4、实验设计：受试者招募与伦理审批、实验范式设计、数据采集协议与流程

好，咱们进入实验设计环节。说实话，这一章是整个肌电协同研究的「地基」。地基没打好，后面算法再漂亮也是白搭。我见过太多同学，上来就调模型，结果数据一塌糊涂——电极贴歪了、动作没对齐、受试者中途放弃了……最后只能重做。

所以，咱们一步步来。从受试者怎么找，到实验怎么做，再到数据怎么存，我把我踩过的坑都告诉你。

4.1 受试者招募与伦理审批

先聊伦理审批。很多人觉得这是走形式，其实不是。伦理委员会要看你有没有保护受试者。我建议你提前准备三样东西：

• 知情同意书：写清楚实验目的、流程、风险、数据用途。别用太学术的语言，受试者得看懂。
• 受试者筛选标准：比如年龄范围、是否有神经肌肉疾病、皮肤是否过敏等。
• 数据隐私保护方案：数据怎么脱敏、谁有权访问、实验后怎么销毁。

受试者招募这块，我个人的习惯是：

• 健康受试者：10-20 人足够做 pilot study。如果做机器学习，建议 20 人以上。
• 患者群体：这个比较难。我建议先联系临床合作者，通过医院招募。人数少没关系，5-8 人也能发文章，但统计上要小心。
• 排除标准：皮肤破损、金属植入物、癫痫病史（尤其做动态运动时）。

嗯，这里有个小技巧：招募时给点小报酬，比如 50-100 元/小时，受试者配合度会高很多。别问我怎么知道的……

4.2 实验范式设计

实验范式说白了就是「让受试者做什么动作」。肌电研究里，常见的有三类。我分别说说。

4.2.1 等长收缩

等长收缩就是肌肉发力但关节不动。比如握拳、屈腕、伸肘。这种范式的好处是：

• 信号稳定，重复性好
• 容易控制发力大小
• 适合做力-肌电关系建模

我建议你设计 3-5 个不同发力等级，比如 20%、40%、60%、80% MVC（最大自主收缩）。每个等级保持 5 秒，中间休息 2 分钟。为什么休息这么久？因为肌肉会疲劳，信号会漂移。我曾经连续做 10 次 80% MVC，结果最后几次信号明显变形——白做了。

4.2.2 动态运动

动态运动更贴近实际应用，比如抓握、抬臂、行走。但信号也更复杂——有运动伪迹、肌肉长度变化、电极位移。

我常用的设计是：

• 单关节运动：肘屈伸、腕屈伸。速度控制在 30°/s 左右，用节拍器引导。
• 多关节协同：比如喝水动作（肩屈+肘屈+腕伸）。这个更难，但更有价值。
• 连续运动：比如从放松到抓握到放松，循环 10 次。注意标记每个阶段的起止时间。

你想想看，动态运动的数据处理起来更麻烦。但如果你要做假肢控制或人机交互，这一步绕不开。

4.2.3 手势识别

手势识别是肌电研究的热门方向。常见手势包括：握拳、伸掌、捏、OK、竖拇指等。我建议选 6-10 个手势，每个手势重复 10 次，每次保持 3 秒。

这里有个坑：手势之间要有足够的休息时间。我见过有人设计 1 秒切换，结果受试者手都抽筋了。我一般设 3 秒动作 + 3 秒休息。

手势	动作描述	保持时间	重复次数
握拳	五指用力握紧	3 秒	10
伸掌	五指完全张开	3 秒	10
捏	拇指与食指对捏	3 秒	10
OK	拇指与食指形成圆圈	3 秒	10

4.3 数据采集协议与流程

数据采集协议，说白了就是「每一步怎么做」。我建议写成标准操作流程（SOP），这样不同实验员做出来结果一致。

4.3.1 采集前准备

• 皮肤处理：用酒精棉擦拭电极放置处，去除油脂和死皮。如果汗毛多，建议剃一下。别笑，我见过信号差到没法看，最后发现是汗毛导致的。
• 电极放置：按 SENIAM 标准放置。双极电极间距 2 cm，参考电极放在骨性突起处（如腕部、肘部）。
• 设备检查：采样率至少 1000 Hz，增益 1000 倍，带通滤波 20-500 Hz。检查电极阻抗，低于 5 kΩ 才算合格。

4.3.2 采集流程

我一般按这个顺序来：

1. 基线记录：让受试者完全放松，记录 10 秒静息肌电。用于后续去噪。
2. MVC 测试：做 3 次最大自主收缩，每次 3 秒，取最大值。用于归一化。
3. 正式实验：按随机顺序执行动作。每个动作前有提示音，动作结束后有休息。
4. 重复测试：如果做可靠性分析，隔天再测一次。

4.3.3 数据存储格式

我推荐用 HDF5 格式存储。一个文件包含：

• 肌电信号（numpy array）
• 触发信号（时间戳）
• 受试者信息（年龄、性别、BMI）
• 实验参数（采样率、电极位置、动作标签）

举个例子，Python 里这样存：

import h5py
import numpy as np

with h5py.File('subject_01.h5', 'w') as f:
    f.create_dataset('emg', data=emg_signal)
    f.create_dataset('trigger', data=trigger_times)
    f.attrs['sampling_rate'] = 1000
    f.attrs['subject_id'] = 'S01'
    f.attrs['gesture_labels'] = ['rest', 'fist', 'open']

嗯，这样存的好处是：一个文件搞定所有信息，不会丢。我早期用 CSV 存，结果每次都要写一堆脚本去对齐——烦死了。

4.4 本章知识体系

下面这张图，是我自己梳理的实验设计流程。你可以照着它一步步来，不容易漏。

好了，实验设计这块就聊到这儿。记住：好的实验设计，是成功的一半。另一半？是数据处理和算法——那是后面章节的事。