在生死攸关的新生儿心肺复苏(NCPR)现场，每一秒都至关重要。高质量的胸外按压是抢救成功的关键，但即使训练有素的医护人员，在持续按压60-120秒后也会出现明显的肌肉疲劳，导致按压深度不足、回弹不完全等问题。传统监测系统通常只能在按压质量下降后才发现疲劳，这种"事后诸葛亮"式的检测方式往往错过了最佳干预时机。能否在医护人员肌肉力量衰减的早期、在按压动作变形之前就准确预测疲劳？这成为提升新生儿复苏成功率的重要突破口。
发表在《Biomedical Engineering Advances》上的这项研究，开创性地将表面肌电(EMG)与惯性测量单元(IMU)技术相结合，开发了一套能够实时评估施救者疲劳状态的新型智能系统。研究人员认识到，疲劳实际上包含两个相互关联的过程：肌肉本身的生理疲劳和由此导致的运动性能下降。EMG可以直接监测肌肉的电生理活动变化，而IMU则能精确捕捉按压过程中的运动学特征。将这两种信号融合分析，就像同时派出了"生理侦察兵"和"运动监测员"，能够更全面、更早地发现疲劳的蛛丝马迹。
为了开展这项研究，团队招募了20名具有丰富经验的新生儿医护人员，在模拟人上进行标准的新生儿胸外按压。研究人员在受试者的三角肌、肱三头肌和上斜方肌放置了EMG传感器，这些肌肉正是胸外按压过程中发力的主要肌群。同时，在模拟人胸背部安装IMU传感器，实时记录按压过程中的加速度和角速度变化。所有传感器通过ESP32微控制器进行精确同步，确保生理信号与运动信号在时间上完全对齐。
关键技术方法包括：基于ESP32的多模态数据硬件同步采集系统；从EMG信号中提取均方根(RMS)、平均绝对值(MAV)和中位频率(MF)等特征，从IMU信号中推导按压深度及其变异性；采用双输出LSTM网络同时进行疲劳等级分类和疲劳发生时间回归预测；结合主观疲劳评分(RPE)、专家观察和客观性能下降的多源标签确定框架。
5. 结果和统计分析
特征趋势分析显示，随着疲劳等级从1级(轻度)到3级(重度)，EMG中位频率显著下降(从115±8Hz降至82±6Hz)，而EMG RMS和MAV显著上升，表明肌肉传导速度减慢而运动单位募集增加；同时IMU测得的平均按压深度从3.6±0.2cm降至2.9±0.3cm，深度变异性增加，证实了生理疲劳与机械性能下降的同步性。
5.1. 混淆矩阵
模型对三个疲劳等级的区分能力优异，大多数样本被正确分类，仅在中度与重度疲劳间存在少量误分，这符合疲劳过渡的生理连续性特点，无轻度与重度疲劳间的直接误分。
5.2. 接受者操作特征曲线(ROC)
ROC曲线显示模型具有极高的判别能力，各类别的AUC值接近0.99，表明在不同阈值下均能可靠区分疲劳等级。
5.3. 回归(真实与预测疲劳时间)
预测疲劳时间与真实值高度相关(R²=0.68，RMSE=38.3秒)，模型能在±40秒误差内预测疲劳发生，为临床轮换决策提供足够提前量。
5.4. 按模态分类精度
多模态融合(98.3%)显著优于单IMU(96.7%)和单EMG(69.4%)模型，证明EMG提供IMU无法捕捉的早期生理信息，具有互补价值。
5.7. 检测滞后分布
预测误差分布以零为中心，说明模型无显著偏差，38.3秒的RMSE在临床可接受范围内。
5.8. 按模态回归指标
融合模型在回归任务同样最优(RMSE=38.3秒，R²=0.68)，进一步验证多模态优势。
研究结论表明，EMG-IMU多模态融合与双输出LSTM模型的结合，能够在新儿胸外按压过程中实现早期、准确的疲劳评估。EMG提供的生理信号可以比IMY的运动学信号更早地提示疲劳发生，使系统具备"预见性"而非"反应性"。这种基于深度学习的实时疲劳监测框架，为开发下一代智能CPR辅助设备奠定了基础，有望通过及时轮换施救者，持续保持高质量按压，最终提升新生儿复苏的成功率。需要注意的是，当前研究基于模拟环境，未来需要在真实临床场景中进一步验证，并考虑将系统微型化、可穿戴化，以更好地融入急救流程。
研究的创新点在于首次将多模态传感器融合策略应用于新生儿CPR场景，通过双任务学习同时解决疲劳等级判定和时间预测问题，且整个系统设计考虑了实时性要求，具备临床转化潜力。这项工作不仅为新生儿复苏质量保障提供了新技术手段，也为其他需要持续体力输出的医疗操作中的工作者状态监测提供了借鉴。
