EMG肌电信号测量与常用分析方法

EMG（肌电图）是一种测量肌肉电活动的技术，它可以帮助了解肌肉的活动模式、力量、疲劳程度以及神经-肌肉传递等信息。

1 常见肌电图测量方法

• 电极安装：

表面电极安装：常见表面电极是贴在皮肤表面的，常用于非侵入性的肌电信号记录。

在安装表面电极时，需要确保电极与皮肤接触良好，并且电极之间的距离适当，以便捕获肌肉电活动。

针电极安装：针电极是直接穿刺到肌肉内部的，通常用于需要更高精度和更深度的信号记录。

在使用针电极时，需要进行消毒，并确保电极的插入位置准确以及深度适当，以避免不必要的伤害。

（针电极需刺入肌肉进行记录，它的精确度较表面电极来说更好，能获得更深的信号，抗干扰能力更强。但也存在一些局限性，如较高的技术要求、较高的成本以及潜在的不适感和创伤。）

• 信号放大和滤波：

放大：肌电信号通常非常微弱，因此在进行放大时需要注意避免引入过多的噪音。

合适的放大倍数应该使得信号的振幅在采集和处理过程中保持在有效范围内，既能够充分显示信号的特征，又能够避免信号过度放大而导致饱和或失真。

放大器的选择应该考虑到信号频率范围、动态范围、噪声水平等因素。通常情况下，放大倍数在100至1000倍之间是比较常见的范围。

但是，具体的放大倍数需要根据实际情况进行调整和优化。在实验中，可以通过先进行一些试验性的测量来确定最适合的放大倍数，然后进行调整和优化。

低噪声放大器和差分放大器等技术可用于提高信号质量。

滤波：肌电信号可能受到来自环境电磁干扰、肌肉运动以外的生物信号等的干扰，因此需要进行滤波处理以去除这些干扰。

常用的滤波器包括：高通滤波器：用于去除低频噪音和运动伪影。低频噪音可以是来自电源线的干扰、呼吸运动或机械振动等，这些噪音可能掩盖肌电信号的有用信息。通过设置合适的截止频率，高通滤波器可以有效地去除这些低频噪音。低通滤波器：用于去除高频噪音。高频噪音可能来自电极接触不良、电源噪声、肌肉振动或电磁干扰等。

通过设置合适的截止频率，低通滤波器可以有效地去除这些高频噪音，使得信号更清晰稳定。

• [1]采样率：

采样率是指在单位时间内对信号进行采样的次数，通常以赫兹（Hz）表示。采样率需要足够高，以捕获肌肉电活动的细微变化，同时还要考虑到数据存储和处理的成本。

根据Nyquist-Shannon 采样定理，采样率应至少是信号最高频率的两倍，以避免混叠失真。

对于肌电信号，一般建议采样率在1000 Hz以上，以确保足够的信号信息被捕获。

2 常见肌电分析方法

• 信号分析：
• [2]时间域分析：

幅值：观察肌电信号的振幅变化可以反映肌肉的活动强度。时域参数：如肌电图的持续时间、峰值时刻、振荡周期等，可以揭示肌肉活动的模式和特征，如收缩和放松的持续时间，肌肉收缩的速度等。

• [3]频域分析：

傅立叶变换等技术可将信号从时域转换到频域，用于分析信号的频率成分和能量分布。频域分析可以用于识别不同频率范围内的肌电活动，例如识别肌肉疲劳过程中低频成分的增加。

• [4]脉冲特性分析：

识别和分析肌电信号中的肌电冲动，包括冲动的幅值、持续时间、间隔等，可以帮助了解肌肉收缩的特征和模式，以及神经-肌肉传导的情况。

• [5]时-频域分析：

使用小波变换等方法将信号分解为时频域上的成分，可以更好地理解肌肉活动的时序特性，如肌肉活动的开始和结束时间、频率随时间的变化等。

• 特定应用的分析方法：
• [6]运动生物力学：

结合肌电和运动学数据及或其他生物力学数据（如力量、速度、加速度等）结合起来，可以对肌肉活动和关节运动进行综合分析，以评估姿势、力量和运动负荷，从而优化运动技能和训练方案。

• [7]疲劳评估：

通过跟踪肌电信号的变化，包括频谱特性的变化和肌电冲动的变化等，可以评估肌肉疲劳程度和恢复状态。

• [8]运动控制：

将肌电信号与相关的动作进行关联，以开发和改进运动控制策略，例如用于肌电控制的假肢、外骨骼或运动康复设备。

• [9]模式识别和机器学习方法：

使用支持向量机、神经网络等模式识别和机器学习技术，可以对复杂的肌电数据进行分类、识别和预测，从而实现肌肉活动的自动识别和控制，如手势识别、运动意图识别等。

在进行 EMG 分析时，要考虑到信号的噪音来源、肌肉电活动的解释、采样和分析方法的选择等因素，以确保得到准确和可靠的结果。另外，还可以考虑以下方面：

• [10]空间域分析：

对于多通道 EMG 数据，可以进行空间域分析以研究不同肌肉之间的协调和相互作用。例如，可以计算不同肌肉之间的相关性或协同活动。

• [11]实时监测和反馈：

结合实时信号处理技术，对采集到的 EMG 数据进行实时监测和反馈，可以用于运动训练、康复治疗以及肌肉活动的实时控制。

• [12]跨学科整合：

将 EMG 数据与其他生理学、医学、工程学等领域的数据进行整合和分析，可以开发出更综合和全面的研究方法，从而更好地理解和应用肌肉电活动信息。

在选择合适的分析方法时，需要考虑研究或应用的具体目的、所需的精度和灵敏度、数据采集条件等因素。同时，还需要注意信号处理过程中可能引入的误差和偏差，以及如何有效地处理和校正这些问题。综合利用多种分析方法，并不断改进和优化分析流程，可以更好地发挥 EMG 技术在生理学、医学和工程学等领域的应用潜力。

参考文献

• [1]Christian Larivière，Alain Delisle，André Plamondon, et al（2005）The effect of sampling frequency on EMG measures of occupational mechanical exposure
• [2]Francesco Di Nardo，Marco Romanato, et al（2023）Simplified Muscle-Recruitment Strategy During Walking in Parkinson's Disease People: A Time-Frequency Analysis of EMG Signal
• [3]Daniel R. Rogers，Dawn T. MacIsaac，et al（2011）EMG-based muscle fatigue assessment during dynamic contractions using principal component analysis
• [4]Luis E. Carelli，Luiz E. Almeida，et al（2022）Correlation Between Single-Pulse and Pulse-Train Stimulation During Neuromonitoring of Thoracic Pedicle Screws in Scoliosis Surgery
• [5]D. Borzelli，M. Morano，et al（2023）Co-activation in time-frequency domain among EMG signals from several muscles during walking
• [6]Antanas Verikas,James Parker,et al（2017）Exploring relations between EMG and biomechanical data recorded during a golf swing
• [7]A. Tabasi，N. P. Brouwer，et al（2023）The effect of back muscle fatigue on EMG and kinematics based estimation of low-back loads and active moments during manual lifting tasks
• [8]Yazan Ali Jarrah,Mojisola Grace Asogbon,et al（2023）High-density surface EMG signal quality enhancement via optimized filtering technique for amputees’ motion intent characterization towards intuitive prostheses control
• [9]Tanin Boka，Arshia Eskandari，Mahkame Sharbatdar，et al（2023）Using machine learning algorithms for grasp strength recognition in rehabilitation planning
• [10]Xinjun Sheng,Bo Lv,Xiangyang Zhu,et al（2019）Common spatial-spectral analysis of EMG signals for multiday and multiuser myoelectric interface
• [11]Ben Nicholls,Chee Siang Ang,Athanasios Tsanas,et al（2022）An EMG-based Eating Behaviour Monitoring system with haptic feedback to promote mindful eating
• [12]Tie Zhang，Hanlei Sun，Yanbiao Zou, et al（2022）An electromyography signals-based human-robot collaboration system for human motion intention recognition and realization