第4章肌电信号时域分析

第4章：肌电信号时域分析：整流、平滑（RMS计算）、积分肌电值（iEMG）、平均振幅（MAV）

好，咱们进入时域分析。这一块是肌电信号处理里最基础、也最常用的手段。说白了，就是把原始信号那些“毛刺”和“抖动”处理成有物理意义的数值。

我刚开始接触肌电时，看着屏幕上那条疯狂跳动的曲线，心里直犯嘀咕：这玩意儿能看出啥？后来才明白，时域分析就是给这条“疯狗”套上缰绳，让它乖乖听话。

4.1 为什么需要整流？

原始肌电信号是交流信号，有正有负。你想想看，如果直接求平均，正负一抵消，结果可能接近零——这显然不能反映肌肉的真实活动强度。

整流，就是把负半周的信号翻到正半周来。有两种方式：

半波整流：只保留正半周，负半周直接置零。说实话，这方法用得少，因为会丢掉一半信息。
全波整流：把负半周的绝对值取正。这是主流做法。

核心要点：全波整流后的信号，才能进行后续的平滑和积分计算。否则你算出来的平均值会严重偏低。

我在项目中遇到过一位新手，直接用原始信号算RMS，结果数值忽大忽小，完全没法用。我一看，整流这步跳过了。嗯，这是最常见的坑之一。

4.2 平滑与RMS计算

整流后的信号虽然都是正的，但依然很“扎手”。这时候就需要平滑处理。最经典的方法就是均方根（RMS）计算。

RMS的公式很简单：

RMS = sqrt( (1/N) * Σ(x_i²) )

其中 x_i 是窗口内的采样点，N 是窗口长度。

为什么用RMS而不是直接平均？因为RMS对信号中的“爆发”更敏感。肌肉收缩时，信号幅度会突然增大，RMS能更好地捕捉这种变化。

窗口长度怎么选？ 我个人习惯用50-100毫秒的滑动窗口。太短了平滑效果差，太长了又会丢失细节。举个例子，采样率1000Hz时，窗口长度取50-100个点比较合适。

小技巧：如果你做实时分析，可以用指数移动平均代替滑动窗口，计算量更小，响应也更快。

4.3 积分肌电值（iEMG）

iEMG，全称是integrated EMG。它计算的是一段时间内整流后信号的面积。说白了，就是曲线下的总面积。

公式：

iEMG = Σ |x_i| * Δt

其中 Δt 是采样间隔。

iEMG反映的是肌肉在某个时间段内的总活动量。比如你让受试者做10秒的等长收缩，iEMG就能告诉你这10秒里肌肉总共“出了多少力”。

应用场景：

疲劳分析：随着肌肉疲劳，iEMG会逐渐增大（因为需要更多运动单位参与）
康复评估：对比患侧和健侧的iEMG，判断肌肉激活程度

注意：iEMG对信号长度敏感。比较不同时间段的iEMG时，一定要保证时间窗口一致。我曾经吃过这个亏，两个实验的时间窗口差了0.5秒，结果对比完全失真。

4.4 平均振幅（MAV）

MAV，Mean Absolute Value，就是整流后信号的平均值。公式：

MAV = (1/N) * Σ |x_i|

MAV和RMS很像，但计算更简单。它反映的是信号的平均强度。在工程实践中，MAV常用于：

手势识别：不同手势的MAV特征差异明显
肌肉激活阈值检测：当MAV超过某个阈值时，认为肌肉开始收缩

我个人觉得，MAV比RMS更直观。RMS因为平方再开方，数值会被“放大”，而MAV就是实实在在的平均幅度。

4.5 知识体系总览

下面这张图，把本章的核心逻辑串起来了：

4.6 实战代码示例

下面是一段Python代码，演示了如何计算RMS、iEMG和MAV。我习惯用numpy，效率高，代码也简洁。

import numpy as np

def compute_emg_features(signal, fs):
    """
    计算肌电信号的时域特征
    signal: 原始EMG信号（一维数组）
    fs: 采样率（Hz）
    """
    # 1. 全波整流
    rectified = np.abs(signal)
    
    # 2. RMS计算（滑动窗口，窗口长度100ms）
    window_len = int(0.1 * fs)
    rms = np.array([
        np.sqrt(np.mean(rectified[i:i+window_len]**2))
        for i in range(0, len(rectified) - window_len, window_len//2)
    ])
    
    # 3. iEMG（每1秒积分一次）
    segment_len = fs  # 1秒
    iemg = np.array([
        np.sum(rectified[i:i+segment_len]) / fs
        for i in range(0, len(rectified) - segment_len, segment_len)
    ])
    
    # 4. MAV（每1秒平均一次）
    mav = np.array([
        np.mean(rectified[i:i+segment_len])
        for i in range(0, len(rectified) - segment_len, segment_len)
    ])
    
    return rms, iemg, mav

# 使用示例
fs = 1000  # 假设采样率1000Hz
signal = np.random.randn(10000)  # 模拟10秒信号
rms, iemg, mav = compute_emg_features(signal, fs)
print(f"RMS均值: {np.mean(rms):.3f}")
print(f"iEMG均值: {np.mean(iemg):.3f}")
print(f"MAV均值: {np.mean(mav):.3f}")

避坑指南：我曾经在计算iEMG时忘了除以采样率，结果数值大得离谱。记住，iEMG的单位是mV·s，一定要考虑时间因素。

4.7 三个指标怎么选？

很多新手会问：RMS、iEMG、MAV，到底用哪个？我的建议是：

做实时控制（比如假肢）：用RMS，因为它对信号变化响应快，平滑效果也好
做疲劳分析：用iEMG，它能累积反映肌肉的总工作量
做模式识别（手势分类）：用MAV，计算简单，特征稳定

当然，实际项目中往往三个都算，然后看哪个特征区分度最好。嗯，数据不会骗人，多试试就知道了。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录