肌电信号（EMG）是神经系统驱动骨骼肌收缩时产生的生物电活动记录，其分析贯穿于康复医学、运动人体科学、人机交互与假肢控制等多个工程领域。本文的核心任务是建立对EMG信号从生理产生机制到数字采集链路的完整认知，为后续滤波、特征提取与模式识别奠定底层逻辑。以下所有概念均从工程应用视角展开，避免过度简化，确保你在阅读后能直接对接实际采集与处理工作。
肌电信号的生理源头是脊髓α运动神经元。当大脑运动皮层发出指令后，神经冲动沿轴突传导至神经肌肉接头，触发肌纤维膜去极化，形成单纤维动作电位（Single Fiber Action Potential）。一个运动神经元及其支配的全部肌纤维构成一个运动单位（Motor Unit, MU），这是EMG信号最基本的独立单元。肌肉收缩时，中枢神经系统通过两个核心机制调节力输出：一是募集（Recruitment），即激活运动单位的数量增加；二是放电频率（Firing Frequency），即单个运动单位动作电位发放速率的提升。这两个机制共同决定了最终采集到的信号强度与频谱形态。
从细胞外记录的角度看，单个运动单位动作电位（MUAP）并非单一尖峰，而是一个具有三相或双相波形的电偶极子传播过程，其时程约为3--10 ms，幅度在微伏至毫伏量级。当多个运动单位被同步募集后，不同MUAP在时间和空间上叠加，形成表面肌电信号（surface EMG, sEMG）或针极肌电信号（intramuscular EMG, iEMG）。sEMG通过贴附于皮肤表面的差分电极采集，反映的是电极下方一定深度和范围内所有活跃运动单位的时空总和；iEMG则通过穿刺电极深入肌腹，可记录单个MUAP甚至单纤维电位，但具有侵入性。工程应用中，sEMG因无创、便捷而成为主流选择，但其信号是深层与表层运动单位电场的容积导体混合结果，空间分辨率有限。
原始sEMG信号在时域上呈现三个显著特征。第一，随机性：由于运动单位的募集与放电服从神经系统的半随机调控，同一动作重复执行时，原始波形无法精确复现，仅具有统计意义上的相似性。第二，零均值对称性：未经整流的原始信号振幅在正负方向上近似对称分布，均值趋近于零，这是理解后续为何必须进行整流处理的关键。第三，微弱幅度：表面采集到的信号峰值通常在0--6 mV范围内，基线噪声在优质设备下应低于5 μV，理想值为1--2 μV。若放松状态下基线明显偏高，应优先排查设备共模抑制比不足或环境电磁干扰，而非归因于肌张力。
在频域上，sEMG信号的有效频带通常被界定为10--500 Hz，其中绝大部分信号能量集中于20--150 Hz区间，主能量带为30--300 Hz。这一频带特性直接决定了前端模拟电路与后端数字滤波器的设计参数。低于10 Hz的成分多为基线漂移（Baseline Wander）与运动伪影（Motion Artifact），由电极--皮肤界面阻抗变化或肢体位移引起；高于500 Hz的成分则以高频噪声与肌电信号的高频衰减尾部为主。特别需要注意的是，50 Hz（或60 Hz）工频干扰的频率恰好落在sEMG主能量带内，且其幅度通常比有效信号高1--3个数量级，是采集过程中最难抑制的干扰源之一。
采集系统的硬件链路通常遵循"电极→仪表放大→带通滤波→二级放大→模数转换"的架构。电极采用三点式差分配置：两个输入电极置于肌腹上方，间距约1--2 cm，方向与肌纤维走向平行；参考电极置于远离目标肌肉的骨性突起或 electrically neutral 区域。仪表放大器（Instrumentation Amplifier）作为第一级，必须具备极高的共模抑制比（CMRR，通常要求>80 dB），以抑制肢体作为天线接收的共模电磁干扰。信号经第一级放大后，需通过带通滤波器保留10--500 Hz有效成分，同时抑制高频噪声与低频漂移。由于sEMG信号幅度微弱，两级放大设计可避免单级高增益导致的饱和失真。
进入数字域后，标准预处理流程通常包含五个步骤。第一步是去直流（去均值），消除采集系统引入的直流偏置。第二步是带通滤波，数字实现中常用4阶巴特沃斯（Butterworth）无限脉冲响应滤波器，通带设为20--450 Hz，既保留有效成分，又提供陡峭的滚降特性。第三步是陷波滤波（Notch Filter），针对50 Hz工频及其谐波（100 Hz）进行窄带抑制，陷波深度需大于40 dB，带宽通常设为±2 Hz，以避免过度衰减邻近有效频谱。第四步是全波整流（Full-Wave Rectification），即取绝对值，将双极性信号转为单极性，使后续统计量计算具有物理意义。第五步是包络提取（Envelope Extraction），通过低通滤波（如6 Hz截止）对整流后信号平滑，得到反映肌肉激活水平的线性包络。
包络提取的物理意义在于：原始sEMG信号的频率成分（20--150 Hz）反映的是运动单位动作电位的发放时程与传导速度，而包络的低频轮廓（<10 Hz）则对应肌肉收缩力的缓慢变化过程。在假肢控制或康复评估中，真正用于决策的往往不是高频振荡的原始波形，而是包络所表征的激活水平（Activation Level）。均方根值（RMS）是另一种常用的激活水平度量，其数学本质是在滑动时间窗内对信号能量求平均，与包络具有高度相关性，但对瞬时尖峰更为敏感。
特征提取是连接预处理信号与模式识别的桥梁，可分为时域、频域与时频域三条路径。时域特征直接从整流后或原始信号的波形中计算，包括平均绝对值（MAV）、积分肌电值（iEMG）、均方根（RMS）、零穿越次数（ZC）、波形长度（WL）与斜率符号变化（SSC）。这些特征计算复杂度低，适合嵌入式实时系统。频域特征基于功率谱密度（PSD）计算，包括中值频率（Median Frequency, MDF）、均值频率（Mean Frequency, MNF）与谱熵（Spectral Entropy），对肌肉疲劳导致的频谱压缩现象尤为敏感。时频域方法如短时傅里叶变换（STFT）与小波变换，则适用于非平稳过程的分析，但计算开销较大。
理解sEMG信号的本质，需要始终把握"时空叠加"这一核心概念。电极记录到的每一时刻的电压值，都是电极感知体积内所有活跃MUAP经组织滤波后的加权总和。组织本身构成一个容积导体，具有低通滤波效应：高频成分随传播距离增加而衰减，深层MUAP的高频分量到达表面时已被显著削弱。因此，表面电极更敏感于浅层、大型运动单位的活动，而针电极才能捕捉深层小运动单位的细节。这一生理物理机制解释了为何不同研究中同一肌肉的频谱特征存在差异------电极间距、皮肤厚度、脂肪层厚度与肌纤维走向均会改变容积导体的传递函数。
最后，需要强调一个工程实践中极易混淆的概念：基线噪声与肌肉静息电位。放松状态下的目标肌肉，其sEMG基线应接近零均值，且峰峰值不超过5 μV。若观察到持续的、有节律的基线波动，通常源于邻近肌肉的串扰（Cross-talk）、50 Hz工频泄漏或电极接触阻抗不稳定，而非目标肌肉的"静息张力"。在后续专栏中，我们将基于本讲建立的生理与系统认知，逐步展开MATLAB/Python环境下的数字滤波实现、多通道特征提取代码、以及针对手势识别与疲劳监测的具体案例分析。掌握上述频带特性、噪声来源与信号链路的物理本质，是避免在后续处理中盲目套用算法、导致结果不可复现的前提。