第1章：数据读取与可视化——从原始信号到第一张频谱图

做肌电信号处理这么多年，我始终觉得：数据读取和可视化，是所有分析的起点。你想想看，连信号长什么样都不知道，后面那些滤波、特征提取、分类，不就成了空中楼阁吗？

这一章，我们就来搞定三件事：读数据、画波形、看频谱。我会带着你，用Python把这三步走通。

1.1 常见格式的读取：CSV、EDF、BIO

肌电信号的存储格式五花八门。我个人最常遇到的是这三种：

格式	特点	典型场景
CSV	纯文本，通用性强	实验室自采数据、公开数据集
EDF	欧洲标准，含元数据	临床肌电、多导睡眠图
BIO	Biomation专用格式	商用肌电采集设备

1.1.1 CSV格式读取

CSV是最简单的。但要注意：肌电CSV通常没有表头，或者第一列是时间戳。

import pandas as pd
import numpy as np

# 读取CSV，假设第一列是时间，第二列是肌电信号
df = pd.read_csv('emg_data.csv', header=None)
time = df.iloc[:, 0].values
emg = df.iloc[:, 1].values

print(f'采样点数：{len(emg)}，采样率：{1/(time[1]-time[0]):.1f} Hz')

1.1.2 EDF格式读取

EDF格式自带元数据，比如采样率、电极位置、患者信息。我用的是pyedflib库。

import pyedflib

f = pyedflib.EdfReader('emg_record.edf')
n_channels = f.signals_in_file
channel_names = f.getSignalLabels()
sample_rate = f.getSampleFrequency(0)

# 读取第一个通道的数据
emg = f.readSignal(0)
f.close()

print(f'通道数：{n_channels}，通道名：{channel_names}')
print(f'采样率：{sample_rate} Hz，数据长度：{len(emg)}')

1.1.3 BIO格式读取

BIO格式是Biomation公司的专有格式。说实话，这个格式我一开始也头疼。后来发现可以用biomation库处理。

# 假设有biomation库（需单独安装）
from biomation import BioFile

bio = BioFile('emg_data.bio')
emg = bio.get_channel_data(0)  # 获取第一个通道
sample_rate = bio.sample_rate

print(f'采样率：{sample_rate} Hz')

1.2 时域波形绘制——让信号“现原形”

数据读进来了，第一件事就是画波形。我习惯用matplotlib，简单直接。

import matplotlib.pyplot as plt

plt.figure(figsize=(12, 4))
plt.plot(time, emg, color='#2c7bb6', linewidth=0.8)
plt.xlabel('时间 (s)')
plt.ylabel('幅值 (mV)')
plt.title('原始肌电信号时域波形')
plt.grid(True, alpha=0.3)
plt.show()

画出来之后，你会看到什么？

• 基线漂移： 信号整体上下浮动，像波浪一样
• 运动伪迹： 突然的大幅波动，通常是电极移动造成的
• 肌电活动段： 幅值明显增大的区域，对应肌肉收缩

1.3 频谱图绘制——看看信号里藏着哪些频率

时域波形只能看到幅值变化，但频率信息才是肌电信号的核心。肌电信号的频率范围通常在20-500 Hz，其中主要能量集中在50-150 Hz。

画频谱图，我用的是scipy.signal.periodogram或者自己写FFT。

from scipy import signal

frequencies, psd = signal.periodogram(emg, fs=sample_rate)

plt.figure(figsize=(12, 4))
plt.semilogy(frequencies, psd, color='#d7191c', linewidth=1.0)
plt.xlabel('频率 (Hz)')
plt.ylabel('功率谱密度 (dB)')
plt.title('肌电信号频谱图')
plt.xlim([0, 500])  # 只显示0-500 Hz
plt.grid(True, alpha=0.3)
plt.show()

为什么用semilogy？因为功率谱的数值跨度很大，线性坐标下低频部分会被压扁，看不清楚。

1.4 本章知识体系总览

下面这张图，是我自己总结的本章核心逻辑。你照着这个流程走，基本不会出错。

1.5 本章小结

嗯，到这里，第一章的内容就差不多了。我们做了三件事：

• 读数据： 三种常见格式，各有各的坑，但核心都是拿到信号和采样率
• 画波形： 一眼看出信号质量，基线漂移、运动伪迹都逃不过你的眼睛
• 看频谱： 频率成分一目了然，工频干扰、伪迹频率都能定位

我个人觉得，这一章是后面所有分析的基础。你想想看，如果连原始信号长什么样都不知道，后面那些滤波参数怎么设？特征提取往哪个方向做？

所以，别急着跳过去。找一段你自己的肌电数据，按照上面的步骤走一遍。画出来的图，多看看，多想想。你会发现，信号会“说话”的。

---