在力量训练和康复运动中，及时识别肌肉疲劳有助于评估运动负荷、调整训练强度。表面肌电（sEMG）能够无创记录肌肉活动，为疲劳监测提供重要信息。然而，皮肤在运动过程中不断弯曲和形变，容易引起电极接触不稳、界面阻抗波动和运动伪迹；凝胶电极在反复变形中也可能发生结构损伤，影响信号传递。如何在动态条件下稳定获取多个肌肉区域的电信号，是柔性肌电监测器件面临的关键问题。

  针对上述问题，北京林业大学杨俊教授联合北京航空航天大学潘曹峰教授等人，构建了细菌纤维素（BC）增强的异质共晶凝胶电极（BHE），并将其与激光切割的镂空柔性印刷电路（FPC）集成，形成六通道表面肌电阵列（HP-BHEA）。

  2026年9月18日，相关研究以Motion-Robust Multichannel sEMG Array for High-Fidelity Muscle Fatigue Monitoring为题发表在Advanced Functional Materials上。

  该器件将凝胶内部的纤维增强与电路结构的应变分散相结合，减少动态形变对导电网络和皮肤接触的干扰，通过12个电极位点同步记录肱二头肌、肱三头肌不同区域的活动，并结合深度学习开展肌肉疲劳状态识别（图1）。

图1 多通道表面肌电阵列的结构设计与肌肉疲劳监测原理。

  BHE由聚丙烯酰胺（PAAm）网络、氯化胆碱/甘油深共晶溶剂、导电聚合物PEDOT:PSS和BC膜共同构成（图2）。其中，深共晶溶剂提供低挥发性的离子传输介质，PEDOT:PSS引入电子导电通路，连续BC纤维骨架则承担载荷并维持结构稳定。BC表面的羟基与PAAm的酰胺基团形成氢键，配合聚合物链缠结，使纤维骨架与软凝胶紧密结合。SEM观察显示，裂纹遇到BC层时会发生钝化和偏转，从而减缓裂纹扩展，为电极在反复变形中保持完整提供结构基础。

  研究进一步将异质结构策略拓展至PDMAA、PSBMA、PAA等多种聚合物体系，均观察到模量与韧性的提升，表明连续纤维骨架与软凝胶相结合的增强方式具有一定普适性。同时，调节PEDOT:PSS含量能够提高凝胶电导率并降低阻抗。材料结构与导电组分的协同设计，为后续稳定采集生物电信号提供了支撑。

图2 BC增强异质共晶凝胶的结构、力学增强机制与电学性能。

  针对可穿戴电极反复弯折后的性能衰减问题，开展了长周期机电稳定性测试（图3）。在连续90°弯折10万次后，BHE的电阻变化约为11.9%，明显低于无BC增强的均相共晶凝胶（PHE，约104%）。多角度弯曲以及不同方向的折叠与恢复测试也表明，BHE能够较好地维持导电通路。贴肤状态下，经过各200次扭转和压缩后，其在1至10⁵ Hz范围内的界面阻抗谱仍保持较高稳定性，说明纤维骨架的增强作用有助于减轻形变引起的电学波动。

  细胞实验进一步评估了BHE的细胞相容性。L929成纤维细胞在1、3、5天的培养观察中保持良好形态，活/死细胞染色以活细胞为主；培养3天后的细胞活力接近100%，为该材料用作贴肤生物电子界面提供了初步依据。

图3 BHE的长期弯折耐久性、动态界面阻抗与细胞相容性。

  材料结构的稳定性进一步体现在肌电信号采集质量上（图4）。与商业Ag/AgCl电极相比，BHE中的BC纤维网络能够分散弯曲过程中产生的应力，有助于维持电极结构与皮肤接触。20组配对测量结果显示，BHE初始信噪比为42.04 ± 5.41 dB；经过200次弯折后，其信噪比仍为36.84 ± 5.87 dB，高于Ag/AgCl电极的30.04 ± 5.80 dB。这些结果表明，BHE在重复形变后能够更好地保持肌电信号质量。

  在等长收缩任务中，利用肌电信号的中值频率（MDF）和平均频率（MNF）追踪疲劳过程，观察到两项指标随持续收缩逐渐下降。在5 kg哑铃腕屈任务中，BHE同样能够记录疲劳相关的频谱变化，并呈现较低的背景噪声，验证了其在动态条件下采集信号与提取疲劳特征的能力。

图4 BHE与商业Ag/AgCl电极的肌电采集性能及疲劳特征对比。

  为实现多区域协同监测，将BHE电极集成于六通道镂空FPC，构建完整的信号采集与分析系统（图5）。电极周围的半圆形开孔、蛇形互连及不规则镂空共同分散应变，降低局部应力集中，使器件更易适应上臂曲面与运动形变。阵列通过医用胶带辅助固定，并经前端电路和连接模块完成信号采集、传输与分析。动态弯举测试中，BHE阵列的六个通道在收缩阶段均保持高于10 dB的信噪比，而对照Ag/AgCl阵列仅有两个通道达到这一水平。

  在5、10和15 kg不同负载的训练任务中，位于肱二头肌的1-3通道表现出高于肱三头肌4-6通道的肌电均方根值（RMS），反映出两组肌肉在屈肘运动中的激活差异。随着负载增加，肌电幅值总体上升，频域指标的下降趋势也更加明显。多通道记录因而能够同时提供肌肉激活强度、区域差异和疲劳变化信息，为分析运动过程中的肌群协同提供更丰富的依据。

图5 六通道肌电阵列的系统集成、信号质量与不同负载下的肌肉监测。

  在多通道肌电数据基础上，进一步引入CNN-BiLSTM模型，联合提取信号的空间特征与时间变化，实现疲劳状态分类（图6）。研究按六个通道中呈现疲劳特征的通道数量划分四种状态：0个对应无疲劳，1-2个对应轻度疲劳，3-4个对应中度疲劳，5-6个对应重度疲劳。模型采用100名参与者的800个样本训练，并使用另外40名未参与训练者的160个样本进行独立外部评估。

  结果显示，模型的总体识别准确率为83.1%，四类状态的识别率依次为87.5%、77.5%、75.0%和92.5%。疲劳通道数还与Borg CR10主观用力感评分呈较强正相关，为这种分级方式提供了补充支持。该结果展示了模型在新受试者中的应用潜力，同时也表明轻度与中度疲劳仍较难区分。

图6 基于CNN-BiLSTM的肌肉疲劳状态识别与独立外部测试结果。

  该研究得到北京林业大学“5·5工程”科研创新团队项目、北京市自然科学基金和国家自然科学基金等项目支持。

  论文链接：https://advanced.onlinelibrary.wiley.com/doi/10.1002/adfm.78406