基于表面肌电信号的多重注意力卷积网络(MACNet)在运动疲劳多级评估中的创新应用

《IEEE Transactions on Neural Systems and Rehabilitation Engineering》：Multilevel Assessment of Exercise Fatigue Utilizing Multiple Attention and Convolution Network (MACNet) Based on Surface Electromyography

　　本研究针对运动疲劳评估中传统方法局限于二元分类、缺乏多级评估精度的问题，开发了一种基于表面肌电信号(sEMG)的多重注意力卷积网络(MACNet)。该模型通过改进的滑动窗口时序注意力机制、多尺度卷积和通道-空间注意力模块，实现了低、中、高三个疲劳级别的精准分类，在48名受试者实验中达到84.11%的准确率和83.95%的F1-Score。Grad-CAM可视化技术进一步验证了指浅屈肌(RFDS)和指深屈肌(RFDP)在高疲劳评估中的关键贡献，为运动科学和神经康复提供了新的量化工具。

　　

运动疲劳是体育训练和康复过程中常见的生理现象，它不仅影响训练效果，还可能导致运动损伤。尤其对于神经系统疾病患者，如多发性硬化症、帕金森病患者，超过60%会出现严重肌肉疲劳。传统疲劳评估方法主要依赖主观感受或简单的生理指标，难以实现精准量化。表面肌电信号(sEMG)作为一种非侵入式检测技术，虽然能够反映肌肉活动状态，但由于信号的非线性、个体差异以及采集过程中的噪声干扰，使得基于sEMG的疲劳评估面临巨大挑战。

现有研究大多将疲劳状态简单分为"疲劳"和"非疲劳"两类，这种二元分类方法无法满足实际应用中对疲劳程度精细划分的需求。传统机器学习方法依赖人工特征提取，往往难以捕捉sEMG信号中的复杂特征。而深度学习技术虽然具有自动特征提取的优势，但在疲劳评估领域的应用仍存在模型泛化能力不足、忽视信号时空特性等问题。

针对这些挑战，上海大学和巴斯大学的研究团队在《IEEE Transactions on Neural Systems and Rehabilitation Engineering》上发表了最新研究成果。该研究设计了50%最大自主收缩(MVC)的实验范式，招募48名健康受试者，通过采集sEMG信号和自觉用力程度(RPE)评分，构建了一个包含低、中、高三个疲劳级别的数据集。基于此，研究团队提出了多重注意力卷积网络(MACNet)，实现了运动疲劳的多级评估。

研究方法的核心技术包括改进的滑动窗口时序注意力模块(TAM-SW)，该模块通过滑动窗口分割sEMG信号，结合局部和全局时序注意力机制，有效捕捉疲劳相关的时序特征；多尺度卷积模块(MCM)采用不同尺度的卷积核提取多样化特征；通道-空间注意力模块(CSAM)重点挖掘不同通道和空间位置对疲劳分类的贡献度；最后通过分类模块实现三分类任务。研究采用4折受试者内交叉验证和10折跨受试者交叉验证两种评估方案，并使用SMOTE过采样技术解决类别不平衡问题。

整体性能表现

MACNet在受试者内评估中达到84.11%的平均准确率和83.95%的F1-Score，显著优于SVM、随机森林(RF)、MFFNet、TSCNN、LMDANet、Conformer和MSFEnet等对比方法。在跨受试者评估中，MACNet同样表现最佳，准确率和F1-Score分别达到82.43%和82.83%。混淆矩阵分析显示，MACNet在各个疲劳级别上的分类准确率均优于基线方法，特别是对中度疲劳的识别能力有明显提升。

消融实验结果

通过消融实验验证了滑动窗口时序注意力模块的重要性。当移除滑动窗口或改变窗口步长时，模型性能出现明显下降，证明该模块能有效捕捉sEMG信号的时序依赖性，提高特征提取的鲁棒性。

可视化结果

t-SNE可视化显示MACNet学习到的特征在二维空间中具有更好的类内聚集性和类间分离性。Grad-CAM可视化结果揭示了不同肌肉通道和时间域特征对疲劳分类的贡献差异，发现指浅屈肌(RFDS)和指深屈肌(RFDP)在高疲劳评估中起关键作用，且时间域特征的贡献随着疲劳持续时间增加而增强。

研究讨论部分指出，中枢调节模型认为中枢神经系统通过调节肌肉激活水平来维持机体稳态，避免过度损伤。MACNet模型的可解释性分析与这一生理机制相符，发现随着疲劳程度加深，运动中枢需要募集更多运动单位以维持目标力量，这与sEMG信号振幅和运动单位放电频率的变化相一致。此外，研究还发现疲劳后期休息不足会导致疲劳累积，这进一步影响了sEMG信号特征。

尽管MACNet在疲劳评估方面取得了显著进展，但研究仍存在一些局限性，如个体间评估差异较大、模型参数较多导致计算复杂度较高、对中度疲劳的识别精度仍有提升空间等。未来研究可考虑结合脑电(EEG)和sEMG多模态信息，进一步探索运动疲劳的神经生理机制。

该研究的创新点在于首次将多重注意力机制与多尺度卷积相结合，实现了运动疲劳的三级分类，并通过可解释性分析揭示了sEMG通道和时间域特征在疲劳评估中的贡献规律。研究成果不仅为运动训练和康复医学提供了有效的疲劳监测工具，也为理解运动疲劳的神经肌肉机制提供了新的视角。研究代码已开源，促进了该领域的进一步发展。