肌電信號（EMG）是神經肌肉系統活動產生的生物電信號，其測量與分析在臨床醫學、運動科學、康復工程和人機交互等領域具有重要意義。

肌電信號（EMG）是神經肌肉系統活動產生的生物電信號，其測量與分析在臨床醫學、運動科學、康復工程和人機交互等領域具有重要意義。本文將系統介紹EMG信號的測量方法、預處理技術和常用分析方法。

1. EMG信號測量方法

1.1 測量系統組成

一個完整的EMG測量系統通常包括：

電極：表面電極（sEMG）或針電極（iEMG）

信號放大器：增益通常1000-10000倍，輸入阻抗>100MΩ

濾波器：帶通濾波（10-500Hz）消除噪聲

模數轉換器：采樣率≥1000Hz（滿足Nyquist定理）

數據存儲與分析單元

1.2 電極布置規范

雙極配置：兩個檢測電極沿肌纖維方向放置，間距10-20mm

參考電極：置于電中性位置（如骨突處）

皮膚準備：

剃毛（降低阻抗）

酒精擦拭（去除角質層）

磨砂膏（進一步降低阻抗至<10kΩ）

1.3 測量注意事項

噪聲來源：

電源干擾（50/60Hz工頻噪聲）

運動偽跡（電極與皮膚相對位移）

心電（ECG）串擾

解決方案：

使用差分放大和高共模抑制比（CMRR>80dB）放大器

屏蔽導線和接地處理

電極固定帶減少移動

2. EMG信號預處理

2.1 濾波處理

2.2 信號增強

全波整流：將信號轉換為單極性

線性包絡檢測：低通濾波（截止頻率2-10Hz）提取信號輪廓

3. EMG信號分析方法

3.1 時域分析

適用于肌肉激活水平和模式識別：

振幅參數：

均方根（RMS）：反映信號功率

平均絕對值（MAV）：計算簡單

時序參數：

激活時間（Onset Time）：肌肉開始激活時刻

積分肌電（iEMG）：反映肌肉總激活量

3.2 頻域分析

用于評估肌肉疲勞和神經控制特性：

功率譜密度（PSD）：

快速傅里葉變換（FFT）或Welch法估計

頻譜指標：

中位頻率（MF）：功率譜50%分位點頻率

平均功率頻率（MPF）：

疲勞時表現為頻譜左移（MF/MPF降低）

3.3 時頻分析

適用于非平穩信號分析：

短時傅里葉變換（STFT）：

固定窗長（如256ms），計算局部頻譜

小波變換（Wavelet）：

多分辨率分析，常用母小波：Daubechies、Morlet

3.4 高階分析方法

非線性動力學：

樣本熵（SampEn）：評估信號復雜度

李雅普諾夫指數：表征系統混沌特性

機器學習應用：

特征提取：時頻域特征組合（>20個特征）

分類算法：SVM、隨機森林用于動作識別

4. 典型應用場景

4.1 臨床診斷

神經傳導速度（NCV）測試：

刺激神經干，記錄遠端肌肉CMAP

計算傳導速度：

運動單位分析：

針電極記錄MUAP波形

參數：時限、振幅、多相波百分比

4.2 運動科學

肌肉協同分析：

非負矩陣分解（NMF）提取協同模式

疲勞評估：

MF下降率>10%/min提示顯著疲勞

4.3 人機交互

手勢識別：

4通道sEMG + LSTM網絡（準確率>95%）

假肢控制：

實時提取RMS特征，控制多自由度假手

5. 前沿技術進展

高密度sEMG（HD-sEMG）：

二維電極陣列（如8×8）實現肌肉激活成像

深度學習端到端分析：

1D-CNN直接處理原始EMG信號

無線智能貼片：

集成濾波、特征提取和藍牙傳輸（如MYO臂環）

6. 分析軟件工具

總結

EMG信號分析是理解神經肌肉功能的核心手段，選擇合適的方法需考慮：

研究目的：激活水平（時域）、疲勞（頻域）、模式識別（機器學習）

信號質量：高噪聲數據需加強預處理

實時性要求：在線控制需簡化算法（如僅用RMS）

未來趨勢將向多模態融合（EMG+IMU+EEG）和邊緣智能（嵌入式AI分析）方向發展。