器械式力量训练可有效提升训练者力量素质,已成为当代社会主流的健身方式之一。但是,由于缺乏专业指导,普通训练者在此类力量训练中容易训练不足或训练过度,导致训练效果不理想甚至引发肌肉损伤。肌肉疲劳是判断训练是否到位的核心指标,可指导训练者训练至合适的状态以有效避免上述问题。本文基于等速训练方式,深入研究肌肉运动性疲劳识别方法,结合运动训练学理论构建个性化等速力量训练模型,开发了个性化等速力量训练指导系统,并基于摆动液压阻尼研发了个性化等速训练设备。研究致力于为普通训练者提供了更具针对性、更安全高效的个性化力量训练指导方法及应用,具体内容如下:1.为获取可评价肌肉疲劳状态的主客观信息数据,以膝关节屈伸训练为例,开展了等速力量训练疲劳实验。实验中实时获取被试者的主观疲劳度等级(Rating of Perceived Exertion,RPE)、6块被测目标肌肉的表面肌电(Electromyography,s EMG)信号,以及其他训练信息:运动肌群的最大输出肌力矩等。其中,在多种速度训练中提取的肌群最大输出力矩变化数据,为设置个性化运动负荷提供数据基础。对RPE及s EMG信号进一步处理与统计分析,结果表明:(1)RPE随着运动时间进程逐渐增大,与训练时间成线性正相关;(2)除半膜肌(Semimembranosus,SE)外,从其他5块肌肉s EMG信号中提取的谱密度熵、小波包熵等非线性动力学指标与RPE呈显著线性负相关,可用于识别运动疲劳状态。2.进行了基于主客观疲劳信息的动态肌肉疲劳识别模型研究。利用实验中提取的可识别疲劳状态的s EMG特征指标,以传统的疲劳分类方法构建多分类支持向量机(Multi-Support Vector Machine,Multi-SVM)和多类线性判别(Multi-Linear Discriminant Analysis,Multi-LDA)两种疲劳识别模型。同时,基于深度学习理论,针对s EMG信号的时-空特性,采用卷积神经网络(Convolutional Neural Networks,CNN)对膝关节等速力量训练中目标肌肉的原始s EMG信号进行特征提取与分类,构建了基于CNN网络的运动疲劳识别模型。将以上三种运动疲劳识别模型进行比较,结果表明:基于实验数据样本,三种方法在疲劳分类时无明显时间差,但CNN运动疲劳识别模型准确率更高,可优先用于实时识别动态肌肉疲劳。3.根据训练者在力量训练中“绝对力量”、“速度力量”、“耐力力量”等不同力量素质的提升需求,基于运动生理学的力量训练理论指导,结合CNN动态肌肉疲劳识别模型,构建以训练目标、肌肉初始疲劳状态及肌肉疲劳指数为输入,运动负荷、运动速度、运动组数及运动时间为输出的个性化等速训练实时指导监督模型。此后,搭建可扩展的个性化力量训练组成框架,设计个性化服务流程,并基于Android开发环境开发了个性化等速力量训练指导系统。4.基于摆动液压阻尼的基本原理,设计并构建了阻尼输出的核心装置。结合个性化等速力量训练指导系统,针对等速训练中大范围肌力输出、肌力快速变化、个性化多负荷调节等需求,开发了新型等速控制策略。此后,根据中国成年人人体尺寸,以膝关节屈伸训练及肩关节旋转训练为例,对应设计等速膝关节训练器及等速旋肩训练器,并制作样机。最后,分别构建力量训练评价实验,对比等速膝关节训练器与现有膝关节等速训练设备的训练效果,对比等速旋肩训练器与现有旋肩训练设备的训练科学性,从多维度验证了个性化等速力量训练指导模型及新型等速设备的可行性,为进一步拓展全身关节肌肉等速力量训练奠定基础。