表面肌电信号是人体三大生理电信号(肌电、脑电、心电)之一,它来源于中枢神经系统对外界刺激做出反映时的电位变化。在神经的支配作用下,通过在细胞膜表面引发极化反应,导致膜电位发生变化,进而在肌肉纤维上进行电位的叠加和传播,从而在皮肤表面产生可检测的生理电信号。其作为人体肌肉细胞电位活动的外在综合表征,可以反映出当前人体的生理状态和意识状态特征,如肌纤维力量、肌肉状态、人体心理活动、大脑运动意图等。此外,表面肌电信号物理特性的变化还与骨骼肌在疲劳收缩过程中发生的生化和生理变化密切相关。肌肉疲劳最直观的感受是肌力减弱,是一种产生于长时间发力或运动状态下乏力或酸疼的感觉;从生理学上说,肌肉疲劳是肌肉运动系统的做功能力或收缩能力的暂时下降导致机体不能维持预期强度动作的内在原因。肌肉疲劳的产生机理,目前存在有中枢原因和外周原因两种主流说法。中枢原因认为疲劳是大脑皮层的保护性抑制的结果,为了避免机体损伤,采取的主动性保护;外周原因从生化方面分析,认为发力中出现的钙离子运动扰动,磷酸盐等代谢产物的积累,ATP减少等因素是导致动作传导电位变化和肌肉纤维收缩力量下降的主要原因。基于表面肌电信号和肌肉疲劳之间的关系,本文以健康人为主要研究对象,以静态疲劳下的人体局部肌肉疲劳检测为研究目的,主要的研究内容有:(1)肌肉疲劳等级状态的探索性划分。在静态环境下的人体局部肌肉疲劳研究中,基于肌肉等长收缩至疲劳的实验过程,对肌肉状况进行放松态、负重态、疲劳过渡态、深度疲劳态、疲劳态五类划分,并使用监督学习方法对肌肉状态进行分类。(2)肌肉疲劳过程中表面肌电信号特征指标的发掘和优化。在上述研究基础上,通过研究分析,找出在静态疲劳下具有明显区分性的表面肌电信号疲劳指标,用于实时检测当前的肌肉状态。(3)肌肉疲劳实时在线评估方法的研究和实时在线检测系统的研发。通过对疲劳等级的划分和疲劳指标的研究,开发出能够对目标肌肉群的状态进行检测的实时在线分析系统。本文通过对以上研究内容的实现,开发出了一套可以实时在线对局部肌肉群当前状态进行检测的表面肌电信号分析系统。通过实验结果发现,离线状态下,通过ANN、KNN、LDA、SVM四类分类器对上述五种肌肉状态进行划分,在RMS和MNF特征下,使用ANN和LDA达到的平均识别效果最好,在95%和90%以上。在RMS和AR6特征下,通过ANN、KNN和LDA分类器取得平均识别准确率较高。考虑到ANN具有较多的时间花销,KNN的识别率比LDA识别效果略差,时域信号特征具有更快的计算速度,因而在实时在线的肌肉疲劳估计系统中采用了在RMS和AR6特征下的LDA分类判别器。在识别肌肉状态是否达到深度疲劳状态时,该系统最高可以达到92%的识别效果,但是对放松态、负重态、疲劳过渡态三种状态识别结果还有待改进,通过将上述三种状态统一考虑为一种状态,则可以显著提高对深度疲劳态和疲劳态之前的肌肉状态识别准确率。此外,在实时在线的识别分析上,自回归系数和均方根值的组合,可以取得更好的识别效果,而区分度更好的平均频率在肌肉状态识别上会有更低一点的识别准确度,考虑采用RMS和MNF的特征组合具有一定的特征指标信息冗余。本研究的实施对康复医学、体育运动学、人机交互、运动损伤、辅助训练等领域均有重要的现实意义和应用价值。