综述：关于表面肌电图的十个常见问题（FAQs）

《Journal of Electromyography and Kinesiology》：Ten frequently asked questions (FAQs) on surface electromyography

　　达里奥·法里纳（Dario Farina）|黛博拉·法拉（Deborah Falla）|罗伯托·梅莱蒂（Roberto Merletti）
伦敦帝国理工学院生物工程系，英国伦敦

**摘要**
表面肌电图（sEMG）是研究人类运动控制与神经肌肉功能以及建立人机交互界面最常用的技术之一。在过去二十年中，sEMG在概念和方法论上经历了显著的发展，从最初用于描述整体肌肉激活的工具，发展成为能够直接或间接获取运动控制相关神经信息的手段。随着传感器技术、信号处理、建模和人工智能的进步，sEMG的应用范围得到了扩展，但其正确解读的复杂性也随之增加。尽管关于sEMG的文献丰富，但一些基本误解、实际操作中的疑问以及理解上的碎片化问题依然存在。本文采用问答形式，针对十个常见的sEMG相关问题（FAQs）进行解答。这些问题被分为三个主题部分：sEMG的基础知识、信号处理与解读、以及应用。答案重点澄清了核心原理、潜在假设和内在局限性，同时介绍了最新的方法论进展及未来发展方向。通过这种结构化的讨论方式，本文旨在为读者提供一个清晰、易懂且基于概念的sEMG入门指南，并为未来针对特定应用领域的深入研究奠定基础，从而补充传统的叙述性综述，支持在研究和实际应用中更科学、更有效地使用该技术。

**1. 引言**
表面肌电图（sEMG）无疑是过去二十年间在概念、技术和方法论上发展最为显著的电生理学技术（Farina等人，2004年；2014年；2025年）。从最初仅作为粗略评估肌肉激活程度的工具，sEMG已发展成为一种能够详细揭示运动神经控制信息的多通道观察方法。如今，sEMG不仅支持对单个运动单位活动的无创研究（这一进展重塑了运动单位生理学），还广泛应用于人类运动控制研究（Farina等人，2014b年；2016年；2025年）。与此同时，传感技术、信号处理、建模和机器学习的进步进一步拓展了sEMG的应用领域，但也增加了其数据解读的难度。

尽管相关文献众多，但一些基本误解、实际操作中的疑问以及对sEMG功能的片面理解仍然存在。本文通过问答形式，重点解答了十个常见问题，这些问题涵盖了sEMG的基础知识、信号处理与解读及其应用三个方面。回答内容不追求全面覆盖，而是侧重于阐明核心原理、潜在假设和局限性，并强调最新方法论进展及未来发展方向。

**2. sEMG的常见问题解答（FAQs）**
这十个常见问题被分为三个主题部分：
- **sEMG的基础知识**（FAQs 1–3）
- **信号处理与解读**（FAQs 4–6）
- **sEMG的应用**（FAQs 7–10）

这些问题从信号的生物物理起源出发，逐步探讨提取信息的方法，最终涉及sEMG的应用领域。表1按类别整理了影响sEMG记录的主要因素，并指出了相关FAQ的具体内容。表1主要涉及sEMG的基础知识和信号处理与解读部分（即FAQs 1–6），而表2则主要介绍sEMG的应用领域（即FAQs 7–10）。这两张表格可作为查阅问题的参考，帮助读者快速定位文本中关于方法论、生理学或应用方面的具体内容。

**3. 关键术语说明**
文末提供了文中使用的主要术语的词汇表。

**4. sEMG相关因素及其影响**
以下是各因素及其对sEMG记录和解读的影响：

| 因素 | 描述/机制 | 对sEMG使用和解读的影响 |
|--------------------------------|-------------------------------------------------|-------------------------------------------------------------------------------------------------------------------------|
| 解剖学与肌肉结构 | 主要FAQ：1, 2, 3, 5 | 肌肉深度和厚度会影响信号强度；深层肌肉的贡献被大幅减弱，难以可靠分离。
皮下组织（脂肪、皮肤）会形成空间低通滤波器，平滑电位分布（体积传导），降低信号幅度、带宽，增加串扰，并使动作电位形状趋于均匀，影响运动单位分解算法。 |
| 纤维方向与排列 | 主要FAQ：1, 2, 3, 5 | 纤维相对于皮肤表面和电极的排列方式会影响频谱成分、信号幅度及传导速度估计。
纤维方向也会影响肌肉纤维的神经支配区域。电极应尽可能靠近或覆盖神经支配区。 |
| 电极与传感器配置 | 主要FAQ：1, 2, 3, 5, 6 | 电极类型（如Ag/AgCl、干式、纺织材质等）会影响信号噪声和长期稳定性；电极尺寸会影响信号采样范围和选择性。
电极间距会影响信号检测范围和串扰；密集排列的电极有助于提高选择性但可能降低稳定性。 |
| 任务与生物力学 | 主要FAQ：3, 4, 7 | 关节角度和肢体姿势会改变纤维方向和肌肉长度，进而影响信号幅度和频谱特征。
收缩类型（等长、向心、离心）会影响信号幅度和肌肉激活模式。 |
| 信号采集与仪器 | 主要FAQ：2, 3, 4, 6 | 运动类型会影响信号幅度；不同收缩模式下的信号特征需进行特定标准化处理。 |
| 生理状态 | 主要FAQ：2, 3, 4, 5, 6 | 运动状态（如运动强度、温度等）会影响信号特征和解释结果。 |
| 信号处理与分析 | 主要FAQ：3, 4, 5, 6, 7, 8, 10 | 信号处理方法（如放大器参数、滤波器设置等）会影响信号质量。
数据分析方法（如算法、标准化策略等）会影响结果的可比性和准确性。 |

**5. 结论**
本文通过解答常见问题，旨在提供一个关于sEMG的系统性、平衡性的视角，补充现有资源，帮助读者（尤其是新手）了解其正确使用方法和局限性。这种基于FAQ的讲解方式有助于不同领域的用户更深入、更批判性地理解sEMG技术。它们不应被视为对神经结构的直接观察。个体内部和个体之间的因素主要常见问题：1、7、8、9个体间解剖学差异肌肉大小、结构以及皮下组织厚度和导电性的差异。这限制了将绝对sEMG特征推广到不同个体；应强调个体内部或标准化的比较，并报告参与者的特征。学习、适应和运动策略随着练习或生物反馈，招募策略会发生变化。EMG的纵向变化可能反映了协调性的改变，而不仅仅是力量或疲劳性的变化。解释应基于运动控制框架。临床状态和病理神经肌肉疾病、疼痛或损伤会改变激活模式。这些会以复杂的方式改变sEMG的幅度、时序和频谱内容。诊断或监测应用必须基于特定条件的证据，而不是通用的sEMG-力量假设。协议应为特定的疾病和肌肉设计。表2. 表面EMG（sEMG）的主要应用领域，包括典型结果、分析水平和关键假设。对于每个领域，指出了最相关的问题，以便在表格和文本相应部分之间导航。应用领域典型目标/结果主要sEMG特征或分析水平关键假设和限制运动和协调的神经生理学主要常见问题：1、2、3、4、7描述不同任务和肌肉中肌肉激活的时序、模式和协调性；研究运动控制策略和适应机制起始/结束时间、激活包络、多肌肉模式、协同分析，有时还包括传导速度估计假设电极能够捕捉到目标肌肉的代表性活动，并且时序和相对幅度反映了神经驱动模式；解释取决于任务和配置，并受到体积传导和串扰的影响。运动单位生理学（表面EMG分解）主要常见问题：2、5、6非侵入性地估计单个运动单位的放电时间和特征高密度sEMG、分解算法、运动单位放电统计和招募阈值仅在解剖条件有利、空间采样充分、收缩程度适中以及干扰可管理的情况下可靠；必须遵守分解假设和可识别性限制。生物力学和肌肉骨骼建模主要常见问题：2、3、4、7为肌肉力量产生、关节力矩和负载模型提供信息或驱动使用标准化幅度测量（例如，相对于MVC或参考任务），肌肉激活曲线作为生物力学模型的输入假设sEMG幅度与肌肉激活呈单调关系，并通过建模与力量相关；这种关系取决于收缩类型、肌肉和姿势；不能作为独立于任务的力代理。神经肌肉功能的临床评估主要常见问题：2、3、4、7、9评估肌肉激活模式、协调性、反射完整性和神经肌肉传递；补充临床检查肌肉激活模式、时序不对称性、反射EMG、M波幅度/潜伏期/形状，偶尔还包括神经和肌肉纤维传导速度估计诊断和预后价值取决于标准化协议和特定条件的证据；许多特征对解剖结构、电极放置和其他非生理因素敏感，这限制了直接的临床可解释性和应用。康复和生物反馈主要常见问题：1、3、4、7、9通过视觉或听觉反馈肌肉激活来支持运动再学习和功能恢复实时幅度或激活水平显示、肌肉特定的时序和共同收缩模式假设使sEMG模式明确化可以指导自主控制；有效性取决于用户培训、反馈设计和电极-皮肤界面的可靠性；信号变异性和伪迹可能会影响可用性。运动、运动科学和力量生成能力下降的评估主要常见问题：2、3、4研究表现、训练适应以及神经肌肉功能相关的变化幅度和频谱指数、肌肉纤维传导速度估计以及任务特定指标、肌肉间的协调措施。由持续收缩引起的频谱内容或传导速度的变化必须在受控条件下解释；结果取决于肌肉、任务和姿势，并可能受到温度、动机、负载共享变化和运动伪迹的干扰。人体工程学和职业健康主要常见问题：3、4、7量化肌肉负荷和暴露作为工作相关肌肉骨骼疾病发展的潜在因素工作周期中标准化幅度水平的变化、占空比、共同激活指数。假设sEMG水平的变化反映了相对肌肉负荷；必须管理由于电极放置、姿势和任务变化引起的变异性；目前“安全”暴露的阈值并不可靠。反射研究和感觉运动整合主要常见问题：2、4研究脊髓和脊髓上电路、反射调节以及感觉运动整合。对电或机械刺激（例如H反射、牵张反射）的sEMG反应条件反射协议需要精确的时序和标准化的刺激；反应反映了整合的感觉运动通路，必须在特定的实验范式内解释；体积传导和噪声可能会掩盖小的反射反应。人机接口和辅助技术主要常见问题：4、5、7、8、10解码神经指令以控制假肢、外骨骼和其他交互设备模式识别或机器学习特征、基于运动单位的解码、多通道激活模式。成功取决于信号相对于电极-皮肤界面、姿势和长期使用的稳定性；需要强大的校准或不变的表示；性能可能会随着电极移动、持续肌肉激活或解剖变化而下降。人工智能增强的分析和群体级别的神经接口主要常见问题：6、8、9使用大规模数据和AI来补偿体积传导、提高解码的稳健性，并从表面记录中提取神经信息基于深度学习的特征提取、混合物理信息模型、数字孪生、大规模运动单位或激活数据集。依赖于足够多样且注释良好的数据集；如果解剖结构、电极放置和会话变异性没有得到体现，则存在学习虚假相关性的风险；跨用户和条件的可解释性和泛化仍然是一个关键挑战。2.1. sEMG的基础前三项常见问题建立了sEMG的概念和生物物理基础。它解释了sEMG信号代表什么以及它是如何生成的。在这一部分，特别强调了内在限制，特别是在问题3中，不是为了贬低这项技术，而是为了明确所有后续问题的条件和假设，在这些问题中提供了更平衡的能力和限制讨论。2.2. 问题1. 什么是表面肌电图（sEMG），它不是什么？sEMG是一种非侵入性技术，用于记录由肌肉纤维产生并沿其传播的动作电位。检测到的动作电位是由于纤维膜小区域（去极化区）中的电流分布引起的；这种去极化区会立即在皮肤上产生一个电压分布（随时间演变的空间图）。sEMG是由与肌肉激活相关的跨膜电流产生的这些电压的总和，这些电压被源和记录电极之间的组织和电学特性衰减和过滤（Barbero等人，2012年；Campanini等人，2022年）。有关信号生成和随时间和空间演变的示例，可以通过教学视频查看（见https://www.robertomerletti.it/en/emg/material/videos/中的视频1至4）。重要的是，sEMG不是神经活动、肌肉力量或运动意图的直接测量（Farina等人，2004年）。相反，它反映了肌肉纤维激活的电学表现，这是一系列过程的结果，包括运动神经元放电、神经肌肉传递、肌肉纤维膜去极化、动作电位沿肌肉纤维的传播、体积传导以及电极的空间过滤。因此，从sEMG中得出的任何推断，如关于神经对肌肉的驱动（即激活肌肉的轴突动作电位的集合）、肌肉协调（即满足任务需求的肌肉活动的时空组织）或运动控制，都依赖于生理假设、建模选择和信号处理。sEMG也不是一个单一的、明确定义的信号。即使在相同的生理条件下，从一组电极记录的波形也严重依赖于电极位置、电极间距、相对于肌肉纤维的方向以及所选择的记录方式（De Luca，1997年；Barbero等人，2012年）。因此，从同一个体和肌肉在同一任务中获得的不同的sEMG记录可能看起来明显不同，并携带不同的信息内容，当上述参数不同时。这种变异性反映了每个记录配置采样了不同部分的潜在电源。sEMG甚至也不是肌肉激活（即肌肉纤维放电数量）的直接测量。当使用特定记录方式和电极放置获得的sEMG信号被隐含地视为“肌肉”活动的代表时，常常会引起混淆。实际上，在单个位置的双极记录只捕捉到了肌肉激活的局部、过滤后的视图（参见De Luca 1997年中的图2）。这就是为什么开发了高密度电极阵列的原因之一（Merletti & Farina，2016年）。最后，sEMG不应仅仅因为它是非侵入性的就被认为是一种“简单”或“稳健”的技术。虽然易于获取是其优势之一，但sEMG的解释本质上很复杂，因为它依赖于解剖结构、电极放置、任务机制和信号处理选择。2.3. 问题2. 在生物物理层面上，sEMG信号代表什么？在生物物理层面上，sEMG信号代表了与肌肉纤维动作电位相关的跨膜离子电流产生的细胞外电位。当轴突动作电位到达神经肌肉接头时，肌肉纤维去极化，这些电流随之产生。去极化区域随后沿纤维膜向两个方向传播，通常速度为3-5米/秒（Troni等人，1983年），直到到达肌腱区域在那里消失并产生“纤维末端电位”（参见例如https://www.robertomerletti.it/en/emg/material/videos/f26/中的视频）。记录的sEMG信号是由属于多个运动单位的许多活跃肌肉纤维的动作电位的时空总和。sEMG反映了这些动作电位在经过中间组织（包括肌肉、皮下脂肪和皮肤）的导电特性过滤后的叠加。这个过程通常被称为“体积传导”，它强烈地塑造了记录信号的幅度、频率内容和空间分布，起到空间低通滤波器的作用（Barbero等人，2012年；Merletti & Muceli 2019年；Muceli & Merletti 2024年）。由于肌肉纤维动作电位以大致恒定的速度传播，sEMG信号的时间特性直接与潜在电压的空间分布和平均肌肉纤维传导速度相关。例如，当力量能力下降时，传导速度降低会导致信号频谱向低频方向收窄，这一现象在许多实验和建模研究中得到了很好的记录（Lindstrom & Magnusson 1977年）（另见https://www.robertomerletti.it/en/emg/material/teaching/module6和https://www.robertomerletti.it/en/emg/material/teaching/module7中的幻灯片40-52）。由于动作电位产生空间扩展的电场，记录的sEMG严重依赖于信号的采样位置和方式。电极位置和大小、电极间距、相对于肌肉纤维的方向以及使用单通道与高密度记录都决定了哪些潜在电活动成分被强调或衰减。例如，放置在主要神经支配区上的双极记录可能由于动作电位向相反方向传播而记录到接近零的信号（Barbero等人，2012年；Besomi等人，2019年；Merletti & Muceli 2019年）。相反，放置在主要神经支配区上的单极记录将捕获最大幅度的信号。电极大小和电极间距引入了额外的过滤。因此，sEMG应被解释为对分布式电源的空间过滤观察，而不是肌肉激活的唯一表示。由于体积传导，活跃肌肉纤维产生的电场会超出肌肉本身的解剖边界。因此，一个肌肉产生的电活动可能会被另一个肌肉记录到，这种现象称为串扰（De Luca & Merletti 1988年）。串扰的程度取决于解剖因素和组织特性，以及电极配置和放置，目前代表了sEMG记录的一个内在限制。最后，虽然运动单位激活由运动神经元放电决定，但神经对肌肉的驱动与sEMG信号之间的关系是通过体积导体、运动单位数量、深度、范围和传导速度介导的。因此，sEMG幅度或频谱内容的变化不能在没有额外假设或补充测量的情况下唯一地归因于神经驱动的变化。例如，具有更快传导速度的深层运动单位的招募不一定会导致信号功率谱的拓宽，而一个小的表层运动单位也可能像较大的深层运动单位一样对信号有贡献。sEMG的分解在揭示这些贡献方面发挥了重要作用（见问题5）。总之，sEMG代表了肌肉纤维的去极化和传播，受到运动单位放电率、肌肉解剖结构、体积传导和检测系统的塑造。这些生物物理机制解释了sEMG中包含的信息丰富性以及需要仔细实验设计和谨慎解释的内在模糊性。2.4. 问题3。**提示：** 以下内容涉及电生理学（EMG）的相关知识，包括其局限性、信号处理方法以及在实际应用中的注意事项。请根据您的需求选择合适的部分进行阅读。

**1. 从sEMG中无法获取哪些信息，无论采用何种信号处理方法？**
尽管sEMG在方法学上取得了显著进展，但由于其生物物理学的本质特性，仍存在一些固有的局限性，目前这些局限性无法仅通过改进硬件或信号处理技术来克服。了解这些局限性对于避免对sEMG数据的过度解读和不当使用至关重要。

- **深层肌肉信息无法获取**：由于sEMG仅能检测表面肌肉的活动，因此信号主要由浅层运动单位的电活动主导。深层肌肉的信号由于体积传导作用而大幅衰减并扩散，导致无法准确分离或量化其活动。因此，sEMG不适用于评估位于其他肌肉下方或皮肤深层的肌肉，也无法有效区分相邻肌肉群之间的差异。

- **无法确定肌肉纤维类型**：虽然不同类型的肌肉纤维在代谢特性上存在差异，但它们的电生理特征（如传导速度、动作电位幅度/形状和募集阈值）存在重叠（Enoka & Duchateau 2015）。因此，仅凭sEMG数据无法唯一确定或量化肌肉纤维类型。基于频谱或幅度指标推断肌肉纤维组成的方法需要谨慎解读。

- **无法详细了解运动单位电位形态**：与肌内EMG不同，sEMG的电极位于皮肤表面，受到体积传导的强烈影响，导致波形被平滑和扭曲，从而无法捕捉到临床神经生理学诊断所需的关键时间信息（如用于评估神经脱失、再神经支配或运动单位重塑的指标）。因此，许多依赖肌内EMG的诊断方法无法通过sEMG实现（Farina et al. 2025）。

- **无法全面测量肌肉力量**：sEMG幅度与肌肉力量之间的关系在等长收缩时通常是线性的，但这种关系因肌肉类型、任务类型以及力量能力的变化而异（De Luca 1997）。因此，sEMG不能作为肌肉力量的直接或通用指标，除非结合其他机械信息（如肌肉骨骼模型提供的数据）（Dick et al. 2024）。

**2. 信号处理与解释**
第二部分基于生物物理学基础，探讨了如何从sEMG中提取信息以及在何种条件下这些信息具有可靠性。内容包括：
- **可推断的生理变量**：sEMG可用于研究肌肉协调、协同作用、反射通路以及神经与肌肉的整合等生理现象。
- **信号处理的限制**：sEMG受噪声、电极位置和实验条件的限制，影响信号解释的准确性和通用性。

**3. sEMG能提供关于神经肌肉系统的哪些生理信息？**
sEMG可以间接反映神经驱动、肌肉激活和力量等生理状态，但这些信息的有效性依赖于特定的生理、方法学和建模假设。例如，在肌肉协调研究中，sEMG可用于分析步态（Perry & Burnfield 2010），并评估肌肉协同作用（Bizzi et al. 1991）。

**4. sEMG能否可靠地研究单个运动单位？**
在适当条件下，sEMG可以利用高密度记录和先进的分解方法（如盲源分离技术）可靠地研究单个运动单位的活动。然而，这种能力受到电极位置、实验条件和信号处理方法的限制。

**5. 现代sEMG分解方法的主要假设和局限性是什么？**
现代sEMG分解方法基于这样的假设：每个运动单位在皮肤表面的电信号应具有独特的时空特征。这种方法的有效性取决于实验条件、信号处理技术和模型假设的准确性。

**6. sEMG在研究神经肌肉系统中的应用**
sEMG在运动控制、适应性研究以及肌肉协同作用等方面具有广泛应用，同时也可用于研究神经通路和肌肉之间的整合。然而，其结果的解释需要考虑多种因素的综合作用。

**7. sEMG在肌肉力量测量中的局限性**
sEMG不能作为肌肉力量的直接或通用指标，其测量结果受多种因素影响，需要结合其他机械信息进行解读。

**8. sEMG在肌肉疲劳研究中的局限性**
尽管sEMG在某些方面具有优势，但在研究肌肉疲劳时仍存在局限性，需要结合其他方法进行综合分析。它捕捉了运动单位动作电位的空间分布，并提供了进行源分离所需的多样性。除了记录点的数量外，皮肤表面运动单位动作电位的清晰度还取决于几个解剖学和生物物理因素。体积传导在这里起着核心作用。当皮下组织对电场进行强烈的低通滤波时（例如在厚脂肪层存在的情况下），运动单位动作电位之间的空间差异会被减弱，使它们更加相似，从而更难以区分。肌肉结构同样重要。在具有简单梭形结构且纤维平行分布的肌肉中，运动单位动作电位往往更加均匀。相比之下，结构复杂、神经支配区域广泛或纤维方向不均匀的肌肉会产生更大的空间变异性，这有助于分解。除了波形唯一性的要求外，分解性能还受到其他活跃运动单位干扰的强烈影响。从分解算法的角度来看，主要的噪声来源不是电噪声或仪器噪声（在大多数情况下可以忽略不计），而是未被明确识别的运动单位的活动。随着收缩强度的增加，运动单位放电频率提高，新的运动单位被招募进来，增加了干扰水平，逐渐降低了分解的准确性。这限制了可以可靠分析的力量水平和激活模式。

除了这些内在限制外，当前的分解方法还面临着与收缩类型相关的限制。动态收缩仍然具有挑战性，因为由于肌肉纤维在皮肤下的缩短和延长以及随之而来的纤维-电极几何形状的变化，运动单位动作电位的形状会随时间变化（Farina等人，2001年）。尽管一些算法可以部分适应这些变化（例如Glaser & Holobar 2019年），但在动态任务中的分解尚未成为常规。非常快速的收缩带来了额外的困难，通常通过从稳定收缩中估计分离滤波器并将其应用于短暂或弹道任务来进行分析。最后，与强烈运动单位同步相关的条件（即运动单位几乎同时放电的情况）需要仔细考虑。适度的同步，如生理性震颤中所见，甚至病理性震颤中的高度同步，并不会妨碍准确的分解。相反，完全同步的激活，如由电刺激或磁刺激引起的激活，违反了大多数分解算法的关键假设。在这种情况下，有时可以使用在自愿收缩期间估计的滤波器来分析运动单位活动，但存在明显的局限性。

总之，sEMG分解是一种强大的技术，其成功依赖于适当的空间采样、有利的解剖学和体积传导条件、可管理的干扰水平以及保持相对波形稳定性的收缩类型。当这些条件得到满足时，sEMG分解可以提供对运动单位放电特征的可靠访问。

2.9. sEMG的应用
最后四个常见问题解答将原理和方法与实践联系起来，探讨了sEMG在哪些领域以及为何取得了成功应用。这些问题突出了sEMG在生物力学和人机交互中提供的独特优势，同时也讨论了影响实际应用的实际和转化挑战。它们共同说明了基础理解和方法论严谨性如何决定了基于sEMG的应用的有效性。

2.10. 常见问题7：sEMG的主要应用领域是什么？
sEMG被广泛应用于科学、临床和技术领域，反映了它作为非侵入性窗口来观察人类神经肌肉功能的作用。其应用可以分为几个主要领域。
一个主要领域是运动神经生理学，其中sEMG用于研究肌肉激活模式、肌肉间的协调、运动单位的招募和放电特征、反射反应以及姿势和自主运动的神经控制。在这方面，sEMG提供了关于神经系统如何组织和调节不同任务、条件和人群中的肌肉活动的见解。
密切相关的领域是生物力学和肌肉骨骼建模。在这里，sEMG用于为肌肉力量产生、关节负荷和运动力学模型提供信息或驱动模型。基于EMG的模型结合了运动学和动力学数据来估计无法直接测量的内部变量，如肌肉力量或关节力矩，应用范围从基础运动科学到人体工程学和康复研究。
在临床和康复领域，sEMG用于评估肌肉激活、协调性和反射完整性，支持基于生物反馈的干预，并监测神经肌肉功能随时间的变化。虽然其诊断作用相对于肌肉内EMG仍然有限，但sEMG提供了补充临床检查和其他神经生理测试的宝贵功能信息。
其他应用领域包括运动和锻炼科学，其中sEMG用于研究表现、疲劳性和训练适应；人体工程学和职业健康，用于评估肌肉负荷和受伤风险；以及反馈和运动学习，其中sEMG的视觉或听觉反馈可以支持技能获取和康复。
最后，sEMG也成为人机交互的核心，特别是通过可穿戴技术。在这个领域，sEMG被用作假肢、外骨骼、辅助设备和其他交互系统的控制信号。信号处理、模式识别和硬件微型化的进步使得能够实现将肌肉活动转换为控制命令的稳健实时接口。这一应用将在常见问题解答8中详细讨论。

总之，sEMG的应用涵盖了基础神经生理学、生物力学、临床评估、康复和人机交互，在每个领域中的具体作用由所提出的问题、实验或临床测试设计以及采用的解释框架决定。

2.11. 常见问题8：为什么sEMG在人机交互中特别成功？
sEMG在人机交互中特别成功，因为尽管它是从非神经组织中外围记录的，但它包含了嵌入的神经信息。肌肉激活反映了运动神经元放电到力量产生的转换，因此sEMG提供了一种间接但明确的神经命令访问方式，而无需侵入性记录。这种独特的地位使sEMG成为一种特别有吸引力的接口信号。与中枢或周围神经接口相比，sEMG可以使用简单、可穿戴且非侵入性的硬件进行采集。神经信息可以通过运动单位分解（常见问题解答5）明确获取，或者通过依赖于对肌肉的神经驱动的信号特征间接获取。因此，sEMG可以被视为一种外围可穿戴神经接口，结合了易于访问性和有意义的神经内容。
另一个关键的成功原因是数据采集的实际可扩展性。大量sEMG数据可以安全且重复地在不同用户和条件下记录，这对于数据驱动和深度学习方法至关重要。这一特性使sEMG区别于大多数神经接口，并且对于现代解码神经信息的方法变得越来越重要。
历史上，这些优势促使sEMG在主动上肢假肢中得到初步应用，在商业可用系统中，它仍然是唯一的控制信号模式（Farina等人，2014b）。类似的原则也被扩展到外骨骼和辅助设备的控制中。最近，sEMG也被应用于消费电子和人机交互领域，其中的目标不再是个性化辅助控制，而是开发通用、用户独立的接口，这些接口是在大型多样化数据集上训练的（Kaifosh & Reardon 2025）。
尽管有这些优势，基于sEMG的接口也面临一些限制。最关键的是信号相对于电极-皮肤条件的不稳定性，包括阻抗变化、接触质量变化和伪迹，以及运动过程中的电极-肌肉位移。sEMG信号受到肢体姿势和关节配置的强烈影响，因为肌肉几何形状和体积传导的变化即使神经激活保持不变也会改变记录的空间模式。这些因素可能导致解码性能显著下降，需要频繁重新校准或采用自适应策略。

总之，sEMG在人机交互中非常成功，因为它提供了对外周神经命令的非侵入性和信息丰富的访问。其主要限制来自于由于电极位置和姿势变化导致的信号变异性，这目前限制了其稳健性和长期可靠性，并为未来的发展指明了关键目标。

2.12. 常见问题9：要进一步增加sEMG技术的临床转化，需要克服哪些主要限制？
sEMG技术临床/市场转化的主要障碍是缺乏标准化和上下文感知的协议。虽然存在关于电极放置和信号采集的一般指南（Besomi等人，2019年），但许多应用仍然依赖于特定于实验室的程序，这些程序在不同中心、操作者和患者群体之间难以复制。转化使用需要不仅在技术上合理，而且在实际临床环境中也可行的协议，在这些环境中时间、专业知识和实验控制都受到限制。
第二个限制是sEMG衍生指标的可解释性和临床相关性。从sEMG中提取的许多特征对多种生理和非生理因素敏感，使其含义依赖于具体情境（见“sEMG基础”部分中的常见问题解答）。如果没有明确的sEMG结果与临床可操作信息（例如用于诊断、预后或监测）之间的联系，sEMG相对于简单观察或功能评估的附加价值对许多最终用户来说仍然不清楚。
对操作者变异性和实际条件的鲁棒性也是一个挑战。如上所述（常见问题解答3），解剖学差异、皮下组织厚度、运动伪迹和电极放置的变化都会严重影响sEMG信号，当不严格遵循临床协议时，会降低不同会话和个体之间的重复性。解决这些变异性来源对于纵向监测和多中心研究至关重要。
另一个重要限制是技术能力与临床工作流程之间的差距。许多sEMG系统和分析针对离线处理和受控实验进行了优化，而不是针对快速设置、实时反馈和与现有临床工具和决策过程的无缝集成。
最后，教育和传播是重要的且常常被低估的障碍（Merletti 2024）。许多潜在用户缺乏sEMG原理的正式培训，导致误用或完全避免使用该技术。相反，科学和方法论的进步通常以临床医生和应用科学家无法理解的方式传达给同行，从而造成了需要学术教学来填补的差距。

总之，减少sEMG的转化限制需要在硬件和算法方面取得进展，同时也需要在标准化、可解释性、鲁棒性、学术教育和整合到实际应用方面进行改进。专家学者和临床医生的贡献对于克服许多这些限制至关重要。

2.13. 常见问题10：人工智能在sEMG领域的未来前景是什么？
人工智能（AI）预计将在sEMG的未来发挥核心作用，主要是通过更有效地利用表面记录中嵌入的大量神经信息，尽管体积传导引入了失真。从这个角度来看，AI不应仅仅被视为叠加在sEMG特征之上的分类器，而应被视为一种补偿体积传导效应的方法，使表示更接近潜在的神经源。
第一个已经确立的方向是使用AI进行直接补偿，其中神经网络被用来辅助或替代传统的信号处理方法进行源分离。在sEMG中，这对应于运动单位分解，其中深度或混合模型可以通过利用高密度记录的时空结构来恢复运动单位放电时间（Farina & Yu 2026）。在这种角色中，AI通过提高鲁棒性、处理变异性和实现实时功能来补充基于物理和生理学的模型。
第二个可能更具影响力的方向是通过大规模数据驱动的学习进行间接补偿。AI模型可以在大规模、多样化的数据集上训练，以学习不受特定解剖结构、电极放置和会话依赖性变化影响的表示，同时保留与神经驱动相关的信息。在这个框架下，sEMG特别适合：它是安全的、可穿戴的且可扩展的，允许收集比大多数侵入性神经接口更大的数据集。因此，深度学习模型可以在大范围的人群和任务上进行训练，从而产生通用、可转移的解码模型，而不是高度特定于个体的模型。
这种转变对于人机交互等应用尤为重要，在这些应用中，鲁棒性和泛化能力比明确识别个别神经源更为重要。最近的大规模工业活动表明，只要有足够的数据多样性，深度网络就可以隐式地学习提取体积导体的影响，并收敛到能够近似表示潜在神经信息的表示，即使没有显式的生理建模（Kaifosh & Reardon 2025）。展望未来，几项发展预计将塑造这一领域。其中，自监督和不变学习策略将减少对标记数据的依赖；混合物理信息AI模型将利用解剖学和生理学先验来约束学习；数字孪生技术将被整合以生成合成数据，从而扩大对解剖结构、任务和罕见情况的覆盖范围。这些方法结合起来可能会显著减少校准需求，并提高用户和会话之间的鲁棒性。总之，AI在未来表面肌电图（sEMG）领域的影响将不在于发明新的信号特征，而更多在于学会如何透过体积导体来看清情况，无论是通过显式分离神经源还是通过从大规模数据中隐式学习不变性。通过将sEMG的可扩展性与现代AI相结合，表面记录可能越来越多地作为群体级别的可穿戴神经接口发挥作用，同时在与基于模型的方法结合使用时仍能提供机械学上的洞察。

3. 结论
在本文中，我们采用了问题驱动的结构，从基本原理到当代应用全面介绍了sEMG。我们的目标不是追求详尽的覆盖范围，而是围绕那些在各个学科中塑造理解、实践和期望的反复出现的问题来组织内容。我们希望这种格式能够为传统综述提供补充视角，帮助人们更清晰地导航这个复杂且快速发展的领域，除了现有的系列教程和共识论文（例如，Avrillon等人，2024年；Besomi等人，2019年；Clancy等人，2023年；Del Vecchio等人，2020年；Merletti & Muceli 2019年；van Die?n等人，2024年）。
重要的是，这种基于FAQ的结构并不旨在做到详尽或定论性。相反，它旨在提供一个可以扩展的基础。我们期待并鼓励未来的贡献者采用相同的框架来更深入地研究特定领域，包括临床转化、康复、人体工程学、运动科学和人机交互。从这个意义上说，本文应该被视为进一步发展和完善以问题为中心的sEMG知识交流方式的邀请。

未引用的参考文献：
Besomi等人，2024年；Dick等人，2024年；Farina等人，1985a；Farina等人，2016年；Farina等人，1985b；Merletti等人，2016年；Merletti和教程，2019年；Merletti和教程，2020年；Muceli和教程，2024年；Valli等人，2024年。

CRediT作者贡献声明：
Dario Farina：撰写——审稿与编辑，撰写——初稿，资源，方法论，资金获取，概念化。
Deborah Falla：撰写——审稿与编辑，概念化。
Roberto Merletti：撰写——审稿与编辑，概念化。