关键词：表面肌电图（sEMG）；惯用手；肌肉控制；耐力；高中生；康复训练
1.课题背景
作为高中生，我们常能察觉双手在力量、灵活性和协调性上存在差异。比如，写字、用筷子时总有一只手更熟练。此现象称“优势手”差异，约90%的人为右利手，10%为左利手，其成因涉及大脑控制、使用习惯和环境因素 [1-2]。
左右手差异主要源于以下几方面。大脑控制：左脑控制右侧身体，多数人左脑在语言、逻辑与精细动作方面更发达，故右手常为主导手。使用频率：日常活动（如写字、用手机）使主导手得到更多锻炼，肌肉与神经元连接更强。非主导手则因使用较少而能力较弱。遗传因素：若父母一方是左利手，孩子为左利手的概率更高，说明存在先天影响。环境因素：多数工具（如剪刀、鼠标）为右手设计，强化了右手使用。左利手常需适应右手操作，进一步削弱左手能力[3]。
左右手差异在力量、灵活性及协调性上均有体现。力量：右利手者右手握力通常比左手强10%到20%，因主导手承担更多高强度活动（如提重物）。灵活性：在精细任务（如写字、弹琴）中主导手表现更佳；在双手协作时，主导手负责主动作，非主导手辅助。活动影响：在体育活动中（如篮球投篮、田径），非主导手能力不足可能影响动作流畅和身体平衡。
若左右手能力差异过大，可能带来负面影响：长期依赖主导手导致肌肉劳损，非主导手则因缺乏锻炼无法分担负荷；身体协调性和平衡性下降，影响双手配合类活动表现；长期姿势不对称，可能引发肩颈或脊柱问题；非主导手训练不足还可能限制大脑对侧功能的开发。
2.研究现状评估
左右手肌肉差异的传统方法主要测量力量、灵活性和协调性，为运动训练与康复提供数据支持。常用工具包括：握力计，用于量化双手握力差距，反映日常活动中肌肉使用差异；九孔栓插测试板，可通过完成插拔任务的时间差，评估双手灵活性与精细动作能力；哑铃提举与弹簧拉力器，可比较双手负重能力与重复次数，识别力量耐力差异；手腕屈伸仪，可测试手腕活动范围与发力能力，发现潜在肌肉或关节问题。
然而，这些方法存在一定局限。多数工具侧重力量测量，对灵活性、协调性等评估不足。部分测试（如九孔栓插）受测试者状态影响大，数据可靠性易波动。传统工具多提供静态数据，难以反映动态活动（如投球、打字）中双手的表现。设备设计可能不适用于所有人群（如手型较小的青少年），且评估标准与高中生实际用手习惯可能存在差异。测试过程可能耗时较长，导致疲劳，影响结果准确性，也难以揭示神经肌肉功能等深层次问题。
3.方案与方法
肌电图（ EMG）技术通过检测肌肉活动产生的电信号，为研究肌肉功能和神经控制提供依据。基于干式EMG传感器的系统可用于分析左右手肌肉差异，为训练、康复等提供参考[4]。
干电极肌电传感器通过表面电极采集信号（sEMG），具有以下特点：集成滤波与放大电路，可将微弱肌电信号放大1000倍，有效抑制噪声干扰；输出模拟信号（0～3.0V）其幅值与波形反映肌肉活动强度、疲劳状态等；采用干电极，无须导电凝胶，使用寿命长、操作简单方便，适用于非医学场景；具有非侵入性，易于结合微控制器进行实时监测与分析。
本系统基于干式EMG传感器，采集左右手在特定任务中的肌电信号，分析其肌肉活动差异。干式传感器相比传统湿式更便于使用、无刺激性，适合日常实验与长期监测。其示意图如下：
系统主要由以下部分组成：
1）干式EMG传感器模块：采集手臂和手指的肌电信号，采用高灵敏度干式电极，可捕捉微弱肌肉电活动，抗干扰能力强。
2）微控制器（ESP32）模块：读取EMG信号并进行初步数字化处理，通过ADC将模拟信号转为数字信号，并借助蓝牙或Wi-Fi传输至计算机。
3）数据传输与存储模块：通过ESP32无线通信将数据传至PC端，并存储于本地数据库，供后续分析使用。
4）数据分析平台：基于Python或MATLAB的PC端应用，负责数据接收、滤波、特征提取与可视化，便于研究者分析肌肉活动差异。
5）可视化平台：通过灯带的亮度和颜色变化实时反映肌肉活动强度。亮度表示信号振幅，颜色表示活动水平（如绿为低，红为高），便于实验过程中实时观察和反馈。
本研究设计左右手不同任务实验，包括握力测试、精细动作和耐力任务，采集双手肌电信号，分析幅度、频率及积分肌电（IEMG）等参数，以评估双手在力量、精细控制及持久使用中的表现，全面反映肌肉活动强度、疲劳度及神经支配效率。实验条件如下：
本课题采用ESP32 单片机，具有以下主要特点：
Wi-Fi 与蓝牙：集成无线模块，支持物联数据传输，适用于疼痛监测等场景，可将生理数据实时发送至服务器或移动设备。
GPIO引脚：具备多路通用输入/输出引脚，可连接电位计、压力、心率和血氧等多种传感器，实现数据采集。
ADC功能：内置模数转换器，可将模拟信号（如肌电传感器输出）转为数字信号，便于后续处理。
触摸传感器：部分引脚（如GPIO32 - GPIO13）支持触摸感应，可用于人机交互。
本实验使用sEMG传感器采集左右前臂的肌肉活动信号，反映任务执行中的电生理变化。传感器接入ESP32的ADC引脚（如GPIO36），将模拟肌电信号转换为数字信号，并通过以下MicroPython代码采集数据：
from machine import ADC, Pin
from time import sleep
# 配置左右手的EMG传感器
left_hand_adc_pin = Pin(36) # 左手传感器连接至GPIO36
right_hand_adc_pin = Pin(39) # 右手传感器连接至GPIO39
left_hand_adc = ADC(left_hand_adc_pin)
right_hand_adc = ADC(right_hand_adc_pin)
left_hand_adc.atten(ADC.ATTN_11DB) # 配置衰减以支持 0-3.3V 输入
right_hand_adc.atten(ADC.ATTN_11DB)
while True: left_hand_value = left_hand_adc.read() # 读取左手EMG信号
right_hand_value = right_hand_adc.read() # 读取右手EMG信号
print('Left Hand EMG Value:', left_hand_value)
print('Right Hand EMG Value:', right_hand_value)
sleep(0.01) # 采样间隔 10ms，约为 100Hz 采样率
代码设置ADC衰减为11dB，适配0~3.3V输入，采样率100Hz以捕捉动态肌电变化。
实验中，干式EMG传感器固定于前臂主要肌群，确保电极位置一致。采集的肌电信号通过滤波（20~500Hz）去噪，提取均方根值（RMS）、平均绝对值（MAV）、积分肌电（IEMG）及功率谱密度等特征，用于定量分析。
任务1握力测试：左右手分别进行三次最大握力测试，取平均值。同步采集肱二头肌、屈指肌的肌电信号，分析肌肉强度与握力差异。
任务2精细动作测试：书写，受试者用左右手书写英文字母，记录前臂EMG，评估神经控制精度和耐力。折叠，完成纸飞机折叠，通过肌电波动评估手眼协调性、灵活性和稳定性。
任务3耐力测试：双手分别持2kg哑铃至力竭，记录握持时间与肌电信号，通过频率变化及IEMG分析肌肉疲劳程度。
4.结果与分析
4.1握力测试
左右手三次握力测试的EMG信号如图所示，蓝色为左手，绿色为右手，信号振幅反映肌电活动强度。
图中使用蓝色和绿色分别表示左右手的每次测试信号，便于直观比较不同测试间的差异及双手表现。红色曲线代表左右手均值差异 (左-右)，用于评估双手在握力测试中的肌肉活动差异，反映整体趋势和变化。均值误差如下所示：
每次测试的EMG信号图中，左手和右手的握力数据分别以蓝色和绿色表示。可见右手信号更平稳，振幅略高，表明其力量更大且控制更稳定。左右手均值差异图（红色曲线）进一步显示，右手信号整体高于左手，平均力量差异明显。
进一步分析标准差与峰值：右手标准差较小，波动性低，控制更稳定；右手峰值普遍较高，显示出更强的力量输出。信号强度误差图显示，右手信号中位数较高，波动小，体现更强的力量和控制力。滑动平均图（窗口大小为5）进一步证实，右手整体趋势高于左手，且波动较小，反映更稳定的力量输出。
4.2精细任务
本实验通过书写和折叠纸飞机两项任务，评估左右手在精细动作中的表现，衡量神经控制的精细度、灵活性和稳定性。任务模拟高中生在日常学习和生活中的常见挑战，操作简便且实用。
在数据分析中，我们计算了均值与标准差，结果如下图所示。书写任务中，右手的平均信号振幅（0.45 mV）显著低于左手（0.65 mV），表明右手肌肉活动更精细，控制更精准。左手因不擅长书写，肌肉活动较粗糙，振幅更高。在折叠任务中，右手的平均振幅（0.55 mV）仍低于左手（0.72 mV），进一步说明右手在精细操作中具有更高控制能力。此外，右手的标准差在两项任务中均小于左手，反映其信号波动小，控制更稳定，符合右利手的特性；而左手标准差较大，尤其在折叠任务中，显示其控制不稳定，肌肉活动波动较大。
4.3耐力实验
本实验评估左右手在持续握持重物时的肌肉信号表现。受试者需分别用左右手持一个2kg重物，直至无法坚持。通过采集肌电信号，分析肌肉疲劳进程，重点关注信号频率和振幅变化，以评估肌肉耐力和疲劳特征。
如图所示，我们分析了振幅与频率的关系。右手肌电散点图显示，振幅与频率分布较为集中，尤其在低振幅范围（0.0-0.4 mV）内，频率多集中在3.0~4.5 Hz。这表明惯用手能以较低的肌肉输出维持稳定的频率，反映其神经控制精度更高、肌肉效率更佳。左手肌电散点图则呈显较大分散性，尤其在振幅较高时（0.4~1.0 mV以上），频率波动范围扩大至2.0~5.5 Hz。说明非惯用手在执行相同任务时，振幅与频率波动较大，需更多力量参与，且控制稳定性较差。
综上，惯用手在负荷任务中表现出更高的控制效率与耐力，肌肉活动更协调；非惯用手则神经控制能力和耐力相对较弱。该结果支持了惯用手和非惯用手在神经肌肉控制方面存在差异，对康复训练和运动表现优化具有参考意义。针对非惯用手进行专项训练，有望提升其控制精度和耐力，从而改善日常活动表现。
下图展示了左右手肌电信号频率随时间变化的回归分析，用于评估长时间握持任务中肌肉的疲劳程度和控制能力变化。结果显示，双手频率均随时间呈下降趋势，表明肌肉逐渐疲劳。其中，右手频率下降较为平缓，回归线较近数据点分布集中，说明其控制稳定性高，疲劳进程较慢。相比之下，左手频率下降更快，数据点分散，回归线斜率较陡，反映其更容易疲劳，控制能力下降明显。
综上所述，右手在持续任务中表现出较高的控制效率和稳定性，而左手在相同任务中的表现则相对较弱，说明左右手在神经肌肉控制上的差异性。
上图展示了左右手在长时间握持任务中肌电信号振幅的均值、标准差及积分肌电信号（IEMG）随时间的变化。对比发现，右手振幅均值多在0.3~0.5 mV，标准为0.1~0.2 mV，波动较小，表明控制稳定，肌肉输出一致。左手振幅均值较高，为0.6~0.8 mV，标准差为0.2~0.3 mV，波动较大，反映肌肉控制不稳定，精度较差。
下方两图为左右手的IEMG曲线，反映肌肉活动累积情况。右手IEMG在120秒内平稳增至约250 mV·s，显示肌肉活动累积均匀，无明显疲劳加速。左手IEMG在85秒内达到约220 mV·s，虽累积值和右手接近，但初期增长更快，表明左手在任务初期需更多肌肉活动。
在耐力表现看，右手IEMG增长平稳，耐力较好；左手初期累积速率高，后期趋缓，显示初期更易疲劳。就肌肉效率而言，右手以较小振幅和较稳定频率控制任务，效率更高；左手振幅大、波动明显，IEMG初期增长快，说明更易疲劳，效率较低。
左右手肌电信号振幅分布直方图显示，两者在肌肉控制特征上存在明显差异。右手振幅主要集中于0.3~0.6 mV，呈近似正态分布。大多数振幅值集中在0.4~0.5 mV左右，峰值频率在60次左右。分布集中反映出右手肌肉控制更稳定、精度更高、振幅波动小，说明惯用手在持续任务中的肌肉输出较为均匀，神经肌肉系统能够在较低振幅下稳定维持动作。与此同时，左手振幅分布较宽，普遍处于0.4~1.0 mV，整体右偏移，振幅峰值频率出现在0.7~0.8 mV，达到约60次，这表明左手在执行任务时需要更高的力量来维持操作。振幅分布的宽度较大，反映非惯用手在执行任务时肌肉输出不稳定，神经控制能力较差。
综上，右手能以较低的肌肉激活实现稳定控制，而左手控制精度较差，波动更大，反映惯用手与非惯用手在神经肌肉控制方面的显著差异。
我们计算了左右手肌电信号的频率分布直方图。右手频率分布接近正态，集中在3.5~4.5 Hz之间，峰值频率在4.0 Hz左右，达到60次左右，分布范围窄，表明任务中肌肉活动频率稳定，反映惯用手控制的一致性。左手分布也接近正态，但更为分散，主要位于2.5~4.5 Hz，峰值频率为3.5 Hz左右，达到约60次，分布范围宽，且均值偏低，表明左手肌肉活动频率波动较大，神经控制的精细度不如右手。
最后，我们绘制了左右手在长时间握持任务中的肌电信号频率随时间的变化图。包含原始数据及经移动平均处理的平滑曲线。如图所示，右手（绿色）和左手（蓝色）分别展示了原始频率（浅色线）及其平滑后的趋势（深色线）。原始数据反映实时波动，平滑曲线则提示整体疲劳趋势。
分析表明，右手原始频率波动较小，多集中于4.0~5.0 Hz，整体下降平缓。平滑曲线进一步显示其在120秒内略有下降，变化平稳，说明右手（惯用手）稳定性高、耐力强，神经肌肉控制能力较好。相反，左手原始频率波动较大，尤其在早期阶段介于3.0~ 5.5 Hz之间，整体波动显著。平滑曲线呈现持续下降，60秒后尤为明显，显示左手易疲劳，神经肌肉控制精度较差，导致频率无法保持稳定。
5.课题讨论及研究展望
本课题利用sEMG肌电图传感器，详细分析了我在左右手肌肉活动上的差异。作为高中生，这次研究不仅是 一次科学探究，更让我深入了解自身的身体机能。
实验结果表吸，作为右利手，我的右手在力量、精细控制和耐力上均优于左手。这种差异源于大脑对左右手不同的支配方式——左脑负责右手的精细控制，因而右手在任务中表现更稳定和高效。例如，在握力测试中，右手的平均信号振幅更高、标准差更小，说明其力量更强、控制更稳。这种差异在日常生活中随处可见。
从耐力任务中，左右手的EMG信号差异也很显著。右手频率变化平稳，表明其神经肌肉控制稳定。而左手频率下降快，波动大，说明其更易疲劳。振幅分析也进一步揭示了右手在力量控制上更具优势，能以更低、更一致的肌肉输出完成任务。
本研究通过EMG传感器分析，揭示了左右手在肌肉控制与神经机制上的差异。未来的研究中，我们可引入更多的动态任务和复杂的运动情境，以进一步探究左右手在更具挑战性的环境下的肌肉活动特征。此外，结合不同人群（例如左利手、高中运动员等）的研究，可帮助我们更好地理解不同人群在神经肌肉控制上的差异性，并为个性化训练和康复计划提供依据。对我们高中生来说，这不仅是一次科学探究经历，更是对自身身体协调性和肌肉控制的深入了解，激发了我对生物学和人体工程学的浓厚兴趣。
参考文献： 
小字号