基于肌电信号（EMG）的假肢与机械关节控制研究进展综述

摘要

肌电信号（Electromyography, EMG）控制技术通过采集人体肌肉收缩产生的电信号来驱动外部动力假肢或机械关节，是当前仿生假肢和康复机器人领域的核心研究方向。本文系统梳理了国内外在该领域的研究进展，涵盖信号采集与处理、控制算法、感觉反馈、临床应用及未来趋势等方面，并对关键文献进行了整理，以期为相关研究提供参考。

关键词：肌电信号；假肢控制；模式识别；同步比例控制；神经接口；深度学习

---

1. 引言

肌电假肢自1948年问世以来，经历了从单自由度开关控制到多自由度智能控制的跨越式发展。表面肌电信号（surface EMG, sEMG）作为人体运动意图的直接载体，为假肢与神经系统之间建立了信息通道。随着生机电一体化、人工智能和神经科学的发展，基于EMG的假肢控制技术已成为国际研究热点。

如图1-1所示，肌电控制系统的总体架构可分为三层：信号采集层、解码控制层和执行反馈层。

图1-1 肌电控制系统三层架构图

图注：本图展示肌电控制系统的总体三层架构。黄色系表示原始输入（肌肉收缩信号），蓝色系表示硬件采集结构（电极与滤波电路），橙色系表示信号处理流程（特征提取到运动解码），绿色系表示执行机构（电机与关节），紫色系表示感觉反馈输出。三个关键节点：①"表面电极"是信号入口，决定信号质量上限；②"模式识别"是核心算法环节，决定解码精度；③"触觉反馈"通过虚线回路形成闭环，是近年研究热点。

---

2. 肌电信号基础与采集技术

2.1 信号来源与特点

表面肌电信号是肌肉收缩时运动单元动作电位在皮肤表面叠加形成的电信号。其幅值通常在 $0-10\text{mV}$ 范围内，有效频率集中在 $10-500\text{Hz}$ 之间，具有非平稳性、低信噪比、个体差异大等特点。

肌电信号的幅值包络与肌肉收缩力之间存在近似线性关系，可表示为：

$$F(t)=k\cdot {\text{EMG}}_{\text{rms}}(t)+b\text{\hspace{1em}(2.1)}$$

其中 $F(t)$ 为肌肉收缩力，${\text{EMG}}_{\text{rms}}(t)$ 为肌电信号均方根值，$k$ 为比例增益系数，$b$ 为偏置项。该关系是比例肌电控制的物理基础。

详细解释：

• 物理意义：肌肉收缩力与肌电信号幅值呈正相关，通过标定系数 $k$ 可将电信号映射为控制力矩。
• 推导：运动单元募集与发放率共同决定肌电幅值，而两者均与收缩力单调相关。
• 核心原则：该线性关系仅在等长收缩、中低强度范围内近似成立，动态收缩时需引入修正项。

信号采集一般使用表面电极，对于深层肌肉或高精度需求，可采用针电极或植入式电极。

2.2 采集系统发展

采集方式	通道数	优点	缺点
传统表面电极	2-8	佩戴方便、成本低	空间信息有限
高密度肌电	32-256	空间分辨率高	佩戴复杂、成本高
植入式电极	按需	信号质量高	手术风险、感染
柔性/刺绣电极	8-64	舒适性好、可长期佩戴	信号稳定性待提升

如图2-1所示，肌电信号从产生到被解码的完整信号链包含多个处理环节。

图2-1 肌电信号处理链路图

图注：本图展示肌电信号从生理产生到控制指令输出的完整链路，按"采集-调理-解码"三阶段分组。黄色系表示生理信号源，蓝色系表示硬件调理环节，橙色系表示算法处理环节，紫色系表示最终输出。三个关键节点：①"肌纤维"是信号物理源头；②"带通滤波" typically 设置为 $10-500\text{Hz}$，是信号质量关键；③"分类回归"决定控制精度与自由度数量。

---

3. 控制算法研究进展

3.1 传统控制方法

3.1.1 阈值控制

最早的肌电假肢控制方式，通过设定信号幅值阈值实现开关控制。控制逻辑可表示为：

$$u(t)=\{\begin{array}{ll}1,& \text{EMG}(t)>\theta \\ 0,& \text{EMG}(t)\le \theta \end{array}\text{\hspace{1em}(3.1)}$$

其中 $u(t)$ 为控制输出，$\theta$ 为预设阈值。虽然简单可靠，但功能单一，仅能实现1-2个自由度的控制。

3.1.2 比例控制

通过肌电信号幅值与关节运动速度/力矩建立比例关系，实现连续控制：

$$\tau (t)=K_p\cdot {\text{EMG}}_{\text{rms}}(t)\text{\hspace{1em}(3.2)}$$

其中 $\tau (t)$ 为关节力矩指令，$K_p$ 为比例增益。包括固定增益和变增益比例控制。范德堡大学Ha等将sEMG特征直接用于阻抗控制器，验证了比例肌电法控制膝关节假肢的可行性。

3.2 模式识别控制

模式识别（Pattern Recognition, PR）是肌电控制的重要突破。其数学本质是从特征空间到动作类别的映射：

$$\hat{c}=\arg \underset{c\in \mathcal{C}}{\max }P(c\mid \mathbf{x})\text{\hspace{1em}(3.3)}$$

其中 $\mathbf{x}\in {\mathbb{R}}^d$ 为特征向量，$\mathcal{C}$ 为动作类别集合，$P(c\mid \mathbf{x})$ 为后验概率。

发展历程：

• 1993年：Hudgins等首次利用PR方法从前臂截肢者残留EMG信号中解码出腕部4种动作。
• 2003年：Englehart等使用滑动窗和线性分类器将识别率提升至93%。
• 常用算法：线性判别分析（LDA）、支持向量机（SVM）、BP神经网络等。
• 深度学习时代：卷积神经网络（CNN）、长短期记忆网络（LSTM）、CNN-LSTM混合模型等成为主流。中国科学技术大学陈香团队提出尖峰卷积神经网络，在小样本和电极移位实验中表现优越。

如图3-1所示，模式识别控制的完整流程包含特征提取、分类器训练与在线解码三个阶段。

图3-1 模式识别控制流程图

图注：本图展示模式识别控制的训练与在线两阶段流程。黄色系表示原始数据输入，橙色系表示特征处理过程，绿色系表示模型训练与推理，紫色系表示最终输出。虚线表示训练好的模型参数流向在线推理环节。三个关键节点：①"特征提取"常用均方根、波形长度、过零点数等时域特征；②"分类器训练"常用LDA、SVM或深度学习模型；③"滑动窗口"通常设置为 $150-300\text{ms}$，影响实时性与精度的平衡。

3.3 同步比例控制（Simultaneous and Proportional Control）

同步比例控制允许用户同时控制多个自由度，是当前研究前沿。与模式识别的离散分类不同，同步比例控制输出连续的多维控制量：

$$\hat{\mathbf{y}}(t)=f_{\theta }(\mathbf{x}(t))\text{\hspace{1em}(3.4)}$$

其中 $\hat{\mathbf{y}}(t)\in {\mathbb{R}}^m$ 为 $m$ 个自由度的连续控制量，$f_{\theta }$ 为参数化回归函数。

发展历程：

• 2012年：Muceli等提出肌电同步比例控制方法，实现连续比例调控。
• 2014年：Hahne等系统比较了线性与非线性回归技术，为同步比例控制奠定基础。
• 2018年：Hahne等在Science Robotics发表里程碑工作，基于回归模型实现2自由度假肢手的实时同步控制，被引超250次。
• 2019年：Zhuang等在Nature Machine Intelligence提出共享人机比例控制方法。

如图3-2所示，同步比例控制与模式识别控制的本质差异在于输出空间：前者输出连续多维向量，后者输出离散类别标签。

图3-2 模式识别与同步比例控制对比图

图注：本图对比两种主流控制范式的本质差异。黄色系表示输入特征，橙色系表示算法核心，蓝色系表示输出形式，紫色系表示控制效果。三个关键节点：①"离散类别"输出为one-hot向量，同一时间仅一个动作激活；②"连续向量"各维度独立变化，支持真正的同时控制；③"多自由度协同"是同步比例控制的核心优势，也是人机自然交互的关键。

3.4 连续运动估计

• 肌骨模型法：基于Hill肌肉模型或更复杂的肌骨动力学模型，从EMG信号估计关节力矩/角度。Hill型肌肉模型可表示为：

$$F_{\text{mus}}(t)=F_{\text{max}}\cdot a(t)\cdot f_l(l)\cdot f_v(v)\text{\hspace{1em}(3.5)}$$

其中 $F_{\text{max}}$ 为最大等长收缩力，$a(t)$ 为肌肉激活度（由EMG驱动），$f_l(l)$ 为长度-张力关系，$f_v(v)$ 为速度-张力关系。

• 神经网络回归：使用NARX神经网络、CNN-LSTM等建立EMG到关节运动学的映射。Zabre-Gonzalez等使用NARX网络实现踝关节角度和力矩估计，相关系数高于0.99。
• 迁移学习与泛化：针对跨个体适配性不足问题，开展迁移学习和域自适应研究。

---

4. 感觉反馈与闭环控制

4.1 感觉反馈的重要性

感觉反馈是实现自然控制的关键。研究表明，触觉反馈可显著提高假肢控制性能，增强用户的具身感（embodiment）。如图4-1所示，完整的闭环控制系统包含正向控制通路与反向反馈通路。

图4-1 双向闭环控制系统图

图注：本图展示肌电假肢的双向闭环控制架构。黄色系表示用户意图输入，橙色系表示信号解码与控制，蓝色系表示硬件执行，绿色系表示物理交互，紫色系表示感觉反馈通路。实线表示正向控制流，虚线表示反馈回路。三个关键节点：①"肌电解码"将生理信号转化为控制指令；②"力传感器"感知假肢与环境的交互状态；③"电刺激"将力信息编码为神经可感知的信号，完成闭环。

4.2 反馈技术路线

反馈方式	侵入性	信息带宽	成熟度
机械振动	无	低	高
经皮电刺激	无	中	中
感觉神经接口	有	高	低

• 经皮电神经刺激（TENS）：将假肢的力/位置信息编码为电刺激反馈给用户。
• 机械振动反馈：通过振动马达提供触觉信息。
• 感觉神经接口：通过植入式电极直接刺激周围神经。

4.3 代表性成果

• 2021年：谷国迎等在Nature Biomedical Engineering发表软体神经假肢手，集成肌电控制与触觉反馈，实现闭环控制。该假肢手重292g，具有6个主动自由度，成本低于传统刚性假肢。
• 东京大学：基于TokyoHand平台构建双向生机交互系统，通过TENS反馈假手力信息。
• 德国宇航中心：DLR-HITHand平台实现十通道sEMG同步比例控制与TENS位置反馈。

---

5. 外科手术与植入式接口

5.1 靶向肌肉神经移植术（TMR）

TMR通过将残肢神经移植到目标肌肉，产生可采集的肌电信号，显著改善高位截肢者的假肢控制。Hargrove等通过随机临床试验证明，对于经肱骨截肢者，肌电模式识别结合TMR优于直接控制。

5.2 骨整合（Osseointegration）

骨整合技术通过植入物直接连接假肢与骨骼，提供更稳定的机械接口和更好的本体感觉传递。

5.3 植入式电极

包括肌肉内电极和周围神经电极，可获取更高质量的神经信号，但存在感染、长期稳定性等挑战。

如图5-1所示，不同接口技术的侵入性与信号质量存在权衡关系。

图5-1 电极接口技术权衡图

图注：本图对比三类电极接口技术的特性权衡。蓝色系表示硬件本体，橙色系表示性能参数，灰色系表示局限性。三个关键节点：①"表面电极"是目前临床主流，佩戴方便但信号易受干扰；②"针电极"用于短期科研实验，不适合长期佩戴；③"肌肉内电极"信号质量最高，但手术风险和长期稳定性是主要障碍。

---

6. 国内研究进展

6.1 主要研究团队与成果

团队	主要贡献
上海交通大学（朱向阳、谷国迎团队）	软体神经假肢手、肌电模式识别与触觉反馈融合
中国科学院深圳先进技术研究院（李光林团队）	2007年完成全球首例神经功能重建受试者的肌电信号解码和智能假肢操控，动作完成率超95%
中国科学技术大学（陈香团队）	尖峰卷积神经网络、小样本学习
哈尔滨工业大学（刘宏团队）	假肢控制、机器人技术
重庆大学（侯文生团队）	运动意图识别鲁棒性
复旦大学（戴晨赟团队）	基于运动单元分解的意图识别方法
上海交大（李向新等）	迁移学习跨个体泛化模型

6.2 应用展示

2022年北京冬残奥会上，基于sEMG的智能假肢手臂系统实现了手-肘协调控制的应用展示。

---

7. 国际研究进展

7.1 重大研究计划

• 美国DARPA"革命性假肢"计划（2005）：目标是研制与人体手臂相当的多自由度上肢假肢，突破单一肌电控制源，采用多源生物信号联合控制。
• 欧洲NEUROBOTICS计划：在神经控制、仿生传感器等方面取得突破。

7.2 代表性研究团队

机构/团队	主要贡献
德国柏林工业大学/帝国理工（Farina、Hahne团队）	同步比例控制、回归方法、用户自适应
美国西北大学（Kuiken团队）	TMR技术、模式识别临床验证
加拿大新不伦瑞克大学（Englehart、Scheme团队）	肌电信号处理、模式识别算法
奥地利维也纳医科大学（Aszmann团队）	仿生重建、TMR临床应用
意大利/德国（NEUROBOTICS）	神经控制与仿生传感

7.3 商业化产品

• i-Limb（Touch Bionics）：世界首个各手指可独立运动的多自由度灵巧假肢。
• Bebionic Hand：基于模式识别的sEMG控制。
• Michelangelo Hand：sEMG信号提取抓取力意图，TENS反馈压力信息。

如图7-1所示，肌电控制技术从实验室研究到商业化产品的转化路径。

图7-1 技术转化路径与瓶颈图

图注：本图展示肌电控制技术从基础研究到商业化的转化路径，以及常见技术瓶颈。橙色系表示早期研究阶段，蓝色系表示工程化阶段，绿色系表示市场化阶段，红色系表示关键瓶颈，灰色系表示具体障碍。虚线表示瓶颈对转化路径的阻碍。三个关键节点：①"原型系统"是实验室到临床的关键跨越；②"临床试验"验证安全性和有效性；③"信号漂移"是最常见的技术瓶颈，导致长期稳定性不足。

---

8. 当前挑战与未来方向

8.1 主要挑战

如图8-1所示，肌电控制系统的性能退化存在明确的因果链。

图8-1 性能退化因果链图

图注：本图展示肌电控制系统性能退化的因果链。红色系表示根因（生理与环境因素），蓝色系表示中间环节（信号变化），橙色系表示特征层面影响，紫色系表示直接后果，灰色系表示最终影响。三个关键节点：①"电极移位"是最常见的现场问题，导致空间特征分布改变；②"特征分布偏移"是各类干扰的共同结果，也是自适应算法的作用靶点；③"识别率下降"是用户可感知的直接后果。

1. 鲁棒性不足：肌肉疲劳、电极移位、皮肤阻抗变化、个体差异等因素显著影响识别效果。
2. 跨个体泛化：不同用户之间的模型迁移仍困难。
3. 感觉反馈滞后：与运动意图解码相比，感觉反馈技术进展相对缓慢。
4. 长期稳定性：信号质量随时间变化，需要自适应算法。
5. 多自由度协调：复杂动作的同步控制精度仍需提升。

8.2 未来方向

1. 深度学习与迁移学习：提高小样本和跨个体性能。
2. 多模态融合：结合EMG、脑电（EEG）、惯性传感器（IMU）等多源信息。
3. 闭环神经接口：实现更自然的感觉反馈。
4. 软体机器人技术：轻量化、低成本、高顺应性的假肢设计。
5. 个性化与自适应：根据用户状态实时调整控制策略。
6. 数字孪生技术：如Maksymenko等提出的肌电数字孪生，用于深度学习快速建模。

---

9. 结论

基于肌电信号的假肢与机械关节控制技术已从简单的开关控制发展到多自由度同步比例控制和闭环神经接口阶段。深度学习、TMR手术、软体机器人等技术的融合正在推动该领域向更自然、更智能的方向发展。未来，随着神经科学、材料科学和人工智能的进一步交叉融合，真正意义上的"人机合一"假肢有望成为现实。

---

参考文献

中文文献

[1] 郑悦, 李光林, 等. 多功能上肢假肢技术研究进展与发展建议[J]. 人民智库, 2026.

[2] 王人成, 黄昌华, 李波, 等. 基于BP神经网络的表面肌电信号模式分类的研究[J]. 中国医疗器械杂志, 1998, (2): 63-66.

[3] 杨志家, 赵光宙. 肌电信号的相空间分析[J]. 生物物理学报, 1998, (2): 65-69.

[4] 刘建成. 基于模糊神经网络的肌电信号的分析[J]. 中国医疗器械杂志, 1999, (2): 80.

[5] 面向智能假肢手臂的生机接口系统与类神经协同控制[J]. 机器人, 2022.

[6] 基于肌电信号的人体下肢运动意图映射研究进展[J]. 上海理工大学学报, 2023, 2.

[7] 智能上肢假肢感觉反馈研究进展[J]. 机械工程学报, 2023, 59(5).

[8] 基于上臂关节角度和肌电信号的二自由度假肢控制方法[J]. 自动化学报, 2018, 44(4): 667.

[9] 一种基于EEG和sEMG的假手控制策略[J]. 自动化学报, 2017.

英文文献

[10] Hudgins B, Parker PA, Scott RN. A new strategy for multifunction myoelectric control[J]. IEEE Transactions on Biomedical Engineering, 1993, 40(1): 82-94.

[11] Englehart K, Hudgins B. A robust, real-time control scheme for multifunction myoelectric control[J]. IEEE Transactions on Biomedical Engineering, 2003, 50(7): 848-854.

[12] Oskoei MA, Hu H. Myoelectric control systems—A survey[J]. Biomedical Signal Processing and Control, 2007, 2(4): 275-294.

[13] Parker P, Englehart K, Hudgins B. Myoelectric signal processing for control of powered limb prostheses[J]. Journal of Electromyography and Kinesiology, 2006, 16(6): 541-548.

[14] Fougner A, et al. Control of upper limb prostheses: terminology and proportional myoelectric control—A review[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2012, 20(5): 663-677.

[15] Hahne JM, et al. Linear and nonlinear regression techniques for simultaneous and proportional myoelectric control[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2014, 22(2): 269-279.

[16] Muceli S, Jiang N, Farina D. Extracting signals robust to electrode number and shift for online simultaneous and proportional myoelectric control by factorization algorithms[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2014, 22(3): 623-633.

[17] Hahne JM, et al. Concurrent adaptation of human and machine improves simultaneous and proportional myoelectric control[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2015, 23(4): 618-627.

[18] Vidovic MMC, et al. Improving the robustness of myoelectric pattern recognition for upper limb prostheses by covariate shift adaptation[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2015, 24(9): 961-970.

[19] Hahne JM, Markovic M, Farina D. User adaptation in myoelectric man-machine interfaces[J]. Scientific Reports, 2017, 7: 4437.

[20] Hargrove LJ, Miller LA, Turner K, Kuiken TA. Myoelectric pattern recognition outperforms direct control for transhumeral amputees with targeted muscle reinnervation: A randomized clinical trial[J]. Scientific Reports, 2017, 7: 13840.

[21] Hahne JM, Schweisfurth MA, Koppe M, Farina D. Simultaneous control of multiple functions of bionic hand prostheses: Performance and robustness in end users[J]. Science Robotics, 2018, 3(19): eaat3630.

[22] Ameri A, Akhaee MA, Scheme E, Englehart K. Real-time, simultaneous myoelectric control using a convolutional neural network[J]. PLoS ONE, 2018, 13(9): e0203835.

[23] Vujaklija I, et al. Online mapping of EMG signals into kinematics by autoencoding[J]. Journal of NeuroEngineering and Rehabilitation, 2018, 15: 21.

[24] Cote-Allard U, et al. Deep learning for electromyographic hand gesture signal classification using transfer learning[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2019.

[25] Zhuang KZ, et al. Shared human-robot proportional control of a dexterous myoelectric prosthesis[J]. Nature Machine Intelligence, 2019, 1: 400-411.

[26] Gu G, Zhang N, Xu H, et al. A soft neuroprosthetic hand providing simultaneous myoelectric control and tactile feedback[J]. Nature Biomedical Engineering, 2021, 7: 589-598.

[27] Igual C, Igual J, Hahne JM, Parra LC. Adaptive auto-regressive proportional myoelectric control[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2019, 27(2): 314-322.

[28] Nowak M, et al. Simultaneous and proportional real-time myocontrol of up to three degrees of freedom of the wrist and hand[J]. IEEE Transactions on Biomedical Engineering, 2023, 70(2): 459-469.

[29] Gstoettner C, et al. Targeted muscle reinnervation in bionic upper limb reconstruction: Current status and future directions[J]. Journal of Hand Surgery (European Volume), 2024, 49(6).

[30] Maksymenko K, et al. A myoelectric digital twin for fast and realistic modeling in deep learning[J]. Nature Communications, 2023, 14: 1600.

[31] Sid’El Moctar N, et al. Advances in EMG signal processing and pattern recognition: Techniques, challenges, and emerging applications[J]. Electronics, 2026, 15(3): 590.

[32] Peerdeman B, et al. Myoelectric forearm prostheses: State of the art from a user-centered perspective[J]. Journal of Rehabilitation Research and Development, 2011.

[33] Ison M, Vujaklija I, Whitsell B, Farina D, Artemiadis P. High-density electromyography and motor skill learning for robust long-term control of a 7-DoF robot arm[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2016, 24(4): 424-433.

[34] Zabre-Gonzalez A, et al. Continuous estimation of ankle joint angle and moment using NARX neural network with sEMG signals[J]. 2020.

[35] Kamavuako EN, et al. Affordable embroidered EMG electrodes for myoelectric control of prostheses: A pilot study[J]. Sensors, 2021, 21(15): 5245.

[36] Ortiz-Catalan M, et al. BioPatRec: An open-source platform for pattern recognition of myoelectric signals[J]. 2013.

---

附录：关键术语表

术语	英文全称	说明
EMG	Electromyography	肌电图/肌电信号
sEMG	Surface EMG	表面肌电信号
TMR	Targeted Muscle Reinnervation	靶向肌肉神经移植术
DoF	Degrees of Freedom	自由度
PR	Pattern Recognition	模式识别
CNN	Convolutional Neural Network	卷积神经网络
LSTM	Long Short-Term Memory	长短期记忆网络
TENS	Transcutaneous Electrical Nerve Stimulation	经皮电神经刺激
HD-EMG	High-Density EMG	高密度肌电

---

文档生成时间：2026年9月26日