3、肌电信号特性：幅值范围、频率范围（典型0-500Hz）、信噪比、时变性与非线性
肌电信号（Electromyography，EMG）是神经肌肉系统活动时产生的生物电信号，其本质是运动单位动作电位（MUAP）在时间和空间上叠加的结果。无论是表面肌电（sEMG）还是针电极肌电（nEMG），其信号特性都直接决定了采集硬件的设计指标、信号调理链路的增益分配、滤波器的截止频率选择以及后续特征提取算法的适用边界。本章围绕幅值范围、频率范围、信噪比、时变性与非线性四个核心维度展开，帮助学习者建立对肌电信号“物理边界”和“统计行为”的系统认知，为后续的硬件选型与算法设计奠定基础。
3.1 幅值范围：从微伏到毫伏的微弱信号
3.1.1 核心原理：幅值取决于测量方式与肌肉状态
肌电信号的幅值范围是采集系统设计的第一约束条件。表面肌电（sEMG）通过皮肤表面电极记录，信号经过皮肤、脂肪、肌肉结缔组织等多层介质的衰减和滤波，典型峰峰值范围为 0.01~5 mV，均方根值（RMS）通常在 0.1~1.5 mV 之间。针电极肌电（nEMG）直接插入肌肉内部，记录的是单个运动单位的动作电位，幅值可达 0.1~10 mV，且波形更尖锐、频带更宽。幅值大小还受肌肉收缩强度影响：轻度收缩时仅少量运动单位放电，幅值较小；最大自主收缩（MVC）时大量运动单位同步放电，幅值达到峰值。
| 测量方式 | 幅值范围（峰峰值） | RMS 典型值 | 适用场景 |
|---|---|---|---|
| 表面肌电（sEMG） | 0.01~5 mV | 0.1~1.5 mV | 康复评估、人机交互、运动分析 |
| 针电极肌电（nEMG） | 0.1~10 mV | 0.5~5 mV | 临床神经肌肉疾病诊断 |
| 单纤维肌电（SFEMG） | 0.05~2 mV | — | 神经肌肉接头功能评估 |
3.1.2 判断方法与操作流程：确定增益与ADC量程
在实际采集系统设计中，幅值范围直接决定了前置放大器的增益设置和ADC的动态范围选择。操作流程如下：
- 估算最大输入幅值：以sEMG为例，取最大峰峰值5 mV作为设计上限，预留20%裕量，即最大输入约6 mV。
- 确定ADC参考电压：常见ADC参考电压为3.3 V或5 V，双极性输入时有效范围为正负参考电压。
- 计算所需增益：若ADC参考电压为±2.5 V，则所需增益 = 2.5 V / 6 mV ≈ 417倍。实际取整为500倍或1000倍，配合后级可调增益。
- 验证噪声底限：前置放大器输入噪声应小于1 μV（峰峰值），否则微弱信号将被噪声淹没。
3.1.3 案例拆解：前臂sEMG手势识别系统的增益设计
某课题组开发基于前臂8通道sEMG的手势识别系统，目标识别6种手势。初始设计时直接采用固定增益1000倍，发现部分受试者最大收缩时信号饱和，而轻度收缩时信号幅值仅20 mV（ADC量程±2.5 V），导致小信号量化精度不足。分析发现，不同受试者皮下脂肪厚度差异导致信号幅值差异可达5倍以上。解决方案：将增益改为两级结构，第一级固定20倍，第二级PGA设为20~100倍可调，并在每次佩戴后执行30秒自动增益校准流程。改进后，6种手势的平均识别准确率从82%提升至94%，且受试者间一致性显著改善。
3.1.4 常见误区与总结
- 误区一：增益越大越好。增益过大会导致信号饱和，丢失峰值信息；同时放大器噪声也被放大，信噪比反而下降。
- 误区二：忽略电极-皮肤接触阻抗的影响。接触阻抗过大会造成信号衰减和工频干扰增强，应通过皮肤准备和导电膏降低至10 kΩ以下。
- 误区三：所有肌肉的sEMG幅值相同。实际上，面部肌肉sEMG幅值较小（0.05~1 mV），而大腿股四头肌可达5 mV，设计时应针对目标肌肉调整增益。
3.2 频率范围：0~500Hz的能量分布与滤波设计
3.2.1 核心原理：频谱能量集中在低频段
肌电信号的频率范围是滤波器设计的核心依据。表面肌电信号的频谱能量主要集中在 0~500 Hz，其中大部分能量集中在 20~150 Hz 之间，峰值频率通常在50~80 Hz附近。针电极肌电的频带稍宽，可达10 Hz~2 kHz，但主要能量仍在500 Hz以下。值得注意的是，sEMG信号中还存在直流分量（DC）和极低频漂移（0~20 Hz），这主要来源于电极半电池电位、运动伪迹和皮肤拉伸，并非肌肉电活动的真实成分。
3.2.2 判断方法与操作流程：滤波器级联设计
基于频率特性，采集系统的滤波策略通常采用三级结构：
- 高通滤波（去除直流与运动伪迹）：一阶或二阶高通，截止频率设为5~20 Hz。若截止频率过高（如50 Hz），会损失低频肌肉信号成分，导致波形畸变。
- 低通滤波（抗混叠与去高频噪声）：截止频率设为500 Hz（sEMG）或1 kHz（nEMG）。若使用数字滤波，需在ADC前加模拟抗混叠滤波器，截止频率设为采样率的0.4倍以下。
- 陷波滤波（去除工频干扰）：50 Hz（中国/欧洲）或60 Hz（北美）陷波，品质因数Q值不宜过高（通常Q=1~2），避免过度损伤邻近频段的信号成分。
3.2.3 案例拆解：采样率与抗混叠滤波器的匹配
某运动康复项目需要采集膝关节周围4块肌肉的sEMG信号，用于步态分析。工程师最初选择采样率1 kHz，低通滤波截止频率500 Hz，理论上满足奈奎斯特定理。但实际采集时发现信号中存在明显的高频噪声（1~3 kHz），经排查发现是肌肉附近的运动单元放电产生的尖峰信号混叠到了低频段。解决方案：将采样率提升至2 kHz，并在ADC前增加二阶巴特沃斯低通滤波器（截止频率500 Hz，衰减斜率-40 dB/dec）。改进后，频谱中不再出现混叠伪迹，步态周期的肌电包络更加平滑，与运动学数据的相关性从0.71提升至0.89。
3.2.4 常见误区与总结
- 误区一：采样率越高越好。过高的采样率（如10 kHz）会增大数据量和功耗，但对sEMG并无额外信息增益，反而增加系统负担。
- 误区二：滤波器阶数越高越好。高阶滤波器虽然过渡带更陡，但会引入更大的相位延迟和群延迟失真，影响实时性要求高的应用（如假肢控制）。
- 误区三：忽略运动伪迹的频段。运动伪迹主要分布在0~20 Hz，若高通截止频率设置过低，伪迹会污染信号，导致幅值特征严重失真。
3.3 信噪比：微弱信号与强干扰的博弈
3.3.1 核心原理：信噪比决定信号可用性
信噪比（SNR）是衡量肌电信号质量的核心指标，定义为信号功率与噪声功率之比，通常以分贝（dB）表示。sEMG的典型SNR范围为 3~20 dB，远低于许多其他生理信号（如心电信号SNR可达30 dB以上）。这意味着肌电信号极易被噪声淹没，噪声来源主要包括：
- 工频干扰（50/60 Hz及其谐波）：是最主要的噪声源，幅值可达信号幅值的数倍。
- 运动伪迹：电极与皮肤相对位移产生的低频干扰，幅值可达毫伏级。
- 放大器固有噪声：包括热噪声、散粒噪声和1/f噪声，通常在微伏量级。
- 电磁干扰（EMI）：来自周围电子设备的射频干扰。
3.3.2 判断方法与操作流程：SNR评估与优化
SNR的评估和优化贯穿采集系统设计的全过程：
- 测量基线噪声：在肌肉完全放松状态下记录30秒信号，计算RMS值作为噪声底限。
- 测量最大收缩信号：进行MVC收缩，记录信号RMS值。
- 计算SNR：SNR(dB) = 20 × log10(信号RMS / 噪声RMS)。若SNR低于10 dB，需排查干扰源。
- 优化措施：依次检查电极接触阻抗、屏蔽线连接、右腿驱动电路、电源去耦、接地环路等。
3.3.3 案例拆解：工频干扰的排查与消除
某实验室搭建sEMG采集系统时，发现所有通道的SNR均低于5 dB，频谱中50 Hz及其谐波（100、150、200 Hz）幅值异常突出。排查过程：首先检查电极接触阻抗，发现受试者皮肤未充分清洁，阻抗高达50 kΩ（目标<10 kΩ）；其次检查屏蔽线，发现屏蔽层未单点接地，形成接地环路；最后检查电源，发现使用开关电源适配器，纹波较大。解决方案：① 用酒精棉球清洁皮肤并涂抹导电膏，阻抗降至5 kΩ；② 屏蔽层在放大器端单点接地；③ 改用线性电源供电，并在电源输出端增加π型LC滤波。改进后，SNR从4 dB提升至18 dB，频谱中工频谐波幅值降低80%以上。
3.3.4 常见误区与总结
- 误区一：只依赖软件滤波去除工频干扰。软件陷波虽然有效，但会损伤信号；应从硬件源头降低干扰。
- 误区二：忽略电极-皮肤接触阻抗的监测。接触阻抗是SNR的“隐形杀手”，应作为每次采集前的必检项。
- 误区三：认为SNR越高越好。对于sEMG，SNR达到15~20 dB已满足大多数应用需求，过度追求SNR可能意味着过度滤波，导致信号失真。
3.4 时变性与非线性：非平稳信号的挑战
3.4.1 核心原理：肌电信号不是平稳随机过程
肌电信号具有显著的 时变性（非平稳性） 和 非线性 特征。时变性体现在：① 肌肉收缩过程中，运动单位的募集数量和放电频率不断变化，导致信号统计特性随时间漂移；② 肌肉疲劳时，频谱向低频迁移（中值频率下降），幅值增大但传导速度减慢；③ 电极位置微移、出汗等外部因素也会引起信号变化。非线性体现在：① 肌肉力与sEMG幅值之间呈非线性关系（通常为指数或对数关系）；② 运动单位放电序列并非完全随机，存在一定的同步性和相关性；③ 信号通过皮肤、脂肪等非线性介质传播，产生谐波和互调失真。
3.4.2 判断方法与操作流程：非平稳性评估与应对
针对时变性和非线性，信号处理策略需要从“长时窗平稳假设”转向“短时窗准平稳假设”：
- 短时窗分析：将信号分割为20~200 ms的短时窗，在每个窗内近似认为信号平稳。窗长选择需权衡时间分辨率和频率分辨率。
- 时频分析：使用短时傅里叶变换（STFT）、小波变换或希尔伯特-黄变换（HHT）来追踪频谱随时间的变化。
- 自适应处理：采用自适应滤波器、卡尔曼滤波等方法，实时跟踪信号统计特性的变化。
- 疲劳监测：计算中值频率（MDF）或平均频率（MNF）的斜率，评估肌肉疲劳程度。
| 分析方法 | 适用场景 | 窗长/参数 | 优势 | 局限 |
|---|---|---|---|---|
| 短时傅里叶变换（STFT） | 稳态收缩、疲劳分析 | 窗长100~500 ms | 实现简单、物理意义明确 | 时间与频率分辨率受海森堡不确定性限制 |
| 小波变换（WT） | 动态收缩、瞬态信号 | 母小波：db4、sym5 | 多分辨率分析，适合非平稳信号 | 母小波选择影响结果，计算量较大 |
| 希尔伯特-黄变换（HHT） | 非线性、非平稳信号 | EMD分解层数自适应 | 完全自适应，无需基函数 | 端点效应、模态混叠问题 |
3.4.3 案例拆解：动态手势识别中的非平稳性处理
某智能假肢项目需要实时识别6种手腕动作，要求响应延迟小于100 ms。初始方案采用固定窗长200 ms的RMS特征+线性判别分析（LDA）分类器，静态手势识别准确率达95%。但切换到动态手势（如快速握拳-张开循环）时，准确率骤降至70%。分析发现，动态过程中信号统计特性在200 ms窗内变化剧烈，RMS特征无法捕捉瞬态变化。解决方案：① 将窗长缩短至50 ms，步长25 ms，提高时间分辨率；② 增加特征维度，加入波形长度（WL）和过零率（ZC）等时域特征；③ 采用滑动窗+集成学习（随机森林）替代LDA。改进后，动态手势识别准确率提升至91%，延迟控制在80 ms以内。
3.4.4 常见误区与总结
- 误区一：将肌电信号当作平稳信号处理。使用全局统计量（如整个收缩过程的平均RMS）会丢失重要的时变信息。
- 误区二：忽视肌肉疲劳对信号的影响。长时间采集时，疲劳导致频谱迁移和幅值变化，若不做校正，分类器性能会逐渐下降。
- 误区三：过度依赖复杂的非线性分析方法。HHT、样本熵等方法虽然强大，但计算复杂度高、参数敏感，在实时应用中需谨慎权衡。