摘要
近年来，手机游戏迅速普及，逐渐渗透到人们的日常生活中。在给用户带来娱乐的同时，长时间操作手机游戏容易引起手部肌肉疲劳，进一步导致骨骼肌肉疾病的发生。随着可穿戴技术的发展，表面肌电信号凭借其客观性、准确性等优点，逐渐成为肌肉疲劳分析的主流方法之一。基于表面肌电信号开展手游用户的手部肌肉疲劳分析与评估研究，有利于及时判断手部疲劳状态，预防潜在风险行为。本课题基于表面肌电信号对手机游戏操作过程中的手部肌肉疲劳现象开展分析，结合时域、频域、非线性角度提取表面肌电信号特征，在此基础上提出了一种基于遗传算法增强的XGBoost手部肌肉疲劳评估方法（GA-XGBoost），实现手部肌肉疲劳评估。主要工作包括: （1）建立手机游戏操作中与疲劳相关的典型肌肉表面肌电信号数据集:基于MP160型16通道科研型多导生理记录仪的EMG100C放大器，以手部大鱼际肌、桡侧腕伸肌为典型肌肉，采集双手无支撑（前臂悬空）和双手有支撑（前臂平放于桌面）两种姿势下操作手机游戏时的表面肌电信号;并结合小波滤波进行去噪处理，构建不同疲劳状态（非疲劳、轻度疲劳、重度疲劳）下的表面肌电信号数据集。 （2）开展表面肌电特征提取与分析:从时域、频域、非线性角度对表面肌电信号开展特征提取与分析，共提取24维特征（含14维时域特征，6维频域特征，4维非线性特征）;并采用配对样本T检验，对非疲劳、轻度疲劳、重度疲劳样本的表面肌电特征进行差异性检验，结果表明，不同疲劳状态下表面肌电特征存在显著差异（p＜0.05）。 （3）实现手部肌肉疲劳评估:为建立有效的手部肌肉疲劳评估模型，提出了一种基于遗传算法增强的XGBoost手部肌肉疲劳评估方法（GA-XGBoost），结合遗传算法对XGBoost中的参数进行迭代优化。在此基础上，分别基于大鱼际肌表面肌电特征、桡侧腕伸肌表面肌电特征，以及两块肌肉表面肌电特征融合训练手部肌肉疲劳评估模型。结果表明，与SVM、RF、KNN、LSTM、CPO-XGBoost方法相比所提方法在开展手部肌肉疲劳评估时准确率能够提升2.1％-15.1％。
NETL