随着传感器技术的不断完善。通过传感器收集的生物信号逐渐走进研究人员的视野,由于肌电图信号的便于观察且具有较高的实时性,受到大量科研人员的关注。肌电图信号常用来监测和评估目标肌群的状态,其中肌肉疲劳检测在康复医学领域被广泛应用。其主要目的通过传感器收集肌电图信号数据进行分析,这有助于阐明肌肉疲劳的病理生理机制,并针对患者不同病症量身定制治疗方法。表面肌电图信号(s EMG)以其便于采集,受到广大科研人员的青睐。然而现有的疲劳检测方法通常只采集单一的主动肌信号进行检测,检测的准确性和实时性较差,而且大部分研究均采用传统特征提取的方法进行疲劳检测,波形处理和特征选取对检测结果影响很大。针对此问题,本文详细分析表面肌电图信号特性,通过预处理提取疲劳检测有效频段,并对不同肌群信号进行融合处理,从而提高肌肉状态变化的显著性,减少由于信号非平稳性和非线性对疲劳检测准确性的影响。基于所采集的数据集,使用不同的神经网络框架使用神经网络疲劳检测算法,并使用Teacher-Student网络框架对神经网络算法训练过程进行优化,降低受试者个体间差异差异对疲劳检测的干扰。本文的主要内容如下:(1)通过分析肌肉的协同工作原理,采集了一个包含主动肌和协同肌的表面肌电图信号数据集。通过对比分析男性和女性优势侧股二头肌和半腱肌疲劳时表面肌电图(SEMG)信号特征,探讨运动疲劳过程中男性和女性、主动肌和协同肌的变化异同与相互关系,为运动训练与治疗提供理论依据和评价方法。由于表面肌电图信号易受到环境的干扰,对数据集进行滤波就显得尤为重要。本文从解析信号的角度出发,首次使用可调Q因子小波变换对表面肌电图信号进行去噪,筛选出信号集中频段,减少环境噪声对疲劳检测的影响。并将离散小波和可调Q因子小波分别对信号进行滤波,并提取提取中值频率(MF)和平均功率频率(MPF)作为评价指标。(2)本文以多种基础神经网络框架为基础。实验结果表明,GRU神经网络获得最高的疲劳检测准确率。进而本文提出了一个多通道融合循环注意力网络(Multichannel Fusion Recurrent Attention Network:MFRANet)。首先,MFRANet通过融合多通道的肌电信号来增强信号局部抗干扰能力,减少单个通道信号噪声对整体检测性能的影响。其次,MFRANet从时域和空间域两个维度出发,通过门控机制来增强通道间复杂的时间关联性,并使用注意力机制重新构建通道间的非线性关系,进而提高模型对不同患者的泛化能力。实验结果表明,本文提出的主动肌和协同肌信号融合方法使主动肌疲劳检测准确率得到了显著提升。(3)为了进一步削弱表面肌电图信号个体间差异性对疲劳检测的影响,本文采用基于MFRANet网络的Teacher-Student网络框架优化方法,通过优化神经网络训练模式进一步提高疲劳检测准确率。实验结果表明,本文提出的基于MFRANet网络的Teacher-Student网络框架方法使得疲劳检测准确率提高至95.7%,并且检测时间比传统机器学习方法有明显减少。