Sự khác biệt giữa EMG bề mặt (sEMG) và EMG kim xâm lấn (iEMG) là gì?

sEMG dùng các điện cực dán trên bề mặt da không xâm lấn, ghi nhận hoạt động tổng thể của toàn bộ nhóm cơ nông; iEMG dùng điện cực kim cắm trực tiếp vào sâu trong bụng cơ, có độ phân giải không gian cao giúp phân tích từng đơn vị vận động đơn lẻ.

Các thông số đặc trưng miền thời gian phổ biến nhất khi phân tích tín hiệu EMG là gì?

Bao gồm giá trị căn bậc hai trung bình bình phương (RMS - biểu thị biên độ công suất kích hoạt cơ), giá trị tuyệt đối trung bình (MAV), số lần cắt qua điểm không (Zero Crossing), và biến đổi độ dài dạng sóng (Waveform Length).

Ứng dụng của tín hiệu sEMG trong kỹ thuật phục hồi chức năng và robot sinh học là gì?

Tín hiệu sEMG được giải mã bằng các thuật toán học máy làm tín hiệu điều khiển trực tiếp cho chi giả cơ điện (myoelectric prostheses), khung xương robot trợ lực ngoài (exoskeletons) và giao diện người-máy (HMI).

Tín hiệu emg là gì? Các bài nghiên cứu khoa học liên quan

Tiếng AnhElectromyography signal

Tín hiệu EMG (điện cơ đồ) là tín hiệu điện sinh học biểu thị tổng điện thế hoạt động của các đơn vị vận động cơ (MUAP) sinh ra trong quá trình khử cực và tái cực của màng tế bào cơ vân khi co cơ có chủ ý hoặc phản xạ.

348 lượt xem Cập nhật 11/9/2026

Giới thiệu về tín hiệu EMG

Tín hiệu EMG (Electromyography signal) Tín hiệu EMG (điện cơ đồ) là tín hiệu điện sinh học biểu thị tổng điện thế hoạt động của các đơn vị vận động cơ (MUAP) sinh ra trong quá trình khử cực và tái cực của màng tế bào cơ vân khi co cơ có chủ ý hoặc phản xạ.

EMG có thể thu được thông qua điện cực bề mặt hoặc điện cực kim/dây xuyên vào cơ, sau đó được khuếch đại với tỷ số CMRR cao và lấy mẫu ở tần số ≥1 kHz. Dữ liệu thu thập cho phép phân tích cả miền thời gian và miền tần số để đánh giá cường độ, tần số xung lực, cũng như mô hình tuyển chọn đơn vị vận động.

Ứng dụng của EMG rộng khắp trong y sinh và kỹ thuật:

Chẩn đoán rối loạn thần kinh–cơ (như nhược cơ, loạn vận cơ)
Nghiên cứu sinh cơ học và sinh cơ vận động
Điều khiển thiết bị hỗ trợ: tay giả, robot phục hồi chức năng
Theo dõi tiến triển điều trị trong phục hồi chức năng

Sinh lý học cơ bản

Cơ vân được tạo thành từ hàng nghìn sợi cơ xếp song song, mỗi sợi chứa nhiều sarcomere – đơn vị co cơ cơ bản. Đơn vị vận động (motor unit) bao gồm một sợi trục thần kinh vận động phân nhánh tới nhiều sợi cơ, đảm bảo sự phối hợp co bóp đồng bộ.

Action potential khởi phát tại điểm kết motor endplate, lan truyền dọc theo sarcolemma và xuống các ống T (T-tubules), kích hoạt hệ lưới nội bào cơ (sarcoplasmic reticulum) giải phóng Ca²⁺ vào tế bào chất. Sự xuất hiện Ca²⁺ khởi động quá trình trượt sợi actin–myosin, dẫn đến co cơ và phát sinh lực.

Các ion đóng vai trò chủ đạo trong quá trình truyền dẫn điện:

Khử cực (Na⁺ vào tế bào)
Tái cực (K⁺ ra ngoài tế bào)
Điều hòa co cơ (Ca²⁺ gắn troponin)

Ion	Nội bào	Ngoại bào
Na⁺	≈12 mM	≈140 mM
K⁺	≈150 mM	≈4 mM
Ca²⁺	≈0.0001 mM	≈1.2 mM

Cơ chế tạo tín hiệu EMG

Mỗi action potential của đơn vị vận động (MUAP) có dạng sóng điển hình gồm giai đoạn khởi phát, đỉnh âm – dương xen kẽ và pha tắt. Biên độ MUAP thay đổi tùy vào kích thước đơn vị vận động và khoảng cách tới điện cực ghi.

Tín hiệu EMG quan sát được là tổng hợp MUAP từ nhiều đơn vị vận động hoạt động đồng thời, tạo ra mô hình nhiễu giao thoa (interference pattern). Khi lực co cơ tăng, số đơn vị vận động tuyển chọn (recruitment) và tần số xung kích thích (rate coding) đều gia tăng, dẫn đến tăng biên độ và mật độ tín hiệu.

Hai cơ chế chính điều chỉnh biên độ EMG theo lực cơ:

Recruitment: Tuyển chọn thêm đơn vị vận động gia tăng dòng điện tổng
Rate coding: Tăng tần số xung thần kinh tạo MUAP nối tiếp nhanh hơn

Phân loại EMG

Surface EMG (sEMG) sử dụng điện cực gel dán trên da, thu tín hiệu không xâm lấn và phù hợp quan sát chung hoạt động nhóm cơ nông. sEMG dễ triển khai, ít gây khó chịu nhưng chịu ảnh hưởng nhiễu cơ bản và tín hiệu suy giảm sâu với cơ dày.

Intramuscular EMG gồm kỹ thuật kim hoặc điện cực dây (fine-wire), ghi nhận trực tiếp bên trong sợi cơ, cho độ phân giải cao ở đơn vị vận động riêng lẻ. Phương pháp này xâm lấn, thường gây đau nhẹ nhưng thích hợp nghiên cứu chi tiết MUAP và chẩn đoán rối loạn cơ sâu.

Loại EMG	Đặc điểm	Ưu điểm	Nhược điểm
sEMG	Điện cực bề mặt	Không xâm lấn; dễ lắp đặt	Nhiễu cao; tín hiệu giảm với cơ sâu
iEMG	Điện cực kim/dây	Độ phân giải cao; MUAP rõ ràng	Xâm lấn; nguy cơ đau, chảy máu

Kỹ thuật ghi nhận tín hiệu

Phép ghi EMG yêu cầu hệ thống điện cực và bộ khuếch đại chuyên dụng để thu tín hiệu từ mô cơ. Điện cực có thể là điện cực gel dán bề mặt (surface electrodes) hoặc kim/điện cực dây (needle/fine-wire electrodes) với đặc tính tiếp xúc và độ nhạy khác nhau. Điện cực bề mặt thuận tiện cho giám sát nhóm cơ lớn, trong khi điện cực xâm lấn cung cấp dữ liệu chi tiết về đơn vị vận động cá thể.

Bộ khuếch đại (amplifier) cần có tỷ số loại bỏ chung (CMRR) cao (>120 dB) để giảm thiểu nhiễu từ nguồn điện sinh hoạt và các nguồn tạp âm môi trường. Trở kháng đầu vào của bộ khuếch đại thường >1 MΩ, đồng thời trang bị mạch lọc sơ bộ (pre-filter) để giới hạn dải tần từ 10–500 Hz. Bộ chuyển đổi ADC 24-bit với tần số lấy mẫu ≥1 kHz đảm bảo ghi nhận đủ động và phổ tần của tín hiệu.

Thông số	Giá trị tiêu biểu
CMRR	>120 dB
Trở kháng đầu vào	>10⁶ Ω
Dải tần khuếch đại	10–500 Hz
Độ phân giải ADC	24 bit
Tần số lấy mẫu	≥1 kHz

Dữ liệu sau khi khuếch đại được số hóa và ghi vào bộ nhớ. Việc đồng bộ hóa EMG với các cảm biến khác (ví dụ gia tốc kế, khung lắp chuyển động) thường được thực hiện trong nghiên cứu sinh cơ học để phân tích tương quan giữa tín hiệu điện cơ và chuyển động cơ thể.

Xử lý tín hiệu và phân tích

Xử lý EMG trước khi phân tích bao gồm lọc băng tần (band-pass) thường từ 20–450 Hz để loại bỏ nhiễu thấp tần như baseline wander và nhiễu cao tần. Lọc notch (50/60 Hz) triệt tiêu nhiễu điện lưới. Các bộ lọc số (FIR, IIR) được lựa chọn dựa trên yêu cầu pha và độ dốc để duy trì tính toàn vẹn của tín hiệu.

Chỉnh lưu toàn phần (full-wave rectification) biến đổi dao động âm dương thành sóng dương, tạo điều kiện cho việc tính toán chỉ số biên độ. Envelope signal được xây dựng bằng cách tích phân qua cửa sổ (windowed integral) hoặc trung bình động (moving average), cho phép trích xuất đặc trưng cường độ co cơ theo thời gian.

Phân tích miền tần số dùng biến đổi Fourier nhanh (FFT) để xác định các thành phần tần số chính. Phân tích thời–tần (time–frequency) như wavelet transform hoặc short-time Fourier transform (STFT) giúp quan sát sự thay đổi phổ khi cơ co và mỏi. Các thông số như peak frequency, bandwidth và spectral entropy thường được tính để đánh giá đặc tính mỏi cơ và sức bền.

Lọc băng tần: 20–450 Hz
Lọc notch: 50/60 Hz
Chỉnh lưu toàn phần (full-wave)
Envelope: windowed integral hoặc moving average
FFT, STFT, wavelet transform

Các chỉ số đặc trưng

Chỉ số RMS (Root Mean Square) và MAV (Mean Absolute Value) thường được dùng để đánh giá biên độ trung bình của tín hiệu EMG:

$\mathrm{RMS} = \sqrt{\frac{1}{N}\sum_{i=1}^{N}x_i^2}$
$\mathrm{MAV} = \frac{1}{N}\sum_{i=1}^{N}|x_i|$

Median Frequency (MF) phân chia phổ năng lượng thành hai phần bằng nhau, phản ánh mức độ mỏi cơ và thay đổi thành phần tần số. Các chỉ số thời gian khác như Zero Crossing (số lần tín hiệu đổi dấu), Slope Sign Changes (thay đổi độ dốc) và Waveform Length (độ dài sóng) cung cấp thông tin về cấu trúc tín hiệu và độ phân giải động lực học của co cơ.

Kết hợp nhiều chỉ số giúp đánh giá toàn diện tình trạng hoạt động và mỏi cơ, hỗ trợ nghiên cứu sinh lý lâm sàng và tối ưu hóa chương trình tập luyện thể thao.

Ứng dụng của tín hiệu EMG

Trong lâm sàng, EMG hỗ trợ phát hiện và phân loại rối loạn thần kinh–cơ như nhược cơ, viêm đa rễ thần kinh, hội chứng ống cổ tay và các bệnh thần kinh ngoại biên. Thông qua phân tích MUAP, bác sĩ có thể xác định mức độ tổn thương, phân biệt suy dây thần kinh từ cơ và định hướng điều trị.

Trong kỹ thuật phục hồi chức năng và robot, tín hiệu EMG dùng để điều khiển tay giả, chân giả và thiết bị trợ giúp vận động. Hệ thống nhận dạng mẫu (pattern recognition) trên dữ liệu EMG cho phép nhận biết ý định vận động, cải thiện tương tác giữa người dùng và thiết bị hỗ trợ.

Chẩn đoán rối loạn thần kinh–cơ
Điều khiển thiết bị giả và robot phục hồi
Biofeedback trong phục hồi chức năng và thể thao
Nghiên cứu sinh cơ học và tối ưu hóa vận động

Nhiễu và xử lý nhiễu

Nhiễu chính trong EMG bao gồm nhiễu điện lưới (50/60 Hz), nhiễu do chuyển động điện cực (motion artefact), nhiễu cơ bản (baseline noise) và cross-talk giữa cơ kế cận. Nhiễu do mồ hôi và biến động tiếp xúc điện cực cũng làm tín hiệu méo.

Lọc notch 50/60 Hz loại bỏ nhiễu lưới, trong khi lọc adaptive thích ứng giảm artefact chuyển động. Phân tích độc lập thành phần (ICA) và thuật toán tách nguồn (source separation) giúp tách tín hiệu EMG gốc khỏi những nguồn nhiễu đồng thời.

Lọc notch 50/60 Hz
Lọc adaptive cho artefact
Phân tích độc lập thành phần (ICA)
Quản lý cross-talk qua thiết kế điện cực

Chuẩn và vị trí đặt điện cực

Tiêu chuẩn SENIAM (Surface EMG for Non-invasive Assessment of Muscles) cung cấp hướng dẫn đặt điện cực cho 13 nhóm cơ chính, quy định vị trí, hướng song song sợi cơ và khoảng cách giữa hai điện cực hoạt động. Thiết lập điện cực đúng giúp tăng độ tin cậy và khả năng lặp lại kết quả.

Chuẩn bị da trước khi đặt điện cực bao gồm cạo lông, làm sạch bằng cồn isopropyl và làm khô. Khoảng cách tối ưu giữa hai điện cực hoạt động thường khoảng 20 mm, điện cực tham chiếu đặt cách vị trí ghi 2–3 cm, tránh đặt trên gân hay mạch máu.

Khoảng cách điện cực hoạt động: ~20 mm
Điện cực tham chiếu: 2–3 cm
Hướng đặt song song với sợi cơ
Chuẩn bị da: cạo lông, lau cồn

Trích dẫn nhiều nhất

The classification for “equilibrium triad” sensory loss based on sEMG signals of calf muscles
Hairong Yu và cộng sự2017Annual International Conference of the IEEE Engineering in Medicine and Biology - Proceedings1 trích dẫn
AI tóm tắt
Đánh giá thực nghiệm chức năng thăng bằng phân loại mất cảm giác bộ ba triad từ tín hiệu sEMG các nhóm cơ bắp chân. Thuật toán đạt độ chính xác phân biệt tình trạng mất thị giác cao hơn so với mất cảm giác tiền đình vestibular khi giữ thăng bằng. Nhóm tác giả kết luận việc kết hợp các đặc trưng và vị trí cơ đo tín hiệu sEMG có ý nghĩa quyết định trong chẩn đoán suy giảm cảm giác.
Deep Convolution Neural Network to Improve Hand Motion Classification Performance Against Varying Orientation Using Electromyography Signal
Triwiyanto Triwiyanto và cộng sự2024International Journal of Precision Engineering and Manufacturing
AI tóm tắt
Phát triển mạng nơ-ron tích chập CNN hai chiều trên 10 người khỏe mạnh nhận dạng cử động tay từ 6 kênh tín hiệu EMG thô khi đổi hướng cẳng tay. Mô hình đạt độ chính xác 96,8 ± 1,87%, vượt trội so với SVM, đồng thời độ chênh lệch giữa các hướng orientation duy trì dưới 5%. Tác giả đề xuất cấu trúc này giúp điều khiển bàn tay giả prosthetic ổn định mà không cần trích xuất đặc trưng.
Deep learning and predictive modelling for generating normalised muscle function parameters from signal images of mandibular electromyography
Taseef Hasan Farook và cộng sự2024Medical & Biological Engineering & Computing
AI tóm tắt
Xây dựng quy trình học sâu kết hợp xử lý ảnh từ 66 người tham gia nhằm trích xuất thông số hàm chuẩn hóa từ tín hiệu EMG cơ cắn và cơ thái dương. Hệ thống sử dụng OpenCV và Neurokit2 tăng cường 866 mẫu điện cơ, trong đó thuật toán phân cụm k-means đạt hiệu quả tối ưu với chỉ số hình bóng 0,10 đến 0,11 trong hoạt động nhai. Nghiên cứu cung cấp công cụ mã nguồn mở hữu ích giúp giải mã dữ liệu tín hiệu EMG từ các phần mềm đo cơ hàm độc quyền.
Phương pháp lọc ngưỡng sóng cải tiến cho tín hiệu điện cơ bề mặt
Dịch bởi AIAn improved wavelet threshold denoising approach for surface electromyography signal
Chuanyun Ouyang và cộng sự2023EURASIP Journal on Advances in Signal Processing
AI tóm tắt
Đề xuất thuật toán lọc ngưỡng sóng wavelet cải tiến điều chỉnh hai hệ số độc lập nhằm khử nhiễu cho tín hiệu sEMG bề mặt. Phương pháp khắc phục hiện tượng Gibbs và hạn chế giảm biên độ, duy trì đường nền nhiễu thấp trong khi bảo tồn đỉnh biên độ tín hiệu. Kết quả kiểm nghiệm ghi nhận tỷ lệ SNR và sai số MSE vượt trội so với các bộ lọc ngưỡng Garrote truyền thống.
Electric powered wheelchair control using user-independent classification methods based on surface electromyography signals
Hassam Iqbal và cộng sự2023Medical & Biological Engineering & Computing
AI tóm tắt
Thử nghiệm trên 6 người tham gia đánh giá hệ thống điều khiển xe lăn điện thông qua nhận diện cử chỉ từ tín hiệu sEMG độc lập người dùng. Phương pháp máy vector hỗ trợ đa lớp MC-SVM đạt độ chính xác và độ chuẩn xác 99,05%, trong khi mô hình cây quyết định DT đạt 97,77%, cho phép mọi người tham gia điều khiển xe di chuyển an toàn không va chạm. Nhóm tác giả đề xuất giải pháp giúp giải quyết hạn chế cơ địa ngón tay trên các giao diện cần gạt truyền thống.