EMG肌电传感器原理与Arduino实战：从医疗诊断到机器人控制的低成本方案

EMG肌电传感器：读取肌肉“电语言”的窗口

肌电图(EMG)测量肌肉收缩时产生的**微弱电信号(μV-mV级)**。表面肌电(sEMG)无创、易操作，广泛应用于**康复医学(卒中/截肢康复)、运动科学(肌肉激活模式)、人机交互(义肢控制/手势识别/游戏)、疲劳监测、驾驶员状态监测**。本文基于**Grove EMG Detector (¥30-50)** 低成本模组，详解原理、电极贴片技术、Arduino/ESP32采集与滤波、手势识别实战、与医疗级设备差异对比。

EMG信号本质与采集挑战

Grove EMG Detector 模组深度解析

模组架构 (基于TI INA106/AD8226类仪表放大器 + 信号调理)

电极(3片) → 仪表放大器(差分, 增益~100, CMRR>100dB) 
      → 带通滤波(20-500Hz, 2阶) 
      → 整流/包络检波(精密全波整流+低通) 
      → 输出缓冲 → 输出引脚 (0-VCC, 代表肌肉激活度包络)
      → 板载LED条形图驱动 (可选)
关键规格:
- 供电: 3.3V/5V
- 输出: 模拟电压 0-VCC (线性对应肌肉激活度RMS包络)
- 电极接口: 3.5mm TRS插孔 (参考/正/负) 或 3pin排针
- 尺寸: 20×30mm
- 价格: ~¥35 (Grove) / ¥15-25 (裸板模组)

三电极系统：为何需要参考电极？

• 测量电极(红/正极) + 参比电极(蓝/负极)： 差分采集目标肌肉信号，抑制共模干扰(工频、体表电位)。
• 参考电极(黑/地/DRL) ： **主动驱动权(Driven Right Leg) 或无源接地**，将人体共模电位拉至电路地，大幅提升CMRR。**贴放在无肌肉骨骼突起处(肘/腕/踝关节侧面)**。

电极贴片技术：信号质量的生命线

贴片黄金法则 (皮肤准备 = 信号质量的80%)：

1. **部位选择：** 肌腹中央、肌纤维方向平行、避开肌腱/神经/骨隆突、双电极间距2-3cm(中心距)。
2. **皮肤处理：** 酒精棉片擦拭去油/角质 → 砂纸/磨皮膏轻微打磨(可选) → 再擦拭干燥。**阻抗<10kΩ为合格**。
3. **贴附：** 凝胶面贴合、轻压排气泡、导线方向沿肌纤维走向、留服务环防扯动。
4. **参考电极：** 远离测量肌肉、同侧肢体骨性隆突(肘尖、腕背、踝外侧)。

Arduino/ESP32 采集与信号处理实战

硬件接线

Grove EMG Detector      Arduino Uno / ESP32
VCC                     → 5V / 3.3V
GND                     → GND
SIG (包络输出)          → A0 (ADC输入)
+ (红, 测量电极)        → 贴目标肌肉肌腹中心
- (蓝, 参比电极)        → 贴同侧肌腹边缘/肌腱
GND/REF (黑, 参考电极)  → 贴远端骨性隆突(肘/踝)

基础采集代码 (定时中断采样 + 滑动窗口RMS)

const uint8_t EMG_PIN = A0;
const uint16_t FS = 1000; // 采样率 1kHz (定时器中断)
const uint16_t WIN_MS = 100; // 100ms窗口 = 100点
volatile uint16_t adcBuf[100];
volatile uint16_t bufIdx = 0;
volatile bool bufReady = false;

// Timer1 初始化 1kHz 中断 (Uno)
void setupTimer1() {
  noInterrupts();
  TCCR1A = 0; TCCR1B = 0; TCNT1 = 0;
  OCR1A = 15999; // 16MHz/64/1000Hz - 1
  TCCR1B |= (1 << WGM12) | (1 << CS11) | (1 << CS10); // CTC模式, 64分频
  TIMSK1 |= (1 << OCIE1A);
  interrupts();
}

ISR(TIMER1_COMPA_vect) {
  adcBuf[bufIdx++] = analogRead(EMG_PIN);
  if (bufIdx >= 100) { bufIdx = 0; bufReady = true; }
}

void setup() {
  Serial.begin(115200);
  pinMode(EMG_PIN, INPUT);
  setupTimer1();
}

void loop() {
  if (bufReady) {
    bufReady = false;
    // 计算窗口RMS (去直流分量)
    float sumSq = 0, mean = 0;
    for (int i=0; i<100; i++) mean += adcBuf[i];
    mean /= 100;
    for (int i=0; i<100; i++) sumSq += (adcBuf[i] - mean) * (adcBuf[i] - mean);
    float rms = sqrt(sumSq / 100);
    float voltage = rms * (5.0 / 1023.0); // 转电压
    
    Serial.print("EMG_RMS_mV: "); Serial.println(voltage * 1000, 1);
    
    // 简单阈值触发
    if (voltage > 0.15) { // 150mV阈值, 需个性化标定
      Serial.println(">>> 检测到肌肉激活!");
      // 触发舵机/键盘/蓝牙HID/游戏动作
    }
  }
}

ESP32高性能版：双核+DMA+IIR滤波器

// ESP32: Core 0 采集+滤波, Core 1 通信/应用
// 使用 ESP-DSP 库实现实时 IIR 带通+陷波
#include 

#define EMG_PIN 36 // VP (ADC1_CH0)
#define FS 1000
#define FRAME 100

float iir_coeffs[10]; // 5阶带通 20-500Hz + 50Hz陷波
float x[FRAME], y[FRAME];
dsp_iir_state_f32_t iir_state;

void setup() {
  Serial.begin(115200);
  analogReadResolution(12); // 12-bit
  analogSetAttenuation(ADC_11db); // 0-3.3V
  
  // 设计 IIR 系数 (MATLAB/Python scipy.signal.iirfilter 生成)
  // 此处仅为示例结构，实际系数需离线计算烧录
  // dsps_iir_gen_bpf_f32(iir_coeffs, 20, 500, FS, 5); // 5阶带通
  // dsps_iir_gen_notch_f32(iir_coeffs+5, 50, 30, FS); // 50Hz陷波 Q=30
  
  dsps_iir_init_f32(&iir_state, iir_coeffs, 5); // 5阶
  
  xTaskCreatePinnedToCore(emgTask, "EMG", 4096, NULL, 2, NULL, 0); // Core 0
}

void emgTask(void* arg) {
  while(1) {
    for(int i=0;i

手势识别：从阈值到机器学习

Level 1：多通道阈值逻辑 (零代码库，即时可用)

// 4通道 EMG: 前臂屈肌/伸肌/拇长展肌/指深屈肌
// 标定每通道静息基线 baseline[i] 和激活阈值 thresh[i]
bool gestureDetected() {
  bool flex = (emg[0] > thresh[0]) && (emg[1] < thresh[1]*0.5); // 握拳: 屈肌激活, 伸肌松弛
  bool extend = (emg[1] > thresh[1]) && (emg[0] < thresh[0]*0.5); // 张开
  bool pinch = (emg[2] > thresh[2]) && (emg[3] > thresh[3]); // 捏取
  // 返回手势枚举
}

Level 2：特征提取 + 轻量级分类器 (Random Forest / SVM / KNN)

• 时域特征(每窗口)： MAV(平均幅值)、RMS、WL(波长)、ZC(过零数)、SSC(斜率符号变化)
• 频域特征： MDF(中位频率)、MNF(平均频率)、PSD峰值频率
• 部署： Pythonscikit-learn训练 → sklearn-porter/emlearn/micromlgen导出C代码 → Arduino/ESP32推理，**无依赖、<10KB Flash、<1ms推理**。

Level 3：深度学习 (TCN / 1D-CNN / LSTM)

• 输入：多通道原始时序 (T×C)，如 200ms×4ch @ 1kHz = 200×4
• 模型：TensorFlow Lite for Microcontrollers 量化INT8，Flash<100KB，RAM<20KB
• 精度：离线10类手势>95%，在线微调适配个体差异

EMG vs ECG vs EEG vs EOG：生物电信号家族对比