基于深度森林的下肢股直肌疲劳检测算法

肌肉疲劳评估是当今社会探索与研究的热点之一，与人们日常生活健康密切相关。目前常用的肌疲劳分类方法有支持向量机(Support Vector Machine, SVM)、随机森林(Random Forest, RF)和逻辑回归等浅层机器学习方法。为了进一步提高运动过程中肌肉疲劳识别的精度，因此，本文通过设计硬件采集装置进行下肢股直肌部位肌肉疲劳实验采集数据，构建深度森林(Deep Forest, DF)模型将预处理后的表面肌电(sEMG)数据分成三类：正常(normal)、疲劳(fatigue)和极度疲劳(extreme fatigue)，并与传统方法SVM和RF模型对比。实验结果表明：深度森林模型的疲劳识别效果最好，整体准确率为92%，所提出的方法在各评价指标上均优于传统方法，基于深度森林的下肢股直肌疲劳检测算法，可以作为肌肉疲劳识别的方法，为人类健康提供参考与帮助。

表面肌电信号(sEMG)是人体在运动过程中，由运动神经元产生的动作电位序列叠加的生物电信号， 其变化规律反应了肌肉部位的生理状态和动作模式。目前对肌电信号研究主要分为肌肉疲劳识别和肌肉运动模式识别，王宏鹏等[1]通过收集并分析驾驶员颈部肌电数据，发现随着驾驶时间的增长，驾驶员颈部肌电特征时域特征值呈上升趋势，频域特征值呈下降趋势，驾驶员行驶约1 小时后会进入疲劳状态；隋修武等[2]提出了基于非负矩阵分解与支持向量机联合模型来识别上肢sEMG 手势，通过样本分离实验表明准确率高达91.7%以上；刘光达等[3]采用回归分析和皮尔逊相关系数分析的方法证实均方根(RMS)与中值频率(MF)相结合作为评估手臂肌肉疲劳的联合参数，更加合理准确；盛鑫军等[4]设计了一款集成多模态信号采集系统，能够同时采集并处理电生理信号sEMG、近红外光谱(NIRS)血氧变化以及肌动图(MMG)变化情况，使肌肉疲劳检测更加精确。

本文设计硬件采集设备实现高精度采集sEMG 信号，通过下肢股直肌肌疲劳实验收集受试者的肌电数据，对sEMG 数据预处理后计算各特征值，构建深度森林模型对数据进行正常(normal)、疲劳(fatigue)和极度疲劳(extreme fatigue)三分类，其分类效果优于传统的机器学习算法。本文的总体算法流程如图1所示，首先自主设计出一款肌电信号的硬件采集设备，接着采集大量的肌电信号数据，通过一系列预处理算法进行去噪以及去除连续微弱的无用信号，再通过大小滑动窗口进行信号特征的提取，最后将提取到的特征用深度森林算法进行预测，可以达到对肌电信号的疲劳等级自动分类的目的。

2. 数据采集与处理 2.1. 硬件部分 sEMG 信号是十分微弱的电信号之一，容易受到外界电磁、静电的干扰，其幅值为0~5 mv，频率范围在10~500 Hz 之间。因此需要设计硬件电路采集该信号，采集设备的总体框图如图2 所示，肌电