课程导入：学习目标、课程结构、肌电信号的定义与生物电基础、应用领域

肌电信号（Electromyography，EMG）是神经肌肉系统活动时产生的生物电信号，它既是神经科学研究的窗口，也是康复工程、人机交互和运动科学领域最核心的生理电信号之一。作为《肌电信号采集与处理入门》的开篇章节，我们将首先明确本课程的学习目标与整体结构，随后深入理解肌电信号的产生机制——从细胞膜电位到运动单元动作电位串，再到表面肌电信号的时空叠加过程。只有扎实掌握这些生物电基础，才能正确理解后续章节中电极选型、放大电路设计、滤波策略和特征提取方法的工程逻辑。本章还将系统梳理肌电信号在康复医学、人机交互、运动科学等领域的典型应用场景，帮助学习者建立“生理机制—采集技术—处理方法—应用落地”的完整知识框架。

学习目标与课程结构

本课程面向生物医学工程、康复医学、运动人体科学、电子工程及计算机科学等背景的学习者，旨在培养学员从零开始构建一套完整的肌电信号采集与处理系统的能力。课程采用“理论—仿真—硬件—应用”四层递进的教学模式，共分为30个章节，覆盖从细胞电生理基础到深度学习模式识别的全链路知识体系。

完成本课程后，学习者应达到以下核心目标：

• 理解肌电信号的产生机制：能够解释静息电位、动作电位、运动单元募集与放电率编码的基本原理，并说明表面肌电信号与针式肌电信号在时空特性上的差异。
• 掌握采集系统的硬件设计方法：能够根据应用场景选择合适的电极类型、设计信号调理电路（仪表放大器、滤波器、隔离电路），并正确设置模数转换器的采样率与分辨率。
• 熟练运用信号处理工具：掌握时域、频域、时频域特征提取方法，能够使用Python或MATLAB实现肌电信号的去噪、分割、特征计算与模式分类。
• 具备实际应用开发能力：能够针对康复假肢控制、手势识别、肌肉疲劳评估等典型场景，设计完整的信号采集与处理方案，并完成系统集成与性能验证。

课程结构分为四个模块：基础篇（第1-8章）聚焦生物电基础、电极-皮肤界面、放大滤波电路和模数转换；进阶篇（第9-18章）深入信号处理算法、特征工程和模式识别；应用篇（第19-25章）结合康复、人机交互、运动科学等领域的真实案例进行专题讲解；实战篇（第26-30章）则通过综合项目实践，帮助学员将所学知识融会贯通，完成从需求分析到系统落地的完整闭环。

肌电信号的定义与生物电基础

肌电信号是神经肌肉系统活动时产生的生物电信号的总称。从生理学角度看，骨骼肌纤维在接收到运动神经元传来的神经冲动后，会触发细胞膜上的离子通道开放，引起膜电位的变化，进而产生可被电极检测到的电场变化。这一过程涉及从微观离子流到宏观电场分布的多个尺度，理解其物理本质是设计采集系统的前提。

核心原理：从静息电位到动作电位

在静息状态下，肌纤维细胞膜内外的电位差约为-70mV至-90mV，这一电位差由钠钾泵维持的离子浓度梯度决定。当运动神经末梢释放乙酰胆碱，激活肌纤维膜上的受体后，钠离子通道开放，钠离子内流导致膜电位迅速上升至约+30mV，形成去极化；随后钾离子外流使膜电位恢复至静息水平，完成复极化。这一完整的电位变化过程称为动作电位（Action Potential, AP），其时程约为2-4ms，幅度约为100mV。

单个运动神经元及其支配的所有肌纤维构成一个运动单元（Motor Unit, MU）。当运动神经元发放一次神经冲动时，其支配的所有肌纤维几乎同步产生动作电位，这些电位在容积导体（肌肉组织、脂肪、皮肤）中传播并叠加，形成运动单元动作电位（MUAP）。持续收缩时，运动神经元以一定的频率重复发放冲动，产生运动单元动作电位串（MUAPT）。表面肌电信号（sEMG）正是大量运动单元动作电位串在皮肤表面时空叠加的结果。

判断方法：如何区分有效肌电信号与伪迹

在实际采集过程中，区分真实的肌电信号与各类干扰伪迹是保证数据质量的关键。以下是几种常见信号类型的判别要点：

信号类型	频率范围	幅度范围	形态特征
表面肌电信号（sEMG）	5-500 Hz（主要能量在20-150 Hz）	0.01-5 mV（峰值）	随机、非平稳、随收缩强度增大而幅度增大
心电伪迹（ECG）	0.05-100 Hz	0.1-2 mV	周期性、规律性出现，与心率同步
工频干扰（50/60 Hz）	50 Hz或60 Hz及其谐波	不定	正弦波形态，幅度稳定
运动伪迹	0-20 Hz	可达数十mV	低频、大幅值、与肢体运动相关
电极-皮肤接触噪声	0-10 Hz	不定	基线漂移、突发尖峰

在实际操作中，可以通过以下步骤快速判断信号质量：首先观察原始信号的基线是否稳定，若存在明显漂移则提示电极接触不良或皮肤阻抗过高；其次检查是否存在50Hz工频成分，可通过陷波滤波器或改善接地来抑制；最后进行主动收缩测试，若肌肉放松时信号幅度与收缩时差异不明显，则说明存在较大噪声或电极位置不当。

案例拆解：表面肌电信号采集中的典型问题

以下是一个来自康复医学领域的真实场景，用于说明生物电基础理论如何指导实际采集方案的制定。

背景与约束：某康复科需要为一位前臂截肢患者设计一套肌电假肢控制系统。患者残端保留有部分前臂屈肌和伸肌，但肌肉体积较小，皮下脂肪较薄。系统要求能够区分至少4种手势动作（握拳、伸掌、腕屈、腕伸），且响应延迟小于300ms。

初始现象与问题：初步使用双通道表面电极采集时，发现以下问题：①静息状态下信号基线波动明显，峰峰值达到0.3mV；②握拳动作时信号幅度仅0.8mV，与静息状态区分度不足；③腕屈和腕伸两个动作的信号形态高度相似，分类准确率仅62%。

分析过程：结合生物电基础理论，我们进行了以下排查：

1. 基线漂移分析：0.3mV的基线波动远超正常sEMG噪声水平（通常小于0.02mV），提示电极-皮肤接触阻抗过高或存在运动伪迹。使用阻抗计测量发现电极阻抗约200kΩ，远高于推荐的50kΩ以下。
2. 信号幅度分析：握拳动作时信号幅度偏低，可能原因是电极放置位置偏离肌肉肌腱区域，或者残端肌肉本身肌纤维数量有限，导致运动单元募集总量不足。
3. 动作区分度分析：腕屈与腕伸信号相似，可能是因为双通道电极均放置在屈肌群上方，未能覆盖伸肌群的活动。此外，残端肌肉存在协同收缩现象，导致两个动作的肌电模式重叠。

解决方案与实施：

• 重新进行皮肤准备：使用酒精擦拭去除角质层，涂抹导电膏，将电极阻抗降至20kΩ以下。
• 调整电极布局：采用4通道线阵电极，分别覆盖屈肌群、伸肌群、尺侧腕屈肌和桡侧腕伸肌，增加空间分辨率。
• 引入高密度电极技术：在条件允许的情况下，使用8通道柔性电极阵列，通过空间滤波提取更丰富的肌肉激活模式。
• 优化信号处理：采用20-450Hz带通滤波和自适应陷波器抑制工频干扰，并利用小波变换去除运动伪迹。

结果对比：经过上述调整后，静息基线波动降至0.05mV以下，握拳动作信号幅度提升至1.5mV，4种手势的分类准确率提升至91%。系统响应延迟约200ms，满足临床使用要求。

风险与代价：增加电极通道数会提高系统成本和计算复杂度；皮肤准备过程需要额外时间，可能影响患者舒适度；高密度电极的佩戴稳定性需要进一步验证。

复盘经验：肌电信号采集不是简单的“贴电极、读数据”，而是需要从生物电产生机制出发，综合考虑电极-皮肤界面、肌肉解剖结构、信号传播路径等多方面因素。对于残端肌肉萎缩的患者，尤其需要精细的电极定位和个性化的采集方案。

常见误区与总结

总结而言，肌电信号采集与处理是一个跨学科的综合性领域，需要将生理学知识与电子工程、信号处理技术有机结合。本章建立的生物电基础概念——从静息电位到运动单元募集，从容积导体传播到表面信号叠加——是后续所有章节的理论基石。学习者应重点掌握动作电位的产生机制、运动单元的募集规律以及表面肌电信号的时空叠加原理，这些知识将直接指导电极选型、放大电路设计和信号处理策略的制定。

应用领域：从实验室到临床与产业

肌电信号的应用横跨多个领域，不同场景对采集系统的要求差异显著。理解这些应用需求，有助于学习者根据目标场景选择合适的采集方案。

康复医学领域

在康复医学中，肌电信号的应用主要包括三个方面：神经肌肉功能评估、假肢与矫形器控制以及生物反馈治疗。在功能评估方面，通过分析sEMG的幅度和频谱特征，可以量化肌肉激活程度、评估肌肉疲劳状态、判断神经损伤后的恢复进程。例如，在脑卒中患者的康复训练中，治疗师通过监测患侧肌肉的sEMG激活时序，判断是否存在异常的协同收缩模式，从而调整训练方案。

假肢控制是肌电应用中最具挑战性的方向之一。现代多自由度肌电假肢通常使用2-8个表面电极通道，通过模式识别算法解码用户的运动意图。以德国Otto Bock公司的Michelangelo假手为例，其使用两个双通道电极分别采集前臂屈肌群和伸肌群的sEMG信号，通过线性判别分析（LDA）分类器识别6种手部动作。该系统在临床中实现了约95%的动作识别准确率，但对手臂残端肌肉条件较差的患者，准确率会显著下降。

人机交互领域

肌电信号作为一种无需语音和视觉的交互通道，在人机交互领域展现出独特优势。典型应用包括：手势识别（用于VR/AR环境中的自然交互）、肌电鼠标/键盘（为肢体障碍人士提供替代输入方式）、肌电控制的无人机/机器人（通过肌肉信号实现远程操控）。

以Meta（原Facebook）的肌电手环为例，其使用8个环形电极阵列采集前臂sEMG信号，通过深度学习模型识别微小的手指动作。该设备能够检测到仅由单个运动单元放电引起的微弱表面电位变化，实现了对拇指、食指、中指等独立动作的精细解码。这一案例表明，高密度电极阵列与先进信号处理算法的结合，正在将肌电交互推向新的高度。

运动科学领域

在运动科学中，sEMG被广泛用于肌肉激活时序分析、肌肉疲劳监测和运动技术优化。例如，在短跑技术分析中，研究人员通过同步采集股四头肌、腘绳肌和臀大肌的sEMG信号，分析各肌肉的激活顺序和持续时间，帮助运动员优化跑步姿势。在力量训练中，sEMG可用于评估不同动作变式对目标肌肉的刺激效果，指导训练计划设计。

肌肉疲劳监测是运动科学中的另一个重要应用。研究表明，随着肌肉疲劳的加剧，sEMG信号的频谱会向低频方向移动，中值频率（MDF）和平均功率频率（MPF）呈下降趋势。通过实时监测这些频域指标，可以客观评估肌肉疲劳程度，预防运动损伤。例如，在自行车运动研究中，通过监测股外侧肌的sEMG信号，当MDF下降超过初始值的15%时，提示运动员需要调整骑行节奏或休息。