《Technologies》:Cloud-Based sEMG Segmentation for Muscle Fatigue Monitoring: A Wavelet–Quantile Approach with Computational Cost Assessment
编辑推荐:
本文介绍了一种面向肱二头肌与肱三头肌肌肉疲劳监测的表面肌电(electromyographic, EMG)信号分割系统的开发与云端部署。研究使用包含30名受试者的数据集,生成120个EMG与陀螺仪文件,每个文件包含四至六个力量练习系列。经质量评估后,约80%的
本文介绍了一种面向肱二头肌与肱三头肌肌肉疲劳监测的表面肌电(electromyographic, EMG)信号分割系统的开发与云端部署。研究使用包含30名受试者的数据集,生成120个EMG与陀螺仪文件,每个文件包含四至六个力量练习系列。经质量评估后,约80%的信号(95个文件)被归类为1级或2级,被认为适用于分割及后续分析。研究人员设计了一种基于信号包络、滑动窗口与分位数阈值的近实时分割算法,并辅以离散小波变换(Discrete Wavelet Transform, DWT)滤波。仅使用EMG时,肱二头肌与肱三头肌的分割准确率分别达83%与54%;引入DWT预处理后,准确率分别提升至87.5%与71%。利用陀螺仪X轴信号作为低噪声参考,最优配置下总体准确率达80%,其中肱二头肌83.3%、肱三头肌76.2%。原型系统在亚马逊云科技(Amazon Web Services, AWS)上使用EC2实例与SQS队列部署,并在四种服务器类型上评估了其计算成本。在t2.micro实例上,最大内存使用量约为219 MB,配备专用CPU,每信号最大处理时间为0.98 s,证明了在资源受限条件下近实时运行的可行性。
该研究围绕当代生活方式导致的久坐行为与压力增加所引发的非传染性慢性病全球流行背景展开,世界卫生组织(World Health Organization, WHO)数据显示心血管疾病已成为主要死因,而力量训练缺乏有效控制会增加肌肉疲劳与损伤风险,因此亟需客观实时的监测手段。表面肌电(surface electromyography, sEMG)作为评估肌肉电活动的有效技术,其处理流程中的分割环节仍存在方法瓶颈,且现有研究在跨受试者泛化、电极放置鲁棒性及云端部署计算成本评估方面存在不足。为此,研究人员开展了一项集成离散小波变换(Discrete Wavelet Transform, DWT)滤波与分位数阈值策略的sEMG分割管道设计与云端验证研究,基于公开数据集在AWS环境部署并评估其分割准确率与计算开销,得出该架构在低成本实例下亦可实现近实时运行的结论,为运动、康复及损伤预防领域的远程肌电监测提供了可复现的原型与资源分配依据,该论文发表于《Technologies》。
研究人员采用的主要关键技术方法包括:使用来自Magma Ingeniería研究组、包含30名受试者(24男6女,年龄17至32岁,每周至少锻炼三次)的公开EMG–IMU数据集,该数据集含120个文件涵盖肱二头肌与肱三头肌的浓度弯举与哑铃臂屈伸练习各四至五个系列;采用基于信号包络、滑动窗口与分位数阈值的分割算法,并可选集成DWT(db4小波)预处理;引入陀螺仪X轴信号作为运动学参考的替代分割方案;在AWS上使用EC2实例与SQS队列构建端到端云端处理架构,执行滤波、整流、包络计算、分割及特征提取;通过分割准确率(正确检测段数/实际段数)与计算成本指标(CPU、RAM、处理时间)在四种实例类型(t2.micro、t2.small、t2.medium、t2.xlarge)上进行系统评估。
研究结果部分内容如下:
3.1. EMG信号分割:性能评估。研究人员在未进行额外预处理的初始测试中,使用300样本窗口及肌肉特异性最优分位数(肱二头肌0.85,肱三头肌0.95),得出肱二头肌准确率83%、肱三头肌54%的结果。为降低变异性,引入DWT(db4)预处理并评估1至6分解水平,发现肱二头肌最优为3级、肱三头肌为2级;加入DWT后准确率分别提升至87.5%与71%,证实DWT能有效衰减非平稳噪声并改善活跃段检测,肱三头肌提升达17个百分点。
3.2. 基于惯性信号的分割替代方案。研究人员利用采集系统中的陀螺仪数据,观察到EMG活动爆发与X轴信号的正负偏移在时间上对齐,而Y、Z轴呈缓慢姿态漂移。对陀螺仪X轴应用DWT(db4)滤波后评估分解水平,最佳为4级,整体准确率达80%(肱二头肌83.3%,肱三头肌76.2%),证明在EMG受干扰时陀螺仪X轴可作为可靠的运动学参考与互补机制。
3.3. 计算成本评估。研究人员在四种递增CPU与RAM容量的服务器上评估管道效率,处理120个信号各四轮并重复五次。结果显示平均CPU使用率99.34%,内存平均212.9 MB;每信号平均总处理时间841.46 ms(分割占733.81 ms,特征提取107.36 ms,预测0.34 ms)。t2.micro与t2.small模式相似,增RAM无显著提升;t2.medium略降时间;t2.xlarge均值稍高但变异小。所有实例均低于1秒,验证了在低成本架构下的近实时可行性。
3.4. 计算性能评估与云端部署可行性。研究人员通过方差分析(ANOVA)发现服务器类型对CPU使用率(p=0.0082)、RAM使用率(p<0.00001)及特征提取时间(p=0.00002)有显著影响,但对分割时间与预测块无显著影响(p=0.0974与p=0.116),总处理时间接近显著阈值(p=0.0515)。结果表明最低配t2.micro(1 CPU,1 GiB RAM,最大RAM 219 MB)足以近实时执行全管道,且在基于AWS IoT Core、Lambda、SQS与EC2的解耦架构上部署可靠,适用于分布式嵌入式系统或临床运动场景。
讨论部分总结:研究人员指出集成DWT、整流与自适应阈值包络的分割方案能有效识别收缩区间,DWT预处理显著提升准确率且与既往文献一致;陀螺仪X轴作为分割层的运动学参考可提供EMG质量下降时的互补机制;跨EC2实例评估显示管道每信号低于1秒,分割为主耗时段,预测块可忽略,t2.micro足以运行且内存低于219 MB,证实了在成本高效可扩展云架构上的部署可行性;该云端组件非替代嵌入式执行,而是提供可复现可扩展的替代方案,定量基准测试CPU、内存与处理时间对相关场景具价值;整体而言该系统为远程环境EMG处理与分割提供了高效方案,为后续疲劳监测策略实施奠定基础。
结论部分翻译:本研究提出了一种面向肌肉疲劳分析的EMG信号自动处理与分割的完整解决方案,通过肱二头肌与肱三头肌力量协议验证并部署于可扩展云端架构。该系统在服务导向框架内集成了数据采集、基于DWT的预处理、包络计算与自适应分割,无需专用本地基础设施。分割算法在实际采集条件下证明有效。使用DWT滤波与分位数阈值时,系统对肱二头肌与肱三头肌的分割准确率分别达87.5%与71%,而基于陀螺仪的替代方案利用运动学信息达80%。这些结果证实了所提方法的鲁棒性,并凸显了当EMG质量受噪声或运动伪影影响时惯性传感器作为互补参考的效用。从计算角度看,云端评估表明管道每信号处理时间低于1秒可执行。值得注意的是,低成本t2.micro实例足以在少于219 MB RAM下运行系统,强化了其在分布式设备或远程监测等受限环境中的适用性。总体而言,该提案构成了远程肌电监测系统的基础,结合了鲁棒分割、互补惯性感知与可适配临床、运动或康复应用的模块化云架构。未来三个方向为:(1)实施涵盖额外肌群与动态疲劳诱导协议的新方案;(2)在当前云端管道中集成验证高级分类模型(如CNN与LSTM);(3)开发面向用户的移动界面并通过运动员与理疗师试点研究评估可用性与实际部署。这些进展有助于开发可扩展疲劳评估工具,加速临床监测、康复反馈与运动表现追踪。