基于表面肌电信号的人因与工效学评估研究综述_方明珠.pdf

包 装 工 程 第 44 卷 第 12 期 98 PACKAGING ENGINEERING 2023 年 6 月 收稿日期：20230115 基金项目：国家社科基金重大项目：设计形态学研究（17ZDA020）；谢友柏设计科学研究基金：物质需求与精神需求耦合驱动的同一化设（XYB-DS-202001）；教育部高等教育司创新设计人因与工效学联合实验室项目（202002SJ）作者简介：方明珠（1998），女，硕士生，主攻设计形态学、创新设计。通信作者：胡洁（1973），男，博士，教授，主要研究方向为智能设计、创新设计、设计形态学。基于表面肌电信号的人因与工效学评估研究综述 方明珠1，胡洁1,2，王伶羽2,3，黎映川4（1.兰州理工大学，兰州 730050；2.上海交通大学，上海 200240；3.武汉设计工程学院，武汉 430062；4.上海大学，上海 200444）摘要：目的目的 对使用表面肌电信号技术评估人因与工效学问题相关研究进行分析与梳理，促进表面肌电信号技术在人因与工效学领域的创新与发展。方法方法 首先，概述人因与工效学的定义、发展历程与研究方法。然后，从数据采集方式、数据预处理、特征选择与提取、训练及分类器选择这 4 个实验流程归纳表面肌电信号技术的研究方法与研究进展，并对目前该领域的研究热点与研究趋势进行详细总结。结论结论 表面肌电信号技术仍是人因与工效学领域的重要评估方法，随着创新技术与深度学习算法的不断发展，从多模态、多方法交叉融合的角度构建大规模可公开数据集与创新智能化评估系统在未来将成为表面肌电信号在人因与工效学领域的重点研究方向。关键词：表面肌电信号；肌肉疲劳；人因与工效学；工作负荷 中图分类号：TP18 文献标识码：A 文章编号：1001-3563(2023)12-0098-13 DOI：10.19554/ki.1001-3563.2023.12.010 Review on Assessment of Human Factors and Ergonomics Based on Surface Electromyography FANG Ming-zhu1,HU Jie1,2,WANG Ling-yu2,3,LI Ying-chuan4(1.Lanzhou University of Technology,Lanzhou 730050,China;2.Shanghai Jiao Tong University,Shanghai 200240,China;3.Wuhan Institute of Design and Sciences,Wuhan 430062,China;4.Shanghai University,Shanghai 200444,China)ABSTRACT:The work aims to analyze and review the research related to the use of surface electromyography(sEMG)techniques to assess human factors and ergonomic issues,in order to promote innovation and development of surface EMG techniques in the field of human factors and ergonomics.Firstly,the definition,development history and research methods of human factors and ergonomics were outlined.Then,the research methods and progress in surface EMG tech-niques were summarized in terms of four experimental processes,such as data acquisition methods,data pre-processing,feature selection and feature extraction,training and classifier selection,and a detailed summary of current research hot-spots and research trends in the field was presented.The surface EMG techniques are still the important assessment methods in the field of human factors and ergonomics.With the continuous development of innovative technologies and deep learning algorithms,the construction of large scale publicly available data sets and innovative intelligent evaluation systems from a multimodal and multi-method cross-fertilisation perspective will become a key research direction for sur-face EMG in the field of human factors and ergonomics in the future.KEY WORDS:surface electromyography;muscle fatigue;human factors and ergonomics;workload 第 44 卷 第 12 期 方明珠，等：基于表面肌电信号的人因与工效学评估研究综述 99 人因与工效学也称人机工程学、人因工程学，其以人为中心，研究人、工作设备和工作环境之间的相互关系，旨在实现安全、健康、舒适的工作环境的同时，提高人的工作效率1。早期的人因与工效学评估由于数据简单、特征单一，难以取得较高的准确率。近年来，研究者使用表面肌电信号技术进行人因与工效学评估，首先提取表面肌电信号时域、频域等多种特征，其次利用特征选择方法找出表征不同负荷水平的最优特征子集，最后基于这些特征集和算法分类器来评估人体工作肌肉负荷水平及工作环境中一些不良工效学因素2。因此，本文围绕表面肌电信号技术在人因与工效学领域评估的实验研究流程与研究应用展开相关综述。1 人因与工效学 1.1 人因与工效学的概述与发展 早期的人因与工效学主要聚焦于工作效率。19世纪末期，第一次世界大战爆发促使武器需求增加，生产工人长时间在恶劣的工作环境和不协调的人机关系中工作，致使身体肌肉严重疲劳，出现了工作能力减退、工作效率下降等问题3。Taylor4为了解决这一问题，开始对工具和人体进行研究，寻找符合人体舒适度的工具参数，从而改善工具设计。Frank Bunker Gilbreth 应用心理学原理进行了动作捕捉研究，在研究中注意到工作负荷、工作环境与机器不适应等因素会对人的工作效率造成严重影响5。自此之后，人们逐渐意识到人的因素在工作效率中的重要性，1957 年，美国人因学会（1992 年改为人因与工效学学会，Human Factors and Ergonomics Society）成立，人因与工效学开始在国际上得到迅速发展，尤其受到发达国家的高度重视，这极大推进了工业化水平的提升。随着自动化技术与工业制造的发展，目前很多加工操作已经由机器和自动化工具来完成，但机器仍然缺乏人所具有的灵活性和适应性，并不能完成所有的操作。有一些手工和物料装卸操作仍然需要人的参与，特别是一些复杂的装配、拆卸和维修任务更是只能由人工完成。因此，在人机工作中一些不协调的、复杂化的设备和作业环境致使作业人员往往处于一种负荷低、节奏快、重复率高、时间长、强迫体位的状态。研究表明，长时间处于强迫体位会使人员产生烦躁、注意力分散、疲劳和情绪挫败等问题，引起失误和决策错误，进而造成作业绩效下降，同时也会致使人体肌肉损伤，甚至最终导致工作相关肌肉骨骼疾病（Work-related Musculoskeletal Disor-ders，WMSD）的发生。工作相关肌肉骨骼疾病是作业场所不良因素导致的肌肉、骨骼、神经等系统的损伤。我国的工作相关肌肉骨骼疾病患病率为 20%90%，个别行业患病率甚至高达 90%以上6-7。因此，如何正确评估作业人员工作环境、工作姿势、工作负荷等人机环境中的人因与工效学因素对降低工作相关肌肉骨骼疾病发生率、提高工作效率、减少安全隐患及事故的发生有重要意义8。1.2 人因与工效学研究方法 人因与工效学研究方法通常分为客观数据测量和主观评价两个方面。客观数据测量主要使用生物力学、生理学和生物化学等相关技术指标对人的作业环境、作业姿势等进行直接测量。主观评价通常是构建包含多个评估标准的评估框架，然后根据这些标准综合专家的意见设计出任务打分表或问卷，在实际中受到较多应用的主要有李克特量表法和自报告评价法。李克特量表法主要是对人在工作环境中的主观感受进行程度划分，量表两端分别是“没有不适感”和“极强的不适感”，而量表的程度划分则要考虑到人对不适感强度的分辨能力，通常被划分成 5 分或者 7 分量表，采用量表测得的分数则代表了被试对不适感强度或者频率做出的主观判断9,10。自报告评价法即让被试在完成待测任务之后立即填写待测任务不适感评价问卷，问卷得分代表了被试在完成任务中体验到的不适感强度11。总的来说，主观评价法缺乏客观性，更多地依赖于使用者与专家的经验12。人因与工效学评估的目的：一方面是对人因环境的工作负荷进行评估,以便提升作业过程舒适度、优化任务和系统设计；另一方面是实现人体负荷实时反馈、动态调节人机任务工作姿势，以实现最佳的人机任务协作过程，提高人机系统作业绩效和安全性、改善作业人员的主观体验。但李克特量表法和自报告评价法都难以实现人机操作过程中实时、客观、高效的监测，实现在线反馈也无从谈起。在客观数据测量方面，基于生理信号的人因与工效学评估是近期的研究热点之一，该类方法主要对肌电、脑电、心电等生理信号进行分析，从而获取客观的人体工作状态13,14。其中，表面肌电信号（Surface Electromyography，sEMG）具有无创性、时效性、精确性和易操作性等特点，可以实现客观、实时的肌肉疲劳检测，同时也拓展了人因与工效学的应用范围，表面肌电信号评估已经成为人因与工效学领域的主要技术手段15。2 基于表面肌电信号的人因与工效学评估流程 2.1 基于表面肌电信号的人因与工效学评估流程概述 表面肌电信号在人因与工效学中的研究开始于19 世纪 50 年代，该方法可用于评估工作场所、工作100 包 装 工 程 2023 年 6 月 姿势、使用工具和设备，以及交互界面的人因与工效学效用。基于表面肌电信号的人因与工效学评估实验流程见图 1，主要包括以下步骤：1）确定目标：根据具体的实验环境、实验任务和实验姿势确定实验目标；2）原始肌电数据采集：让被试完成指定任务，使其身体肌肉处于疲劳状态，同时采集被试的表面肌电信号；3）数据预处理：对所采集的表面肌电信号进行预处理，包括降维、去除噪声等；4）特征选择与提取：选择合适的特征值作为评估指标；5）训练及分类器选择：选择合适的算法模型进行数据训练与分类。在基于表面肌电信号的人因与工效学评估中，需要考虑的因素有被试的数量、性别、被测试肌肉部位、任务类型、使用的表面肌电设备、信号预处理方法、特征提取方法及分类器选择等。图 1 基于表面肌电信号的人因与工效学评估流程图 Fig.1 Procedure for assessment of human factors and ergonomics based on surface EMG 2.2 表面肌电信号的数据采集方法 首先需要选取电极采集肌电信号，在采集电极与人体表面接触的过程中会有各种物理、化学作用对采集的原始信息产生影响，所以需要对各种采集电极进行分析选择。目前常用的采集电极主要有表面电极和侵入式电极。侵入式电极可以从单个肌肉纤维获得高精度的肌电信号，但侵入式电极插入肌肉组织会产生一定的疼痛感，尤其是在运动过程中检测，会对人体造成创伤，因此侵入式电极的采集方式难以用于人因与工效学方面的研究。表面电极是通过表层肌肉的多个运动单元获取肌电信号，其大致可以分为两个类别：干电极和湿电极。湿电极需要在皮肤和金属部件之间涂一层导电凝胶，而干电极可以与皮肤直接接触。这两种类型的电极都可以采集到同等质量的表面肌电信号16，但相比之下，干电极更加便捷、简单17，因此，使用干电极采集表面肌电信号更适用于人因与工效学领域的研究。Wang 等18提出了一种基于聚酰亚胺基板的柔性微针电极阵列，实现了高密度表面肌电的记录和无线传输。Li 等19开发了一种具有锥形微孔的金纳米线/硝酸纤维素电生理电极，以解决采集数据时皮肤表面出汗的问题。Velasco-Bosom 等20使用了由聚（3,4-乙烯二氧噻吩）聚苯乙烯磺酸盐复合材料与生物相容性离子液体乳酸胆碱制成的电极，该电极可以识别食指、小指和中指类似接触面较小的运动。Chandra 等21开发出一种新型文身电极，该电极使用干式 HD 电极网格（High-Density Surface Electromyography，HD-sEMG），可在不同程度的肌肉收缩过程中确保实时记录肌电信号。除此之外，还有基于结构钛薄膜22和水纹印刷柔性23的新型电极，可以很好地贴合皮肤表面。这些新型电极可以代替传统湿式 Ag/AgCl 电极，同时具有更好的生物相容性、可用性和长期耐磨性。2.3 表面肌电信号数据预处理 表面肌电信号是一种非常微弱的生物电信号，在其传递和采集过程中容易受到各种类型的噪声干扰24，因此，需要对实验过程中采集到的原始表面肌电信号进行预处理25。滤波器是减少信号噪声最有效方法的之一，可以提高表面肌电信号的保真度。表面肌电信号能量通常在 500 Hz 频率以内，根据奈奎斯特采样定理（The NyquistShannon Sampling Theo-rem）26，可以使用滤波器将 1 kHz 以下的频率滤除。滤波器类型较多，包括高通滤波器、低通滤波器、带通滤波器27、带阻滤波器等，通常设计高通滤波器来滤除包含低频噪声的表面肌电信号，设计低通滤波器来滤除高频噪声。在运动期间采集到的表面肌电信号常常带有运动伪影，其频率通常低于 20 Hz，可设计数字高通滤波器来处理低于 20 Hz 的表面肌电信号28。另外，如果采集到的表面肌电信号受到严重的工频干扰，可以利用数字工频滤波器来滤除工频噪声。对第 44 卷 第 12 期 方明珠，等：基于表面肌电信号的人因与工效学评估研究综述 101 于其他带内噪声，则可以使用小波去噪等方法消除。2.4 表面肌电信号特征的选择与提取 特征选择与提取即识别隐藏在表面肌电信号中的有用信息，去除干扰或其他不相关信息29。表面肌电信号特征的选择与提取是信号识别中的一个关键环节，提取特征值的优劣对后续模式识别正确率的高低有直接影响。通过长期以来对表面肌电信号的研究，研究人员总结出一些具体的分析方法，主要包括时域分析方法、频域分析方法和时频分析法等。时域分析方法是建立表面肌电信号与时间的函数关系，可统计并分析振幅的变化量30，主要的特征常数是积分肌电值（Integrated Electromyography，IEMG）、均方根（Root Mean Square，RMS）等。积分肌电值反映的是肌肉活动放电的总释放量31，在肌肉疲劳期间积分肌电值会逐渐增大，比较不同时间段的积分肌电值可判断肌肉疲劳程度32。均方根值的大小反映了特定时间窗内表面肌电信号振幅的高低，可通过比较不同时期的均方根值确定疲劳发生的时间和程度。频域分析方法是使用傅里叶变换对表面肌电信号进行处理，获得表面肌电信号的功率谱密度，然后通过周期图或者参数化的方法对疲劳进行预测33。在频域分析中比较常用的特征常数有平均频率（Mean Power Frequency，MPF）、中位频率（Median Fre-quency，MF）、峰值频率（Peak Frequency）和总功率（Total Power）等。通常当平均频率和中位频率值下降时，认为肌肉开始疲劳34,35。Falla 等36通过分析表面肌电信号的平均频率等指标来量化颈部肌肉疲劳的肌电表现。Kim 等37使用平均频率的归一化值来评估个体肩关节疲劳模式。时频分析法包括短时傅里叶变换、小波变换、小波包变换、Wigner-Wille 分布、复倒频谱系数、线性预测系数等。Chowdhury 等38使用表面肌电图的离散小波变换评估了颈部肌肉疲劳，其中大多数小波函数都良好地反映了肌肉的活动趋势。Khezri 等39使用Wigner-Wille 分布系数中获得的过零点数作为特征，对 6 种手势动作进行了识别，平均识别精度达到了91.3%。Chen 等40开发了一种用于机器人控制的经济高效的嵌入式系统和短时傅里叶变换（STFT）方法。2.5 表面肌电信号数据训练及分类器选择 表面肌电信号的分类训练和回归训练即找出表面肌电数据之间的关联性，根据表面肌电数据之间的关系设计相应的分类模型和回归模型，该模型能够将数据集的输入数据与输出结果对应起来41。在分类模型中，对输入的特征值进行相关计算，然后与输出动作匹配，最终通过该模型进行分类动作预测。表面肌电信号的分类器大致分为机器学习和深度学习两个类别。机器学习包括支持向量机（Support Vector Machine，SVM）42、K 近邻（K Nearest Neighbours，KNN）43、线性判别分析（Linear Discriminant Analysis，LDA）44、朴素贝叶斯（Naive Bayes，NB）45、决策树（Decision Tree，DT）46等，深度学习包括卷积神经网络（Convolutional Neural Networks，CNN）47、循环神经网络（Recurrent Neural Network，RNN）48、长短期记忆网络（Long Short-Term Memory，LSTM）49和注意力模型（Attention Model）50等。分类器优缺点比较见表 1，主要介绍几个常用的分类器，例如支持向量机、卷积神经网络和长短期记忆网络。表 1 分类器比较 Tab.1 Comparison of classifiers 种类 分类器名称 优点 缺点 支持向量机 训练时间较短，适合小样本数据分析，泛化能力较强 核函数选择复杂，训练时需要大量内存 K 值近邻 易实现，训练时间短 不适用于大量数据样本，无自适应 线性判别分析 计算要求低，既能降维也能分类 不适用于处理非线性数据 朴素贝叶斯 训练过程简单速度快，需要样本量较少 在属性个数较多或属性之间相关性较大时，分类效果不好 机器 学习 决策树 时间复杂度较小，对缺失值不敏感，效率高 对连续性的字段比较难预测，容易出现过拟合卷积神经网络 速度快，容错率高，自适应性好，分辨率高，权重共享 需要大量样本数据量和反复调整参数 循环神经网络 可以解决处理序列数据，使神经网络具有记忆的功能 序列太长会导致梯度消失或者梯度爆炸 长短期记忆网络 解决长期依赖问题，可输入不定长时序数据 并行处理上存在劣势 深度 学习 注意力模型 参数少，速度快，支持并行处理 没有考虑输入存在的位置关系 支持向量机最早由 Vapnik 教授提出，主要通过监督学习的方法对表面肌电数据进行分类。该算法优点是设计的分类模型支持每个动作对应的多个特征值，可以实现对不同动作进行较为准确地识别。Alkan等51利用支持向量机对采集到的 4 种不同手臂运动的表面肌电信号进行了分类，平均准确率为 99%，分类错误率为 1%。刘光达等52在支持向量机和 K 值近邻与 3 种降维方法构成的疲劳分类模型评估中发现，核主成分分析（KPC）与支持向量机的结合模式识别率高于其他组合。102 包 装 工 程 2023 年 6 月 卷积神经网络是一种多层的监督学习神经网络，主要有局部感知、权值共享等特点，能有效减少神经网络结构中的参数，减少深层网络占用的内存量53。Atzori 等54使用卷积神经网络对表面肌电信号进行了手部动作分类识别，准确率达到（66.596.40）%，表明该网络速度快、容错率高，优于传统的识别方法。李沿宏等55提出了一种融合注意力模型的多流卷积网络模型，并用于肌电手势识别。卫文韬等56使用双流卷积神经网络进行了手势识别，该网络的手势识别准确率均显著高于其他深度神经网络模型。长短期记忆网络是 Sepp Hochreiter 和 Jrgen Schmidhuber 在 1997 年提出的一种循环神经网络架构，是为了解决一般的循环神经网络存在的长期依赖问题而专门设计的，长短期记忆网络适合于处理和预测时间序列中间隔和延迟非常长的重要事件。王斐等57提出，长短期记忆网络对解决下肢连续运动预测问题具有优越性。Ghislieri 等58使用基于表面肌电信号的长短期记忆网络检测了肌肉激活的准确时间间隔。Ma 等59使用双向长短期记忆网络评估了非优势手臂肌肉在连续运动时的表面肌电信号。Wang 等60构建了一种新的基于长短期记忆网络的肌肉疲劳自动识别分类模型，该模型分类性能强、准确率高。不同分类器有各自的优缺点和适用数据，很难找出一个在所有任务中都能取得有效结果的通用分类器，许多研究基于相同任务对比了不同分类器的性能。Zhou 等61比较了几种机器学习算法，包括支持向量机、逻辑回归（Logistic Regression，LR）和人工神经网络（Artificial Neural Network，ANN）在处理表面肌电信号以进行肩部运动模式识别方面的效率。不同分类器在不同情况、不同环境和不同任务中的分类性能和准确率差距较大，因此，需要根据具体的实验情况与表面肌电数据选择相应的分类器，才能进行有效识别与分类。3 基于表面肌电信号的人因与工效学评估研究现状 3.1 基于表面肌电信号的人因与工效学评估研究热点分析 基于表面肌电信号的人因与工效学评估旨在改善工作场所的人因问题，减少肌肉疲劳，以确保人们保持最佳的精神和身体条件，从而降低工作风险，提高工作与生活质量。以“sEMG and human factors and ergonomics”“sEMG and ergonomics”“sEMG and the human factor”“sEMG and workload”“sEMG muscle fatigue”“sEMG and equipment tools”“sEMG and interface”等为关键词，在 Web of Science 核心数据集里检索到近 10 年的 3 000 余篇相关外文期刊，并通过 Citespace 软件进行统计分析，发现目前基于表面肌电信号的人因与工效学评估研究主要集中在工作相关肌肉骨骼疾病风险评估、工作场所与姿势评估、设备与工具设计评估、交互界面优化评估以及外骨骼助力优化评估等 5 个方面，基于表面肌电信号的人因与工效学评估热点分析图见图 2。图 2 基于表面肌电信号的人因与工效学评估热点分析图 Fig.2 Hotspot analysis diagram for assessment of human factors and ergonomics based on surface EMG 3.2 工作相关肌肉骨骼疾病风险评估 过高的身体肌肉负荷、不适的工作姿势会引起工作相关肌肉骨骼疾病，所以评估工作过程中的肌肉骨骼负荷风险是非常必要的。Boocock 等62进行的表面肌电实验表明，不同年龄的人执行相同举重任务时，背部肌肉损伤风险程度不同。Shair 等63将表面肌电信号用于监测工人的肌肉状况，找出工人在疲劳之前能够处理的最大起重负荷，以避免过度劳累。Gaudez等64使用表面肌电信号评估了 4 种汽车插件装配方式对上肢肌肉负荷程度的影响，结果表明，非机动工具的插入方式可以降低上肢工作相关骨骼肌肉的患病风险。Skovlund 等65通过可穿戴式表面肌电采集设备探究了百货商店在进货过程中的 13 项常见工作任务与肌肉负荷量的关系，从而改善了搬运工人的工作量。Jia 等66开发了一个基于表面肌电数据的躯干三维生物力学模型，用于评估坐姿任务相关的身体腰骶部肌肉负荷损伤风险。Chen 等67通过分析拆卸操期间操作员手臂上记录的表面肌电信号，帮助设计师优化了操作设备，以降低工作过程中引发的肌肉骨骼疾病的风险。Guo 等68在中国快递工人手动包装过程手臂、背部和肩部运动学的研究中发现，重复运动导致包装工人的肌肉骨骼疾病患病率升高，并提出后续实验应继续着重探讨特定作息时间、工作场所的重新设计，以缓解工人肌肉疲劳。第 44 卷 第 12 期 方明珠，等：基于表面肌电信号的人因与工效学评估研究综述 103 3.3 工作场所布局设计评估 工作场所布局设计会影响到所有工作区域，包括生产线或不同的产品仓库，同时也对工人的日常生活产生很大影响。表面肌电信号可用于评估工作场所中的人因与工效学问题，改善工作场所舒适度，良好的工作场所可以减少日常操作中的肌肉负荷和疲劳。Nisser 等69通过文献研究，证明表面肌电技术是一种评估工作场所负荷的有效方法。Lee 等70根据表面肌电技术监测工人在工作站执行搬运零件箱任务时右上肢六块肌肉的负荷水平，调整了工作场所的站台高度和零件箱的摆放位置，以减少重复搬运过程中上肢的肌肉负荷。Antle 等71评估了特定的工作场所中使用直立或部分直立姿势对肌肉疲劳和损伤的影响，得出半直立姿势对于背部和上肢的肌肉放松效果不是很好，但该姿势有利于下肢肌肉放松。Ding 等72研究了长时间坐着工作与肌肉活动的变化，以分析不同休息类型的有效性，结果表明，在上班 40 分钟后休息的工作效率最高。Salmanzadeh 等73提出了一个基于表面肌电信号的胸肌与颈阔肌疲劳预测模型，以便有效地为员工分配工作场所、合理规划与安排工作周期。3.4 设备与工具设计评估 表面肌电信号也通常用于评估设备与工具的舒适性与可用性，以提高人们日常工作的效率。Kang等74探究了无绳棒式吸尘器手柄中的重量分布对于上肢肌肉活动的影响，实验发现，相对于低质心的手柄，高质心的手柄能提供更好的用户体验。Guo 等75结合表面肌电信号实验探究了控制方式与手柄形状对高速列车驾驶员操作效率的影响。Revilla 等76调查了不同手柄形状和表面轮廓对于手部握持舒适性的影响，发现材质硬实、接触面积较小和纹理均匀的手柄可以减少手部肌肉负荷。Dong 等77评估了 8 种不同手柄形状的洁牙仪器在模拟牙齿整形任务时对手部负荷的影响，结果表明，锥形、圆形和直径为 10 mm 的器械手柄产生的手部负荷最小，该研究可帮助牙医和牙科保健师选择合适的牙科器械。李新宇78通过表面肌电信号实验评估了显微镜目镜高度对于颈部肌肉舒适度的影响，并根据实验结果对目镜高度设计进行了优化。Kim 等79通过对比虚拟键盘、笔记本键盘与传统的机械键盘在打字力度和肌肉活动之间的差异，评估了用户在使用不同类型键盘时的打字效率，从而优化键盘设计。Weston 等80研究了办公椅分别与台式电脑和可触摸平板电脑这两台设备组合使用时的交互性差异，为现有办公椅优化设计提供了有效的参考。3.5 交互界面优化评估 近年来，随着互联网通信技术的发展，电子设备的界面交互与视觉设计逐渐成为人因与工效学关注的热点，表面肌电信号也应用于界面交互设计与评估。Kang 等81研究了触屏位置对计算机触摸屏使用性能和物理需求的影响，研究结果优化了计算机触摸屏的布局设计。Huang 等82结合表面肌电信号、用户表现和主观评价评估了摸屏交互和悬空交互的差异性。Alhaag 等83利用面部表面肌电信号的反应来探究显示器类型、观看距离和观看时间对视觉疲劳的影响，实验结果表明，相对于 2D 显示器，3D 显示器产生的视觉疲劳压力更小。Coppola等84对比了用户在不同形状尺寸的平板电脑上执行滑动任务时的生物力学性能，以提升平板电脑硬件与软件的可用性。Lee 等85探讨了计算机按键开关的设计对于手指肌肉活动的影响，为计算机开关键的设计提供了进一步的见解。Kim 等86为了增强虚拟现实场景中的沉浸感与真实感，利用表面肌电信号传感器优化了便携式手柄触觉系统的界面设计。Trudeau 等87探究了单手使用手机期间拇指运动性能的变化，研究结果可以帮助优化特定的拇指交互动作，以改善用户单手交互时的体验。3.6 外骨骼助力优化评估 长期从事重负荷作业（手工搬举、负重搬运、运送货物和推拉作业等）可能造成躯干肌疲劳，继而破坏脊柱的稳定性，引起慢性腰背损伤。外骨骼是有助于提高工人能力、减少其活动所需体力劳动的设备，分为“主动”和“被动”两种形式。主动外骨骼使用电动执行器（例如电动、气动或液压执行器等装置）来驱动关节向身体提供外部支撑。被动外骨骼使用柔性材料（例如弹簧）来存储和传输能量，以协助人的身体运动。主动式外骨骼与被动式外骨骼的应用见图3，展示了目前开发出的主动式外骨骼与被动式外骨骼应用实例。De Looze 等88评估了多种工业辅助外骨骼对身体物理负荷的潜在影响。Chen 等89通过表面肌电信号评估了佩戴外骨骼时的肌肉激活水平，验证了主动外骨骼控制系统适用于辅助起重任务。Glinski 等90研究表明，由日本筑波大学和机器人公司 Cyber Dyne开发的主动式腰部可穿戴外骨骼（Hybrid Assistive Limb，HAL）可以有效降低举重工作人群腰部酸痛的发作率。Wei 等91为降低工人搬运任务中的腰痛风险，设计了一种针对髋关节的主动式外骨骼机器人进行辅助搬运。Wang 等92利用肌电图设计出了一种用于减少下肢肌肉疲劳的半活性外骨骼，该外骨骼可帮助减少工人因长时间下蹲导致的肌肉疲劳。Qu 等93研究表明，模拟举重任务的工业被动辅助外骨骼在减少背部和上臂肌肉活动方面有良好的潜力。Yan 等94提出了一种为工业工人提供重力支持的轻便且可穿戴的被动式外骨骼，从而降低由于反复或持续下蹲作业导致的肌肉骨骼疾病和关节损伤的发生率。Antwi-Afari 等95通过表面肌电信号评估了 104 包 装 工 程 2023 年 6 月 图 3 主动式外骨骼与被动式外骨骼的应用 Fig.3 Applications of active and passive exoskeletons 被动外骨骼系统对建筑工人在手动重复搬运任务中脊柱生物力学和主观反应的影响，发现使用被动外骨骼系统同样可以降低举重时的背部不适感。Luger等96研究显示，被动外骨骼可帮助工人在举重任务过程中调整身体姿势，避免发生严重的肌肉疲劳。Tetteh 等97通过表面肌电信号实验发现，被动式外骨骼可以减少外科医生在手术过程中的生物力学负荷。基于表面肌电信号的外骨骼助力优化评估研究帮助减少了人们工作中一些频繁的、肌肉负荷量大的体力劳动，降低了重负荷和超负荷体力劳动从业者肌肉骨骼疾病的患病风险，提高了工作者的工作能力，但目前还没有标准化的方法对外骨骼进行统一的有效性比较，因此，外骨骼在非理想情况下的效用还有待进一步深入研究。4 基于表面肌电信号的人因与工效学评估发展趋势 4.1 基于表面肌电信号的人因与工效学评估发展问题 4.1.1 表面肌电数据采集与处理的通用性 虽然基于表面肌电信号的人因与工效学评估已经在很多领域中取得不错的研究进展，但在绝大多数研究中都是为特定的研究目的或在特定的研究场景中进行的，极少讨论跨个体、跨任务和跨环境情况下方法和模型的适用性。在一般研究中，执行不同任务时姿势存在较大的差异性，例如用于评估汽车零件装配姿势任务时的方法和数据不能用于评估超市搬运货姿势，同时个体差异的不同也会导致不同的评估结果。理想条件下，人因与工效学的评估中更注重的是评估设备与人之间的交互姿势是否会对人身体造成危害以及使工作环境中存在一些危险因素。根据现有研究来看，基于表面肌电信号的人因与工效学研究较为偏重于特定任务下的特定姿势评估，弱化或忽略了评估方法与数据的通用性，没有制定统一的评估标准。4.1.2 实验中理想条件与现实条件的差异性 前文对诸多应用领域的分析及相关研究方法的综述表明，基于表面肌电信号的人因与工效学评估技术繁多，但目前的相关研究多数处于理想条件下，评估也多侧重在理想条件下或无干扰的情况下如何识别更多类别，通过对比分析不同的噪声处理、降维方法、特征与模型识别等环节，以提高表面肌电信号识别的准确性和精准度。例如，在理想的实验室环境中，排除掉许多现实环境的干扰因素，表面肌电监测设备第 44 卷 第 12 期 方明珠，等：基于表面肌电信号的人因与工效学评估研究综述 105 在实时分类器中可以达到 95%以上的准确度，但在现实条件下的评估往往会受到诸多干扰因素（如电极偏移、个体性差异、肌肉疲劳、肢体姿态或其他综合性干扰等）98的影响，表面肌电信号识别的准确性会大大降低。目前已有研究讨论了基于表面肌电的意图识别方法在现实中遇到的问题及解决方法，因此，基于表面肌电信号的人因与工效学评估的理想与现实条件差异性方面的研究在未来尚有较大的探讨空间。4.2 基于表面肌电信号的人因与工效学发展趋势 4.2.1 多模态数据融合 多模态数据结合了多个模态信息并汲取了不同模态的优点，从而完成对信息的有效整合。由于表面肌电信号的非平稳性和不确定性等特点，使用单一模态采集信息具有表达信息不完整的局限性，从而无法准确评估人的工作姿势及工作环境中的风险因素，而多模态可以实现模态之间的信息互补，增强特征表示99。因此，目前多数研究使用多模态数据融合方法进行人因与工效学评估，将表面肌电信号与其他模态数据，如肌音信号100、脑电信号101、心电信号等融合，以此来提高识别率和系统鲁棒性，同时降低数据的不确定性。例如 Kim 等102提出了一种基于表面肌电信号转移学习范式的二维输入图像特征多模态融合系统，与传统的单模态表面肌电信号训练模型相比，该多模态融合系统的分类精度与准确率显著提高。因此，基于多模态数据融合的表面肌电信号的人因与工效学评估是目前该领域的研究热点及趋势。4.2.2 特征提取算法优化 随着人因与工效学评估的深入研究，需要评估的姿势、任务与设备也越来越多，评估的精确性和精准性需求也在不断提高，单电极采集肌电的方式已经无法适应多样化和复杂度更高的评估任务。多通道表面肌电采集技术可以捕获高时空分辨率信号，是目前基于表面肌电信号的人因与工效学研究中的主流数据采集技术，该技术也已经被广泛应用于肌力估计、肌肉激活分析、运动模式分析等众多领域，并取得了良好的成果，但多通道表面肌电在包含了丰富信息的同时也引入了大量的冗余信息和干扰信息，在实际应用中必须对该信号进行处理103。因此，如何对多通道表面肌电信号的预处理和特征提取方式进行优化需要进一步地深入研究104,105。4.2.3 融合多方法优化分类模型 分类器的选择决定了表面肌电信号分析与识别的有效性。如今的分类器有其各自的优点及适用数据，但很难找出一个在所有评估任务中都能取得有效结果的通用分类器。随着人工智能和软计算的发展，大量基于机器学习和深度学习的分类模型不断推陈出新，如人工神经网络、卷积神经网络、遗传算法、模糊逻辑、长短期记忆网络、注意力模型等。可以将现有分类器与多种算法融合，汲取多种算法学习方式的优点，有利于优化现有分类器性能106,107，对后续构建基于表面肌电信号的人因与工效学评估通用数据集的研究奠定坚实基础。5 展望 5.1 构建基于表面肌电信号的人因与工效学评估通用数据集 近年来，使用表面肌电信号评估人机环境成为了人因与工效学领域的重点研究内容，许多实验证明