1.一种基于肌电和肌氧信号的运动功能监测管理方法，其特征在于，其包括以下步骤：步骤1、同步采集不同动作模式下的多通道肌电和肌氧信号；

步骤2、对肌电及肌氧信号分别进行预处理，得到预处理后的肌电信号Y＝{y1，y2，…，yn1}和预处理后的肌氧信号；

步骤3、对预处理后的肌电、肌氧信号进行特征提取，具体步骤为：步骤31、对肌电单模态信息耦合特性进行分析，得到多通道肌间时频协同特性TFNMF＝{W,C}，其中W为权重矩阵，C为时变系数矩阵，并采用z‑score方法对TFNMF进行标准化处理，*

得到标准化处理后的数据TFNMF；

步骤32、对肌氧单模态信息进行分析，得到多通道肌氧频域特征SFF＝{MPF,MF}，其中MPF为平均功率频率，MF为中位频率，并采用z‑score方法对SFF进行标准化处理，得到标准*

化处理后的数据SFF；

步骤33、对肌电‑肌氧跨模态耦合特性进行分析，得到肌电‑肌氧的非线性功能耦合特2

征MSIF＝{R}，具体步骤如下：步骤331、计算多通道肌电信号序列Y＝{y1，y2，…，yn1}中的自排序熵步骤332、建立非线性动力学模型：其中， 和 分别代表最大和最小肌电自排序熵值，C是肌氧的浓度变化，CB为基线浓度，γ是肌氧浓度‑肌电熵值关系曲线的斜率；

步骤333、设定 γ初值，将肌氧信号代入非线性动力学模型，得出肌电熵值E＝{e1,e2,…,en1}；

步骤334、根据建模得到的肌电熵值ei与计算得到的肌电熵值 计算相关

2 2

系数R，R间接体现了肌电信号复杂度和肌氧浓度变化的相关程度：其中， 是ei时间平均，n1为数据长度；

2

步骤335、通过获取相关系数R 描述被试肌肉‑组织肌氧的非线性功能耦合特征MSIF＝2

{R}；

步骤4、基于步骤3获取的多模态特征指标构建多模态特征指间回归分析模型，对特征指标之间进行回归分析，研究两两指标之间的关系；

2

使用统计量Ti作为回归方程的拟合优度检验：式中，SSRi为回归平方和，表示估计值与均值的差值平方和，SSTi为离差平方和，表示真2

实值与均值的差值平方和，i＝1,2,…,6；Ti的取值范围为[0,1]，其值越接近1表示拟合效果越好；

步骤5、通过对多模态特征指标间进行回归分析，构建基于多模态特征指标间的肌肉‑血管状态监测模型，揭示肌氧代谢和肌肉电活动的耦合振荡模式，实现从功能状态角度对运功功能的描述和监测；

所述肌肉‑血管状态监测模型为： 其中，Pi为显著性系数。

2.根据权利要求1所述的基于肌电和肌氧信号的运动功能监测管理方法，其特征在于，所述步骤2的具体步骤为：

步骤21、对肌电信号进行预处理：针对肌电信号，进行去除基线漂移、去除50Hz工频及谐波干扰、进行0.5‑250Hz的带通滤波、进行全波整流的预处理，得到预处理后的肌电信号Y＝{y1，y2，…，yn1}；

步骤22、对肌氧信号进行预处理：针对肌氧信号，基于自适应滤波器的运动噪声去除算法移除肌氧信号中由于运动造成的干扰成分，得到预处理后的肌氧信号。

3.根据权利要求1所述的基于肌电和肌氧信号的运动功能监测管理方法，其特征在于，所述步骤4中，i＝1时， 其求解过程具体为：* *

当指标TFNMF为自变量，SFF为因变量时回归分析的数学模型为：* *

SFF＝ρ1+k1TFNMF+ε1                      (8)* *

式中，SFF为被解释变量，TFNMF为解释变量，ρ1和k1为该模型的未知参数，其中，ρ1为回归常数，k1为偏回归系数，ε1为随机误差；对上式两边求期望得：* *

E(SFF)＝ρ1+k1TFNMF                      (9)该式即称为一元线性回归方程，使用最小二乘估计法对未知参数ρ1和k1进行估计，并使

2 2

用统计量T1作为该回归方程的拟合优度检验，T1定义为：式中，SSR1为回归平方和，表示估计值与均值的差值平方和，SST1为离差平方和，表示真2

实值与均值的差值平方和；T1的取值范围为[0,1]，其值越接近1表示拟合效果越好，即肌间* *

时频协同特性TFNMF对肌氧频域特性SFF的解释性越好。

4.根据权利要求1所述的基于肌电和肌氧信号的运动功能监测管理方法，其特征在于，所述步骤4中，i＝2时， 其求解过程具体为：* *

当指标SFF为自变量，TFNMF为因变量时回归分析的数学模型为：* *

TFNMF＝ρ2+k2SFF+ε2                     (11)* *

式中，TFNMF为被解释变量，SFF为解释变量，ρ2和k2为该模型的未知参数，其中，ρ2为回归常数，k2为偏回归系数，ε2为随机误差；对上式两边求期望得：* *

E(TFNMF)＝ρ2+k2SFF                     (12)该式即称为一元线性回归方程，使用最小二乘估计法对未知参数ρ2和k2进行估计，并使用统计量 作为该回归方程的拟合优度检验， 定义为：式中，SSR2和SST2分别表示回归平方和，离差平方和； 的取值范围为[0,1]，其值越接* *

近1表示拟合效果越好，即肌氧频域特性SFF对肌间时频协同特性TFNMF的解释性越好。

5.根据权利要求1所述的基于肌电和肌氧信号的运动功能监测管理方法，其特征在于，所述步骤4中，i＝3时， 其求解过程具体为：*

当指标TFNMF为自变量，MSIF为因变量时回归分析的数学模型为：*

MSIF＝ρ3+k3TFNMF+ε3                    (14)*

式中，MSIF为被解释变量，TFNMF 为解释变量，ρ3和k3为该模型的未知参数，其中，ρ3为回归常数，k3为偏回归系数，ε3为随机误差；对上式两边求期望得：*

E(MSIF)＝ρ3+k3TFNMF                     (15)该式即称为一元线性回归方程，使用最小二乘估计法对未知参数ρ3和k3进行估计，并使用统计量 作为该回归方程的拟合优度检验， 定义为：式中，SSR3和SST3分别表示回归平方和，离差平方和； 的取值范围为[0,1]，其值越接*

近1表示拟合效果越好，即肌间时频协同特性TFNMF对肌肉‑组织肌氧的非线性功能耦合特征MSIF的解释性越好。

6.根据权利要求1所述的基于肌电和肌氧信号的运动功能监测管理方法，其特征在于，所述步骤4中，i＝4时， 其求解过程具体为：*

当指标MSIF为自变量，TFNMF为因变量时回归分析的数学模型为：*

TFNMF＝ρ4+k4MSIF+ε4                    (17)*

式中，TFNMF为被解释变量，MSIF为解释变量，ρ4和k4为该模型的未知参数，其中，ρ4为回归常数，k4为偏回归系数，ε4为随机误差；对上式两边求期望得：*

E(TFNMF)＝ρ4+k4MSIF                    (18)该式即称为一元线性回归方程，使用最小二乘估计法对未知参数ρ4和k4进行估计，并使用统计量 作为该回归方程的拟合优度检验， 定义为：式中，SSR4和SST4分别表示回归平方和，离差平方和； 的取值范围为[0,1]，其值越接近1表示拟合效果越好，即肌肉‑组织肌氧的非线性功能耦合特征MSIF对肌间时频协同特性*

TFNMF的解释性越好。

7.根据权利要求1所述的基于肌电和肌氧信号的运动功能监测管理方法，其特征在于，所述步骤4中，i＝5时， 其求解过程具体为：*

当指标SFF为自变量，MSIF为因变量时回归分析的数学模型为：*

MSIF＝ρ5+k5SFF+ε5                     (20)*

式中，MSIF为被解释变量，SFF为解释变量，ρ5和k5为该模型的未知参数，其中，ρ5为回归常数，k5为偏回归系数，ε5为随机误差；对上式两边求期望得：*

E(MSIF)＝ρ5+k5SFF                      (21)该式即称为一元线性回归方程，使用最小二乘估计法对未知参数ρ5和k5进行估计，并使用统计量 作为该回归方程的拟合优度检验， 定义为：式中，SSR5和SST5分别表示回归平方和，离差平方和； 的取值范围为[0,1]，其值越接*

近1表示拟合效果越好，即肌氧频域特性SFF对肌肉‑组织肌氧的非线性功能耦合特征MSIF的解释性越好。

8.根据权利要求1所述的基于肌电和肌氧信号的运动功能监测管理方法，其特征在于，所述步骤4中，i＝6时， 其求解过程具体为：*

当指标MSIF为自变量，SFF为因变量时回归分析的数学模型为：*

SFF＝ρ6+k6MSIF+ε6                     (23)*

式中，SFF为被解释变量，MSIF为解释变量，ρ6和k6为该模型的未知参数，其中，ρ6为回归常数，k6为偏回归系数，ε6为随机误差；对上式两边求期望，可得：*

E(SFF)＝ρ6+k6MSIF                      (24)该式即称为一元线性回归方程，使用最小二乘估计法对未知参数ρ6和k6进行估计，并使用统计量 作为该回归方程的拟合优度检验， 定义为：式中，SSR6和SST6分别表示回归平方和，离差平方和； 的取值范围为[0,1]，其值越接*

近1表示拟合效果越好，即肌肉‑组织肌氧的非线性功能耦合特征MSIF对肌氧频域特性SFF的解释性越好。