基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法

技术特征：
1.基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法，其特征在于，包括以下步骤：s1、采集多通道表面肌电信号数据，对所述表面肌电信号数据进行预处理，并将所述表面肌电信号数据按预设条件划分为无疲劳、中度疲劳和重度疲劳；s2、根据预处理后的表面肌电信号数据计算任意两两通道间的皮尔森相关系数，基于各所述皮尔森相关系数构建复杂网络；s3、获取所述复杂网络的网络密度序列、全局效率序列、聚类系数和平均最短路径，并将所述网络密度序列转换成网络成本序列；将所述全局效率序列减去网络成本序列以得到所述复杂网络的经济属性；设定所述聚类系数和平均最短路径之比为所述复杂网络的小世界属性；s4、分析无疲劳、中度疲劳和重度疲劳三个状态下所述复杂网络的经济属性和小世界属性的变化规律。2.根据权利要求1所述的基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法，其特征在于，所述s2中，任意两两通道间的皮尔森相关系数的计算公式为：其中，cov(x，y)为通道x和y的协方差，δxδy为通道x和y的标准差；若所述皮尔森相关系数的值大于0，则判定两个通道间肌电信号正相关；若所述皮尔森相关系数的值小于0，则判定两个通道间肌电信号成负相关，并对所述皮尔森相关系数进行指数变换，即将p
ij
转换成其中，i和j代表任意两个通道，k为指数系数。3.根据权利要求1所述的基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法，其特征在于，所述s3中，获取所述复杂网络的网络密度序列、全局效率序列，并将所述网络密度序列转换成网络成本序列的方法具体为：获取所述复杂网络的网络密度den；计算所述复杂网络的全局效率ceff：其中，∑ω
ij
是对复杂网络中所有的加权边求和，d
ij
是复杂网络内两个节点间的距离，n是复杂网络的节点个数；计算网络密度序列den
r
和全局效率序列geff
r
，并将所述网络密度序列den
r
转换成网络成本序列cost
r
：其中，den
max
为网络密度序列中的最大值，geff
max
为全局效率序列中的最大值，i和j代表复杂网络内两个节点，r为复杂网络中各权值参数ω
ij
的阈值，r∈[min(ω
ij
)，max(ω
ij
)]，cost
r
，geff
r
∈[0，1]；基于所述全局效率序列geff
r
和网络成本序列cost
r
，得到所述复杂网络的经济属性ecost
r
：ecost
r
＝geff
r-cost
r
。4.根据权利要求3所述的基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法，其特征在于，所述小世界属性的计算公式为：
其中γ
r
、λ
r
分别为标准化的聚类系数和平均最短路径；c
r
与l
r
分别为网络的聚类系数与最短路径，其计算公式分别为：别为网络的聚类系数与最短路径，其计算公式分别为：k
i
是节点i的邻居数目，e
i
是节点i的k个邻居之间实际存在的边数，d
ij
是两节点间的距离，n是节点个数；c
rand
、l
rand
为等效的随机网络中的聚类系数和平均最短路径。5.根据权利要求1所述的基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法，其特征在于，所述s1中，采集多通道表面肌电信号数据，对所述表面肌电信号数据进行预处理的方法为：选择人体上肢n个部位的肌肉，n个部位的肌肉对应通道1至通道n，n>1；将医用表面肌电电极片贴在所测肌肉表面，按照预设的采样频率和采样时长进行表面肌电信号数据采样；对被测试者进行主观问卷测评，以将被测试者的所述肌电数据划分为无疲劳、中度疲劳和重度疲劳三个状态；对所述表面肌电信号数据依次进行带通滤波和工频陷波处理，并将处理后的所述表面肌电信号数据归一化。6.根据权利要求1所述的基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法，其特征在于，所述表面肌电信号数据的不同疲劳状态是通过多个任务诱发的；所述任务包括体力训练和疲劳驾驶，将各任务下采集的肌电数据进行整合，并通过主观问卷测评，将被测试者的所述表面肌电信号数据划分为无疲劳、中度疲劳和重度疲劳三个状态。7.根据权利要求6所述的基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法，其特征在于，所述n个部位的肌肉包括：上斜方肌、中斜方肌、下斜方肌、竖脊肌、背阔肌、三角肌后束和多裂肌。8.基于表面肌电信号提取肌肉疲劳状态复杂网络属性的系统，其特征在于，包括：疲劳数据采集模块，其用于采集多通道表面肌电信号数据，对所述表面肌电信号数据进行预处理；并将所述表面肌电信号数据按预设条件划分为无疲劳、中度疲劳和重度疲劳三个状态；复杂网络模型建立模块，其基于预处理后的表面肌电信号数据求取任意两两通道间的皮尔森相关系数，根据皮尔森相关系数构建不同通道间的复杂网络；复杂网络属性计算模块，其获取所述复杂网络的网络密度序列、全局效率序列、聚类系数和平均最短路径，并将所述网络密度序列转换成网络成本序列；将所述全局效率序列减去网络成本序列以得到所述复杂网络的经济属性；设定所述聚类系数和平均最短路径之比为所述复杂网络的小世界属性；疲劳规律分析模块，其用于分析在无疲劳、中度疲劳和重度疲劳三个状态下所述复杂网络的经济属性和小世界属性的变化规律。9.根据权利要求8所述的基于表面肌电信号提取肌肉疲劳状态复杂网络属性的系统，其特征在于，所述预处理包括带通滤波处理和工频陷波处理。10.一种计算机可读存储介质，其中存储有指令，所述指令被处理器执行时，执行如权
利要求1-7所述的基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法。

技术总结
本发明涉及基于表面肌电信号提取肌肉疲劳状态复杂网络属性的方法，包括S1、采集多通道表面肌电信号数据，对表面肌电信号数据进行预处理；并将表面肌电信号数据按预设条件划分为无疲劳、中度疲劳和重度疲劳三个状态；S2、根据预处理后的表面肌电信号数据计算任意两两通道间的皮尔森相关系数，基于各皮尔森相关系数构建复杂网络；S3、获取复杂网络的经济属性和小世界属性；S4、分析无疲劳、中度疲劳和重度疲劳三个状态下复杂网络的经济属性和小世界属性的变化规律。其能够基于预处理后的肌电信号数据构建复杂网络，并分析复杂网络的经济属性和小世界属性，为肌肉疲劳提供了新的表面肌电复杂网络属性，改善交互接口的疲劳适应性。改善交互接口的疲劳适应性。改善交互接口的疲劳适应性。


技术研发人员：郭浩 王翼鸣 公培浩 李春光 齐菲 黄海波
受保护的技术使用者：苏州大学
技术研发日：2022.04.29
技术公布日：2022/7/11