emg

# 肌电图 (EMG) 分析 ## 概述 肌电图 (EMG) 用于测量骨骼肌在收缩过程中产生的电活动。NeuroKit2 中的 EMG 分析专注于振幅估计、肌肉激活检测以及用于心理生理学和运动控制研究的时间动态分析。 ## 主要处理工作流 ### emg_process() 自动化的 EMG 信号处理工作流。 python signals, info = nk.emg_process(emg_signal, sampling_rate=1000) **工作流步骤：** 1. 信号清洗（高通滤波、去趋势） 2. 振幅包络提取 3. 肌肉激活检测 4. 起始点和终止点识别 **返回：** - `signals`: 包含以下内容的 DataFrame： - `EMG_Clean`: 滤波后的 EMG 信号 - `EMG_Amplitude`: 线性包络（平滑后的整流信号） - `EMG_Activity`: 二进制激活指标 (0/1) - `EMG_Onsets`: 激活起始标记 - `EMG_Offsets`: 激活终止标记 - `info`: 包含激活参数的字典 **典型工作流：** - 处理原始 EMG → 提取振幅 → 检测激活 → 分析特征 ## 预处理函数 ### emg_clean() 应用滤波以去除噪声并为振幅提取做准备。 python cleaned_emg = nk.emg_clean(emg_signal, sampling_rate=1000) **滤波方法 (BioSPPy 方法)：** - 四阶巴特沃斯高通滤波器 (100 Hz) - 去除低频运动伪影和基线漂移 - 去除直流偏移 - 信号去趋势 **原理：** - EMG 频率内容：20-500 Hz（主要为：50-150 Hz） - 100 Hz 高通滤波可分离肌肉活动 - 去除心电图 (ECG) 干扰（特别是在躯干肌肉中） - 去除运动伪影 (<20 Hz) **EMG 信号特征：** - 收缩期间表现为随机的、零均值的振荡 - 振幅越高 = 收缩越强 - 原始 EMG：包含正向和负向偏转 ## 特征提取 ### emg_amplitude() 计算代表肌肉收缩强度的线性包络。 python amplitude = nk.emg_amplitude(cleaned_emg, sampling_rate=1000) **方法：** 1. 全波整流（取绝对值） 2. 低通滤波（平滑包络） 3. 下采样（可选） **线性包络：** - 随 EMG 振幅调制变化的平滑曲线 - 代表肌肉力量/激活水平 - 适用于进一步分析（激活检测、积分） **典型平滑处理：** - 低通滤波器：10-20 Hz 截止频率 - 移动平均：50-200 ms 窗口 - 平衡：响应性与平滑度 ## A