一种将表面肌电图信号转换为肌肉激活信号的新型处理流程

表面肌电信号处理中传统低通滤波方法可能丢失高频生理信息。本研究提出基于希尔伯特-黄变换（HHT）的新处理流程，通过经验模式分解保留非平稳信号特性，结合肌肉激活动力学模型计算肌肉激活度。实验对10名受试者的EDC、FDS、FDP三肌群进行5次圆柱抓握动作采集，结果显示新方法激活度均值提升29%-35%（GMR 1.29-1.35），p<0.001。该方法显著优于传统滤波（低频截止30Hz）和线性包络方法，有效捕捉高频能量分布，为生物力学建模提供更准确肌肉输入参数。

　　
本文提出了一种基于希尔伯特-黄变换（Hilbert-Huang Transform, HHT）的新型表面肌电信号（sEMG）处理流程，旨在更准确地估计肌肉激活水平。研究聚焦于手部三个关键肌肉（背侧伸肌EDC、深层屈肌FDP和浅层屈肌FDS）在圆柱抓握任务中的激活模式，通过对比传统方法和新方法在十名受试者中的表现，验证了HHT在保留信号高频成分方面的优势。

### 研究背景与问题
表面肌电信号分析是生物力学建模和假肢控制的核心环节。传统方法通过低通滤波（如30Hz截止频率）提取sEMG的线性包络，但这一过程会显著衰减高频成分（>80Hz），而这些频率成分已被证实对肌肉激活的瞬时状态具有生理意义。例如，研究表明sEMG在250Hz以下仍存在显著能量分布，但现有方法普遍忽视这一部分信息。这可能导致肌肉激活估计的偏差，进而影响后续的力矩计算和运动模拟结果。

### 创新方法与流程
研究团队构建了基于HHT的端到端处理框架，主要改进体现在以下三方面：
1. **信号分解技术**：采用经验模态分解（EMD）替代传统滤波，EMD能自适应分解非平稳信号为多个固有模态函数（IMFs），保留原始信号的时间-频率分布特征。这一步骤避免了傅里叶变换固有的频带划分局限，更符合sEMG的生理特性。
2. **动态滤波策略**：通过HHT频谱分析确定信号能量分布（95%能量保留原则），建立动态截止频率（10-450Hz），替代固定低通滤波器。该方法在保留高频信息的同时抑制噪声。
3. **激活映射模型**：将希尔伯特包络能量与Hill肌肉模型结合，通过微分方程求解激活轨迹。该模型引入激活动态时间常数（激活/失活时间常数分别为15ms和50ms），更符合肌肉生理松弛特性。

### 实验设计与验证
研究采用10名健康受试者的五次圆柱抓握任务，采集三块肌肉的sEMG信号（采样率1kHz）。电极按 SENIAM 标准放置，通过最大收缩力（MVC）进行归一化处理。关键验证步骤包括：
- **频谱对比**：通过傅里叶变换（传统方法）与HHT频谱分析（新方法）的对比，直观展示高频成分（>80Hz）在抓握动作中的动态变化（图2-3）。
- **双流程验证**：所有数据同时通过传统处理链（带通滤波→整流→平滑→低通滤波）和新方法（HHT频谱分解→能量保留滤波→希尔伯特包络计算）处理，确保结果对比的客观性。
- **统计检验**：采用Wilcoxon符号秩检验（单侧，α=0.05）和线性混合效应模型（LME）量化方法差异。结果显示，新方法在所有肌肉的激活估计中均显著优于传统方法（p<0.001），平均激活值提升29-35%。

### 关键发现
1. **方法有效性**：在EDC、FDS、FDP肌肉中，新方法平均激活值提升31%（EDC）、35%（FDS）、29%（FDP）。例如，EDC肌肉的传统方法激活中位数仅为0.8，而新方法达到1.31（几何平均比GMR=1.31，95%置信区间1.255-1.359）。
2. **时间动态特性**：通过希尔伯特包络能量曲线（图5-7）可见，传统方法在动作初期（0-0.5秒）激活估计偏高，但无法捕捉后续高频振荡。而新方法能完整保留抓握动作中的动态能量变化，如手指屈伸的相位性肌电特征。
3. **个体差异分析**：混合效应模型显示，不同受试者在肌肉激活模式上存在显著个体差异（EDC肌肉个体间变异系数54%，FDP达98%）。这提示在模型应用中需考虑个性化适配。

### 理论意义与工程价值
1. **生理学启示**：高频成分（>80Hz）与运动单位募集速率相关，传统方法因滤除这些成分导致激活估计低估。研究证实，当保留高频信号时，肌肉收缩的瞬时功率谱密度（图3）更接近生理真实状态。
2. **工程优化**：新方法为可穿戴设备提供更精确的实时反馈机制。例如，假肢控制系统中，基于传统方法可能无法检测到30-80Hz频段的相位性肌电信号，导致动作预测延迟。
3. **模型验证框架**：提出的多阶段验证流程（频谱分析→激活映射→动态模型）为生物力学仿真提供了标准化评估方法，特别是对非线性肌肉收缩模型的参数标定具有指导意义。

### 局限与改进方向
1. **信号噪声干扰**：HHT对噪声敏感，短时信号（<5秒）的分解稳定性需进一步验证。建议结合小波阈值去噪优化。
2. **跨肌肉串扰**：电极间可能存在信号串扰（如FDP与FDS），需引入互相关分析量化影响。
3. **模型泛化性**：样本量（n=10）可能影响结果推广性，后续需扩大队列验证。
4. **计算效率**：EMD分解存在计算密集性问题，需探索GPU加速或近似分解算法。

### 行业应用前景
1. **康复医学**：实时监测肌肉激活状态（如手部肌群疲劳程度），指导个性化康复方案。
2. **智能假肢**：提升神经信号解码精度，实现更自然的抓握控制。
3. **运动科学**：量化运动训练中的肌肉募集模式，优化力量训练方案。

### 结论
本研究通过引入HHT技术重构了sEMG处理流程，解决了传统方法因频带截断导致的激活估计偏差问题。实验数据证实，该方法在保留信号时频特征方面具有显著优势，平均提升激活估计精度30%以上。这一突破为生物力学建模提供了更可靠的输入数据，同时为临床康复设备开发奠定了新的技术基础。后续研究可结合深度学习优化信号处理，或与肌肉生理模型深度融合。