肢体运动障碍患者在进行康复运动时,严重的肌肉疲劳会对患者造成二次伤害,因此对其肌肉疲劳状态进行实时监测至关重要。本文根据肌肉疲劳主要是在肌肉主动收缩时引起的特点,针对特征阈值法较难划分出肌肉主动收缩与舒张状态的问题,探讨在康复运动中通过肢体运动姿态对表面肌电信号（surface Electromyography,s EMG）进行划分,提取肌肉主动收缩对应的s EMG进行肌肉疲劳研究,并通过康复运动实验验证了运动姿态划分s EMG在分析肌肉疲劳时的有效性。本文主要研究内容如下:首先,分析了运动姿态划分方法并设计了数据采集发送系统。分析了划分肌肉主动收缩段进行肌肉疲劳研究的必要性,根据s EMG、肌肉动作和肢体运动姿态的关系,提出通过运动姿态划分s EMG的方法。选择s EMG与角速度数据作为数据源,同时介绍了常用的表征肌肉疲劳的指标。根据数据源的要求设计了肌肉疲劳数据采集发送系统。其次,进行肌肉动态收缩实验和运动姿态分析。选择常用的间歇性动态收缩实验,对获取的s EMG进行小波去噪、角速度数据进行巴特沃斯滤波处理。分析角速度数据、手臂运动姿态与s EMG的对应关系,将运动姿态与肌肉的收缩、舒张和放松状态分别对应,确定手臂弯曲动作所对应的s EMG为研究肌肉疲劳的数据段。研究运动姿态和特征阈值对s EMG进行划分的情况。然后,进行了运动姿态划分方法验证。对比研究运动姿态和特征阈值划分s EMG的时域、频域和非线性指标,将两组指标进行相关性分析,结果表明二者显著性相关。比较两组指标在表征肌肉疲劳上的效果,线性拟合表明二者在肌肉疲劳进程中的变化趋势一致,敏感度表明二者对于肌肉疲劳的敏感性一致。因此,通过运动姿态划分所获得的指标并未改变其表征肌肉疲劳的变化趋势和敏感度。最后,进行康复运动中的疲劳分析。分析在连续性肌肉动态收缩中s EMG与运动姿态的对应关系,并划分s EMG。计算疲劳指标的线性拟合斜率,结果表明运动姿态获得肌肉主动收缩对应的s EMG指标其斜率大于特征阈值获得的活跃段s EMG指标,说明在康复连续运动中通过运动姿态划分肌肉主动收缩对应的s EMG进行肌肉疲劳研究是有效的。最后,出于实时监测患者在康复运动中的肌肉疲劳状态的考虑,设计了上位机界面并提出了实时肌肉疲劳监测策略。