肌肉疲劳是人体运动中一种常见的现象,疲劳程度随着人体运动量的增加而增加。目前体力要求较高的运动人群如建筑工人、运动员、军人等经常从事高强度的运动,随着肌肉疲劳的增加,可能对人体安全和健康造成不利影响。疲劳的实时检测变得尤为重要,基于此而实现提前发现并采取有效的措施防止意外发生。本研究采用跑步的方式模拟受试者产生肌肉疲劳后的下肢状态。三级负荷实验测量每位参与者的心肺能力,根据其心肺能力设计四级负荷试验模拟人体四种运动疲劳状态分别对应人体最大运动强度的60%、70%、80%、90%。本研究设计的可穿戴采集装置包含可穿戴装置和采集电路。采集装置中角度传感器放置在人体髋关节和膝关节处。采集电路使用STM32芯片的AD采集模块将4路角度数据打包并发送至上位机。上位机软件包括数据接收、数据解析、数据显示和数据保存功能,与可穿戴式采集设备同时工作完成数据采集。该采集系统可以直接采集人体下肢关节角度数据,在可穿戴设备中集成较为简单,对于本身就需要穿戴设备的人来说,并不会增加穿戴人的负担。本研究设计步态数据的预处理及分析方法。数据预处理包括数据滤波和步态周期划分,数据滤波可以排除人体步态外的高频干扰,步态周期划分使用动态时间扭曲算法,该算法具有较强的鲁棒性。本研究对步态数据进行信号特征提取,包括步态信息的最大值、最小值、均值、方差、峰度、偏度、变异系数特征,分析数据特征之间的相关性和不同的疲劳状态在各特征中的分布情况。步态特征数据相对于步态序列减少了数据的计算量。本研究使用回归模型分析数据特征对疲劳状态的分类结果,在线性回归和多次回归模型中最高能够实现30%的识别准确率,整体效果不佳。有监督机器学习模型使用逻辑斯蒂回归、随机森林、梯度提升树和支持向量机进行疲劳状态识别。机器学习模型中分别使用步态序列、步态特征、步态频域数据对模型进行训练并评估其性能。模型训练结果显示,在步态序列的数据集中随机森林和支持向量机可以实现90%左右的准确率。在步态统计特征数据集中,随机森林能够实现90%以上的准确率,在数据量较少的情况下,能实现高精度的疲劳状态识别,该方案在运算资源较低的场景中使用,方便模型的移植。该设备与实验方案能够实时感知人体髋关节与膝关节的角度信息,客观评价人体疲劳等级从而降低运动风险,该装置数据采集量较少模型训练计算量较少,实时预测可行性高,对计算设备要求较低,方便实施,能在不增加穿戴者负担的情况下应用于人体可穿戴设备中。