EMG信号分析实战指南：从原始数据到可解释特征

1. EMG信号分析入门：从肌肉电活动到数字信号

想象一下，当你弯曲手臂时，肱二头肌会微微隆起。这个看似简单的动作背后，其实是成千上万的肌纤维在同步放电产生的电信号。这就是我们要处理的肌电图（EMG）信号——记录肌肉电活动的生物电信号。

我第一次接触EMG信号是在研究生实验室，当时看到屏幕上那些杂乱无章的波形完全摸不着头脑。经过多年实践才明白，原始EMG信号就像未经加工的矿石，需要经过一系列处理才能揭示其真正价值。典型的EMG信号处理流程包括：

1. 信号采集：通过表面电极或针电极获取原始信号
2. 预处理：去除噪声和干扰
3. 特征提取：获取有意义的生理指标
4. 分析应用：用于运动分析、康复评估或假肢控制

在生物医学工程领域，EMG信号分析是理解神经肌肉系统的重要窗口。比如在运动科学研究中，通过比较不同肌肉的激活时序和强度，可以分析运动模式异常；在康复医学中，EMG信号可用于评估中风患者的恢复进度；而在人机交互领域，EMG更是控制智能假肢的核心输入信号。

2. 搭建EMG分析环境：工具链准备

2.1 Python生态下的EMG处理利器

工欲善其事，必先利其器。经过多次项目实践，我强烈推荐使用Python生态中的pyemgpipeline库来处理EMG信号。这个专为生物电信号设计的工具包封装了完整的处理流程，特别适合科研场景。

安装过程非常简单：

bash复制pip install numpy matplotlib scipy
pip install pyemgpipeline

但要注意几个关键依赖的版本兼容性：

• NumPy ≥ 1.20 (用于高效的数组运算)
• SciPy ≥ 1.7 (提供信号处理核心算法)
• Matplotlib ≥ 3.4 (可视化必备)

2.2 数据准备与加载技巧

实验中我们使用UCI下肢肌电数据集，这是公开可用的标准数据集。实际项目中可能遇到各种数据格式，这里分享几个数据加载的实用技巧：

python复制import os
import numpy as np
from pyemgpipeline import wrappers

def load_emg_data(filepath):
    """处理带描述头的TXT数据文件"""
    with open(filepath) as f:
        lines = [line.strip() for line in f if line.strip()]
    
    # 跳过前7行描述信息
    data = np.array([[float(x) for x in line.split('\t')[:4]] 
                    for line in lines[7:] if len(line.split('\t')) >=4])
    return data

# 初始化测量对象
emg_data = load_emg_data('uci_lower_limb/A_TXT/3Asen.txt')
measurement = wrappers.EMGMeasurement(
    data=emg_data,
    hz=1000,  # 采样率
    channel_names=['股直肌', '股二头肌', '股内侧肌', '半腱肌'],
    trial_name='坐姿测试'
)

特别提醒：不同采集设备的信号极性可能不同，建议先用已知动作测试确认信号方向一致性。

3. EMG信号预处理：从噪声中提取真实信号

3.1 消除DC偏置：信号校准第一步

原始EMG信号通常包含直流偏移（DC offset），这是由电极-皮肤界面产生的恒定电压分量。在实验室环境中，我曾遇到过高达±500mV的偏移，会严重影响后续分析。

pyemgpipeline提供了便捷的DC去除方法：

python复制measurement.apply_dc_offset_remover()

原理上，这个操作相当于计算每个通道信号的均值，然后减去该均值。看似简单，但要注意：

• 对于长时间记录，建议分段计算DC偏移
• 运动过程中电极移位可能导致偏移变化，需要特殊处理

3.2 带通滤波：提取有效频段

肌电信号的有效成分主要集中在10-450Hz之间。低于10Hz的可能是运动伪迹，高于450Hz的可能是高频噪声。设置合适的带通滤波器非常关键：

python复制measurement.apply_bandpass_filter(
    bf_order=4,          # 滤波器阶数
    bf_cutoff_fq_lo=10,  # 低截止频率(Hz)
    bf_cutoff_fq_hi=450  # 高截止频率(Hz)
)

滤波器设计有几个经验值：

• 下肢肌肉：通常用20-450Hz
• 精细肌群：可提高到30-500Hz
• 滤波器阶数越高，过渡带越陡峭，但相位失真也越严重

4. 信号整流与包络提取：揭示肌肉激活模式

4.1 全波整流：处理双向信号

EMG信号是交流信号，均值为零。为了分析肌肉激活强度，需要进行整流处理：

python复制measurement.apply_full_wave_rectifier()

全波整流将所有负值转为正值，保留原始信号的幅值信息。与之对比的半波整流会丢失负半周信息，在EMG分析中很少使用。

4.2 线性包络：平滑噪声获取趋势

整流后的信号仍然包含大量高频波动，需要通过低通滤波提取包络：

python复制measurement.apply_linear_envelope(
    le_order=4,       # 滤波器阶数
    le_cutoff_fq=6    # 截止频率(Hz)
)

这个步骤模拟了肌肉的力学响应特性（约50ms的时间常数）。参数选择要注意：

• 截止频率通常设为3-10Hz
• 过高会导致残留噪声
• 过低会丢失快速激活信息

5. 幅度归一化与数据分析

5.1 MVC归一化：跨被试比较的关键

不同人的EMG信号幅度差异很大，甚至同一人在不同时段也有变化。最大自主收缩（MVC）归一化是解决这个问题的标准方法：

python复制max_amplitude = [0.043, 0.069, 0.364, 0.068]  # 各通道MVC值
measurement.apply_amplitude_normalizer(max_amplitude)

获取MVC值的标准流程：

1. 让受试者进行目标肌肉的最大等长收缩
2. 记录3-5次，每次持续3-5秒
3. 取中间稳定的1秒窗口计算RMS值

5.2 数据分段与特征提取

实际分析通常关注特定动作时段。例如提取坐姿测试中20.5-29.5秒的数据：

python复制measurement.apply_segmenter(start=20.5, end=29.5)

常用时域特征包括：

• 均方根（RMS）：反映信号强度
• 平均绝对值（MAV）：简单强度指标
• 过零率（ZC）：粗略评估频率特性

计算RMS的示例：

python复制def calculate_rms(signal):
    return np.sqrt(np.mean(signal**2))

rms_values = [calculate_rms(channel) for channel in measurement.data.T]

6. 结果可视化与报告生成

6.1 专业级EMG绘图技巧

pyemgpipeline内置了专业的绘图功能，但有时需要自定义样式：

python复制import matplotlib.pyplot as plt

fig, axes = plt.subplots(4, 1, figsize=(10, 8), sharex=True)
for i, (ax, channel) in enumerate(zip(axes, measurement.data.T)):
    ax.plot(measurement.timestamp, channel, 'b', linewidth=0.8)
    ax.set_ylabel(f'{measurement.channel_names[i]}\n(mV)', rotation=0, ha='right')
    ax.grid(True, linestyle=':')
    
axes[-1].set_xlabel('时间(s)')
plt.tight_layout()
plt.show()

6.2 数据导出与报告撰写

处理后的数据可以导出为CSV供其他分析工具使用：

python复制measurement.export_csv('processed_emg.csv', 
                      include_timestamp=True,
                      include_channel_names=True)

完整的分析报告应包含：

1. 原始信号与各处理阶段的对比图
2. 关键参数表（滤波设置、MVC值等）
3. 各肌肉激活时序和强度分析
4. 可能的生理学解释

在最近的一个步态分析项目中，通过这种标准化流程，我们成功识别出了受试者股内侧肌的异常激活模式，为康复方案提供了量化依据。EMG分析看似复杂，但只要遵循科学的处理流程，就能从噪声中提取出有价值的生理信息。