第一章 课程导入：学习目标、课程结构、EMG信号的定义与生物电基础、应用领域概览

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的重要技术基础。本章作为整个《EMG肌电信号采集与处理》课程的开篇，将首先明确课程的学习目标与整体结构，随后深入剖析EMG信号的生物电学本质——从静息电位到动作电位，从运动单位到运动单位动作电位序列，帮助学习者建立从离子通道到宏观肌肉收缩的完整认知链条。最后，我们将通过应用领域概览，展示EMG技术在临床诊断、假肢控制、人机交互、运动分析等场景中的实际价值，为后续章节的硬件设计、信号调理、算法处理等内容奠定坚实的知识框架。

1.1 学习目标与课程结构

本课程面向生物医学工程、康复工程、电子工程及运动科学等领域的学习者，旨在系统性地建立从生物电信号产生机制到工程化采集处理的全链路知识体系。课程共分为三十个章节，按照"基础理论→硬件设计→算法处理→系统应用"四个阶段递进展开。第一阶段（第1-6章）聚焦生物电基础与EMG信号特性，包括神经肌肉解剖生理、动作电位产生机制、EMG信号模型与噪声来源分析；第二阶段（第7-14章）深入采集硬件设计，涵盖电极技术、仪表放大器选型、滤波电路设计、ADC采样策略以及PCB布局要点；第三阶段（第15-24章）重点讲解信号处理算法，包括时域/频域特征提取、小波变换、时频分析、模式识别分类器设计以及实时处理优化；第四阶段（第25-30章）则面向典型应用场景，如表面EMG的假肢控制、康复评估、人机交互接口以及运动生物力学分析。

完成本课程后，学习者应达到以下核心能力目标：第一，能够从生物电学角度解释EMG信号的产生机制与传播特性，理解运动单位募集与放电模式对信号形态的影响；第二，掌握表面EMG与针式EMG采集系统的硬件设计方法，能够独立完成从电极选型、信号调理到数据采集的完整链路搭建；第三，熟练运用MATLAB/Python等工具实现EMG信号的预处理、特征提取与模式识别，并具备算法性能评估与优化的能力；第四，能够针对具体应用场景（如假肢控制、肌肉疲劳评估）设计合理的信号采集与处理方案，理解工程约束与临床需求之间的平衡。

课程阶段	章节范围	核心内容	能力目标
基础理论	第1-6章	生物电基础、EMG信号模型、噪声分析	理解信号产生机制与特性
硬件设计	第7-14章	电极技术、放大滤波、ADC采样、PCB设计	独立搭建采集硬件链路
算法处理	第15-24章	特征提取、模式识别、实时处理	实现信号处理与分类算法
系统应用	第25-30章	假肢控制、康复评估、人机交互	设计应用级EMG系统

1.2 EMG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电生理信号的统称。从生物电学角度看，EMG信号的源头可追溯至运动神经元（Motor Neuron）的放电活动。当大脑运动皮层发出运动指令后，该指令经皮质脊髓束下行至脊髓前角的α运动神经元，当神经元胞体的兴奋性突触后电位总和达到阈值时，便会触发一次动作电位（Action Potential, AP）。该动作电位沿运动神经元轴突传导至神经肌肉接头（Neuromuscular Junction, NMJ），通过乙酰胆碱介导的化学突触传递，在肌纤维膜上诱发终板电位（Endplate Potential），进而触发肌纤维的动作电位。这一系列电生理过程构成了EMG信号产生的完整链条。

理解EMG信号的关键在于"运动单位"（Motor Unit, MU）这一概念。一个运动单位由一个α运动神经元及其支配的全部肌纤维组成，是肌肉收缩的最小功能单元。当运动神经元放电时，其支配的所有肌纤维几乎同步兴奋，在检测电极处形成的电场叠加，产生一个可观测的电位波形，称为运动单位动作电位（Motor Unit Action Potential, MUAP）。在肌肉收缩过程中，多个运动单位按照大小原则（Henneman's Size Principle）依次募集，每个运动单位以一定的频率重复放电，形成运动单位动作电位序列（Motor Unit Action Potential Train, MUAPT）。表面EMG信号正是大量MUAPT在皮肤表面经容积导体效应叠加后的综合结果。

容积导体效应（Volume Conduction Effect）是理解EMG信号空间特性的核心概念。肌肉组织、脂肪层和皮肤构成一个三维容积导体，肌纤维产生的电场在通过不同组织层时会发生衰减、低通滤波和空间弥散。这意味着：距离活动肌纤维越远的电极，检测到的信号幅值越小、高频成分衰减越严重、波形也越平滑。这一效应直接决定了表面EMG的空间分辨率——通常表面电极只能检测到其下方约1-2 cm范围内的肌肉电活动，且无法精确区分深层肌肉的单独活动。因此，在采集表面EMG时，电极的贴放位置、肌肉的选择以及皮下脂肪厚度都会显著影响信号质量。

为了更直观地理解EMG信号的产生与传播过程，我们可以通过一个简化的场景来说明：想象在肱二头肌表面放置一对Ag/AgCl电极，当受试者逐渐增加屈肘力量时，初始阶段只有少量小运动单位被募集，此时检测到的EMG信号幅值较低、放电频率较慢；随着力量增大，越来越多的运动单位被募集，且放电频率同步提高，信号幅值增大、波形变得密集。当肌肉接近最大自主收缩（MVC）时，大量运动单位以20-50 Hz的频率放电，表面EMG信号呈现典型的"干涉型"波形，幅值可达数毫伏。这一过程体现了运动单位募集与放电率编码（Rate Coding）两种机制在肌肉力量调控中的协同作用。

1.3 应用领域概览

EMG技术的应用横跨临床医学、康复工程、人机交互与运动科学等多个领域，每个领域对信号采集与处理的要求各有侧重。在临床神经肌肉疾病诊断中，针式EMG是金标准手段，通过分析插入活动、自发电位、MUAP形态以及募集模式，可辅助诊断肌病、神经源性损害、运动神经元病等。例如，在肌萎缩侧索硬化症（ALS）的诊断中，针式EMG可发现广泛存在的纤颤电位和束颤电位，结合神经传导速度检查，为临床提供客观的电生理证据。这类应用对信号保真度要求极高，需要低噪声放大器（噪声<1 μV RMS）和高共模抑制比（CMRR>100 dB），且通常需要配合专业的神经电生理检查系统。

在康复工程领域，表面EMG驱动的假肢控制是最具代表性的应用之一。通过采集残肢残端肌肉的表面EMG信号，提取时域特征（如MAV、RMS）或频域特征，利用模式识别算法识别不同的运动意图（如握拳、伸腕、旋前），进而控制电动假肢执行相应动作。现代多通道假肢系统通常使用8-16个表面电极，配合机器学习分类器，可实现多种手势的准确识别。这一应用对系统的实时性要求较高，通常要求从信号采集到动作输出延迟小于300 ms，且需具备良好的抗干扰能力和长期稳定性。值得注意的是，电极移位、汗液、肌肉疲劳等因素都会导致信号特征漂移，因此自适应算法和鲁棒性设计是工程实现的关键挑战。

人机交互是EMG技术近年来快速发展的新兴方向。基于表面EMG的手势识别腕带（如Myo臂环）已广泛应用于VR/AR交互、智能手表控制、手语翻译等场景。这类消费级应用通常采用低功耗设计，使用干电极或织物电极，通过蓝牙将处理后的特征数据传输至终端设备。与医疗级应用不同，消费级产品更注重佩戴舒适性、功耗控制和成本优化，对信号精度要求相对宽松，但对长期使用的一致性和抗运动伪迹能力有较高要求。例如，在跑步时使用EMG腕带控制音乐播放，需要算法能够区分真实的肌肉收缩信号与手臂摆动产生的运动伪迹。

运动科学领域利用表面EMG分析肌肉激活时序、协调模式和疲劳程度。例如，在举重训练中，通过同步采集多块肌肉的EMG信号，可以分析杠铃上举过程中三角肌、肱三头肌和斜方肌的激活顺序与强度，帮助教练优化动作技术、预防损伤。在康复评估中，EMG生物反馈治疗被用于帮助脑卒中患者重新学习肌肉控制——患者通过观察自己肌肉的EMG信号变化，有意识地调节肌肉激活水平，从而促进神经功能重建。这类应用通常需要结合视频同步、测力台等设备，进行多模态数据融合分析。

应用领域	电极类型	关键指标	典型挑战
临床诊断	针式电极	噪声<1 μV，CMRR>100 dB	信号微弱、干扰复杂
假肢控制	表面电极	实时性<300 ms，准确率>90%	电极移位、信号漂移
人机交互	干电极/织物电极	低功耗、佩戴舒适	运动伪迹、长期一致性
运动分析	表面电极	多通道同步、抗运动干扰	动态噪声、肌肉串扰