Movement Chain AI 验证之旅

Appearance

EMG 信号处理 ​

状态: 🚧 Work In Progress

EMG (肌电图) 是 Movement Chain AI 的核心差异化技术。本页面将详细解释 EMG 信号处理的技术细节。

🤔 什么是 EMG? ​

EMG = Electromyography (肌电图)

简单来说:肌肉收缩时会产生微弱的电信号,EMG 传感器能检测到这些信号。

肌肉收缩 → 电信号 → EMG 传感器 → 数字信号 → 我们的算法

📊 EMG 信号的特点 ​

原始信号很嘈杂 ​

原始 EMG: ∿∿∿∿∿∿∿∿∿∿∿∿∿∿∿∿∿∿
           (高频噪声,难以分析)

为什么嘈杂?

  • 肌肉是多个肌纤维的集合
  • 每根纤维独立放电
  • 信号叠加产生随机噪声

需要信号处理 ​

原始信号 → [处理] → 清晰包络
∿∿∿∿∿∿∿         ___/‾‾‾\___

🛠️ 信号处理流程 ​

步骤 1: 整流 (Rectification) ​

取绝对值,把负值变成正值:

python
emg_rect = np.abs(emg_signal)

为什么?

  • 原始信号有正有负
  • 我们只关心"激活强度",不关心方向
  • 整流后信号全是正的

步骤 2: RMS 包络 (Root Mean Square) ​

用滑动窗口计算均方根:

python
window_size = int(emg_rate * 0.05)  # 50ms 窗口
rms = np.sqrt(
    np.convolve(
        emg_rect**2,
        np.ones(window_size) / window_size,
        mode='same'
    )
)

为什么用 RMS?

  • 平滑信号,去除高频噪声
  • 保留激活强度信息
  • 运动科学的标准做法

窗口大小为什么是 50ms?

  • 太小(如 10ms): 噪声还在
  • 太大(如 200ms): 细节丢失
  • 50ms: 经验最佳值

步骤 3: 归一化 (Normalization) ​

归一化到 0-1:

python
rms_norm = rms / np.max(rms)

为什么归一化?

  • 不同人的 EMG 幅度差异很大
  • 肌肉量大的人信号强
  • 归一化后可以比较不同人

🎯 肌肉激活检测 (Onset Detection) ​

目标 ​

找到肌肉"开始激活"的时刻。

方法: 阈值法 ​

python
def detect_muscle_onset(emg_signal, emg_rate, threshold=0.1):
    # 1-3. 整流 + RMS + 归一化
    rms_norm = process_emg(emg_signal, emg_rate)

    # 4. 找到第一次超过阈值的点
    crossings = np.where(rms_norm > threshold)[0]

    if len(crossings) == 0:
        return None

    onset_frame = crossings[0]
    onset_time = onset_frame / emg_rate

    return onset_time

阈值选择 ​

阈值效果
0.05太敏感,噪声也会触发
0.10✅ 标准值,平衡敏感度和准确性
0.30太迟钝,错过真实激活

📐 运动链分析 ​

肌肉分组 ​

跳跃数据的 9 个 EMG 通道:

通道 0-2: 下肢 (腿部肌肉)
通道 3-5: 核心 (腹肌、背肌)
通道 6-8: 上肢 (手臂肌肉)

检测顺序 ​

python
# 检测每组的平均激活时间
leg_onset = np.mean([
    detect_onset(emg[:, 0]),
    detect_onset(emg[:, 1]),
    detect_onset(emg[:, 2])
])

core_onset = np.mean([
    detect_onset(emg[:, 3]),
    detect_onset(emg[:, 4]),
    detect_onset(emg[:, 5])
])

arm_onset = np.mean([
    detect_onset(emg[:, 6]),
    detect_onset(emg[:, 7]),
    detect_onset(emg[:, 8])
])

# 检查顺序
if core_onset < leg_onset:
    print("❌ 倒序运动链!")

🎓 高级话题 (待完善) ​

  • MVC (Maximum Voluntary Contraction) 归一化
  • 频域分析 (FFT)
  • 肌肉疲劳检测
  • 多通道协同分析

📚 参考资料 ​

当前状态: 基础内容已完成,高级话题待补充

这个页面会随着项目进展持续更新。