèi)專項資金資助（2072019006）、北京航空航天大學(xué)虛擬現(xiàn)實(shí)技術(shù)與系統(tǒng)國家重點(diǎn)實(shí)驗室開放課題資助項目基金（VRLAB2020B17）的支持。廈門大學(xué)生命科學(xué)學(xué)院的Zhiyong Chen和北大荒集團(tuán)總醫(yī)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