過(guò)去十年，肌電（EMG）技術(shù)正在經(jīng)歷一次重要的技術(shù)升級(jí)。傳統(tǒng)表面肌電（sEMG）主要依賴少量電極進(jìn)行肌肉電活動(dòng)記錄，其核心功能通常集中于肌肉激活檢測(cè)、肌肉疲勞評(píng)估、基礎(chǔ)動(dòng)作識(shí)別等方面

然而，隨著高密度表面肌電（HD-sEMG）、深度學(xué)習(xí)、Transformer 模型、可穿戴柔性電子、多模態(tài)融合等技術(shù)的發(fā)展，EMG 正在逐漸從傳統(tǒng)生理測(cè)量工具，擴(kuò)展為一種具有神經(jīng)肌肉信息交互潛力的接口技術(shù)。

近年來(lái)，AI 與 HD-sEMG 的結(jié)合正在快速發(fā)展。這一方向已經(jīng)成為運(yùn)動(dòng)科學(xué)、神經(jīng)工程、康復(fù)醫(yī)學(xué)以及人機(jī)工效領(lǐng)域的重要研究熱點(diǎn)之一。

一、從傳統(tǒng)肌電分析到 AI 驅(qū)動(dòng)神經(jīng)解析

傳統(tǒng) EMG 分析通常遵循：信號(hào)采集 → 特征提取 → 分類器識(shí)別。例如 RMS、Median Frequency、iEMG 等，再結(jié)合 SVM、Random Forest 或 KNN 等傳統(tǒng)機(jī)器學(xué)習(xí)算法完成動(dòng)作分類。但這種模式存在特征依賴人工設(shè)計(jì)、跨受試者泛化能力較弱、難以處理復(fù)雜動(dòng)態(tài)任務(wù)、空間信息利用不足等明顯局限。

因此，當(dāng)前研究正在快速轉(zhuǎn)向：End-to-End Deep Learning。即：利用深度神經(jīng)網(wǎng)絡(luò)直接從原始肌電信號(hào)中學(xué)習(xí)運(yùn)動(dòng)意圖。

近年來(lái)，Transformer 架構(gòu)已經(jīng)逐漸進(jìn)入 HD-sEMG 領(lǐng)域，并在連續(xù)動(dòng)作預(yù)測(cè)、運(yùn)動(dòng)學(xué)估計(jì)以及復(fù)雜動(dòng)作識(shí)別中展現(xiàn)出優(yōu)于傳統(tǒng)機(jī)器學(xué)習(xí)方法的性能^[1]。

與此同時(shí)，研究者開始更加關(guān)注時(shí)空特征學(xué)習(xí)、肌肉協(xié)同模式建模、跨天數(shù)據(jù)泛化、電極位移魯棒性等真實(shí)場(chǎng)景問(wèn)題^[2]。

二、高密度表面肌電（HD-sEMG）成為研究核心方向

相比傳統(tǒng)雙極表面肌電，HD-sEMG 采用二維陣列式電極布局，通常包含：32 通道、64 通道、128 通道以及更高密度陣列，從而獲得更高的空間分辨率。

HD-sEMG 不僅能夠記錄肌肉是否激活，更重要的是能夠觀察：

• 肌肉激活空間分布

• 肌纖維傳導(dǎo)特性

• 運(yùn)動(dòng)單位募集

• 神經(jīng)肌肉協(xié)同

• 疲勞傳播模式

因此，EMG 研究正在從傳統(tǒng)“單點(diǎn)記錄”，進(jìn)入“肌肉功能成像”階段。

2025 年發(fā)表于《Clinical Neurophysiology》的系統(tǒng)綜述指出，HD-sEMG 已成為研究神經(jīng)肌肉疾病與運(yùn)動(dòng)控制的重要工具，但其臨床推廣仍受到標(biāo)準(zhǔn)化不足與數(shù)據(jù)分析復(fù)雜性的限制^[3]。

三、科研級(jí) HD-sEMG 系統(tǒng)正在向無(wú)線化與多模態(tài)方向發(fā)展

隨著研究復(fù)雜度不斷提升，傳統(tǒng)有線肌電系統(tǒng)已經(jīng)難以滿足當(dāng)前研究需求。尤其是在動(dòng)態(tài)運(yùn)動(dòng)測(cè)試、多肌群同步分析、運(yùn)動(dòng)表現(xiàn)研究、外骨骼控制、神經(jīng)康復(fù)評(píng)估、多模態(tài)實(shí)驗(yàn)等場(chǎng)景中，因此研究者對(duì)于系統(tǒng)提出了更高要求：

• 更高通道數(shù)

• 更高同步精度

• 無(wú)線化

• 可穿戴化

• 多設(shè)備聯(lián)動(dòng)

• 實(shí)時(shí)高級(jí)分析

在這一背景下，新一代無(wú)線高密度表面肌電系統(tǒng)開始成為研究熱點(diǎn)。例如，由上海左體右智科技有限公司代理的Oct-HD 無(wú)線高密度表面肌電測(cè)試系統(tǒng)，采用分布式可穿戴架構(gòu)，可實(shí)現(xiàn)單模塊 64 通道 HD-sEMG 采集、九軸運(yùn)動(dòng)姿態(tài)同步記、512 通道同步擴(kuò)展、在線/離線同步采樣等，能夠滿足復(fù)雜運(yùn)動(dòng)條件下的全身肌群研究需求。相比傳統(tǒng)實(shí)驗(yàn)室系統(tǒng)，其優(yōu)勢(shì)主要體現(xiàn)在以下幾個(gè)方面。

1. 多肌群同步研究能力

當(dāng)前運(yùn)動(dòng)科學(xué)研究越來(lái)越強(qiáng)調(diào)多肌群協(xié)同控制，例如下肢步態(tài)協(xié)同、核心穩(wěn)定性分析、運(yùn)動(dòng)鏈協(xié)同、疲勞傳播分析。

Oct-HD 可支持 512 通道同步工作，可用于復(fù)雜動(dòng)態(tài)條件下的多肌群研究，尤其適用于高水平競(jìng)技運(yùn)動(dòng)、康復(fù)訓(xùn)練、外骨骼控制、人機(jī)工效研究等場(chǎng)景。

2. 空間肌電高級(jí)分析能力

HD-sEMG 的核心價(jià)值，并不僅僅在于“通道更多”。更重要的是：能夠?qū)崿F(xiàn)肌肉活動(dòng)的空間解析。目前前沿研究非常關(guān)注肌電地形圖、肌纖維傳導(dǎo)速度、神經(jīng)肌肉支配區(qū)識(shí)別、運(yùn)動(dòng)單位動(dòng)作電位分析等功能。

Oct-HD 配套軟件已支持上述高級(jí)分析功能，并能夠進(jìn)行：

• 肌肉疲勞特征計(jì)算

• 神經(jīng)-肌肉傳導(dǎo)分析

• 神經(jīng)元分解

這些功能方向與當(dāng)前 HD-sEMG 研究中較受關(guān)注的分析需求具有一定一致性。

3. 多模態(tài)融合趨勢(shì)

當(dāng)前單獨(dú) EMG 已經(jīng)難以滿足復(fù)雜研究需求。因此，多模態(tài)融合正在成為重要方向。目前常見(jiàn)的聯(lián)合方案包括：

• EEG

• fNIRS

• IMU

• Motion Capture

• 生物力學(xué)系統(tǒng)

研究者希望同時(shí)獲得：神經(jīng)驅(qū)動(dòng)信息、動(dòng)作學(xué)信息、生物力學(xué)參數(shù)、肌肉形變信息，從而建立更完整的人體運(yùn)動(dòng)模型。

Oct-HD 支持與 EEG、fNIRS、生物力學(xué)及運(yùn)動(dòng)捕捉系統(tǒng)聯(lián)用，可用于腦-肌耦合研究、神經(jīng)運(yùn)動(dòng)控制研究、運(yùn)動(dòng)表現(xiàn)分析、康復(fù)評(píng)定等多模態(tài)實(shí)驗(yàn)場(chǎng)景。

四、AI 正在重構(gòu) HD-sEMG 數(shù)據(jù)分析模式

當(dāng)前 HD-sEMG 領(lǐng)域最重要的變化之一，是 AI 對(duì)數(shù)據(jù)分析方式的重構(gòu)。過(guò)去研究側(cè)重于“設(shè)計(jì)特征”，而現(xiàn)在：研究逐漸轉(zhuǎn)向表征學(xué)習(xí)。

1. Transformer 架構(gòu)開始進(jìn)入 EMG 領(lǐng)域

Transformer 已從自然語(yǔ)言處理擴(kuò)展至生理信號(hào)分析。研究顯示，基于 Transformer 的深度網(wǎng)絡(luò)已經(jīng)能夠：

• 連續(xù)估計(jì)手部運(yùn)動(dòng)學(xué)

• 預(yù)測(cè)關(guān)節(jié)角度

• 提高實(shí)時(shí)解碼穩(wěn)定性

• 降低信號(hào)噪聲影響

其在復(fù)雜動(dòng)作預(yù)測(cè)中的性能明顯優(yōu)于傳統(tǒng) CNN 或淺層機(jī)器學(xué)習(xí)方法^[4]。這意味著EMG 不再只是“動(dòng)作分類工具”，而正在成為連續(xù)運(yùn)動(dòng)控制接口。

2. Foundation Model（基礎(chǔ)模型）成為新趨勢(shì)

Foundation Model 是 2025–2026 年值得關(guān)注的方向之一。其核心思想與大型語(yǔ)言模型類似：通過(guò)海量無(wú)標(biāo)簽 EMG 數(shù)據(jù)預(yù)訓(xùn)練，學(xué)習(xí)通用神經(jīng)肌肉表征。

近期研究開始探索利用 Foundation Model 學(xué)習(xí)通用神經(jīng)肌肉表征，并在部分任務(wù)中展現(xiàn)出較好的跨任務(wù)遷移能力 ^[5]。

其中，TinyMyo 模型甚至實(shí)現(xiàn)了：

• 小于 5M 參數(shù)

• MCU 邊緣部署

• 超低功耗運(yùn)行

說(shuō)明未來(lái) EMG AI 系統(tǒng)可能直接運(yùn)行在可穿戴設(shè)備端，而無(wú)需依賴高性能服務(wù)器^[6]。

五、運(yùn)動(dòng)科學(xué)與康復(fù)領(lǐng)域的研究熱點(diǎn)

在運(yùn)動(dòng)科學(xué)中，EMG 研究也正在發(fā)生變化。

過(guò)去主要關(guān)注：

• RMS 變化

• 中位頻率下降

• 肌肉激活幅度

而當(dāng)前更強(qiáng)調(diào)：

• 神經(jīng)肌肉協(xié)同

• 疲勞空間傳播

• 運(yùn)動(dòng)單位募集策略

• 動(dòng)作經(jīng)濟(jì)性

無(wú)線化 HD-sEMG 系統(tǒng)由于具備更高自由度，更適用于真實(shí)運(yùn)動(dòng)場(chǎng)景下的數(shù)據(jù)采集與分析。

六、未來(lái)發(fā)展趨勢(shì)

綜合當(dāng)前研究，未來(lái) 3–5 年 HD-sEMG 領(lǐng)域的重要趨勢(shì)包括：

• AI 驅(qū)動(dòng)的神經(jīng)肌肉基礎(chǔ)模型

• 可穿戴柔性 HD-sEMG 系統(tǒng)

• 邊緣 AI 實(shí)時(shí)分析

• 神經(jīng)肌肉數(shù)字孿生

• 多模態(tài)神經(jīng)運(yùn)動(dòng)實(shí)驗(yàn)平臺(tái)

未來(lái)的 EMG 系統(tǒng)，很可能不再只是記錄肌肉活動(dòng)，而是成為連接人體運(yùn)動(dòng)意圖與智能系統(tǒng)的重要橋梁。

而以 Oct-HD 為代表的新一代無(wú)線高密度表面肌電系統(tǒng)，也正在推動(dòng) HD-sEMG 從實(shí)驗(yàn)室研究逐步走向更加復(fù)雜、真實(shí)和多模態(tài)的應(yīng)用場(chǎng)景。

參考文獻(xiàn)

[1] Rad K, Shabanpour M, Islam MR, Mohammadi A. Masked Autoencoder with Swin Transformer Network for Mitigating Electrode Shift in HD-EMG-based Gesture Recognition. Annu Int Conf IEEE Eng Med Biol Soc. 2025 Jul;2025:1-6.

[2] Haikong Lu, Le Wu, Shengcai Duan, Aiping Liu, Xun Chen,Enhancing realism and diversity in data augmentation for robust HD-sEMG gesture recognition against electrode shift,Biomedical Signal Processing and Control,Volume 117,2026,109570,ISSN 1746-8094

[3] Ehsan Shandiz, Asbjorn Gaskell, Matthew Ingram, Gabriel S. Trajano, Gabriel L. Fernandes, Joao S. Henkin, Pamela A. McCombe, Robert D. Henderson,Applying high-density surface EMG to the study of neuromuscular disorders: a systematic review,Clinical Neurophysiology,Volume 179,2025,2110983,ISSN 1388-2457

[4] Lin, C., Zhang, X. & Zhao, C. A parallel and efficient transformer deep learning network for continuous estimation of hand kinematics from electromyographic signals. Sci Rep 15, 36150 (2025).

[5] Kurbis, A. Garrett & Mihailidis, Alex & Laschowski, Brokoslaw. (2025). An EMG foundation model for neural decoding.

[6] arXiv:2512.15729 [eess.SP], TinyMyo: a Tiny Foundation Model for Flexible EMG Signal Processing at the Edge