当前位置：首页 > news >正文

保姆级教程：用Python和Matplotlib可视化Ninapro DB2肌电信号（附完整代码）

news 2026/6/7 13:50:32

从零解析Ninapro DB2肌电信号：Python可视化实战指南

在生物医学信号处理领域，肌电图（EMG）信号分析是理解肌肉活动和神经控制的重要窗口。而Ninapro数据库作为目前最全面的开源肌电数据集之一，其DB2子集包含了12通道的表面肌电信号，为研究者提供了宝贵资源。但面对原始的.h5格式数据文件，许多初学者常感到无从下手——数据该如何加载？信号如何可视化？动作标记怎样解读？本文将用完整的代码示例，带你一步步揭开DB2数据的神秘面纱。

1. 环境配置与数据准备

工欲善其事，必先利其器。在开始处理DB2数据前，我们需要配置合适的Python环境。推荐使用Anaconda创建独立环境，避免依赖冲突：

conda create -n emg_analysis python=3.8 conda activate emg_analysis pip install h5py pandas matplotlib numpy scipy

DB2数据集通常包含多个.h5文件，每个文件对应一位受试者的数据。文件命名遵循DB2_s[受试者编号]refilter.h5的格式。将下载的数据文件存放在项目目录的data文件夹中，保持路径清晰：

project_root/ │── data/ │ ├── DB2_s1refilter.h5 │ ├── DB2_s2refilter.h5 │ └── ... └── emg_analysis.ipynb

加载数据时，我们主要关注两个关键结构：

alldata：包含原始肌电信号和标签
exercise：记录动作类型信息

常见问题排查：

文件路径错误：确保使用绝对路径或正确相对路径
内存不足：DB2文件较大，可分段读取
版本兼容性：h5py版本需与文件创建版本匹配

2. 数据加载与初步探索

使用h5py库可以高效读取.h5文件内容。以下代码展示了如何安全加载并检查数据结构：

import h5py import numpy as np def load_db2_data(file_path): with h5py.File(file_path, 'r') as h5: # 获取肌电信号数据 emg_data = h5['alldata'][:] # 获取动作标签 labels = h5['exercise'][:] # 获取采样率信息 sampling_rate = h5.attrs.get('sampling_rate', 2000) # 默认2000Hz print(f"数据形状: {emg_data.shape}") print(f"采样率: {sampling_rate}Hz") print(f"可用键值: {list(h5.keys())}") return emg_data, labels, sampling_rate # 示例使用 file_path = 'data/DB2_s1refilter.h5' emg_data, labels, fs = load_db2_data(file_path)

DB2数据的典型特征：

12通道表面肌电信号
采样率2000Hz
每个通道信号值为μV单位
标签数据指示动作类型和休息状态

通过emg_data.shape可以查看数据维度，通常为(样本数, 13)，其中前12列为肌电信号，第13列为动作标签。

注意：直接加载整个数据集可能消耗大量内存，对于长时间记录，建议分块处理或使用h5py的延迟加载功能。

3. 信号预处理与标准化

原始肌电信号通常包含噪声和基线漂移，需要进行适当的预处理。以下是常用的预处理流程：

带通滤波：去除低频运动伪迹和高频噪声（典型范围20-450Hz）
整流：全波或半波整流
标准化：消除通道间差异

from scipy import signal import matplotlib.pyplot as plt def preprocess_emg(emg, fs=2000, low=20, high=450): # 设计带通滤波器 b, a = signal.butter(4, [low, high], btype='bandpass', fs=fs) # 初始化处理后的信号数组 processed = np.zeros_like(emg) # 逐通道处理 for ch in range(emg.shape[1]): # 带通滤波 filtered = signal.filtfilt(b, a, emg[:, ch]) # 全波整流 rectified = np.abs(filtered) # 标准化 normalized = (rectified - np.mean(rectified)) / np.std(rectified) processed[:, ch] = normalized return processed # 预处理示例（仅处理前10000个样本） sample_range = slice(0, 10000) processed_emg = preprocess_emg(emg_data[sample_range, :12], fs) # 绘制原始与处理后的信号对比 plt.figure(figsize=(15, 8)) plt.subplot(211) plt.plot(emg_data[sample_range, 0], label='原始信号') plt.title('通道1原始信号') plt.subplot(212) plt.plot(processed_emg[:, 0], label='处理后信号') plt.title('通道1处理后信号') plt.tight_layout() plt.show()

信号处理关键参数对比：

处理步骤	目的	典型参数	注意事项
带通滤波	去除无关频率成分	20-450Hz	避免相位失真
整流	提取信号幅度信息	-	全波整流更常用
标准化	统一信号尺度	Z-score	保留原始分布特性

4. 多通道信号可视化技巧

专业级的肌电信号可视化需要清晰展示多通道信号的时空关系。Matplotlib提供了强大的子图功能来实现这一点：

def plot_emg_channels(emg, labels=None, fs=2000, start=0, duration=1, ch_colors=None, figsize=(20, 12)): """ 绘制多通道EMG信号 参数: emg: 肌电信号数组(样本数×通道数) labels: 动作标签数组 fs: 采样率(Hz) start: 开始时间(s) duration: 显示时长(s) ch_colors: 各通道颜色列表 figsize: 图像尺寸 """ n_samples = int(duration * fs) start_sample = int(start * fs) end_sample = start_sample + n_samples n_channels = emg.shape[1] if ch_colors is None: ch_colors = plt.cm.tab20.colors[:n_channels] # 创建图形和子图 fig, axes = plt.subplots(n_channels, 1, figsize=figsize, sharex=True, sharey=False) # 时间轴 t = np.linspace(start, start + duration, n_samples) # 绘制每个通道 for ch in range(n_channels): ax = axes[ch] ax.plot(t, emg[start_sample:end_sample, ch], color=ch_colors[ch], linewidth=1) ax.set_ylabel(f'Ch{ch+1}', rotation=0, ha='right') ax.grid(True, alpha=0.3) # 标记动作区间 if labels is not None: action_mask = labels[start_sample:end_sample] > 0 ax.fill_between(t, ax.get_ylim()[0], ax.get_ylim()[1], where=action_mask, color='red', alpha=0.2) # 设置公共标签 axes[-1].set_xlabel('时间 (s)') fig.suptitle(f'多通道肌电信号 (从{start}s开始，持续{duration}s)') plt.tight_layout() return fig # 使用示例 fig = plot_emg_channels(processed_emg, labels=emg_data[sample_range, 12], start=0.5, duration=0.5) plt.show()

可视化优化技巧：

使用sharex和sharey保持坐标轴对齐
添加半透明背景色标记动作区间
选择高对比度的颜色方案（如Tableau或Viridis）
适当调整线宽(0.5-1.5pt)提高可读性
添加网格线辅助观察信号幅度

5. 动作标记与事件可视化

DB2数据中的动作标签是理解信号变化的关键。标签值为0表示休息状态，非零值对应不同动作类型。以下是动作标记可视化的进阶方法：

def plot_actions_with_emg(emg, labels, fs=2000, ch_to_plot=0, duration=5, start=0, figsize=(15, 6)): """ 绘制肌电信号与动作标记的对应关系 参数: emg: 肌电信号数组 labels: 动作标签数组 fs: 采样率(Hz) ch_to_plot: 要显示的通道索引 duration: 显示时长(s) start: 开始时间(s) figsize: 图像尺寸 """ start_sample = int(start * fs) end_sample = start_sample + int(duration * fs) t = np.linspace(start, start + duration, end_sample - start_sample) fig, (ax1, ax2) = plt.subplots(2, 1, figsize=figsize, sharex=True, height_ratios=[3, 1]) # 绘制肌电信号 ax1.plot(t, emg[start_sample:end_sample, ch_to_plot], label=f'通道{ch_to_plot+1}') ax1.set_ylabel('振幅 (μV)') ax1.legend() ax1.grid(True, alpha=0.3) # 绘制动作标记 unique_actions = np.unique(labels[start_sample:end_sample]) for action in unique_actions: if action == 0: continue # 跳过休息状态 action_mask = labels[start_sample:end_sample] == action ax2.fill_between(t, 0, 1, where=action_mask, label=f'动作{action}', alpha=0.5) ax2.set_yticks([]) ax2.set_xlabel('时间 (s)') ax2.legend(loc='upper right') plt.tight_layout() return fig # 使用示例 action_fig = plot_actions_with_emg(processed_emg, emg_data[sample_range, 12], ch_to_plot=3, duration=2, start=1) plt.show()

动作分析实用技巧：

使用fill_between突出显示动作区间
添加图例说明动作类型
同步信号和标记的时间轴
对长时间记录，可计算动作触发平均信号

6. 论文级图表优化

学术出版对图表质量有严格要求，以下代码展示了如何调整样式满足出版标准：

def create_publication_quality_plot(emg, labels, fs=2000, channels_to_show=[0, 3, 6, 9], duration=1, start=0): """ 创建适合论文出版的肌电信号图 参数: emg: 肌电信号数组 labels: 动作标签数组 fs: 采样率(Hz) channels_to_show: 要显示的通道索引列表 duration: 显示时长(s) start: 开始时间(s) """ # 设置全局样式 plt.style.use('seaborn-paper') plt.rcParams.update({ 'font.family': 'serif', 'font.serif': ['Times New Roman'], 'font.size': 10, 'axes.titlesize': 10, 'axes.labelsize': 9, 'xtick.labelsize': 8, 'ytick.labelsize': 8, 'legend.fontsize': 8, 'figure.dpi': 300, 'savefig.dpi': 300, 'figure.autolayout': True }) n_channels = len(channels_to_show) start_sample = int(start * fs) end_sample = start_sample + int(duration * fs) t = np.linspace(start, start + duration, end_sample - start_sample) fig, axes = plt.subplots(n_channels, 1, figsize=(6, n_channels * 1.2), sharex=True, sharey=True) for i, ch in enumerate(channels_to_show): ax = axes[i] ax.plot(t, emg[start_sample:end_sample, ch], color='black', linewidth=0.8) ax.set_ylabel(f'Ch{ch+1}', rotation=0, ha='right', va='center') # 标记动作区间 action_mask = labels[start_sample:end_sample] > 0 ax.fill_between(t, ax.get_ylim()[0], ax.get_ylim()[1], where=action_mask, color='gray', alpha=0.2) axes[-1].set_xlabel('时间 (s)') fig.suptitle('多通道表面肌电信号', y=1.02) return fig # 使用示例 pub_fig = create_publication_quality_plot( processed_emg, emg_data[sample_range, 12], channels_to_show=[0, 3, 6, 9], duration=0.5, start=1.2 ) plt.savefig('emg_plot.pdf', bbox_inches='tight', transparent=True) plt.show()

出版图表关键要素：

使用矢量格式（PDF/SVG）保存
字体统一为Times New Roman或Arial
线宽适中（0.5-1pt）
适当留白避免拥挤
添加比例尺或标尺
黑白打印友好（使用图案而非颜色区分）

7. 高级分析与批处理技巧

对于需要处理多个受试者或长时间记录的情况，批处理和自动化是关键。以下是实用的批处理函数示例：

def batch_process_db2(data_dir, output_dir, subjects=None, process_func=None, save_format='png'): """ 批处理多个DB2数据文件 参数: data_dir: 原始数据目录 output_dir: 输出目录 subjects: 要处理的受试者列表(如[1,2,3]) process_func: 自定义处理函数 save_format: 图像保存格式 """ if subjects is None: # 自动检测数据目录中的文件 import glob subject_files = glob.glob(f'{data_dir}/DB2_s*refilter.h5') subjects = [int(f.split('s')[1].split('refilter')[0]) for f in subject_files] if not os.path.exists(output_dir): os.makedirs(output_dir) results = {} for subj in subjects: try: file_path = f'{data_dir}/DB2_s{subj}refilter.h5' emg, labels, fs = load_db2_data(file_path) # 应用自定义处理函数 if process_func is not None: result = process_func(emg, labels, fs) results[f'subject_{subj}'] = result # 保存可视化结果 if hasattr(result, 'savefig'): output_file = f'{output_dir}/subj_{subj}_result.{save_format}' result.savefig(output_file, bbox_inches='tight') plt.close(result) print(f'完成受试者{subj}处理') except Exception as e: print(f'处理受试者{subj}时出错: {str(e)}') return results # 自定义处理函数示例 def example_process_func(emg, labels, fs): # 预处理 processed = preprocess_emg(emg[:, :12], fs) # 创建可视化 fig = plot_emg_channels(processed[:fs*3], # 前3秒数据 labels[:fs*3], fs=fs, duration=3, start=0) fig.suptitle(f'3秒多通道肌电信号 (FS={fs}Hz)') return fig # 使用示例 batch_process_db2('data', 'output', subjects=[1, 2], process_func=example_process_func)

性能优化建议：