4. 数据采集：表面肌电信号（sEMG）的获取与预处理
好，咱们进入实操环节。
前面聊了那么多肌肉协同的理论，说白了，你最终要面对的问题就一个：怎么把信号干净地采回来？
我见过太多人，算法模型搞得花里胡哨，结果数据一塌糊涂，最后全白搭。嗯，这章咱们就把这个地基打牢。
4.1 电极怎么贴？—— 这不是玄学
很多人觉得贴电极片嘛，撕开一贴就行。其实不然。我早期有个项目，采集前臂屈肌群的数据，结果出来的信号全是50Hz工频干扰，后来发现是电极间距太近了。
这里有几个硬指标，你记一下：
- 电极类型：干电极 vs 湿电极。实验室里我建议用湿电极（Ag/AgCl），信号质量稳定。可穿戴设备才考虑干电极。
- 电极间距：中心到中心，20mm 是黄金距离。太近容易串扰，太远会丢失局部信息。
- 放置方向：顺着肌纤维走向。你想想看，肌肉收缩时电信号是沿着纤维方向传播的，你横着贴，信号就弱了。
- 参考电极：贴在骨性突起处，比如腕部尺骨茎突。那里没有肌肉，信号最干净。
核心原则：皮肤准备比贴电极更重要。用酒精棉擦去油脂和死皮，阻抗降到 5kΩ 以下再开始采集。
4.2 采样率设多少？—— 别浪费存储空间
表面肌电信号的频率范围，一般在 20-500Hz。根据奈奎斯特定理，采样率至少是最高频率的两倍，也就是 1000Hz。
但我个人习惯，1500-2000Hz 是比较舒服的区间。为什么？
- 1000Hz 勉强够用，但边缘信息容易丢。
- 超过 2000Hz 就是浪费。你想想看，500Hz 以上的成分基本都是噪声，采回来还得滤掉，何必呢？
| 应用场景 | 推荐采样率 | 说明 |
|---|---|---|
| 基础步态分析 | 1000 Hz | 够用，数据量小 |
| 手部精细动作 | 1500 Hz | 需要捕捉快速肌电爆发 |
| 运动疲劳研究 | 2000 Hz | 中频成分变化敏感 |
我的小技巧：如果设备支持，先以 2000Hz 采，后期处理时再降采样到 1000Hz。这样你手里有冗余，心里不慌。
4.3 预处理流程 —— 把垃圾扔掉
原始信号长什么样？说白了就是一堆毛刺，里面混着心电干扰、运动伪迹、工频噪声。你得一步步把它洗干净。
我习惯的流程是这样的：
- 去基线漂移：用高通滤波器，截止频率设在 20Hz。低于这个频率的都是身体晃动产生的伪迹。
- 陷波滤波器：50Hz（或60Hz，看你在哪个国家）。工频干扰是最大的敌人，必须干掉。
- 低通滤波：截止频率 500Hz。高于这个的都是高频噪声，比如设备热噪声。
- 全波整流：把负半周翻到正半周。这一步是为了后续提取包络。
- 低通平滑：截止频率 5-10Hz。得到的就是所谓的「线性包络」，也就是肌肉激活程度的直观曲线。
注意：滤波顺序不能乱。先高通去漂移，再陷波去工频，最后低通去噪声。我曾经试过先陷波再高通，结果工频干扰被放大了，那叫一个惨。
4.4 代码示例 —— 用 Python 走一遍
光说不练假把式。我给你一段我常用的预处理代码，你拿去就能用：
import numpy as np
import scipy.signal as signal
def preprocess_semg(raw_signal, fs=1500):
"""
表面肌电信号预处理
raw_signal: 原始信号 (numpy array)
fs: 采样率 (Hz)
"""
# 1. 高通滤波 (去基线漂移)
b_high, a_high = signal.butter(4, 20/(fs/2), 'high')
signal_high = signal.filtfilt(b_high, a_high, raw_signal)
# 2. 陷波滤波 (去50Hz工频)
b_notch, a_notch = signal.iirnotch(50, 30, fs)
signal_notch = signal.filtfilt(b_notch, a_notch, signal_high)
# 3. 低通滤波 (去高频噪声)
b_low, a_low = signal.butter(4, 500/(fs/2), 'low')
signal_low = signal.filtfilt(b_low, a_low, signal_notch)
# 4. 全波整流
signal_rect = np.abs(signal_low)
# 5. 低通平滑 (提取包络)
b_env, a_env = signal.butter(4, 5/(fs/2), 'low')
envelope = signal.filtfilt(b_env, a_env, signal_rect)
return envelope这段代码我用了好几年，基本没出过问题。注意我用了 filtfilt 而不是 lfilter，前者是零相位滤波，不会产生相位偏移。这一点在肌肉协同分析里特别重要——你想想看，如果各通道信号的时间对齐出了问题，那协同模式就全乱了。
4.5 避坑指南 —— 我踩过的雷
嗯，这里我得好好说说。有些坑你不亲自踩一次，光看书是记不住的。
- 电极线松动：我曾经在采集过程中，被试动了一下，电极线松了。结果出来的信号全是尖峰，我还以为是肌肉痉挛，折腾了两天才发现是接触不良。所以，采集前一定要用胶带固定好线缆。
- 汗液影响：夏天采集，被试出汗，电极片粘性下降，信号阻抗飙升。我的解决办法是：备一包医用胶带，出汗多的部位额外加固。
- 不要过度滤波：有些人为了信号好看，把截止频率设得很低，结果把真实的肌电成分也滤掉了。记住，肌肉协同分析需要保留 20-150Hz 的能量分布，这是关键频段。
一句话总结：数据采集和预处理，占整个项目 70% 的工作量。前面做扎实了，后面的分析就是水到渠成的事。
4.6 知识体系总览
下面这张图，是我自己梳理的本章核心逻辑。你一看就明白：
好了，这一章就到这里。数据采回来了，也洗干净了，下一章咱们就可以正式进入肌肉协同的提取环节了。