EMG肌电信号测量与常用分析方法

肌电信号（EMG）是神经肌肉系统活动产生的生物电信号，其测量与分析在临床医学、运动科学、康复工程和人机交互等领域具有重要意义。本文将系统介绍EMG信号的测量方法、预处理技术和常用分析方法。

1. EMG信号测量方法

1.1 测量系统组成

一个完整的EMG测量系统通常包括：

电极：表面电极（sEMG）或针电极（iEMG）

信号放大器：增益通常1000-10000倍，输入阻抗>100MΩ

滤波器：带通滤波（10-500Hz）消除噪声

模数转换器：采样率≥1000Hz（满足Nyquist定理）

数据存储与分析单元

1.2 电极布置规范

双极配置：两个检测电极沿肌纤维方向放置，间距10-20mm

参考电极：置于电中性位置（如骨突处）

皮肤准备：

剃毛（降低阻抗）

酒精擦拭（去除角质层）

磨砂膏（进一步降低阻抗至<10kΩ）

1.3 测量注意事项

噪声来源：

电源干扰（50/60Hz工频噪声）

运动伪迹（电极与皮肤相对位移）

心电（ECG）串扰

解决方案：

使用差分放大和高共模抑制比（CMRR>80dB）放大器

屏蔽导线和接地处理

电极固定带减少移动

2. EMG信号预处理

2.1 滤波处理

2.2 信号增强

全波整流：将信号转换为单极性

线性包络检测：低通滤波（截止频率2-10Hz）提取信号轮廓

3. EMG信号分析方法

3.1 时域分析

适用于肌肉激活水平和模式识别：

振幅参数：

均方根（RMS）：反映信号功率

平均绝对值（MAV）：计算简单

时序参数：

激活时间（Onset Time）：肌肉开始激活时刻

积分肌电（iEMG）：反映肌肉总激活量

3.2 频域分析

用于评估肌肉疲劳和神经控制特性：

功率谱密度（PSD）：

快速傅里叶变换（FFT）或Welch法估计

频谱指标：

中位频率（MF）：功率谱50%分位点频率

平均功率频率（MPF）：

疲劳时表现为频谱左移（MF/MPF降低）

3.3 时频分析

适用于非平稳信号分析：

短时傅里叶变换（STFT）：

固定窗长（如256ms），计算局部频谱

小波变换（Wavelet）：

多分辨率分析，常用母小波：Daubechies、Morlet

3.4 高阶分析方法

非线性动力学：

样本熵（SampEn）：评估信号复杂度

李雅普诺夫指数：表征系统混沌特性

机器学习应用：

特征提取：时频域特征组合（>20个特征）

分类算法：SVM、随机森林用于动作识别

4. 典型应用场景

4.1 临床诊断

神经传导速度（NCV）测试：

刺激神经干，记录远端肌肉CMAP

计算传导速度：

运动单位分析：

针电极记录MUAP波形

参数：时限、振幅、多相波百分比

4.2 运动科学

肌肉协同分析：

非负矩阵分解（NMF）提取协同模式

疲劳评估：

MF下降率>10%/min提示显著疲劳

4.3 人机交互

手势识别：

4通道sEMG + LSTM网络（准确率>95%）

假肢控制：

实时提取RMS特征，控制多自由度假手

5. 前沿技术进展

高密度sEMG（HD-sEMG）：

二维电极阵列（如8×8）实现肌肉激活成像

深度学习端到端分析：

1D-CNN直接处理原始EMG信号

无线智能贴片：

集成滤波、特征提取和蓝牙传输（如MYO臂环）

6. 分析软件工具

总结

EMG信号分析是理解神经肌肉功能的核心手段，选择合适的方法需考虑：

研究目的：激活水平（时域）、疲劳（频域）、模式识别（机器学习）

信号质量：高噪声数据需加强预处理

实时性要求：在线控制需简化算法（如仅用RMS）

未来趋势将向多模态融合（EMG+IMU+EEG）和边缘智能（嵌入式AI分析）方向发展。