本文是肌电信号处理入门系列的第 2 个实战案例。第 1 个案例已经完成了肌电信号处理最基础的一套动作读取文本数据、去均值、带通滤波、陷波、整流、包络、基础时域特征、基础频谱观察。第 2 个案例不再重复这些基础内容而是在它们的基础上继续往前走先判断肌电信号在什么时间段活动比较明显再看频率能量如何分布最后把连续 EMG 切成很多短窗口用窗口特征训练一个最小机器学习分类器。本文会从 0 开始讲清楚这个案例。读完以后你应该能够理解下面这些问题为什么肌电信号不能只看一整段平均值。什么是肌电活动段为什么要自动检测活动段。为什么要看不同频带的能量占比。什么是时频图它比普通频谱多提供了什么信息。如何把连续 EMG 切成机器学习可以使用的样本。RMS、MAV、WL、ZC、SSC、VAR、MNF、MDF 这些窗口特征分别是什么意思。一个最小 KNN 分类器如何完成训练和测试。特征散点图和混淆矩阵应该怎么读。1. 第 2 个案例到底在做什么肌电信号 EMG 和很多常见信号不太一样。它通常不是一条平滑、周期明显、容易直接读出规律的曲线而是一段快速上下波动、正负交替、局部强弱变化明显的生物电信号。第 1 个案例解决的是“怎么把一条原始肌电信号处理到可以观察”的问题。也就是说我们先学会读数据先知道滤波、整流、包络、频谱、基础特征这些东西是什么。但真正进入工程应用以后只会看一条曲线还不够。我们经常会继续问这段信号什么时候比较活跃 不同类型 EMG 的频率成分有什么差别 能不能把 EMG 自动分成健康、肌病、神经病几类这就引出了第 2 个案例的三条主线。第一条主线是活动段分析。肌电信号不是每一个时间点都有同等意义。很多时候我们更关心肌肉活动明显增强的片段。活动段检测就是让程序自动找出这些片段。第二条主线是频率分析。EMG 的幅值告诉我们“强不强”但频率分布可以告诉我们“能量主要集中在哪里”。不同状态下的肌电信号可能不仅仅是幅值不同也可能是频率组成不同。第三条主线是机器学习分类。机器学习模型一般不能直接理解一整条原始曲线。我们需要先把连续信号切成许多短窗口再把每个窗口变成一组数字特征。这样一段 EMG 就可以变成一个机器学习数据表。所以本案例的整体流程可以概括为Case1 数据 - 读取三类 EMG - 预处理 - 活动段检测 - 频带能量分析 - 时频图分析 - 滑动窗口切分 - 窗口特征提取 - 训练/测试 KNN 分类器 - 绘图和结果解释这条流程已经比第 1 个案例更接近真实项目。因为真实项目很少只停留在“画一下波形”更多时候会继续做事件检测、特征提取、分类识别或状态评估。2. 数据和脚本的基本设置脚本开头先定义路径BASE_DIRPath(__file__).resolve().parent PROJECT_DIRBASE_DIR.parent DATA_DIRPROJECT_DIR/Case1/dataRESULT_DIRBASE_DIR/resultsBASE_DIR是当前脚本所在目录也就是Case2。PROJECT_DIR是项目根目录。DATA_DIR指向Case1/data说明第 2 个案例不重新下载数据而是直接复用第 1 个案例的数据。RESULT_DIR指向Case2/results表示第 2 个案例生成的图片单独放在自己的结果文件夹中避免和第 1 个案例混在一起。脚本中使用的采样率为FS4000这表示 1 秒钟有 4000 个采样点。后面所有“秒”和“采样点”的换算都依赖这个值。例如0.25 秒窗口对应0.25 秒 x 4000 点/秒 1000 个采样点脚本还区分了两个分析时长ANALYSIS_SECONDS5ML_SECONDS15前 5 秒用于活动段、频带能量和时频图。原因是这三类图主要用于观察太长会让图变得拥挤不利于入门理解。前 15 秒用于机器学习。原因是机器学习需要更多窗口样本。如果只用 5 秒每类样本太少训练集和测试集都不够丰富。这就是一个很常见的工程取舍用于可视化的片段要短一些便于看清楚用于建模的数据可以长一些便于得到更多样本。3. 第一步读取 EMG 文本数据肌电数据保存在 txt 文件里。通常每一行有两列时间 EMG幅值第一列是时间单位是秒第二列是该时刻对应的肌电幅值。脚本中的load_emg_txt()没有简单地直接使用np.loadtxt()而是用正则表达式逐行提取数字。这么写是为了更稳。公开数据文件有时会出现空行、格式不完全一致、异常字符等情况。逐行提取数字的好处是只要一行里能读到有效数字程序就尽量保留读不到有效数字的行就跳过。这一步结束以后每个文件都会变成两个数组time: 时间轴 emg: 肌电幅值到这里肌电信号还只是原始数值序列。它可能包含直流偏置、低频漂移、高频噪声和工频干扰所以还不能直接拿来分析。4. 第二步预处理预处理函数preprocess_emg()完成三件事去均值 - 20-450 Hz 带通滤波 - 50 Hz 陷波去均值是为了去掉直流偏置。原始 EMG 可能不是围绕 0 上下波动而是整体偏高或偏低。如果不先去掉均值后续计算 RMS、MAV、过零次数等特征时都会受到影响。20-450 Hz 带通滤波是为了保留常见 EMG 有效频段。太低的频率容易混入运动伪迹、基线漂移太高的频率容易混入采集噪声。带通滤波不是说 20 Hz 以下和 450 Hz 以上一定完全没意义而是在入门分析中先保留主要有效成分会让后续结果更稳定。50 Hz 陷波是为了抑制工频干扰。在中国大陆常见电源频率是 50 Hz采集生物电信号时可能混入这一频率附近的干扰。陷波滤波器的作用是尽量压低 50 Hz 附近的成分。预处理以后我们得到一条更适合分析的 EMG 信号。后面的活动段检测、频带能量、时频图、机器学习特征都是基于预处理后的信号完成的。5. 第三步活动段检测活动段检测要回答的问题是这段 EMG 中哪些时间位置可以认为肌肉电活动比较明显脚本采用的是一个入门级但很直观的方法滤波后信号 - 取绝对值 - 移动平均平滑 - 得到包络 - 根据包络自动计算阈值 - 包络超过阈值的位置认为是活动区域为什么要取绝对值因为原始 EMG 是正负交替的。如果直接平滑正值和负值会互相抵消反而看不出“强度”。取绝对值以后正负波动都变成非负强度。为什么要平滑因为 EMG 本身快速抖动逐点判断会非常敏感。平滑以后得到的是一种“整体强度趋势”更适合判断活动段。为什么要自适应阈值因为三类数据的幅值范围不同。如果给所有信号同一个固定阈值可能对某类信号太严格对另一类信号太宽松。脚本使用包络的中位数和中位绝对偏差来估计阈值大致可以理解为阈值 包络基线水平 若干倍波动范围包络超过这个阈值就说明此处强度明显高于背景水平。脚本还会过滤太短的活动段。因为非常短的超过阈值区域可能只是尖峰或噪声不一定代表真正稳定的肌电活动。行文到这里插入第 1 张图活动段检测图。这张图应该按行来看。每一行对应一类 EMG健康、肌病、神经病。图中通常能看到滤波后的信号、平滑包络、阈值线以及程序标出的活动区域。读这张图时不要只看原始波形有多乱而要看三件事第一看包络什么时候明显抬高。包络代表局部肌电强度趋势包络越高说明这一段整体活动越强。第二看包络是否超过阈值。超过阈值的位置才会被程序判定为活动段。第三看活动段是连续出现还是只在局部短暂出现。连续活动段往往代表一段比较稳定的放电过程零散短片段则可能说明活动更间断。从脚本运行结果可以看到健康信号在前 5 秒中检测到了多个较短活动段肌病信号在当前阈值设置下没有检测到明显活动段神经病信号在开头附近检测到活动段。这里要注意活动段检测结果依赖阈值、平滑窗口和选取片段不应直接当成临床结论。它在本案例中的主要意义是教学让我们理解如何从连续 EMG 中自动找出“更值得重点观察”的时间区域。6. 第四步频带能量分析看完“什么时候活动明显”以后下一步要问这些 EMG 的能量主要集中在哪些频率范围这就是频带能量分析。脚本把 20-450 Hz 分成四个频带20-60 Hz 低频 60-150 Hz 中低频 150-250 Hz 中高频 250-450 Hz 高频这种划分不是临床诊断标准而是入门观察用的粗略分段。它的好处是直观我们可以不只看一条完整频谱曲线而是把频率范围分成几块比较每一块占总能量的比例。计算思路是对滤波后 EMG 做功率谱估计 - 计算每个频带内的功率总和 - 用每个频带功率 / 总功率 - 得到频带能量占比如果某一类信号在中高频或高频占比更大说明它的能量更偏向较高频率如果低频和中低频占比更大说明能量更偏向较低频率。频率分布可以补充幅值信息让我们从另一个角度观察 EMG。这张图的读法比较直接。横轴是不同频带纵轴是能量占比。不同颜色或不同柱子对应不同类别的 EMG。读图时可以重点比较三点第一每一类信号能量最高的频带在哪里。这个频带可以粗略理解为该类信号的主要能量集中区域。第二不同类别在同一个频带上的占比是否差异明显。例如某一类在 150-250 Hz 上明显更高说明这类信号可能具有更多中高频成分。第三能量是否分布得比较集中还是多个频带比较平均。如果能量高度集中在某一频段说明频率组成更偏向某一区域如果多个频带都不低则说明频率成分更分散。从脚本打印的结果看健康信号的能量较多落在 60-150 Hz肌病信号在几个频段上分布相对更分散神经病信号在 150-250 Hz 的占比较高。这些差异为后面的机器学习分类提供了直观基础如果不同类别在频率结构上确实有差别那么频域特征就可能帮助分类器区分它们。7. 第五步时频图普通频谱告诉我们整段信号里有哪些频率成分但普通频谱不告诉我们这些频率成分分别出现在什么时候这就是时频图要解决的问题。EMG 是随时间变化的信号。某些频率成分可能只在某个短暂活动段出现而不是贯穿整个记录。如果只看整段频谱这些时间信息会被平均掉。时频图则把信号分成很多小段对每个小段分别估计频谱然后把结果拼成一张二维图。时频图可以理解为横轴: 时间 纵轴: 频率 颜色: 该时间、该频率附近的能量强弱颜色越亮表示该时间点附近、该频率附近的能量越强。脚本中使用的是短时傅里叶变换思想也就是把长信号切成短片段每个片段计算一次频谱。这样我们就能看到频率成分如何随时间变化。读这张图时可以从左到右看时间变化从下到上看频率变化。如果某个时间位置出现一片亮色区域说明该时间附近能量较强。如果亮色集中在低频区域说明该时间附近低频成分更明显如果亮色延伸到较高频率说明高频成分也较强。时频图和活动段检测图可以结合起来读。活动段检测图告诉我们“什么时候强度明显抬高”时频图告诉我们“这个时间附近主要有哪些频率成分”。如果某个活动段在时频图中也出现明显亮色区域就说明这个活动段不仅幅值增强而且在频率能量上也有明显表现。到这里Case2 的前半部分已经完成我们从连续 EMG 中找出了活动段看了不同频带能量占比也观察了频率成分随时间变化的情况。接下来进入后半部分机器学习。8. 为什么要把连续 EMG 切成窗口机器学习模型通常吃进去的是一个二维数据表样本1: 特征1, 特征2, 特征3, ... 样本2: 特征1, 特征2, 特征3, ... 样本3: 特征1, 特征2, 特征3, ...但是 EMG 原始数据是一条连续曲线不是天然的数据表。所以我们需要把连续信号切成很多短窗口。每个窗口代表一个短时间片段然后从这个窗口里提取特征。本案例中每个窗口长度是WINDOW_SECONDS0.25采样率是 4000 Hz所以一个窗口有0.25 x 4000 1000 个采样点相邻窗口之间重叠 50%也就是步长为 500 个采样点约 0.125 秒。为什么要重叠因为重叠可以从有限长度的信号中得到更多样本也能让相邻窗口之间变化更平滑。缺点是样本之间并不完全独立。入门案例中这样做可以让训练和测试过程更容易展示真正严谨的研究中还需要更仔细地设计训练集和测试集划分方式避免数据泄漏。切窗口以后每个窗口仍然是一段包含 1000 个采样点的小信号。机器学习模型还是不能直接理解它所以还要把窗口变成特征向量。9. 窗口特征是什么本案例为每个窗口提取 8 个特征RMS 均方根 MAV 平均绝对值 WL 波形长度 ZC 过零次数 SSC 斜率变号次数 VAR 方差 MNF 平均频率 MDF 中值频率RMS 是均方根可以理解为窗口内信号强度的一种表示。信号整体越强RMS 往往越大。MAV 是平均绝对值也表示平均幅值强度。它比直接平均更适合 EMG因为 EMG 有正有负直接求平均会互相抵消。WL 是波形长度计算相邻采样点变化量的绝对值总和。波形越剧烈、越复杂WL 通常越大。ZC 是过零次数表示信号穿过 0 的次数。它可以粗略反映信号振荡情况。为了避免很小噪声造成虚假过零脚本加入了一个小阈值。SSC 是斜率变号次数表示波形上升和下降方向切换的次数。它可以粗略反映波形复杂程度。VAR 是方差表示窗口内信号围绕均值波动的强弱。MNF 是平均频率可以理解为频谱能量的重心。频率成分越偏高MNF 往往越大。MDF 是中值频率表示累计频谱能量达到一半时对应的频率。它也是 EMG 频域分析中常见的入门特征。这样一个窗口就从 1000 个采样点变成了 8 个数字一个 0.25 秒 EMG 窗口 - 8 个特征 - 一个机器学习样本对三类 EMG 重复这个过程就得到一个带标签的数据集。标签就是健康、肌病、神经病。10. 特征散点图先直观看分类有没有希望在正式看分类结果之前先看特征散点图很有用。它可以帮助我们判断不同类别在特征空间里是否天然有分离趋势。脚本中的散点图选取两个最直观的特征作为横纵轴RMS 和平均频率 MNF。RMS 代表强度MNF 代表频率重心。一个偏时域一个偏频域组合起来比较适合入门观察。行文到这里插入第 4 张图整合版机器学习特征散点图。读这张图时每一个点就是一个 EMG 窗口样本。点的颜色代表类别。横轴通常是 RMS纵轴通常是 MNF。如果三类点混在一起说明只靠这两个特征很难区分类别。如果三类点大致分成不同区域说明这些特征已经包含了分类信息。从这张图可以看出不同类别在 RMS 和 MNF 这两个维度上已经有明显差异。神经病样本的 RMS 往往更高MNF 也可能偏高健康和肌病样本虽然更接近但仍然存在一定分布差异。不过要注意散点图只展示了 8 个特征中的 2 个。KNN 分类器实际使用的是完整 8 维特征而不是只看图上的两个维度。所以即使二维散点图中有些点靠得近8 维空间里仍然可能更容易区分。11. KNN 分类器从 0 理解本案例没有使用scikit-learn而是用 NumPy 手写了一个最小 KNN 分类器。这样做的目的不是追求最高性能而是让初学者看清楚机器学习最小流程。KNN 的全称是 K-Nearest Neighbors中文可以叫 K 近邻。它的思想非常直观要判断一个新样本属于哪一类 就去训练集中找距离它最近的 K 个样本 看这 K 个邻居里哪一类最多 新样本就预测为哪一类。本案例中K_NEIGHBORS5也就是每次预测时找最近的 5 个训练样本。在做 KNN 之前脚本先划分训练集和测试集训练集: 用来给 KNN 提供已知样本 测试集: 用来评估 KNN 对新样本的预测效果脚本使用分层划分也就是每一类都按相同比例拆分成训练样本和测试样本。这样可以避免某一类在测试集中太多或太少。接下来是特征标准化。为什么要标准化因为不同特征的数值范围差别很大。例如 RMS 可能是 0.1 左右而 MNF 可能是一百多。如果不标准化距离计算会被数值范围大的特征主导KNN 就不公平。标准化的基本形式是标准化后的特征 (原始特征 - 训练集均值) / 训练集标准差注意均值和标准差只从训练集计算然后应用到训练集和测试集。这样做更符合机器学习评估原则因为测试集应该模拟“未知数据”不能提前参与训练过程。12. 混淆矩阵分类结果怎么读分类准确率是最直观的指标。脚本运行后KNN 在测试集上的准确率为 100%。这说明在当前数据、当前切窗方式、当前特征和当前划分下测试样本都被正确分类。但只看准确率还不够。我们还要看混淆矩阵。混淆矩阵的规则是行 真实类别 列 预测类别如果某个数字落在对角线上说明这些样本被预测正确如果数字落在非对角线位置说明有样本被错分到别的类别。这张图中对角线位置的数字表示预测正确的样本数。非对角线如果为 0说明没有对应类型的误判。在当前结果中混淆矩阵为[[30 0 0] [ 0 36 0] [ 0 0 36]]类别顺序是健康、肌病、神经病所以它表示健康测试样本 30 个全部预测为健康肌病测试样本 36 个全部预测为肌病神经病测试样本 36 个全部预测为神经病。这就是准确率 100% 的来源。这里需要特别说明这个 100% 准确率不应该被理解为“这个模型已经可以临床诊断”。它只说明在当前公开示例数据、当前窗口切分、当前特征、当前训练测试划分下三类样本差异足够明显KNN 能够把测试窗口分开。真实项目中还需要更多数据、更严格的跨被试验证、更完整的训练测试隔离、更系统的模型比较才能讨论泛化能力。入门案例的重点是把流程跑通把机器学习分类的基本思想讲清楚。13. 把前后两部分连起来理解到这里本案例其实完成了两层分析。第一层是解释性分析活动段检测 频带能量占比 时频图这一层更偏“看懂信号”。它帮助我们理解每一类 EMG 在时间和频率上的表现。活动段检测告诉我们哪里更活跃频带能量告诉我们能量主要在哪些频率范围时频图告诉我们频率成分如何随时间变化。第二层是建模分析滑动窗口 窗口特征 标准化 KNN 分类 混淆矩阵评估这一层更偏“让程序自动判断类别”。它把连续 EMG 转换为机器学习样本再用 KNN 完成一个最小三分类任务。两层分析之间并不是割裂的。前面的活动段和频率分析帮助我们理解为什么后面的特征可能有效后面的分类结果反过来说明这些窗口特征中确实包含了能够区分类别的信息。可以把整个案例理解成一句话先用信号处理方法看懂 EMG再用窗口特征把 EMG 交给机器学习模型。这也是很多肌电项目的基本思路。14. 这篇实战里最重要的几个概念第一个概念是预处理。没有预处理后面的包络、频带能量、窗口特征都会受到偏置、噪声和干扰影响。预处理不是为了让图好看而是为了让后续分析更可靠。第二个概念是活动段。EMG 中不是所有时间点都同样重要。自动检测活动段可以帮助我们找到更值得分析的片段。第三个概念是频域。时域看强度和波形频域看能量分布。肌电分析经常需要同时看这两个角度。第四个概念是时频分析。普通频谱会丢掉时间信息时频图能告诉我们某些频率成分在什么时候出现。第五个概念是滑动窗口。连续信号必须经过切窗才能变成机器学习样本。第六个概念是特征。机器学习模型不直接理解“肌电”这个词它只看数字。RMS、MAV、WL、ZC、SSC、VAR、MNF、MDF 这些数字就是我们给模型的输入。第七个概念是标准化。KNN 依赖距离计算不同特征量纲不同必须先标准化否则距离会被大数值特征主导。第八个概念是评估。准确率能快速看整体表现混淆矩阵能进一步告诉我们具体错在哪里。15. 可以继续改哪里这个案例是入门版代码故意保持在一个.py文件里方便从上到下阅读。后续可以从几个方向继续扩展。可以修改活动段阈值THRESHOLD_MAD_FACTOR2.5这个值越大检测越严格值越小检测越宽松。修改以后可以观察活动段检测图发生什么变化。可以修改窗口长度WINDOW_SECONDS0.25窗口越短时间分辨率越高但特征可能不够稳定窗口越长特征更稳定但样本数量减少也可能把多个状态混在一起。可以修改 KNN 的 K 值K_NEIGHBORS5K 越小模型越容易受局部样本影响K 越大分类结果更平滑但可能忽略局部差异。可以增加更多特征。例如积分肌电 IEMG、峰值频率、频谱熵、分位数幅值等。增加特征时要同时修改FEATURE_NAMES和extract_window_features()。也可以把手写 KNN 换成 scikit-learn 中的 SVM、随机森林、逻辑回归等模型。不过在入门阶段先把 KNN 的完整流程看懂比一上来堆复杂模型更重要。16. 小结第 2 个肌电处理实战完成了从“看信号”到“做简单分类”的过渡。复用了第 1 个案例的数据但没有重复第 1 个案例的基础流程而是继续做了更进一步的分析活动段检测 频带能量占比 时频图 滑动窗口特征 手写 KNN 分类 混淆矩阵评估如果说第 1 个案例的目标是让我们知道“肌电信号怎么读、怎么滤、怎么看”那么第 2 个案例的目标就是让我们知道“肌电信号怎么切、怎么提特征、怎么交给机器学习模型”。这就是从基础信号处理走向肌电模式识别的第一步。