表面肌电十大常见问题综述解读：从基础原理到 AI 未来

关键词：表面肌电；运动单位分解；高密度电极

在运动科学和人机交互实验中，表面肌电是一种常见的数据来源。然而，从“采集到波形”到“解释肌肉活动”，仍有许多值得认真推敲的细节：肌电幅值增加，能否说明力量增大？高密度电极阵列提供了哪些额外信息？运动单位分解适用于什么条件？

2026年，Dario Farina、Deborah Falla和Roberto Merletti在《Journal of Electromyography and Kinesiology》发表综述《Ten frequently asked questions (FAQs) on surface electromyography》，围绕十个常见问题，梳理表面肌电的基本原理、分析方法及应用边界。

这篇综述传递的核心认识是：表面肌电包含丰富的神经肌肉信息，而可靠的解释需要建立在明确的研究问题、合理的采集条件和适当的分析方法之上。

• 为什么是「问答式」？ 传统综述往往默认读者已有背景知识，却很少直说“在什么条件下结论才成立”。 作者指出，sEMG 领域自 1980 年代以来已发表逾 2 万篇论文，但基础概念分散、误解反复出现。 用 FAQ 组织，正是为了让初学者和跨领域使用者少走弯路。

一、基础篇：先搞清楚 sEMG 到底是什么（FAQ 1–3）

文章的前三个问题，分别讨论表面肌电是什么、信号如何产生，以及哪些信息不能仅凭表面肌电获得。这部分是全文的“地基”。作者反复强调一句话：sEMG 信息极其丰富，但正确解读高度依赖解剖、电极放置、任务力学和信号处理的假设。

1、表面肌电是什么，又不是什么？

sEMG 是一种非侵入技术，记录的是肌肉纤维上产生并沿纤维传导的动作电位，在皮肤表面叠加形成的电压。 但这些电压已经被肌肉、皮下脂肪、皮肤等组织作为“容积导体（volume conductor）”滤波、衰减过。

• 它不是神经活动、肌肉力量或运动意图的直接测量；
• 它不是一个唯一确定的信号——同一块肌肉，电极位置、间距（IED）、朝向、导联方式不同，波形可截然不同；
• 它不是“肌肉激活量”的直接读数（那要看有多少肌纤维放电）；
• 由于容积导体，一块肌肉的电活动会被邻近肌肉记录到，这就是串扰（crosstalk）。

一句话：sEMG 是“被空间滤波后的分布式电源观测”，而非肌肉激活的唯一表征。

2、从生物物理层面看，sEMG 信号到底代表什么？

信号本质是肌纤维跨膜离子电流产生的细胞外电位：神经冲动到达神经肌肉接头后，去极化区沿肌纤维以约 3–5 m/s 双向传导，到肌腱处熄灭并产生“纤维末端电位”。皮肤记录到的信号，是众多运动单位动作电位 （MUAP）经容积导体（空间低通滤波）后的时空叠加。纤维传导速度下降（如力量下降时），信号频谱会向低频收窄—— 这也是疲劳分析的物理基础。

3、哪些信息不能仅凭表面肌电获得？

• 深部肌肉活动：表面记录被浅层运动单位主导，深层肌肉信号被强烈衰减、扩散，无法可靠分离；
• 组织学意义的肌纤维类型：不同纤维类型的电生理特征高度重叠，没有哪个 sEMG 特征能唯一识别；
• 单个 MUAP 的精细形态：这是针电极 EMG 的强项（用于评估去神经、神经再生等），表面记录做不到；
• 通用、与任务无关的力量测量：sEMG 振幅与力量的关系是非线性、随肌肉和任务变化的。

作者明确：这些是表面记录 + 容积导体的本质限制，不是某个设备或算法的缺陷。

二、方法篇：从信号里能读出什么，又该怎么读（FAQ 4–6）

4、sEMG 能提供哪些生理信息？

在合理假设下，sEMG 可支撑：肌肉协调与协同（synergy）分析、反射功能（H 反射、牵张反射）、 神经连通性（EEG–EMG 相干、TMS 诱发的 MEP、电刺激 M 波）、肌纤维传导速度、疲劳指标， 以及结合肌骨模型估算肌力/关节力矩。关键操作：跨肌肉、跨被试比较时，振幅归一化（如相对 MVC 或标准任务）几乎必不可少。

5、能用 sEMG 可靠地研究单个运动单位吗？

能。 这是近二十年最重要的范式转变。借助高密度表面肌电（HD-sEMG）阵列 + 盲源分离等分解算法， 在中等以下力度、等长/准静态、电极放置得当的条件下，可可靠识别几十个运动单位的放电时间， 与针电极记录高度吻合。它补充而非取代针电极 EMG。需要注意的是，“高密度”是运动单位分解的根本前提——通道越多、空间采样越密，不同运动单位的波形越容易区分。

6、现代分解方法的核心假设与局限？

核心假设：每个运动单位在皮表呈现的动作电位必须时空可区分。局限包括： 皮下脂肪厚会抹平差异、肌肉架构简单（梭形肌）反而 MUAP 更相似更难分解、收缩越强干扰越大、 动态收缩（纤维相对电极移动）和强同步化放电会降低可靠性。因此分解最适用于低—中等力度、稳定的等长任务。

三、应用篇：能做什么、难在哪（FAQ 7–10）

7、sEMG 的主要应用领域？

运动神经生理、肌骨/生物力学建模、临床评估、康复与生物反馈、运动科学、工效学、反射研究、人机接口、AI 增强分析。 全文还附了一张“应用域—典型指标—关键假设”对照表，是设计实验时很好的自查清单。

8、为什么 sEMG 在人机接口（HMI）里特别成功？

因为它虽从非神经组织记录，却内嵌了神经指令信息，且穿戴简单、可规模化采集大数据。 短板也很明显：电极–皮肤接触不稳定、信号对肢体姿态/关节角度极敏感，往往需要频繁重新校准。

9、迈向临床转化，还要跨过哪些坎？

① 缺乏标准化、可跨中心复制的协议；② 许多 sEMG 指标对生理/非生理因素都敏感，临床意义不清； ③ 操作者间、真实环境的稳健性差；④ 技术与临床工作流脱节；⑤ 教育与培训不足导致误用或不用。

10、AI 在 sEMG 领域的未来？

AI 不应只是“叠在特征上的分类器”，而应用于补偿容积导体效应： 一是直接做运动单位分解（深度/混合模型）；二是用海量数据学习对个体解剖、电极位置、会话变化“不变”的表征。 自监督、物理信息混合模型、数字孪生是重点方向，目标是把 sEMG 变成“人群级、可穿戴的神经接口”。

将这篇综述落实到实验设计中，首先需要明确希望观察的对象：是多块肌肉的活动时序与幅值变化，还是同一肌肉区域的空间分布及运动单位特征。

在设备配置前，还应确定任务是否包含明显动态变化，是否需要同步记录力、姿态或视频，以及后续比较是否涉及不同受试者和不同测试日期。这些条件共同决定采集方案和分析路径。

四、左体右智产品推荐：让综述里的“正确方法”落地

上面提到的多数关键技术点——高密度阵列分解、无线动态采集、多模态同步、免编程的运动单位解码—— 也正是左体右智 NeuMus 系列着力解决的方向。对应综述的方法学要求，我们提供两款核心设备与一套多模态平台：

① NeuMus-sEMG 无线表面肌电系统

面向动态、户外、实时场景的经典 sEMG 方案，关键指标对标 Delsys、Noraxon 等国际一线品牌。

• 高保真采集：最高 4000 Hz 采样率、24-bit 高分辨率，低噪声捕捉细微肌电活动。
• 灵活通道：4–32 通道按需配置，一套可拆为多套独立子系统，适配不同实验规模。
• 多模态融合：同步 sEMG + 9 轴 IMU，并可扩展脑电、心电、皮肤电、皮温、呼吸等。
• 无缝同步：支持与 Vicon/Qualisys/Optitrack 动捕、Kistler/AMTI 测力台、脑电、眼动等第三方设备同步，含 TTL trigger in/out。
• 续航与存储：单次 ≥6 小时，支持实时无线传输与离线本地存储，不受距离限制。

对应综述：解决 FAQ 8 中“电极–皮肤稳定、姿态敏感、需重新校准”的痛点，并满足动态/步态等真实场景采集。

② NeuMus 系列无线高密度表面肌电（HD-sEMG）测试系统

综述明确指出，高密度阵列是运动单位分解的根本前提。本系统正是为此而生。

• 真正的高密度：支持 ≥64 通道，并可扩展至 128 / 256 / 512 / 1024 通道，覆盖大范围肌群与多部位联合分析。
• 无线 + 离线：Wi-Fi 无线传输 + 本地 TF 卡存储，无线缆牵拉，适配步态、多关节等动态任务。
• 模块化拆分：以 512 通道为例，可拆为 2 套 256 或 4 套 128 独立系统，灵活适配课题需求。
• 内置运动单位解码：软件免编程一键完成 MU 分解，输出募集数量、RRT、RDT、Mean/Std DRR 等指标，图表可直接用于论文。
• 空间分析 + 力同步：肌电地形图、激活重心、肌纤维传导速度，并集成力负荷传感器与梯形/三角/矩形发力范式，便于后期解码。

对应综述：直接支撑 FAQ 5/6 的运动单位研究，以及 FAQ 4 的传导速度、疲劳与肌骨建模输入。

③ 多模态生理信号采集分析系统（统一平台）

将上述 sEMG / HD-sEMG 与脑电、心电、皮肤电、皮温、呼吸、运动姿态等整合到同一时间轴实时采集与联合分析， 内置阻抗监测（红/橙/黄/绿分级）、标准化预处理（滤波、去基线、整流、平滑）与 RMS/AEMG/IEMG/MF/MPF/ZC/PSD 等特征计算， 开放 API 支持二次开发。

对应综述：FAQ 4 的脑–肌耦合、FAQ 10 的多源数据驱动 AI——一个平台即可覆盖“中枢–脊髓–外周”的全链路研究。

总结

综述告诉我们，sEMG 的价值不在“能采多高采样率”，而在能否正确、可重复、标准化地解码神经肌肉信息。 左体右智以本土供应链提供从 4 通道无线 sEMG 到 1024 通道 HD-sEMG、再到多模态平台的完整方案， 并配套免编程分解软件与高效本地化服务，帮助实验室把这篇综述里的正确方法真正落到实验里。

本文基于 Farina D., Falla D., Merletti R. (2026). Ten frequently asked questions (FAQs) on surface electromyography. Journal of Electromyography and Kinesiology, 89, 103159（开放获取，CC BY）编译整理，仅供学术交流，版权归原作者所有。