引言
肌电图（EMG）是一种量化骨骼肌产生的电活动的基础技术，能够直接评估神经肌肉功能和运动控制。EMG捕捉运动单元激活的生物电后果——每个运动单元由一个运动神经元及其支配的肌纤维组成。当神经冲动到达这些纤维时，运动单元动作电位（MUAPs）在肌膜上传播，并表现为可测量的电信号，共同形成EMG波形。
EMG记录主要有两种方式：肌内EMG（iEMG）和表面EMG（sEMG）。肌内EMG采用细丝或针电极直接插入肌肉，能够对单个或小群纤维进行高度局部化的测量。由于其特异性，iEMG在神经肌肉疾病诊断中处于前沿地位，但其侵入性限制了重复或大规模应用。表面EMG则使用皮肤上的电极记录多个底层运动单元的汇总活动，但易受串扰影响，且只能记录浅表肌肉。
sEMG信号具有幅度小（100 μV至几mV）、典型频率范围在10–500 Hz的特点。其非平稳和随机性反映了肌肉募集、收缩强度和生理噪声的变异性。由于信号幅度受解剖和技术因素影响较大，通常采用最大自主收缩（MVC）进行归一化处理，以确保跨受试者和跨会话的可比性。
除了信号采集，sEMG为中枢神经系统控制力生成机制提供了数值视角。肌肉力的产生取决于更多运动单元的募集和放电频率（速率编码），sEMG是分析神经肌肉机制的一种便捷技术。EMG在周围神经病变、运动神经元疾病和肌病的诊断中持续发挥关键作用，其中MUAP形态和募集模式可用于支持鉴别诊断。基于EMG的生物反馈在康复中也十分有用，通过提供肌肉活动的实时反馈，使患者能够重新调节运动通路。由于EMG能够预测可观察的运动，并能在早期阶段检测神经肌肉活动，sEMG信号为监测由衰老、临床治疗或体能训练引起的神经肌肉系统纵向变化提供了宝贵手段。
sEMG在当代辅助技术和人机接口技术中也日益重要。肌电假肢基于残余肌肉EMG驱动假肢，而外骨骼和虚拟现实系统利用EMG实现直观的设备控制。它与机器学习和机器人技术的结合，使得自适应控制和个性化康复成为可能。
尽管取得了显著进展，EMG在电极放置、信号处理和分类方面仍缺乏标准化方案，这导致了较高的受试者间和会话间变异性。这些挑战凸显了对严格方法学框架和先进分析工具的需求，以增强可重复性和临床可靠性。
肌电图的历史
肌电图的历史与电生理学的历史密不可分。其原理可追溯至17世纪，Francesco Redi记录了电鳐的放电特性。18世纪中期，随着John Walsh证明电鳗能够产生可见火花，动物电的概念逐渐形成。概念上的突破发生在18世纪末Luigi Galvani的经典实验中，他利用青蛙制备标本，直接建立了肌肉收缩与内在电活动之间的关联。
19世纪早期，电流计的发明使得测量微小电流成为可能，推动了肌肉活动记录的发展。Carlo Matteucci证明了受刺激的神经如何通过电传导兴奋相邻肌肉。1849年，研究人员已能记录人类肌肉在自主收缩时的电活动。1917年，Pratt描述了收缩强度与募集的运动单元数量成正比，这导致了分级激活概念的出现。1920年代，哈佛大学的Edmund Jacobson首次将EMG用于生物反馈，展示了EMG的治疗应用。
虽然肌内（针式）EMG在20世纪中期已成为一门临床诊断学科，但sEMG的临床转化路径要缓慢得多。尽管经过数十年的技术进步，sEMG在很大程度上仍局限于研究环境，并且在大多数西方康复和物理治疗学院的学术课程中代表性严重不足。
EMG的发展在1950年代和60年代见证了临床生物反馈获得认可，为反馈受损的患者提供了替代本体感觉线索和恢复运动控制的手段。1980年代巩固了其价值，系统研究表明，将运动与EMG生物反馈相结合可显著增强肌肉激活和扭矩发展。1990年代，技术进步带来了更便携的系统，并拓宽了sEMG在运动医学和术后康复中的应用。现代时代代表了sEMG应用的巨大扩展，表面EMG生物反馈现已应用于骨科和神经康复、慢性疼痛管理和步态再训练等领域。
方法与描述性趋势
本综述根据《系统综述和荟萃分析优先报告项目（PRISMA）2020》声明系统进行。方案经过前瞻性定义，并在2025年5月至10月期间执行。经过数据库检索、去重、标题-摘要筛选、全文检索和资格评估，最终有88项研究符合所有纳入标准，被保留用于数据提取和合成。
文献描述性趋势显示，在2011-2021年间，EMG相关研究的估计增长率为3.4%，表明近十年来该领域研究呈稳定上升趋势。出版场所以工程、康复、生物医学信号处理和运动科学期刊为主。
设备与采集技术
EMG记录的质量和可靠性根本上取决于所使用的采集技术和设备。表面EMG采集是最广泛的非侵入性测量肌肉电活动的方法。初始关键步骤是适当的皮肤准备，以确保电极-皮肤接口的低阻抗，从而减少信号失真并最小化噪声暴露。sEMG电极通常是凝胶式（湿式）银-氯化银（Ag/AgCl）电极。干电极也因其便利性而越来越受欢迎。
任何EMG系统的基础都是高精度仪器放大器，如INA128、AD620或INA114。这些放大器能够将微伏级的肌肉电位转换为稳定的毫伏信号。在现代EMG中，最流行的是双极表面电极配置。为了进行更深入和侵入性的研究，特别是涉及运动单元详细检查的研究，使用同心或单极针电极。
信号调理和滤波是获得高质量EMG采集的基础。前端模拟电路通常使用高通滤波器（10–20 Hz）和低通滤波器（约500 Hz）来塑造EMG带宽。模数转换器（ADC）以12位至24位的分辨率处理信号到数字形式的转换。采样率通常为表面EMG 1至4 kHz，肌内记录高达10–20 kHz。新兴系统集成了蓝牙、Wi-Fi或ZigBee模块以实现无线传输。高密度表面EMG（HD-sEMG）阵列采用多通道电极网格与多通道放大器接口，记录空间分布的肌肉活动。
信号预处理
预处理是表面sEMG信号研究中不可或缺的预备过程。其首要目标是以减少噪声、伪影和失真的方式处理原始生物信号，从而捕获真实的神经肌肉活动。电极-皮肤接口的质量是准确EMG的基本要求。出色的皮肤准备（如用酒精清洁和轻微磨损）对于获得低接触阻抗至关重要。
放大对于增加信号幅度至关重要。有效的EMG放大器必须在差分配置下运行，具有高共模抑制比（CMRR >100 dB）和高输入阻抗（通常>100 MΩ）。滤波和伪影处理构成EMG预处理的一个阶段。预处理通常从对大约10–500 Hz的生理相关带宽进行带通滤波开始。高通滤波器（通常10–20 Hz）可消除基线漂移和缓慢的运动变化，而低通滤波器（400–500 Hz）可消除仪器引起的高频噪声。在区域电源线频率（50或60 Hz）处可以使用陷波滤波器。
一旦模拟信号调理完成，EMG信号必须被数字化以便存储、处理和复杂分析。采样频率对于信号的准确采样至关重要。根据奈奎斯特准则，应选择至少两倍于信号中最高频率的采样率，以防止混叠。1 kHz至4 kHz之间的采样率在现实世界EMG记录中是正常的。
归一化和分割是EMG预处理的基础，使得跨受试者和试验的有意义比较成为可能。原始EMG幅度由于电极位置、皮肤阻抗和个体生理学而表现出极大的变异性。归一化到最大自主收缩（MVC）是一种广泛采用的标准。在无法获得MVC的情况下，采用特定任务功能归一化或次最大基准作为必要的替代方案。
分类与分析方法
EMG信号的分类和分析为假肢控制、机器人康复、手势识别和临床诊断奠定了基础。EMG分析的发展已从纯粹的统计信号处理转向智能的、数据驱动的学习框架。
早期EMG分类依赖于旨在捕捉幅度和频率模式的确定性和统计描述符。由于简单性和快速计算，线性判别和自回归模型主导了初始研究。机器学习技术的出现提供了新的灵活性水平，允许系统直接从数据中学习EMG特征和物理手势之间的复杂映射。
特征提取是正确EMG识别的基础。时域度量（如平均绝对值、均方根和波形长度）仍然很流行。频域度量（包括平均/中值频率和功率谱密度）需要平稳性，可能无法捕捉瞬态事件。时频技术结合了两种视角以克服这些限制。最现代的方法是基于小波的特征提取。
随着EMG特征复杂性的增长，有效的降维对于确保计算负载可控和避免过拟合是必要的。更丰富的混合系统基于特征域的组合，但它们可能包含冗余。为了解决这个问题，使用线性判别分析（LDA）和主成分分析（PCA）来减少特征空间。最新的发展结合了优化算法，如遗传算法（GA）、粒子群优化（PSO）和蚁群优化（ACO），以自动应用最佳特征子集或优化模型超参数。
与使用工程特征的传统机器学习方法不同，近年来发生了范式转变，深度学习模型可以在无需使用工程特征的情况下对原始EMG信号进行端到端学习。深度网络，特别是卷积神经网络（CNNs）和循环神经网络（RNNs），被用作学习EMG数据中分层表示、提取空间和时间关系的机制。
当前方法的全面分析表明，每种分类范式都有其自身的优点和缺点。自回归（AR）模型计算效率高，但处理信号状态突然变化时能力较弱。小波方法在处理非平稳行为方面表现良好，但需要更多的计算能力。神经和模糊系统灵活且可解释，但可能需要大量参数调整。支持向量机（SVM）在准确性和计算之间相当平衡，但对超参数的选择可能很敏感。集成方法具有近乎完美的准确性和鲁棒性，但需要更多内存和处理能力来处理多个模型。
数据增强是通过合成已知在幅度、噪声或时间动态上变化的数据集来缓解数据稀缺问题的潜在有用解决方案。迁移学习也减轻了数据收集的负担，因为在一个人或数据集上训练的模型可以在新用户上重用，只需最少的再训练。
EMG分析的未来在于多模态系统。情境感知算法正在开发中，以纳入环境线索，使分类器能够预测用户的下一步行动。随着这些系统变得越来越个性化，伦理和人体工程学方面的考虑至关重要。
医学应用
EMG，特别是sEMG，通过提供神经肌肉系统与外部设备之间的非侵入性链接，成为当代临床和康复实践的重要组成部分。
在诊断和治疗应用方面，虽然针式EMG是诊断肌病和神经病等疾病的基石，但sEMG已成为监测运动障碍和康复的有前途的工具。通过分析运动单元动作电位（MUAPs）的幅度、持续时间和放电率，临床医生能够区分神经和肌肉病变。在帕金森病和相关运动障碍中，EMG参数（如反射的潜伏期和幅度）被认为是刚性、震颤和受损姿势控制的定量生物标志物。在康复医学中，sEMG用于实时生物反馈，使中风或神经损伤患者能够可视化和纠正异常的肌肉激活模式。
在运动控制和假肢应用方面，表面EMG在用户和假肢系统之间提供了生物通信通道。通过测量前臂上的残余肌肉活动，sEMG允许截肢者自主控制多自由度假肢。EMG信号用于识别意图抓握的类型并估计相关的肌肉力，然后将其转换为手指位置和握力的实时控制。
最近的研究结合了机器学习算法，如神经网络、支持向量机（SVM）和局部加权投影回归，来解释复杂的EMG模式。这些算法能够以高达90%的准确率预测抓握类型和握力。使用贝叶斯融合后处理进一步改善了分类。这些复杂的系统已经通过使用多个sEMG电极成功激活机器人假肢手的实验进行了测试。
基于EMG的控制的整合为截肢者提供了自然、连续和精确的操作能力。该方法完全非侵入性且易于实现，同时可适应个体生理变异和肌肉疲劳。它消除了对复杂手术接口或侵入性电极植入的需求，拓宽了临床和家庭应用的范围。此外，简短的用户训练足以实现可靠的控制，显示了实际康复和辅助应用的高潜力。
挑战与未来方向
EMG的发展验证了生理学研究与技术发展之间的协同作用。如今，EMG在医学诊断、康复、生物反馈以及先进的假肢控制和人机接口（HMIs）中发挥着至关重要的作用。然而，该学科面临着相当大的问题：广泛的信号变异性使得模型标准化变得困难；最佳深度学习模型的黑箱特性使得在可解释性关键的临床环境中无法采用；协议实施不一致限制了深度学习的潜力。
未来的轨迹由三个相互关联的主题定义：普适感知、锐化智能和平滑集成。普适感知得益于柔性、纳米材料基础和纺织品集成的干电极，将EMG带入连续、日常的领域。高密度sEMG（HD-sEMG）的发展带来了前所未有的空间分辨率水平。锐化智能将涉及向个性化、自适应的深度学习（DL）架构（CNNs / RNNs）的转变，并与可解释人工智能（XAI）关键耦合，将黑箱变为玻璃箱，为诊断结果提供具有医学意义、生理学基础的解释。最后，闭环系统的概念将成为现实，特别是假肢和外骨骼的开发结合了传感器融合（EMG + IMUs），通过复杂、游戏化的VR/AR生物反馈进行神经康复的发展，以及通过测量肌肉负荷以避免慢性劳损和预测损伤发生来预防和预测疾病的能力。
