針對表面肌電(sEMG)信號信噪比較低的問題,本文在Donoho通用閾值法的基礎上,采用了一種基于自適應閾值處理的小波去噪方法。相對于通用閾值法,這種方法可以根據sEMG信號的不同信噪比自適應地調整閾值,更有效地去除噪聲、減小信號的失真,從而提高信噪比。仿真和真實sEMG信號實驗均論證了這種方法的優越性。
肌肉疲勞狀態自動識別技術在運動學和康復醫學領域具有廣泛的應用。本文針對采集的表面肌電（sEMG）信號噪聲干擾多、現有肌肉疲勞識別模型準確度不高等問題，基于sEMG信號開展循環抗阻訓練過程中的下肢肌肉疲勞識別研究。首先，提出一種改進型小波閾值函數去噪算法對采集的sEMG信號進行處理；然后，基于長短時記憶神經網絡（LSTM）構建肌肉疲勞狀態識別模型，利用Holdout方法評估疲勞識別模型的性能；最后，將本研究提出的改進型小波閾值函數去噪方法的去噪效果與傳統小波閾值去噪方法對比，將本文提出的肌肉疲勞識別模型的性能與粒子群優化支持向量機（PSO-SVM）和卷積神經網絡（CNN）算法的識別性能進行對比。結果表明：新型小波閾值函數相比于硬、軟閾值函數具有更好的去噪效果；在識別肌肉疲勞狀態準確度方面LSTM網絡模型分別比PSO-SVM和CNN識別分類算法高4.89%和2.47%。本文提出的sEMG信號去噪方法和肌肉疲勞識別模型對于康復訓練和運動過程中的肌肉疲勞監測具有重要意義。