基于表面肌电信号的可穿戴上肢肌肉负荷强度评估方法

技术领域

本发明属于人机工效评估技术领域，特别涉及一种可穿戴上肢肌肉负荷强度评估方法，可用于评估人体上肢肌肉负荷强度等级。

背景技术

肌肉不仅会随着长期运动而产生疲劳，也会在高强度运动时产生负荷。在航天领域，宇航员经过中长期的航天飞行，可能会导致上肢出现明显的萎缩性变化；在军事领域，驻守在高原地区的官兵长期处在高海拔、低氧气的作业环境中，恶心、呕吐、肌无力等症状经常出现；在体育医疗领域，用户本身有时可能无法正确认知当前肌肉负荷情况，导致过度或者没有充分发挥上肢肌肉性能。因此实时监测人体上肢肌肉负荷强度状态并反馈给用户从而及时做出相应调整至关重要，其在预防伤害、优化运动训练、个性化健康管理以及改善人机交互和虚拟现实增强等方面具有重要的社会价值。

肌电传感器作为特异性良好的非损伤性检测手段，能够直观地反映肌肉的收缩活动，而且表面肌电信号中蕴含着运动肌肉多维度的生理病理信息，加之表面肌电信号对局部肌肉的生理状态反映较为敏感，不受主观心理影响，且采集过程具有无创性、实时性、多通道性等优势，无疑是肌肉负荷强度识别与评价的重要手段。基于表面肌电信号的负荷评估主要分为四个阶段：在信号采集阶段，使用肌电传感器采集皮肤表面的电活动信号，获取原始的肌电数据；在信号处理阶段，对原始肌电信号进行滤波和特征提取，以获得肌肉活动的特征参数；在负荷评估阶段，利用特征数据，应用相应的模型进行评估，得出对肌肉负荷状态的量化指标；最后将评估结果通过可视化方式展示给用户或专业人员。

公开号为CN108742614B的专利文献公开了“一种联合表面肌电肌音与近红外光谱的肌肉疲劳检测方法”，其记录肌肉活动时的表面肌电、肌音和近红外光谱信号；从肌纤维动作电位募集特性、动作电位传导特性、肌纤维低频振动特性、血液动力学特性及血氧代谢五个方面量化建立相应的疲劳参数；分析评定肌肉疲劳机理。该方法由于自身设计了一套量化指标，缺乏统一标准，不能应用于一般场景。

公开号为CN107831897B的专利文献公开了“一种虚拟装配操作中RULA评测方法”，其利用体感交互和计算机技术自动计算出上臂、前臂、腕部、颈部、躯干和腿部的评分，该方法由于仅利用了定性评估工具RULA量表，缺乏定量评估指标，因此评估主观性较强，无法保证最终评分的可靠性。

公开号为CN109222969A的专利文献公开了“一种基于多传感器数据融合的可穿戴式人体上肢肌肉运动疲劳检测及训练系统”，其使用表面肌电传感器、肌音传感器和血氧饱和度传感器构成多传感器采集阵列穿戴在被测上肢部位；基于加权平均法进行数据融合,综合计算人体上肢肌肉疲劳参数，若参数达到预设值,系统可给出疲劳报警提醒。该方法虽说利用了可穿戴设备监测人体上肢疲劳状态，但穿戴繁琐，传感器集成度低，设备功耗较大，不便于复杂场景下的长期使用。

公开号为CN116244584A的专利文献公开了一种“融合肌电信号多重分形和LSTM的肌肉疲劳识别方法”，其先通过特征提取算法得到肌电信号的多重分形特征，然后将这些特征送入基于LSTM构建的肌肉疲劳识别模型，该方法虽然能够很好的学习肌电信号随时间变化的特征，但是由于忽略了不同人群之间的肌肉活跃程度，导致模型鲁棒性降低。

上述基于表面肌电信号的上肢肌肉负荷强度评估系统由于均缺乏统一的评估准则，负荷等级划分粗略，因而应用场景受限；同时由于上肢肌肉负荷强度评估算法大多采用专家系统，没有考虑到不同用户和环境下的差异问题，仅适用于特定场景下的某一类人群。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于表面肌电信号的可穿戴上肢肌肉负荷强度评估方法，以增强评估准则的通用性，提高可穿戴设备的便携性、集成度和能耗比，提升一般场景下不同人群上肢肌肉负荷强度评估的整体准确度。

本发明的技术思路是：通过结合定性评估的RULA量表和定量评估的表面肌电信号建立上肢姿态到肌电信号再到负荷强度的映射来增强评估准则的通用性；通过构建高集成度可自定义扩展的低功耗可穿戴信号采集设备来提高可穿戴设备的便携性、集成度和能耗比；通过基于迁移学习建立适用不同用户的高鲁棒性神经网络模型来提升一般场景下不同人群上肢肌肉负荷强度评估的整体准确度。

根据上述思路，本发明的实现步骤包括如下：

S1)基于RULA量表设计评估准则，建立表面肌电信号与负荷强度的映射关系，得到肌肉负荷强度的可量化的数据指标；

S2)构建包括主控芯片模块、信号采集模块、蓝牙传输模块和交互模块的低功耗可穿戴设备，获取人体上肢表面肌电信号信息；

S3)利用迁移学习策略搭建高鲁棒性肌肉负荷强度评估模型，以评估肌肉负荷强度；

S4)搭建肌肉负荷强度评估可视化平台，对实时获取的可量化数据指标和评估出的肌肉负荷强度结果进行展示。

进一步，所述步骤S1)中基于RULA量表设计评估准则，建立表面肌电信号与负荷强度的映射关系，实现步骤包括如下：

S11)将包括上臂、前臂、和腕部的上肢姿势作为评估标准，根据RULA量表对每一级肌肉负荷强度设计对应的上肢姿态数据集；

S12)将肌肉负荷强度的最终评估分数范围设为1～8分，并额外增加一个等级为0分，分别代表姿态的负荷等级和表征肌肉松弛态，得到各得分与等级的对应关系如下：

评分为0，表示肌肉负荷强度等级为0级，即肌肉完全松弛态，处于休息状态；

评分为1～2，表示肌肉负荷强度等级为1级，即肌肉处于正常状态；

评分为3～4，表示肌肉负荷强度等级为2级，即肌肉轻度疲劳；

评分为5～6，表示肌肉负荷强度等级为3级，即肌肉中度疲劳；

评分为7～8，表示肌肉负荷强度等级为4级，即肌肉重度疲劳。

进一步，所述步骤S2)中构成低功耗可穿戴设备中的各模块结构及传输关系包括如下：

所述主控芯片模块，采用STM32L4P5QGI6作为主控芯片，在其基础上通过硬件抽象层库HAL实现主控模块的ADC、I2C、USB、UASRT、LPUART功能，以控制其他模块；

所述信号采集模块，其包括8组肌电采集子模块、MPU9150芯片和集成生理模组，该8组肌电采集子模块通过DMA+ADC技术和陷波滤波器处理表面肌电信号，该MPU9150芯片通过I2C技术感知上肢姿态变化以获取惯性信号，并使用DMP运动引擎和四元数旋转矩阵处理惯性信号，该集成生理模组通过USART技术获取心率、血氧、微循环和血压，将上述采集的信号打包发送至蓝牙传输模块；

所述蓝牙传输模块，其包括以NRF52833芯片为核心的蓝牙转发电路，采用低功耗蓝牙5.0协议和LPUART技术将信号采集模块发送的上肢信号转发到肌肉负荷强度评估模型；

所述交互模块，其包括指示灯、振动器、USB调试接口和电源管理模块，以指示其他模块的工作状态，并对电路进行可穿戴设计，从而与上肢紧密接触，以提升该设备的交互性。

进一步，所述步骤S3)利用迁移学习策略搭建高鲁棒性肌肉负荷强度评估模型，实现步骤包括如下：

S31)通过阈值法对肌电信号进行活动段检测，并使用巴特沃斯和高斯滤波器去除信号噪声，再使用电极偏移算法进行肌电模组重排，对重排后的肌电模组进行数据归一化，借助连续小波变换提取归一化后信号的时频域特征；

S32)将时频域特征按照每行一个通道数据排列作为卷积神经网络的输入，将该输入的数据看作二维图像，借助卷积神经网络搭建由输入层、卷积层Conv、池化层pooling、随机失活正则化dropout、密集层Dense、全连接层FC、和输出层依次连接组成的深层网络；

S33)在深度学习框架Pytorch和英伟达显卡GPU的软硬件环境下，利用人体上肢姿态数据集和早期停止策略，对上述深层网络进行训练，得到肌肉负荷强度的基础评估模型；

S34)使用迁移学习中的微调策略，对上述基础评估模型的中全连接层所有参数进行微调，通过小样本数据重新训练全连接层的相关权重参数得到用户特定模型，以将基础评估模型中的源域知识转移到用户特定模型的目标域，得到高鲁棒性肌肉负荷强度评估模型，用于实现对新用户的肌肉负荷强度高鲁棒性评估。

本发明与现有技术相比，具有如下优点：

第一，本发明由于围绕RULA量表设计评估准则，建立表面肌电信号与负荷强度的映射关系，得到肌肉负荷强度的可量化的数据指标，因而增强了评估准则的通用性，可解决现有技术中评估方法缺乏统一标准，通用性和可靠性差，不能应用于一般场景的问题；

第二，本发明由于构建包括主控芯片模块、信号采集模块、蓝牙传输模块和交互模块的低功耗可穿戴设备，获取人体上肢表面肌电信号信息，故可提高可穿戴设备的便携性、集成度和能耗比，可解决现有技术中评估设备穿戴繁琐，传感器集成度低，设备功耗较大，不便于复杂场景下的长期使用的问题；

第三，本发明由于利用迁移学习策略搭建高鲁棒性肌肉负荷强度评估模型，以评估肌肉负荷强度，可提升一般场景下不同人群上肢肌肉负荷强度评估的整体准确度，解决了现有技术中不同用户和不同环境下的上肢信号差异现象导致的肌肉负荷强度评估失准问题。

附图说明

图1为本发明的实现流程图；

图2为本发明中上肢姿态集和肌肉负荷强度映射关系图；

图3为本发明中构建的可穿戴设备整体结构图；

图4为本发明中应用深度迁移学习算法构建的卷积神经网络模型图；

图5为本发明中可视化页面及关键信息展示图。

具体实施方式

下面结合附图和实例对本发明作进一步详细描述。

参照图1，本实例的实现步骤如下：

步骤1，基于RULA量表设计评估准则。

所述RULA量表是一种现有的规则库，可用于快速评估颈部，躯干和上肢的姿势、肌肉功能和身体所经历的外部负荷。

由于肌电等上肢信号可以弥补RULA量表主观性较强的问题，因此本实例通过建立表面肌电信号与负荷强度的映射关系，得到肌肉负荷强度的可量化的数据指标。

参照图2，本步骤的实现步骤包括如下：

1.1)基于RULA量表设计上肢姿态集：

本实例选择利用包括上臂、前臂、和腕部的上肢姿势作为评估标准，根据RULA量表构建基于手臂手腕不同肌肉负荷动作组合的上肢姿态集。如附图2左半部分所示，该部分展示了上肢姿态动作和不同动作对应的RULA初始得分，手部腕部组合形成不同动作，标记不同动作的RULA得分；上臂和小臂组合形成不同动作，标记不同角度对应的RULA得分；将不同上肢动作与RULA初始得分按照附图2左半部分所示一一对应，构建由上肢不同部位的不同弯曲角度组成的上肢姿态集；

1.2)建立肌电信号与负荷强度的映射关系：

1.2.1)划分评估分数的肌肉负荷等级：

根据不同上肢姿态中手臂弯曲的角度和手腕偏离中心位置的角度对应的不同肌肉负荷情况，设置评估分数范围为1～8分，并将1～8分划分为4个等级，同时额外增加一个等级对应0分，分别代表姿态的负荷等级和表征肌肉松弛态，其评分和等级对应关系如下：

评分为0，表示肌肉负荷强度等级为0级，即肌肉完全松弛态，处于休息状态；

评分为1～2，表示肌肉负荷强度等级为1级，即肌肉处于正常状态；

评分为3～4，表示肌肉负荷强度等级为2级，即肌肉轻度疲劳；

评分为5～6，表示肌肉负荷强度等级为3级，即肌肉中度疲劳；

评分为7～8，表示肌肉负荷强度等级为4级，即肌肉重度疲劳。

1.2.2)将肌电信号映射为肌肉负荷强度等级：

如附图2右半部分所示，上述设计的上肢姿态集中，规定了不同部位不同角度组成的动作对应的原始RULA得分，用户在执行上肢姿态集的动作时，便可根据上述评估标准确定用户每一时刻上肢姿态的初始RULA得分；

根据用户在执行上肢姿态集中的动作时，手部负载波动和肌肉使用时长会导致上肢在每一时刻产生不同的表面肌电信号情况，将每一时刻具有定性特点的上肢姿态初始得分和定量特点的表面肌电信号送入神经网络；

利用深度学习方法在神经网络内部的每一层级自动建立复杂的肌电信号到负荷强度的多重映射关系，以对人体上肢的肌肉负荷强度进行综合评估，并根据1.2.1)划分评估分数的肌肉负荷等级中不同分数对应的肌肉负荷等级，将神经网络给出的评估分数转换为肌肉负荷强度等级。

步骤2，设计低功耗可穿戴的多模态信号采集设备。

参照图3，本步骤的低功耗可穿戴的多模态信号采集设备，包括主控芯片模块、信号采集模块、蓝牙传输模块和交互模块。各个模块的结构及数据传输关系如下：

所述主控芯片模块，其采用STM32L4P5QGI6作为主控芯片，在其基础上通过硬件抽象层库HAL实现主控模块的ADC、I2C、USB、UASRT、LPUART功能，以控制其他模块。

所述信号采集模块，其包括8组肌电采集子模块、MPU9150芯片和集成生理模组，该8组肌电采集子模块通过DMA+ADC技术和陷波滤波器处理表面肌电信号；该MPU9150芯片通过I2C技术感知上肢姿态变化以获取惯性信号，并使用运动引擎DMP和四元数旋转矩阵处理惯性信号；该集成生理模组通过串口通信技术获取心率、血氧、微循环和血压，并将这些信号打包发送至蓝牙传输模块；

所述蓝牙传输模块，其包括以NRF52833芯片为核心的蓝牙转发电路，采用低功耗蓝牙5.0协议和LPUART技术将信号采集模块发送的上肢信号转发到肌肉负荷强度评估模型；

所述交互模块，其包括指示灯、振动器、USB调试接口和电源管理模块，以指示其他模块的工作状态，并对电路进行可穿戴设计，从而与上肢紧密接触，以提升该设备的交互性；

本实例中上述模块的设计如下：

对于主控芯片模块，其具体实现为：使用支持低功耗、浮点运算单元、信号处理算法库和可加载网络模型的STM32L4P5QGI6作为主控芯片；该芯片基于ARM Cortex-M4内核，采用UFBGA132封装，工作主频为80MHz，芯片内的闪存Flash和随机访问存储器RAM分别为1024kByte和640kByte；利用硬件抽象层库实现ADC数据采样以接收8组肌电采集子模块中的表面肌电信号、IIC通信以接收MPU9150芯片中的惯性信号、USB通信以进行设备调试、USART通信以接收集成生理模组中的生理信号和LPUART通信以将这些信号发送至蓝牙传输模块，从而与其余模块进行数据传输来实现可穿戴采集设备的主要功能；

对于信号采集模块，其具体实现为：采集人体上肢的表面肌电信号、惯性信号和生理信号，其中生理信号包括心率、血氧和微循环；这些信号通过主控芯片的相关外设接口采集，并由蓝牙传输模块转发出去。其中：

该肌电模块包含8组采集模组，每组由三个干电极、INA333芯片、AD8602芯片和若干电阻电容组成，这三个干电极s1～s3分别为参考电极REF、正极VCC与接地GND，用于感知人体上肢表面肌肉的电压变化以产生模拟信号；INA333和AD芯片用于模拟信号的增益放大，若干电阻电容用于模拟信号的滤波；之后通过工作频率为32MHz且过采样至16位的多路DMA+ADC通道将模拟信号转换为数字信号并发送至主控芯片；然后将数据范围转换至-127～+128；最后通过带宽为7.5Hz的4阶梳妆陷波滤波器对采集的原始数据进行滤波以去除50Hz的工频干扰；

该惯性模块包含MPU9150芯片和采集电路，采集电路包括电源电路、中断和IIC通信电路，MPU9150芯片支持低功耗，通信方式为IIC，其内部集成陀螺仪和加速度计，用于感知人体上肢姿态变化，以获取原始数据，该数据为载体坐标系下的四元数、三轴角速度和三轴加速度；电源电路用于控制MPU9150的开启和关闭，中断和IIC通信电路用于将惯性信号发送至主控芯片；之后使用运动引擎DMP实现原始数据的校准、滤波和融合，从而获取采样频率为200Hz的包括角度、角速度和加速度的惯性信号，最后借助左手坐标系下的四元数旋转矩阵去除重力加速度在三轴上的分量；

该生理模块采用集成模组，包含心率、血氧、微循环和血压信号，通过串口通信协议将这些数据发送至主控芯片，以全方面体现肌肉负荷强度等相关信息。

对于蓝牙传输模块，其具体实现为：采用低功耗蓝牙5.0协议和NRF52833芯片实现上肢数据的蓝牙转发。首先主控芯片将所有采集的上肢数据进行打包，要转发的数据依次包括帧头、肌电信号、惯性信号和生理信号的16进制数据和8位CRC校验码，然后通过主控芯片的低功耗串口LPUART将数据包发送至蓝牙芯；，蓝牙芯片作为从机，等待PC端作为主机的蓝牙适配器配对，成功配对之后，蓝牙芯片开始将接收的数据包传输至PC端，PC端再对数据进行解码，从而完成上肢数据的转发，以实现低功耗高速传输。

对于交互模块，其具体实现为：设计指示灯、振动器、USB调试接口和电源管理模块，同时设计可穿戴电路，使整个穿戴设备可与上肢表面紧密接触。

该指示灯主要显示主控和蓝牙芯片工作状态；

该振动器通过马达来传递相关信息，例如设备初始化成功、电量状态等信息；

该USB调试接口用于程序调试以及重要参数修改，例如采样频率、发送信号类型等以及日志信息输出，从而直观观察程序运行状态，便于进行自定义设置；

该电源管理部分模块一方面是通过主控芯片的指示灯来提示电量状态，另一方面是低功耗模式的自动管理；

本实例将7个肌电采集模块单独嵌入到迷你黑色盒子中，然后将剩余的1个肌电采集模块和包含惯性模块与生理模块在内的主控模块共同嵌入到1个迷你黑色盒子当中，并将2块锂电池分别嵌入到其中的2个盒子内；再将这8个迷你黑色盒子通过软排线和可伸缩的橡胶连接，以紧密地佩戴在上肢皮肤表面，方便使用。

步骤3，基于深度迁移学习建立适用于不同用户的肌肉负荷强度评估模型。

评估模型用于分析肌肉负荷强度，并利用迁移学习方法借助小样本数据适应新用户的肌肉特征，从而提升网络模型的鲁棒性。

参照图4，本步骤的实现包括如下：

3.1)数据处理：

该部分的处理流程为活动段检测、滤波、肌电通道重排、数据归一化和特征提取。

对于活动段检测阶段，为了保证模型的时效性，本实例通过基于滑动窗口的阈值法实现表面肌电信号的活动段检测，以捕获有效信号；

对于滤波阶段，由于有效信号中的表面肌电信号存在低频噪声干扰，且惯性信号和生理信号存在高频噪声干扰，因此分别使用高通巴特沃斯滤波器、高斯滤波器和低通巴特沃斯滤波器去除活动段检测捕获的有效信号的噪声；

对于肌电通道重排阶段，由于用户不能保证每次臂带佩戴的位置相同，所以有效信号中的表面肌电信号的通道会出现电极移位的情况，但各通道的相对位置并不会发生变化，针对该情况，本实例指定“五指并拢且手掌外翻”作为静态校准手势，在用户执行校准手势时，将8组肌电子模块中表面肌电信号能量最高的子模块作为参考通道，根据每个通道相对于参考通道的位置序号重新排列8组肌电子模块的顺序；

对于数据归一化阶段，不同用户执行相同动作的肌肉活动、位移程度和生理反应均不同，这会混淆模型对肌肉负荷强度的识别，因此在对有效信号中8通道肌电信号进行重排之后，对惯性信号、表面肌电信号和生理信号进行最大最小归一化处理，使得所有数据均在[-1,1]之间；

对于特征提取阶段，在完成最大最小归一化之后，由于表面肌电信号和生理信号均为非平稳的生物信号，仅依赖信号的时域特征不足以捕获更多肌肉负荷信息，因此本实例采用母函数为墨西哥帽函数的连续小波变换提取这两种信号的时频域特征，以捕获更多肌肉负荷信息。

3.2)深层网络设计：

将时频域特征按照每行一个通道数据排列作为卷积神经网络的输入，将该输入的数据看作二维图像，借助卷积神经网络搭建由1个输入层，5个卷积层、2个池化层、3个随机失活正则化、3个密集层、1个全连接层和一个输出层依次连接组成的深层网络，其中：

输入层，为人体上肢信号的时频域特征；

卷积层，通过与卷积核运算实现对数据特征的提取，且第一个卷积层为16个3×2的卷积核，第二个卷积层为32个3×3的卷积核，第三个卷积层为64个3×1的卷积核，第四个卷积层为64个1×2的卷积核，第五个卷积层为128个2×2的卷积核；

池化层，用于减少特征数量并保留有效信息以减小过拟合，其包括大小均为2×2的两个最大池化层；

随机失活正则化，用于在训练当中随机减掉一些神经元，从而预防过拟合，其包括丢弃率分别为0.15、0.2和0.25的三个随机失活正则化；

密集层，用于将输入数据与权重矩阵相乘，并添加一个偏置项，然后将结果传递给激活函数，其包括参数依次为1×512、1×128和1×64的三个密集层；

全连接层，用于通过激活函数激活特征信息，其维度为1×64；

输出层，维度为1×5，该输出层的结果通过激活函数可转换为评估得分；

3.3)深层网络训练：

3.3.1)搭建深度学习框架Pytorch和英伟达显卡GPU的软硬件环境；

3.3.2)对网络权重参数进行随机初始化，以使网络模型处于特定初始状态；

3.3.3)将上肢姿态集作为输入数据送入神经网络并逐层进行前向传播，并计算每一层的输出，以生成模型预测值；

3.3.4)采用交叉熵损失函数计算模型预测值和真实标签之间的差异，即模型误差；

3.3.5)使用链式法计算上述损失函数的梯度信息，以从输出层向输入层反向传播误差信号，其中梯度表示每个参数对于损失函数的影响程度；

3.3.6)重复3.3.3)～3.3.5)，直至损失函数计算出的损失值下降率趋于稳定，得到肌肉负荷强度的基础评估模型；

3.4)基础评估模型迁移：

为了降低用户和环境差异对上肢信号的影响，同时保证更多未知手部姿态的识别，本实例通过采集用户少量的上肢动作信号和迁移学习中的微调策略以小样本学习方式来重新训练深层网络，实现基础评估模型的迁移，进而得到肌电负荷强度评估结果，具体步骤包括如下：

3.4.1)确认基础评估模型中深层网络的全连接层的位置，冻结网络中除全连接层以外的所有参数；

3.4.2)采集用户少量的上肢动作信号，以建立小样本数据；

3.4.3)利用小样本数据与采用与步骤3.3)同样的训练方法重新训练基础评估模型中全连接层的相关权重参数，以对上述基础评估模型中全连接层的所有参数进行微调，得到用户特定模型，从而将基础评估模型中的源域知识转移到用户特定模型的目标域，进而得到高鲁棒性肌肉负荷强度评估模型；

3.4.4)使用3.4.3)得到的高鲁棒性肌肉负荷强度评估模型对新用户的肌肉负荷强度进行评估，以获取用户上肢肌肉负荷强度等级。

步骤4，肌肉负荷强度评估可视化。

参照图5，本步骤的实现包括如下：

4.1)利用现有Python中的Matplotlib和Tkinter库搭建肌肉负荷强度评估可视化平台，即利用Matplotlib库搭建页面A，利用Tkinter库搭建页面B；该页面A位于这个页面的左半部分，其上显示有上肢的实时信号曲线，该页面B位于这个页面的右半部分，其上显示有最终评估所获得的上肢姿态和疲劳程度得分；

4.2)利用页面显示可量化数据指标变化和评估出的肌肉负荷强度结果：

利用A页面上的实时信号曲线展示肌肉负荷强度的可量化数据指标的实时变化趋势，即曲线的上升和下降趋势代表人体上肢动作幅度大小、肌肉使用强度和生理状态。

利用B页面的上肢姿态和疲劳程度得分给出当前状态下的用户上肢角度、动作和肌肉负荷强度等级，这些信息均体现用户肌肉负荷强度状态。

上步骤的标号仅是用于对本发明的清楚描述，其序号顺序不做限定。且以上描述仅是本发明的一个具体实例，并未构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修改和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。