4. 数据分割与标准化：步态周期分割、时间归一化、幅度归一化

好，咱们接着聊。上一节我们把原始肌电信号处理干净了，去噪、滤波、整流、平滑，一套组合拳打完。但这时候的数据，还不能直接拿去算肌肉协同。

为什么？你想想看，不同人的步态周期长度不一样，有人走一步0.8秒，有人1.2秒。不同人发力大小也不一样，有人轻轻一蹬就100% MVC，有人拼尽全力也就那样。这些差异如果不处理，算出来的协同模式根本没法比较。

所以，数据分割和标准化，是绕不开的一步。我个人习惯把这步叫做「让数据对齐说话」。

4.1 步态周期分割：找到重复的节拍

步态分析里，最基本的分割单位就是「步态周期」。一个完整的步态周期，从一侧足跟着地开始，到同侧足跟再次着地结束。

为什么要分割？因为肌肉协同提取算法（比如NMF）需要多个周期的数据作为输入。你拿一个周期去算，样本量不够，结果不稳定。拿10个、20个周期去算，协同模式才可靠。

分割的方法主要有三种：

• 基于足底压力：用测力台或压力鞋垫，检测足跟着地时刻。这是金标准，精度高，但设备贵。
• 基于运动学：用动作捕捉系统，看脚踝或足跟的标记点轨迹。我早期项目里常用这个，因为实验室有Vicon系统。
• 基于加速度计：在脚踝或腰部绑一个IMU，检测加速度的峰值。这个方法便携，适合户外或临床场景。

分割完成后，你会得到N个步态周期的肌电数据。每个周期的长度可能不一样，比如有的人走得快，有的人走得慢。这时候就需要时间归一化。

4.2 时间归一化：把不同长度的周期拉齐

时间归一化，说白了就是把每个步态周期「拉伸」或「压缩」到相同的长度。最常见的做法是归一化到100%步态周期，也就是0%到100%，每个点代表一个百分比位置。

常用的插值方法：

• 线性插值：简单快速，适合数据点密集的情况。我一般先用这个。
• 三次样条插值：更平滑，适合数据点稀疏或需要保留曲线细节的情况。但要注意，样条插值可能会在端点处产生过冲。

下面是我常用的Python代码片段，用scipy做时间归一化：

import numpy as np
from scipy import interpolate

def time_normalize(emg_cycle, target_length=100):
    """
    将单个步态周期的肌电信号归一化到目标长度
    emg_cycle: 1D array, 原始周期数据
    target_length: 目标长度，默认100个点
    """
    original_length = len(emg_cycle)
    original_x = np.linspace(0, 1, original_length)
    target_x = np.linspace(0, 1, target_length)
    
    # 线性插值
    f = interpolate.interp1d(original_x, emg_cycle, kind='linear')
    normalized_cycle = f(target_x)
    
    return normalized_cycle

# 使用示例
normalized_emg = time_normalize(raw_cycle, target_length=101)  # 0%到100%，共101个点

4.3 幅度归一化：消除个体差异

时间归一化解决了「长度不一致」的问题，但「幅度不一致」的问题还在。不同人的肌肉力量不同，同一人在不同天的发力状态也不同。如果不做幅度归一化，算出来的协同权重会受绝对幅值影响，没法跨被试比较。

最常用的幅度归一化方法是最大等长收缩（MVC）归一化。

具体做法：

1. 在正式实验前，让受试者做该肌肉的最大等长收缩动作，记录3-5秒的肌电信号。
2. 对MVC信号做同样的预处理（滤波、整流、平滑）。
3. 取MVC信号的最大值（或平均值，我习惯用最大值），作为该肌肉的参考值。
4. 将步态周期中每个时间点的肌电幅值，除以这个参考值。

公式很简单：

normalized_emg = raw_emg / mvc_value

归一化后的值在0到1之间（偶尔会超过1，如果步态中的发力超过了MVC测试时的发力，但这种情况很少见）。

除了MVC归一化，还有几种替代方法：

• 峰值归一化：用步态周期内的最大值做分母。好处是不需要额外测MVC，但缺点是不同周期的峰值可能不同，导致归一化结果不稳定。
• 均值归一化：用步态周期内的平均值做分母。适合比较不同肌肉之间的相对激活模式。
• Z-score标准化：减去均值，除以标准差。适合做统计比较，但会丢失幅值的绝对信息。

我个人推荐：如果条件允许，优先用MVC归一化。它最符合生理意义，也最容易被审稿人接受。

4.4 本章知识体系总览

下面这张图，把数据分割与标准化的流程串起来了。你可以把它当作一个检查清单，做分析时对照着来。

这张图里，从原始信号到步态周期分割，再到时间归一化，最后到幅度归一化，每一步都有明确的方法和注意事项。你按照这个流程走，基本不会出大问题。