3. 肌电信号预处理：滤波去噪、基线校正、信号分段与加窗
好，咱们进入正题。上一章聊了肌电信号怎么采集，那信号拿到手之后呢？说实话，直接从皮肤上捞上来的信号，简直就是一锅乱炖。有心电的干扰、工频的嗡嗡声、还有你手抖带来的基线漂移。所以，预处理这一步，说白了就是“洗菜”——把有用的肌肉活动信号挑出来，把垃圾扔掉。
我个人习惯把预处理分成四个步骤：滤波去噪、基线校正、信号分段、加窗处理。咱们一个一个来拆解。
3.1 滤波去噪：把“噪音”请出去
肌电信号的有效频率范围，一般在 20 Hz 到 500 Hz 之间。低于 20 Hz 的，大多是运动伪迹（你胳膊动的时候电极线晃了）；高于 500 Hz 的，基本是高频电路噪声，没啥用。所以，第一步就是做一个带通滤波器。
核心参数：
- 高通截止频率： 20 Hz（去掉低频漂移）
- 低通截止频率： 500 Hz（去掉高频噪声）
- 滤波器阶数： 我一般用 4 阶 Butterworth，相位畸变小，够用。
嗯，这里有个坑。50 Hz 的工频干扰（欧洲是 50 Hz，美国是 60 Hz）特别顽固。你想想看，周围全是电线，这个频率的信号会直接耦合进你的肌电里。怎么办？加一个陷波滤波器（Notch Filter）。
避坑指南： 我曾经在实验室里折腾了一下午，发现采集到的信号总是有规律的波动。后来才发现，是旁边的电源插座离得太近。所以，除了软件陷波，硬件上也要注意屏蔽和接地。
下面是一个简单的 Python 代码示例，用 scipy 实现带通 + 陷波：
import numpy as np
from scipy import signal
def preprocess_emg(data, fs=1000):
# 带通滤波器：20-500 Hz
b, a = signal.butter(4, [20, 500], btype='band', fs=fs)
filtered = signal.filtfilt(b, a, data) # 零相位滤波，避免延迟
# 陷波滤波器：50 Hz
b_notch, a_notch = signal.iirnotch(50, 30, fs)
filtered = signal.filtfilt(b_notch, a_notch, filtered)
return filtered
注意，我用了 filtfilt 而不是 lfilter。为什么？因为 filtfilt 是零相位滤波，不会让信号产生时间延迟。对于假肢控制来说，延迟就是灾难，你想想看，你手都握紧了，假肢还没反应，那用户体验得多差。
3.2 基线校正：让信号“归零”
滤波之后，信号看起来干净多了。但你会发现，信号的中线（基线）可能不在零上。这是因为电极的极化电压、或者皮肤表面的电位差导致的直流偏置。
基线校正很简单：减去信号的均值。但要注意，这个均值应该是“静息态”下的均值，也就是你肌肉完全放松时的信号均值。
我的习惯： 在每次采集开始前，先让受试者放松 2 秒钟，记录这段静息信号，计算它的均值。然后用整个信号减去这个均值。这样比直接减全段均值更准确。
def baseline_correction(signal, rest_samples):
# rest_samples 是静息态的信号片段
baseline = np.mean(rest_samples)
return signal - baseline
说白了，这一步就是让“没用力”的时候信号是 0，这样后续的幅值分析才有意义。
3.3 信号分段：把连续信号切成“动作块”
肌电信号是连续的，但假肢控制需要识别“动作”。比如你握拳、张开、手腕旋转，每个动作持续几百毫秒。所以，我们需要把连续信号切成一个个时间窗口。
分段有两个关键参数：
- 窗口长度： 太短了（比如 50 ms），特征不稳定；太长了（比如 500 ms），控制延迟太大。我一般用 150-250 ms，这是一个平衡点。
- 窗口重叠： 为了平滑控制输出，相邻窗口之间通常有重叠。比如窗口长度 200 ms，步长 50 ms，那重叠率就是 75%。
经验之谈： 我在做实时假肢控制时，发现 200 ms 窗口 + 50 ms 步长效果最好。既保证了特征稳定性，又把延迟控制在了 250 ms 以内——这是人能够接受的“无延迟感”上限。
def segment_signal(signal, window_len=200, step_len=50, fs=1000):
window_samples = int(window_len * fs / 1000)
step_samples = int(step_len * fs / 1000)
segments = []
for start in range(0, len(signal) - window_samples, step_samples):
segment = signal[start:start + window_samples]
segments.append(segment)
return np.array(segments)
3.4 加窗处理：防止“频谱泄露”
分段之后，每个窗口的信号其实是一个“截断”的信号。如果你直接对这个截断的信号做傅里叶变换（提取频域特征），会在频谱上产生“泄露”——就是能量从主频扩散到旁边去了。
解决办法？加窗。常用的窗函数有 汉宁窗（Hanning） 和 海明窗（Hamming）。它们的作用是让窗口两端的信号平滑地衰减到零，减少截断效应。
我个人推荐： 汉宁窗。它在主瓣宽度和旁瓣衰减之间取得了很好的平衡。海明窗的旁瓣更低，但主瓣更宽，会损失一点频率分辨率。
def apply_window(segment, window_type='hann'):
if window_type == 'hann':
win = np.hanning(len(segment))
elif window_type == 'hamming':
win = np.hamming(len(segment))
else:
win = np.ones(len(segment)) # 矩形窗，不推荐
return segment * win
嗯，这里要注意：加窗之后，信号的幅值会变小（因为两端被衰减了）。如果你后续要提取时域特征（比如均方根 RMS），记得做幅值补偿。不过大多数情况下，我们提取的是相对特征，影响不大。
知识体系总览
为了让你更直观地理解整个预处理流程，我画了一张图：
你看，整个流程是线性的：原始信号 → 滤波去噪 → 基线校正 → 信号分段 → 加窗处理 → 输出。每一步都有它的道理，跳过了哪一步，后面提取特征的时候都会出问题。
好了，预处理这部分就聊到这儿。下一节我们会讲怎么从这些处理好的信号片段里提取特征——那才是真正让假肢“听懂”你肌肉意图的关键。