肌肉疲劳是建筑行业安全风险与生产力损失的主要因素。尽管肌电图（EMG）能提供局部疲劳的直接生理标志物，但由于设备笨重、电极–皮肤接触不稳定以及可部署的实时分析能力有限，持续的现场监测仍面临挑战。本研究提出了EMG-FLES（柔性可穿戴肌电图与边缘智能系统），一个用于近实时肌肉疲劳监测的可穿戴传感与移动边缘推理框架。EMG-FLES整合了柔性贴肤EMG传感器、可穿戴无线流传输硬件和基于设备端的微型机器学习（TinyML）推理，以实现连续、无束缚的肌肉疲劳评估。该系统针对肱二头肌肌群，在模拟建筑相关的物料搬运任务中进行了评估，达到了平均85%的疲劳分类准确率，且单窗口计算延迟低，能在任务执行期间提供及时的疲劳警报。这些结果证明了将柔性可穿戴生物传感与边缘智能相结合以支持建筑相关环境中近实时疲劳监测的可行性。
本研究针对建筑及相关体力消耗型行业中肌肉疲劳监测的迫切需求，以及现有方法存在的实时性差、客观性不足、无法定位局部肌群等局限性，提出并验证了一种端到端的集成解决方案——EMG-FLES系统。研究人员将柔性印刷电极技术、嵌入式微控制器信号采集、无线传输、智能手机端预处理以及基于设备端TinyML的疲劳分类模型整合为一个完整的可穿戴框架，并在模拟建筑任务的受控实验中，利用独立的受试者评估队列验证了该系统的性能。研究结果表明，该系统能够以近实时（端到端检测延迟约8-10秒）的方式，在动态作业条件下准确（平均准确率85%）识别肱二头肌的疲劳状态，并通过手机应用提供可视化与警报反馈，为预防工伤、提升作业安全与效率提供了新的技术路径。该研究成果发表在《Sensing and Bio-Sensing Research》期刊上。本研究的核心技术方法包括：采用基于聚酰亚胺基板的分形几何结构柔性印刷电极进行高质量EMG信号采集；使用集成模数转换器（ADC）和确定性定时采样循环的Arduino Uno R4微控制器进行信号数字化与无线流传输；在Android智能手机上部署一个轻量化的端到端预处理与推理管道，其中核心是设计并训练了一个名为Conv1D-TinyNet的紧凑型一维卷积神经网络（Conv1D）模型，并通过TensorFlow Lite框架将其转换为可进行高效设备端推理的微型机器学习（TinyML）模型；最后，开发了配套的Android应用程序以实现实时数据可视化与疲劳警报。整个研究招募了20名健康成年受试者（年龄22-35岁），分为训练队列（10人）和评估队列（10人），通过受试者水平的数据划分确保了模型泛化能力评估的严谨性。
**5.1 疲劳分类性能与生理学解释**
在独立的、未见过的受试者评估队列上，EMG-FLES系统实现了平均85.0%的整体分类准确率。分类性能在不同疲劳等级（低、中、高）间表现均衡，各类别的F1分数均在0.84以上，表明模型能有效区分疲劳进展的不同阶段。主体分析显示，个体准确率在83.0%至86.7%之间，受试者间标准差小，证实了系统对未见用户的稳定性和泛化能力。混淆矩阵分析显示，误分类主要发生在相邻的疲劳等级之间，符合肌肉疲劳逐渐发展的生理特性。分析窗口长度的研究表明，选择4秒窗口（50%重叠）在分类准确率与实时性之间取得了最佳平衡。
**5.2 端到端检测延迟与设备端计算性能**
系统在目标Android设备（Google Pixel 6）上的性能评估表明，TensorFlow Lite推理延迟稳定在每窗口45-50毫秒左右，单窗口总处理时间（包括缓冲、预处理、推理和UI更新）约为1.0-1.02秒，且不会在窗口间累积。系统在运动密集型任务执行期间，能维持每分钟约30次疲劳分类更新的稳定吞吐量，无丢窗或延迟累积。从疲劳发生到确认警报的端到端检测延迟由三部分组成：不可减少的4秒窗口积累延迟、约1秒的单窗口计算延迟以及由连续3个窗口确认策略引入的额外延迟（至少4秒），总延迟在最佳情况下约为8秒，最坏情况下约为10秒。这一延迟水平适用于职业疲劳监测的目标，即在疲劳积累至损伤风险水平之前进行干预。
**5.3 警报确认敏感性分析**
对连续高疲劳窗口确认阈值（n）的事后敏感性分析表明，选择n=3是一个合理的权衡。当n=1时，检测延迟最短（4秒），但误报率最高（12.5%）。随着n增加到3，误报率显著降至5.1%，警报精确度提升至96.2%，同时检测延迟为8秒。进一步增加n（至4或5）对误报率的改善有限，却会增加不必要的延迟。这验证了采用3个连续窗口确认高疲劳状态的策略，能在保证警报可靠性的同时，提供及时的反馈。
**6. 讨论**
本研究提出的EMG-FLES系统成功实现了在满足近实时、可穿戴部署实际约束条件下的准确、高效肌肉疲劳分类。Conv1D-TinyNet模型直接从时间域EMG窗口学习特征，达到了与依赖复杂时频变换方法相当甚至更优的准确率，且模型体积小（约1.12 MB浮点模型），适合移动端部署。系统级的计算效率高，推理延迟低，支持稳定连续的监测。实验中设计的柔性分形印刷电极在动态任务中表现出比商用刚性电极更高的信噪比（SNR），尤其是在高运动条件下，验证了其形态适应性优势。对模型学习本质的分析表明，其分类依据包含了随时间变化的疲劳相关生理模式，而不仅仅是负载幅度的静态识别。与传统的离线处理流程相比，EMG-FLES在部署灵活性、实时性、易用性和实用性方面具有显著优势，首次将柔性传感、无线采集、设备端推理和用户反馈整合为一个经过建筑相关任务验证的完整原型系统。
研究也存在一些局限性：参与者为健康年轻成年人，其生理特征可能无法完全代表更广泛、更多样化的实际建筑工人群体；验证仅针对肱二头肌在特定任务下的表现；实验在受控的实验室环境中进行；以及使用修订的Borg主观用力评分（RPE）作为唯一的疲劳真值标签。未来的工作需要扩大参与人群的多样性、扩展至多肌肉和多任务场景、在真实工地环境中进行验证，并探索融合多模态生理指标以提供更客观的疲劳评估。
**7. 结论**
本研究提出了EMG-FLES，一个集成了柔性贴肤印刷电极与嵌入式TinyML移动边缘管道的可穿戴肌电监测系统，用于建筑相关任务的近实时肌肉疲劳监测。在由10名参与者组成的独立评估队列中，Conv1D-TinyNet分类器使用4秒分析窗口（50%重叠）取得了85%的平均整体准确率（受试者范围：83.0%-86.7%），宏观平均F1分数为0.849。通过将柔性传感器制造、基于微控制器的采集、无线流传输、智能手机预处理以及设备端TinyML推理统一到一个连贯的工作流中，EMG-FLES将EMG疲劳监测从离线、实验室专用分析推进到了可部署的、任务内评估阶段。该系统证明，柔性生物传感硬件与轻量级边缘人工智能可以结合成一个实用的、可扩展的近实时职业健康监测平台。
