如何在Android端实现EMG肌电图信号的实时采集与分析？

表面肌电信号（sEMG）是肌肉收缩时运动单元动作电位在皮肤表面的叠加，幅值通常在几十微伏到几毫伏之间，有效频率集中在20Hz到500Hz。在Android设备上构建EMG分析测试系统，需要打通从硬件采集、蓝牙传输、移动端滤波到特征计算的完整链路。与桌面端相比，移动端受限于处理器功耗和实时性要求，必须对算法做轻量化处理，同时保证测试结果可复现。本文将围绕这一目标展开，给出可落地的实现思路和关键代码。

一、EMG数据采集与蓝牙数据包解析

EMG采集通常使用差分电极和仪表放大器，原始信号需要经过硬件带通滤波和放大后，由模数转换器（ADC）采样。采样率一般不低于1000Hz，以保证捕捉到肌电的高频成分。蓝牙低功耗（BLE）设备通过GATT服务暴露数据通道，Android端使用BluetoothGatt接口订阅通知。在开发前需要在AndroidManifest.xml中声明蓝牙权限，包括<uses-permission android:name="android.permission.BLUETOOTH_SCAN" />和<uses-permission android:name="android.permission.CONNECT" />。这些权限需要在运行时动态申请，否则无法建立BLE连接。

数据包格式由硬件厂商定义，常见的是每个通知包包含多个采样点，每个采样点占2字节或3字节。例如一个20字节的数据包可以包含10个16位有符号整数采样值。Android端在onCharacteristicChanged回调中接收字节数组，需要按小端或大端顺序解析为short数组。下面展示一个解析16位小端数据的工具方法，其中使用了ByteBuffer避免手动位移错误。

public static short[] parseLittleEndian16(byte[] data) {
    if (data == null || data.length % 2 != 0) {
        throw new IllegalArgumentException("Invalid data length");
    }
    short[] samples = new short[data.length / 2];
    ByteBuffer buffer = ByteBuffer.wrap(data).order(ByteOrder.LITTLE_ENDIAN);
    for (int i = 0; i < samples.length; i++) {
        samples[i] = buffer.getShort();
    }
    return samples;
}

解析后的数据需要进入环形缓冲区，避免因界面刷新或计算耗时导致丢包。环形缓冲区可以用数组和读写指针实现，生产者是蓝牙回调线程，消费者是处理线程。使用ArrayBlockingQueue或自定义无锁环形缓冲都可以，但要注意背压策略：当缓冲区满时，优先丢弃最旧数据而不是阻塞蓝牙回调，否则会断开BLE连接。同时建议将蓝牙数据接收回调中的解析操作保持在微秒级，复杂处理应放到独立线程中。

二、轻量级实时滤波与去噪实现

原始肌电信号中常混有工频干扰（50Hz或60Hz）和基线漂移。在Android端实时处理时，FIR滤波器虽然线性相位好，但阶数高会引入较大延迟，不适合实时交互；IIR滤波器可以用较低阶数实现陡峭的过渡带，计算量小。典型选择是二阶巴特沃斯带通滤波器，频率范围20Hz到450Hz，配合一个二阶陷波器抑制50Hz工频。带通滤波器用于去除运动伪迹和高频噪声，陷波器则针对性消除电源干扰。

巴特沃斯带通滤波器可以通过双线性变换从模拟原型设计，也可以直接使用差分方程实现。下面给出一个二阶带通滤波器的差分方程实现，系数需要根据采样率用工具预先计算。代码中b和a数组为滤波器系数，x为输入，y为输出。该实现每个采样点只需数次乘加运算，在主流Android设备上处理1000Hz单通道数据耗时不超过1毫秒。

public class BandPassFilter {
    private double[] b;
    private double[] a;
    private double[] xHistory;
    private double[] yHistory;

    public BandPassFilter(double[] b, double[] a) {
        this.b = b;
        this.a = a;
        this.xHistory = new double[b.length];
        this.yHistory = new double[a.length - 1];
    }

    public double process(double input) {
        // 移位历史输入
        for (int i = b.length - 1; i > 0; i--) {
            xHistory[i] = xHistory[i - 1];
        }
        xHistory[0] = input;

        double output = 0.0;
        for (int i = 0; i < b.length; i++) {
            output += b[i] * xHistory[i];
        }
        for (int i = 1; i < a.length; i++) {
            output -= a[i] * yHistory[i - 1];
        }
        // 移位历史输出
        for (int i = yHistory.length - 1; i > 0; i--) {
            yHistory[i] = yHistory[i - 1];
        }
        yHistory[0] = output;
        return output;
    }
}

移动端还需要处理直流偏置。可以在滤波前先减去滑动均值，或者使用高通滤波器。实际测试中，如果硬件已经做了高通滤波，Android端可以省略，以降低延迟。测试时可以通过注入正弦波叠加噪声的模拟数据来验证滤波器效果，通过计算输出信噪比评估滤波性能。例如生成50Hz、100Hz和300Hz的混合信号，检查滤波器输出是否仅保留100Hz到300Hz之间的成分，并且50Hz工频被明显抑制。

三、肌电特征提取与实时分析测试

肌电分析常用的时域特征包括均方根值（RMS）、平均绝对值（MAV）、过零率（ZC）和波形长度（WL）。其中RMS反映肌肉激活强度，计算简单，适合在移动端实时计算。过零率可以反映信号频率成分的变化。特征提取通常采用滑动窗口，窗口长度200ms，步长50ms，既能保证时间分辨率，又不会给CPU造成过大压力。窗口长度过短会导致特征波动大，过长则会模糊快速收缩的瞬态变化。

下面代码展示在Android中使用一个固定大小的队列计算滑动窗口RMS。每次新采样点进入队列，移除最旧点，通过维护平方和增量更新，避免每次遍历整个窗口。这样每个采样点的计算量是常数级，适合实时处理。

public class MovingRms {
    private int windowSize;
    private double[] window;
    private int index = 0;
    private int count = 0;
    private double sumSquares = 0.0;

    public MovingRms(int windowSize) {
        this.windowSize = windowSize;
        this.window = new double[windowSize];
    }

    public double update(double sample) {
        if (count == windowSize) {
            double old = window[index];
            sumSquares -= old * old;
        } else {
            count++;
        }
        window[index] = sample;
        sumSquares += sample * sample;
        index = (index + 1) % windowSize;
        if (count == 0) return 0.0;
        return Math.sqrt(sumSquares / count);
    }
}

分析测试的关键是验证特征提取的准确性。可以构造已知幅值的正弦波信号，例如频率100Hz、幅度1mV、采样率1000Hz，计算其理论RMS为0.707mV，再与实际输出对比。单元测试中允许误差控制在1%以内。此外还需要测试不同肌肉收缩强度下RMS的线性响应，以及快速收缩时特征跟踪的实时性。这些测试可以在模拟器或真机上通过注入数据完成，无需真实肌电硬件。单元测试中可以使用JUnit配合Mockito模拟蓝牙回调，将生成的字节数组直接送入解析和滤波链路，验证端到端结果。

四、测试流程与常见问题排查

一个完整的Android EMG分析测试流程包含三个阶段：单元测试验证算法正确性；集成测试验证蓝牙数据链路和实时性能；真机测试验证实际肌电信号下的用户体验。单元测试中可以使用JUnit和Robolectric，模拟蓝牙回调数据。集成测试需要真实BLE设备，可以使用nRF Connect等工具辅助抓包，定位数据丢包或解析错误。真机测试时建议将设备固定在受试者前臂或小腿，观察实时波形和特征曲线是否与肌肉用力程度同步变化。

常见问题包括采样率不稳定导致频谱泄漏、蓝牙通知延迟导致数据突发到达、以及Android系统对后台服务的限制导致采集中断。对于采样率问题，可以在固件端加入时间戳，Android端检测时间戳间隔，动态调整缓冲策略。对于后台限制，需要将采集任务放在前台服务中，并保持部分唤醒锁，避免系统休眠。此外，蓝牙连接可能受到Wi-Fi和微波炉等2.4GHz干扰，测试时应尽量远离这些干扰源，或使用蓝牙5.0以上设备改善抗干扰能力。

性能优化方面，可以将滤波和特征提取放入单独线程，使用优先级较低的HandlerThread或协程，避免阻塞主线程。对于多通道EMG设备，建议将逐样本处理改为批量处理，利用Android的NEON指令集或RenderScript进行并行加速。不过单通道分析在千赫兹采样率下，经过优化的Java代码已能轻松满足实时性要求，无需过度设计。测试时可以通过System.nanoTime()测量每帧处理时间，确保97%以上的处理延迟低于采样间隔，避免缓冲区持续增长。

综上所述，在Android上实现EMG肌电图分析测试，重点在于数据链路的稳定性、滤波算法的轻量化和特征提取的实时性。通过合理的缓冲设计、二阶IIR滤波和增量RMS计算，可以在移动设备上获得可靠的分析结果。测试过程中要注重可复现性，使用模拟信号和单元测试先行验证，再逐步过渡到真实硬件。这样能有效降低调试成本，加快开发进度。

Android EMG肌电图分析实时信号处理修改时间：2026-08-23 19:55:56