• 表面肌电（sEMG）信号处理技术

表面肌电图（sEMG）是一种评估肌肉激活的技术，是特定个体疾病诊断、治疗、进展评估和康复相关应用的重要组成部分。最近，sEMG的潜力已经显现出来，因为它可以以非侵入性的方式使用；然而，它需要仔细的信号分析来可靠地支持卫生专业人员。本文简要介绍了表面肌电信号的基本概念，如肌肉的生理学、数据采集、信号处理技术，以及根据肌肉模式识别疾病或异常迹象的分类方法。具体而言，分类方法包括数字信号处理技术和机器学习，在该领域具有很高的潜力。我们希望这项工作能为对这一领域感兴趣的研究人员做一个介绍。

介绍

肌电图可以评估神经肌肉活动和肌肉激活，使其在运动、康复或生物反馈等方面具有吸引力[19]。表面肌电图（sEMG）是一种测量肌肉激活的非侵入性技术，然而，鉴于其复杂性，它几乎没有被用于临床实践和康复[28]。另一方面，研究表明，sEMG通过生成判别电模式，通过不同的肌肉组识别肌肉骨骼疾病的潜力[24]。为了利用表面肌电来克服其障碍，临床医生和研究人员需要培训和良好实践知识来使用这项技术[28，21]。此外，为了准确诊断，需要根据疾病患者的肌肉模式进行良好的表征[42]。从这个意义上说，sEMG允许对肌肉模式进行定量评估，允许从提供的有助于患者状态肌肉的信息中区分内在关系[7]。在这项工作中，我们概述了与表面肌电处理数据相关的基本主题，以进行定量分析。

肌电图信号的起源

在神经肌肉系统中，中枢神经系统（CNS）通过大脑通过脊髓发出的神经信号控制肌肉收缩。最后的运动指令与运动单元（MU）有关，运动单元是神经系统的最小功能单元。MU由单个运动神经元支配的肌肉纤维组成（见图1）；因此，当被招募时会导致肌肉收缩。

产生精确或粗略的运动模式与神经支配的少量或大量肌肉纤维有关。人类每块肌肉的MUs数量范围从手部肌肉的约100个到大肢体肌肉的1000个或更多。MU也被证明在力产生能力上变化很大，收缩力相差一百倍或更多。根据传导速度和肌肉疲劳等生理特性，定义了三种类型的运动单位：

（1）快速抽搐、易疲劳（FF或IIb型）；

（2） 快速抽搐、抗疲劳（FR或IIa型）；

（3）缓慢抽搐（S型或I型），更耐疲劳[12]。

骨骼肌收缩的功能单位是肌节，它位于两个Z盘之间（见图2）。骨骼肌由束、纤维和肌原纤维组成；肌原纤维分为两种：肌动蛋白（细丝）和肌球蛋白（粗丝）[12]。在肌肉收缩过程中，肌球蛋白头必须在收缩的逐步机制开始之前被激活。当三磷酸腺苷（ATP）与肌球蛋白头结合并发生水解时，就会发生这种情况，留下二磷酸腺苷（ADP）和无机磷酸盐。ATP水解释放的能量激活肌球蛋白头。活化的肌球蛋白头与肌动蛋白结合，无机磷酸盐被释放（结合变得更强），然后ADP被释放，肌球蛋白头移位，导致肌动蛋白丝向中线移动。另一个ATP进入并与肌球蛋白头部结合（结合减弱），并与肌动蛋白分离，然后肌球蛋白头部再次被激活（见图3）。当钙被泵入肌浆网，原肌球蛋白返回原位时，该机制结束，因此肌球蛋白头部不再有连接的地方[12]。

肌电图信号的采集

EMG信号是活动肌纤维在收缩期间的电活动的表示。这些组织在电位分布中起着空间低通滤波器的作用。它的检测可以是肌内或浅表的。表面肌电（sEMG）技术是一种捕捉肌电活动的非侵入性方式，因为它使用放置在皮肤表面的电极，而肌内肌电（iEMG）使用侵入性针头。对于表面肌电，组织充当肌肉和电极之间的传导体积。因此，组织特性在频率含量和距离方面影响信号特性，超过这些频率内容和距离就无法检测到信号[18]。

关于电学性质，表面肌电信号的振幅为0.05−10 mV，频率范围为2−500 Hz[11]。SEMG信号是随机的、非平稳的和非线性的（肌肉活动和表面肌电信号模式之间没有线性关系），并且不是由周期性现象产生的。然而，考虑到小时间窗口（<500 ms），它们容易受到线性技术分析的影响，在这些时间窗口中，它们可以被认为是静止的[18]。[22]。

影响肌电信号的因素

EMG信号的检测可能受到改变其形状和特性的不同因素的影响，这些因素可能影响信号处理和分析。由于表面电极捕获肌肉纤维去极化产生的电场，导电性受到组织特征的影响，因为大量脂肪组织会影响信号幅度[14]。此外，附近的肌肉会影响被称为串扰的目标肌肉的EMG信号。然后，肌肉群内的紧密排列需要特别小心。此外，心脏肌纤维去极化产生的信号与EMG信号的记录推断，主要是在分析躯干上部肌肉时[14]。肌肉和电极之间的几何形状的变化也是需要考虑的因素。在动态肌肉评估中，通常存在皮肤伸长，这可能会增加信号源和检测部位之间的距离[14]。环境伪影污染EMG信号，因为50或60 Hz的电线噪声的干扰是由于其他外部设备的错误接地而最常见的[14]。

预处理

预处理技术是压缩和突出显示生物信号中的相关信息以增加其相关性的有用工具。本节包含每个受试者的滤波器、时期、频谱密度和最大自主收缩的归一化[17]。

过滤器和偏移移除

数字滤波器通常用于去除伪影。巴特沃斯滤波器由于能够在通带中保持尽可能平坦的频率响应而被广泛使用。此外，该滤波器保持较高阶数的形状[3]。在肌电图中，建议使用15−400 Hz之间的四阶巴特沃斯滤波器，该滤波器具有传输一系列频率并抑制两个频带的特性[31]。电网的噪声频率可以通过在60Hz及其谐波下实现自适应滤波器来衰减，因为由于其分量的变化对滤波器的响应的影响较小。消除每个信号的偏移也是很重要的。这是通过减去其各自的平均值来完成的，因为如果信号以原点为中心，则称偏移电平为0。如果向上位移，偏移量为正，而如果向下位移，则偏移量为负[36]。

信号重叠分割

在进行训练时，选择肌肉肌电图信号是很重要的，因此必须对信号进行分割，在测试过程中只考虑该分段。肌电图信号不是静止的，因此存在与频谱和时间估计相关的偏差。

因此，有必要使用历元（窗口）来减少偏差。对于500毫秒的时期，信号可以被认为是静止的[18]。为了减少信息丢失，有必要使用重叠50%的窗口（见图5）。

功率谱密度

在肌电疲劳过程中，肌肉纤维的传导速度降低，导致压缩和向低频移动。因此，通过功率谱密度使用sEMG信号的不同频率参数来表征疲劳更方便[4]。韦尔奇周期图法是一种确定不同频率下信号功率谱密度的方法，它使用周期图谱估计。这些是从时域到频域的信号转换中获得的[41]。周期图或样本频谱直接从肌电图信号段的N个样本中计算。

最大自愿契约规范化（MVC）

归一化方法消除了对数条件的影响，而数据则根据最大自愿收缩进行重新缩放。这些方法还允许对受试者之间的EMG信号进行定量比较[14]。

最大自愿收缩

为了确定最大自主收缩（MVC），在允许最大收缩的位置进行静态阻力练习。这些测试必须对所研究的每一块肌肉分别进行；如有必要，重复练习三次，持续五秒钟。随后，必须计算每个MVC的平均值，它表示肌肉在收缩过程中可能具有的最大振幅[14]；重要的是，这个信号必须被整流和平滑。

信号平滑

信号平滑允许仅评估来自肌肉收缩的信号，而不考虑机械运动或电磁信号的污染。信号首先通过对负值进行整流来平滑，这些负值被转换为正值。然后，利用整流后的信号，计算平滑，这创建了信号的线性包络。对于平滑，有不同的方法，例如移动平均或计算RMS[1]。

特征提取

为了表征与特定神经肌肉或肌肉骨骼疾病相关的肌肉模式，特征提取对于基于EMG信号的良好分类过程至关重要[27]。在本节中，我们介绍了与疲劳和共激活指数相关的特征提取。

疲劳指数

肌电疲劳是指无法继续产生给定水平的力量或运动强度[10]，这与敏感性降低和钙离子释放有关[15]。肌电疲劳是从时域和频域的不同指标检测到的，例如运动动作电位传导速度、均方根、过零点、平均值和频谱中值。图6显示了从时域和频域的不同指数（MNF、ARV和CV）检测到的肌电疲劳图的一个例子，在前斜角肌收缩2%的最大自主收缩时观察到[20]。来自运动肌肉的EMG信号被表示为有时限的波。这些波可用于确定时域变量，如平均整流值和过零点，以及频域变量，如均值和中值[13]。

均方根（RMS）

EMG信号的振幅是随机的（随机的），具有高斯分布，该高斯分布与从0到10mV（峰到峰）变化的恒定力[30]有关。通常使用不同的参数来测量振幅并找到关于被分析信号的时间能量的信息，例如均方根（RMS）；其表示在给定时间段期间EMG信号的平均功率的平方根（参见等式1）。

其中RMS是均方根，EMGn是整流通道的特定信号，N是采样数。

修正中值（ARV）

ARV用于估计EMG信号的幅度变化，其变化系数低于RMS：

其中ARV是平均整流值，X是整流通道的特定信号，N是样本数量[23]

零交叉点

过零点测量信号频率，确定过零点的次数。需要一个阈值来减少噪声引起的过零次数（见方程3），并根据信号电压选择[34]。

其中ZC是过零点，EMG是肌电图信号，n是与样本数量n相关的整数的子集。

平均频率和中值频率

平均频率和中值频率MNF和MDF分别提供了关于信号频谱及其随时间变化的基本信息。他们一致认为，信号频谱关于其中心线是对称的，而他们的差异反映了频谱偏差。高频区域的尾部意味着MNF高于MDF[18]。因此，任何参考频谱频率都可以用作频谱压缩的估计器。这些参数对于确定记录信号的肌肉激活模式的定量指标是必要的。也就是说，MNF表示平均值（见方程4），MDF表示信号的中心位置，从最低值到最高值（见公式5）[18]。

其中fmean和fmedian分别表示MNF和MDF，fEMG是特定肌电图通道的频率，fm是采样频率，k是可用数据量。

共激活指数

共激活指数是对在相同运动方向上施加作用的激动肌和施加与另一个相反作用的拮抗肌的激活的测量。为了计算肌肉共激活，有必要了解收缩过程中的肌肉活动[6]。等长收缩过程中各肌肉的激活百分比由共激活指数计算得出，如下所示：

其中，CI是共激活指数，nEMGx是要比较的肌肉的EMG信号的整流线性包络，iEMGMn是每个肌肉的积分。

带移动平均线的信封

移动平均值是一种算术度量，用于在离散时间内分析一组N个数据。这允许创建一系列平均值，这些平均值可以是简单的或加权的。在频域中，移动平均具有低通滤波器的响应[32]。为此，计算具有移动平均值的包络，如下[29]所示：

其中MA是移动平均值，EMG是通道的肌电图信号，N是样本数量。

总结

sEMG有很大的潜力为临床医生提供关于受肌肉疾病影响的个人健康状况的客观和可量化信息。例如，通过评估前臂伸肌的共同活动，研究了患者的外侧上髁炎（LE）或网球肘，因为有人认为前臂肌肉插入上髁时的疼痛会影响日常生活活动（压力、握手或举起杯子）[33]。其他例子包括测量躯干肌肉的阻力来评估腰痛。鉴于表面肌电处理的复杂性，本文总结了该领域初学者可以作为学习起点的相关概念。具体而言，读者可以获得如何在任何应用中进行sEMG信号统计分析的重要见解。例如，首先，指出了肌肉解剖学的基本概念，然后向读者介绍信号处理概念，例如预处理信号、EMG的独特特征，以及允许分析EMG数据以能够识别疾病的肌肉模式的统计概念。