肌肉疲劳是指在收缩过程中肌肉最大力量的暂时性下降,疲劳发生在神经或肌肉纤维细胞。营养的下降和代谢物的积累会导致肌纤维的疲劳,而肌肉活动时间的延长也会导致疲劳。提高对于肌肉疲劳状态的认识有助于制定合理的运动计划,避免过度运动造成肌肉损伤。目前的许多研究都是建立在主动做功使得肌肉疲劳再对肌电信号进行研究。而跑步机这一类固定运动负荷,被动运动导致肌肉疲劳的情况下的肌肉疲劳研究相对比较缺乏。而且肌肉主动做功导致疲劳与被动做功导致疲劳这两种情况下的肌电特征变化可能存在差异,所以本文从跑步机运动实验展开研究,并且肌电特征的提取不同于传统方法,本文中肌电特征基于单个步态周期,具体研究内容如下:1)研究了受试者在跑步机上运动时下肢肌肉肌电特征的变化,给出了基于步态周期的肌电特征在运动前后的动态变化规律。不同于传统肌电特征的提取,本文按照步态周期对肌电信号进行划分,再以单个步态周期内的肌电信号为单位,提取了肌电幅值（EMG Amplitude）、积分肌电值（iEMG）、中值频率（MF）、样本熵（Sample Entropy）这四个肌电特征进行对比分析。通过对比实验前后的肌电特征指标的差异,本研究发现了步行速度的实验中受试者的肌电特征变化不是十分明显。而在跑步运动实验后,下肢肌肉进入疲劳的状态,肌电幅值,积分肌电值以及样本熵这三个肌电特征有着明显的变化,大部分受试者的胫骨前肌（TA）和比目鱼肌（SOL）的肌电幅值以及积分肌电值都增加了,其中肌电积分值（i EMG）的变化更更大,样本熵则是在肌肉疲劳后出现减小的情况,而在本实验中中值频率的变化并不是特别明显。2)研究了基于步态周期的四种肌电特征在疲劳评估以及相关的数据分类中的可行性问题。结果表明这四种肌电特征在疲劳评估以及运动速度分类中具备有效性。本研究使用ELM,KELM,RELM三种算法对构建的肌电特征数据集进行运动速度分类和疲劳分类,得到了在对本文的肌电特征数据集进行分类时三种算法中KELM算法的分类效果最好的结论。首先是构建不同速度下肌电特征数据集,使用三种神经网络算法进行速度分类。由肌电幅值、肌电积分值、中值频率以及样本熵四种特征构成特征数据集,经研究发现三种算法中KELM在运动速度的分类问题中分类效果最佳,大部分受试者的数据集的KELM分类准确率都可以达到90%以上。在此基础上,再构建了运动实验刚开始的时候和运动实验结束前的肌电特征数据集,针对肌肉疲劳前后的肌电特征数据进行疲劳分类。根据数据分类准确率的对比结果,本研究发现在疲劳分类实验中KELM算法的分类效果最好,大部分受试者的数据集的平均分类准确率在70%以上。3)开发了基于Matlab GUI的步态肌电数据分析系统,将肌电信号和步态位置信号的预处理模块、信号划分模块、特征提取模块以及数据统计分析模块集成在一个软件平台中。本系统为初步处理肌电信号和肌电特征的简单统计分析提供了基础,能够为肌电信号相关的研究者们提供一定的帮助。