4. 肌电信号预处理：滤波、去噪与基线校正

好，咱们进入第四章。说实话，肌电信号预处理这块，是我在实验室里踩坑最多的地方。你想想看，从皮肤表面采集到的信号，那叫一个「脏」——工频干扰、运动伪迹、基线漂移，啥都有。如果不把这些乱七八糟的东西处理干净，后面做肌肉协同分析，结果基本没法看。

我个人习惯把预处理分成三步走：滤波、去噪、基线校正。每一步都有它的门道。咱们一个一个来聊。

4.1 为什么要做预处理？

先问个问题：你从电极上直接采到的信号，真的是肌肉活动产生的吗？

答案是：不完全是。原始EMG信号里，混杂着各种噪声。我遇到过最夸张的一次，受试者只是轻轻动了一下手臂，信号里就出现了一个巨大的尖峰，差点把放大器给饱和了。后来一查，是电极线接触不良。

所以，预处理的目的就三个：

• 滤掉无关频率——比如50Hz的工频干扰
• 去除突发噪声——比如电极松动产生的尖峰
• 校正基线漂移——让信号回到零电平附近

说白了，就是让信号「干净」到能反映真实的肌肉激活模式。

4.2 滤波：把该留的留下，该扔的扔掉

滤波是预处理的第一步。EMG信号的有效能量主要集中在20-500Hz之间。低于20Hz的，大多是运动伪迹；高于500Hz的，基本是高频噪声。

我常用的滤波器组合是这样的：

嗯，这里要注意：滤波器的阶数不要选太高。我见过有人用8阶巴特沃斯滤波器，结果信号相位失真得一塌糊涂。我个人建议用4阶，零相位滤波（用filtfilt函数），这样能避免相位偏移。

给你看一段我常用的Python代码：

import numpy as np
from scipy.signal import butter, filtfilt

def preprocess_emg(signal, fs=1000):
    # 高通滤波 20Hz
    b, a = butter(4, 20/(fs/2), btype='high')
    signal = filtfilt(b, a, signal)
    
    # 低通滤波 450Hz
    b, a = butter(4, 450/(fs/2), btype='low')
    signal = filtfilt(b, a, signal)
    
    # 带阻滤波 50Hz
    b, a = butter(4, [48/(fs/2), 52/(fs/2)], btype='bandstop')
    signal = filtfilt(b, a, signal)
    
    return signal

这段代码我用了好几年，基本没出过问题。但有一点要提醒你：采样率fs一定要设对。如果采样率是2000Hz，那奈奎斯特频率就是1000Hz，截止频率要相应调整。

4.3 去噪：别让噪声毁了你的数据

滤波能解决大部分问题，但有些噪声是滤不掉的。比如电极突然松动产生的尖峰，或者受试者咳嗽引起的肌电爆发。这些噪声在频域上和真实信号重叠，没法用滤波器分离。

那怎么办？我一般用两种方法：

• 阈值法：设定一个幅度阈值，超过阈值的点直接剔除或替换。阈值怎么定？我习惯用信号标准差的3-5倍。
• 小波去噪：把信号分解到不同尺度，把噪声所在的小波系数置零，再重构信号。这个方法对非平稳噪声特别有效。

我曾经遇到过一个案例：受试者在实验过程中打了个喷嚏，EMG信号里出现了一个巨大的尖峰。用阈值法处理后，数据基本恢复了正常。但要注意，阈值不能设得太低，否则会把真实的肌肉爆发信号也给削掉。

4.4 基线校正：让信号回到零电平

基线漂移是个很烦人的问题。你想想看，受试者刚开始放松时，信号应该在0mV附近。但过了一段时间，由于电极极化、皮肤出汗等原因，基线可能慢慢飘到了0.1mV甚至更高。

基线校正的方法很简单：

1. 取一段静息状态的数据（比如受试者完全放松时的信号）
2. 计算这段数据的平均值
3. 从整个信号中减去这个平均值

但这里有个坑：静息状态的数据段怎么选？我建议在实验开始前，先记录5-10秒的静息数据。如果实验过程中需要多次校正，可以在每个动作之间插入一段静息期。

代码实现也很简单：

def baseline_correct(signal, baseline_segment):
    baseline_mean = np.mean(baseline_segment)
    corrected_signal = signal - baseline_mean
    return corrected_signal

嗯，就这么几行。但效果立竿见影。

4.5 预处理流程总览

说了这么多，咱们来画个流程图，把整个预处理流程串起来。我个人觉得，可视化能帮你更好地理解每一步之间的关系。

你看，整个流程是线性的。但实际工作中，我经常需要来回调整。比如滤波后发现噪声还是很大，那就得回去调整截止频率或者去噪参数。预处理不是一锤子买卖，而是一个迭代优化的过程。

4.6 常见问题与解决方案

最后，我总结几个我在项目中遇到过的问题，供你参考：

• 问题：滤波后信号幅度变小了
  原因：滤波器增益设置不当，或者截止频率太靠近信号主频。
  解决：检查滤波器参数，确保通带增益为1。
• 问题：去噪后信号出现「阶梯状」
  原因：阈值法处理时，对超过阈值的点直接置零，导致信号不连续。
  解决：改用插值或平滑方法替换异常点，而不是直接置零。
• 问题：基线校正后信号仍然有漂移
  原因：静息数据段选择不当，或者漂移是非线性的。
  解决：使用多项式拟合或高通滤波来去除低频漂移。

嗯，预处理这块就聊到这儿。记住一句话：预处理做得好，后续分析事半功倍。我见过太多人急着做肌肉协同提取，结果因为预处理没做好，得出来的协同模式全是噪声。别急，先把信号洗干净。