1. 从“玩具”到“教具”：行空板在生物实验中的角色转变

第一次听说用行空板来做膝跳反射实验，我下意识地觉得这可能又是一个“为了用技术而用技术”的炫技项目。毕竟，一个几十块钱的叩诊锤就能完成的经典生理学实验，何必大动干戈搬出集成了屏幕、传感器和Python环境的开发板？但当我真正上手，把行空板、肌电传感器和一块小小的橡胶锤组合起来之后，我才发现这个“融合案例”的价值远不止于“让实验更酷”。它实际上是在解决传统生物实验教学中几个长期存在的痛点：实验现象转瞬即逝、数据无法量化、过程难以复现，以及学生参与感停留在“看”而非“析”的层面。

行空板在这里的角色，从一个面向创客的编程学习工具，巧妙地转变成了一个数据采集与可视化终端。它不再仅仅是运行代码的“大脑”，更是连接物理世界（你的膝盖）与数字世界（实时波形图）的桥梁。这个案例的核心，是利用行空板易用的GPIO接口和强大的图形化编程（或Python）能力，快速搭建一套生理信号监测系统。关键词“行空板”指向的是一种低门槛、高集成的硬件解决方案，它让教师和学生能将注意力从复杂的电路焊接和驱动安装中解放出来，聚焦于实验设计本身和生理现象的探究。

所以，这个项目适合谁？如果你是中学或大学的生物老师，正在寻找让课堂实验更生动、更具探究性的方法；如果你是STEM教育或创客教育的从业者，想找一个融合生物、物理、信息技术的跨学科实践项目；甚至你只是一位对自身生理现象好奇的硬件爱好者，那么这个将古老反射与现代传感技术结合的案例，都值得你花时间深入了解和复现。它不仅仅是在“做实验”，更是在示范一种“如何用技术赋能经典教学”的思路。

2. 实验原理再审视：膝跳反射的神经通路与信号本质

在动手连接硬件之前，我们必须先回到生物学本身，搞清楚我们要测量的是什么，以及为什么能测量到。膝跳反射，或称膝腱反射，是一个经典的二元单突触反射弧。简化过程是：叩击膝盖下方的股四头肌肌腱→肌梭感受器兴奋→感觉神经（传入神经）将信号传入脊髓→直接与脊髓前角的运动神经元（传出神经）形成突触→运动神经发出指令→股四头肌收缩，小腿前踢。

这个过程中，我们能直接观测到的宏观现象是小腿的踢动。但在这个宏观动作之下，隐藏着两种关键的电信号：

1. 神经冲动（动作电位）：在传入和传出神经纤维上传播的电信号。直接测量神经信号需要侵入式的针电极，且定位困难，不适合课堂演示。
2. 肌电信号：运动神经末梢释放乙酰胆碱，引起肌纤维膜去极化而产生的复合动作电位。当众多肌纤维几乎同步收缩时，这些电信号在皮肤表面可以被探测到，这就是表面肌电信号。

我们的实验，捕捉的正是第二种信号——表面肌电信号。当叩击肌腱，股四头肌突然收缩时，会爆发一次强烈的肌电活动。行空板配合肌电传感器，扮演的就是一个“肌电信号录音机”的角色。理解这一点至关重要，它决定了我们传感器的选型、放置位置以及后续数据分析的逻辑。我们测量的不是“力量”或“位移”，而是肌肉收缩的“电生理启动信号”。这本身就是一个极好的知识点，将抽象的“反射”概念，转化为可视的、可量化的电信号，实现了从定性观察到定量分析的飞跃。

2.1 为什么选择表面肌电信号作为观测指标？

除了无创、安全的考虑外，肌电信号相对于其他指标（如用距离传感器测小腿摆动角度）有一个独特优势：它反映的是反射弧的“启动”时刻和“强度”。小腿摆动的幅度受太多因素干扰：叩击力度和角度的微小差异、腿部放松程度、甚至裤子的摩擦力。而肌电信号的潜伏期（从叩击到肌电爆发的时间）和振幅，更能直接反映反射弧的完整性与兴奋性。潜伏期异常延长可能提示神经传导通路受损；振幅在不同条件下的变化，则可以用于探究“注意力分散”、“Jendrassik手法（强化法）”等因素对反射的影响，将实验从简单的演示升级为真正的探究课题。

3. 硬件系统搭建：传感器选型与信号链路解析

一套可用的膝跳反射实验系统，其硬件核心是传感器和信号处理单元。行空板作为处理单元，其接口和编程便利性简化了系统集成。以下是硬件搭建的详细分解。

3.1 肌电传感器选型与工作原理

市面上常见的肌电传感器模块主要分两类：

• 模拟输出传感器：如MyoWare肌电传感器。它内部集成了仪表放大器、滤波电路和整流电路，输出一个经过初步处理的、幅值在0-Vcc之间的模拟电压信号。信号强度与肌肉收缩程度正相关。其优点是接口简单（仅需VCC, GND, 信号线三根线），输出稳定，非常适合与行空板的模拟输入引脚连接。
• 原始信号传感器：有些模块仅提供初级放大后的原始肌电信号（通常是双极差分信号），频率成分更丰富，但幅值小（毫伏级），且包含大量噪声，需要后续进行更复杂的滤波、整流处理才能用于分析。

对于教育场景，强烈推荐使用MyoWare或类似的高集成度模拟输出肌电传感器。它省去了复杂的信号调理电路设计，让我们可以专注于实验逻辑和数据解读。它的工作流程是：通过三个表面电极采集皮肤表面的微弱电信号（差分输入）→ 经过高共模抑制比的仪表放大器放大 → 通过高通滤波去除电极直流偏移 → 通过整流和低通滤波将交流信号转换为包络信号（即信号幅度）→ 输出平滑的模拟电压。

注意：电极的粘贴是成功的关键。电极应贴在股四头肌肌腹最饱满处，沿肌肉纤维方向排列。三个电极：两个信号电极（正负）相距约2厘米，参考电极可以贴在膝盖侧面或较远位置。粘贴前需用酒精棉片清洁皮肤，去除油脂，以降低阻抗，这是获得清晰信号的第一步，也是最容易出错的一步。

3.2 行空板作为数据采集核心

行空板在此系统中的核心作用是模拟信号采集、实时可视化与数据记录。

• 连接：将肌电传感器的信号输出线连接到行空板的任一模拟输入引脚，例如Pin21。VCC和GND分别连接到3.3V和GND。行空板的3.3V输出足以驱动此类传感器。
• 采集原理：行空板内置的模数转换器会以设定的采样率（例如1000Hz）读取该引脚上的电压值（0-3.3V对应数值0-4095）。这个数值序列就构成了肌电信号随时间变化的数字波形。
• 同步触发难题的解决：一个关键挑战是如何确定“叩击”发生的精确时刻，以便计算潜伏期。这里有几个创意方案：
  1. 声音触发：在行空板上连接一个麦克风模块。叩击肌腱会发出清脆的“啪”声，程序可以检测声音信号的突然升高作为触发点。这是非接触式方案，最接近真实实验场景。
  2. 振动触发：将一个振动传感器（SW-420）固定在叩诊锤上，敲击时产生的振动可作为触发信号。
  3. 手动标记：在行空板屏幕上设置一个“标记”按钮，由操作者在叩击的瞬间点击。这种方法最简单，但依赖于人的反应时间，会引入约200-300毫秒的误差，适合对潜伏期精度要求不高的演示。

在本案例中，我推荐使用声音触发方案。它无需改造实验工具，且触发准确。你需要将麦克风模块连接到行空板的另一个模拟输入引脚，并在程序中同时采集两路信号：一路肌电，一路声音。通过算法在声音信号中寻找脉冲上升沿，从而在肌电信号中锁定对应的时间点。

3.3 辅助材料清单

• 行空板：一台。
• 肌电传感器：MyoWare或功能类似的集成模块一个。
• 一次性心电电极片：3片一组，建议多备几组。这是信号质量的基础。
• 导线：若干，用于连接传感器和行空板。
• 叩诊锤：普通医用橡胶叩诊锤即可。
• 麦克风模块：用于声音触发（如MAX9814）。
• 安装支架或固定带：用于在实验过程中固定行空板，方便观察屏幕。

4. 软件程序设计：从数据采集到可视化分析

有了硬件，我们需要让行空板“活”起来。编程环境可以选择行空板自带的Mind+图形化编程或Python。对于快速原型和教学演示，Mind+的实时绘图和简单逻辑块非常友好。对于需要复杂信号处理（如滤波、精确潜伏期计算）的场景，Python（借助pinpong库和matplotlib或pygame）更强大。下面以Python为例，拆解核心程序逻辑。

4.1 数据采集与双通道同步

首先，我们需要初始化两个模拟输入引脚，并设置一个采样循环。

from pinpong.board import Board, Pin import time import numpy as np Board().begin() # 初始化行空板 # 引脚定义 emg_pin = Pin(Pin.P21, Pin.ANALOG) # 肌电信号引脚 sound_pin = Pin(Pin.P22, Pin.ANALOG) # 声音信号引脚 sampling_rate = 1000 # 采样率，1000Hz duration = 3 # 每次采集时长3秒 data_emg = [] data_sound = [] timestamps = [] start_time = time.time() while (time.time() - start_time) < duration: ts = time.time() - start_time emg_value = emg_pin.read_analog() # 读取肌电值 (0-4095) sound_value = sound_pin.read_analog() # 读取声音值 data_emg.append(emg_value) data_sound.append(sound_value) timestamps.append(ts) time.sleep(1/sampling_rate) # 控制采样间隔

这段代码会同步采集3秒钟的肌电和声音数据。data_emg和data_sound是两个列表，存储了原始的ADC数值。

4.2 触发点检测与潜伏期计算

采集到数据后，我们需要在声音信号中找到叩击的瞬间。一个简单的方法是设置一个阈值，当声音信号超过该阈值时，认为触发发生。

def find_trigger_index(sound_data, threshold=1500): """ 在声音数据中寻找触发点索引。 threshold: 触发阈值，需要根据实际麦克风输出调整。 """ for i, value in enumerate(sound_data): if value > threshold: # 为了防止噪声毛刺，可以检查连续几个点都超过阈值 if all(v > threshold for v in sound_data[i:i+5]): return i return -1 # 未找到触发点 trigger_idx = find_trigger_index(data_sound) if trigger_idx != -1: trigger_time = timestamps[trigger_idx] print(f"触发发生在: {trigger_time:.3f} 秒") else: print("未检测到有效触发！")

接下来，在肌电信号中寻找收缩的起点。肌电信号在静止时有小幅波动（噪声），收缩时幅度会显著上升。我们可以计算一个移动窗口的幅值，当它超过基线噪声一定倍数时，定义为肌电爆发起点。

def find_emg_onset(emg_data, window_size=50, threshold_factor=3.0): """ 寻找肌电信号起始点。 window_size: 计算平均值的滑动窗口大小。 threshold_factor: 相对于基线噪声的倍数阈值。 """ # 计算基线噪声（假设前100个点是静息期） baseline = np.mean(emg_data[:100]) baseline_std = np.std(emg_data[:100]) onset_threshold = baseline + threshold_factor * baseline_std for i in range(len(emg_data) - window_size): window_mean = np.mean(emg_data[i:i+window_size]) if window_mean > onset_threshold: return i return -1 emg_onset_idx = find_emg_onset(data_emg) if emg_onset_idx != -1 and trigger_idx != -1: latency = (emg_onset_idx - trigger_idx) / sampling_rate * 1000 # 转换为毫秒 print(f"反射潜伏期: {latency:.1f} ms")

4.3 实时可视化与交互界面

对于课堂演示，实时滚动波形图比事后分析更有冲击力。我们可以使用pygame或matplotlib的动画功能。以下是一个简化的pygame实时绘图思路：

import pygame import sys # 初始化pygame pygame.init() screen = pygame.display.set_mode((800, 400)) clock = pygame.time.Clock() # 绘图区域参数 graph_width, graph_height = 700, 300 origin_x, origin_y = 50, 350 scale_y = 0.1 # 将ADC值缩放到像素 # 数据缓冲区 plot_buffer = [] running = True while running: for event in pygame.event.get(): if event.type == pygame.QUIT: running = False # 实时读取一次数据 current_emg = emg_pin.read_analog() plot_buffer.append(current_emg) if len(plot_buffer) > graph_width: plot_buffer.pop(0) # 保持缓冲区长度固定 # 清屏 screen.fill((255, 255, 255)) # 绘制坐标轴 pygame.draw.line(screen, (0,0,0), (origin_x, origin_y), (origin_x+graph_width, origin_y), 2) pygame.draw.line(screen, (0,0,0), (origin_x, origin_y), (origin_x, origin_y-graph_height), 2) # 绘制实时肌电波形 if len(plot_buffer) > 1: points = [] for i, value in enumerate(plot_buffer): x = origin_x + i y = origin_y - int(value * scale_y) points.append((x, y)) pygame.draw.lines(screen, (0, 150, 0), False, points, 2) # 在屏幕上显示当前数值和潜伏期（如果已计算） font = pygame.font.SysFont(None, 24) text = font.render(f'Current EMG: {current_emg}', True, (0, 0, 0)) screen.blit(text, (origin_x, 20)) pygame.display.flip() clock.tick(60) # 控制刷新率 pygame.quit() sys.exit()

这个实时绘图窗口会动态显示肌电信号的变化。当叩击发生时，可以清晰地看到波形陡然升高。我们可以将触发检测和潜伏期计算逻辑整合进这个主循环，并在屏幕上实时显示计算结果，形成一个完整的交互式实验平台。

5. 实验探究设计与常见问题排错

硬件和软件都就绪后，这个实验就从“验证性”走向了“探究性”。我们可以设计一系列有趣的子实验，引导学生像科学家一样思考。

5.1 可探究的科学问题示例

1. 注意力对反射的影响：让受试者进行心算（如连续减7），同时进行膝跳反射测试，对比其与放松状态下的潜伏期和肌电振幅是否有差异。探究高级中枢（大脑）对低级反射弧的调控作用。
2. Jendrassik强化法验证：让受试者双手手指勾在一起，用力向两侧拉（等长收缩），同时进行膝跳反射。观察反射是否被增强（肌电振幅增大）。这是神经科医生常用的临床手法，其原理是增加脊髓前角运动神经元的兴奋性。
3. 疲劳效应：连续快速叩击肌腱20-30次，观察反射强度（肌电振幅）是否逐渐减弱。探究突触递质耗竭或感受器适应等现象。
4. 双侧对比：测量同一个体左右腿的膝跳反射潜伏期，是否存在显著性差异？这可以联系到个体左右肢体神经肌肉功能的对称性。

5.2 实操中的“坑”与解决方案

即使原理清晰，第一次实操也难免遇到问题。以下是我在多次实践中总结的常见故障及排查思路：

一个关键技巧：建立“信号质量检查”环节。在正式实验前，让受试者主动收缩一下股四头肌（如抬小腿），观察屏幕上是否有明显的肌电信号爆发。这是一个快速验证整个系统（从电极到传感器到软件）是否工作正常的有效方法。

6. 数据解读与教学融合：从波形到生物学结论

当屏幕上出现清晰的波形，并成功计算出潜伏期后，教学工作才完成了一半。更重要的是引导学生解读这些数据，将冰冷的数字和曲线还原为生动的生物学过程。

如何分析一次典型的采集数据？

1. 观察静息期：在触发点之前，肌电信号应是一条平稳的、小幅波动的基线。这代表了肌肉的静息状态。可以向学生解释，这微小的波动是仪器噪声和人体其他生物电活动（如心电）的干扰，是正常的。
2. 定位触发点：在声音通道波形上标出那个尖锐的脉冲，这就是叩击发生的时刻T0。
3. 识别肌电爆发：在肌电通道上，找到第一个明显偏离基线并持续上升的点，这就是肌电活动的起始点T1。T1 - T0即为反射潜伏期。向学生强调，这个时间（通常约20-40毫秒）包括了感受器兴奋、神经传导、突触传递和肌纤维兴奋的总时间。
4. 测量反应强度：肌电爆发的峰值幅度或曲线下面积，可以近似反映此次反射中募集的运动单元数量和放电频率，即反射的“强度”。可以对比不同条件下（如注意力分散 vs 集中）的幅度差异。
5. 观察恢复期：反射收缩后，信号会回落。有时会观察到一个小幅的“抑制期”，信号可能低于基线，这反映了脊髓的抑制性中间神经元可能被激活，防止肌肉过度收缩。

将实验融入课程设计：

• 课前导入：播放一段机器人快速避障或医生检查病人的视频，引出“反射”概念——一种不经过大脑的快速反应。提出问题：我们如何“看见”并“测量”一次反射？
• 课中探究：学生分组，按照上述流程操作。任务不仅是“做出”反射，更是“测量并记录”在不同干扰条件（如大声喊叫、闭眼、勾手用力）下的潜伏期和振幅数据。每组至少完成5次有效测量取平均值。
• 课后分析：各组将数据汇总，用行空板或导出到电脑进行统计分析（如计算均值、标准差，制作柱状图）。引导学生讨论：哪些因素显著影响了反射？其可能的神经机制是什么？我们的测量有哪些误差来源？
• 拓展延伸：鼓励学生设计新的探究问题，例如：不同年龄、不同运动习惯的人群，膝跳反射是否有差异？能否用类似方法测量其他反射（如肘反射、跟腱反射）？

通过这样的流程，行空板膝跳反射实验就从一个简单的技术演示，升级为一个完整的科学探究实践项目。它锻炼了学生的动手能力（硬件连接、电极粘贴）、计算思维（编程、数据处理）、科学方法（控制变量、重复测量、数据分析）和生物学理解，完美体现了跨学科融合教育的理念。

7. 项目优化与进阶思考

当基础版本跑通后，我们可以从教育性和技术性两个维度对这个项目进行优化和深化。

教育性优化：

• 设计更友好的交互界面：利用行空板的触摸屏，设计一个图形化操作界面。界面包含“开始记录”、“标记触发”、“分析数据”、“保存结果”等按钮，并直接显示实时波形、计算出的潜伏期和历史数据列表。这能让学生更专注于实验操作，而非代码。
• 开发“实验报告生成”功能：程序在每次实验后，能自动将关键数据（潜伏期、振幅、条件备注）和波形截图保存为一个结构化的文件（如JSON或CSV），甚至自动生成一个包含数据和结论摘要的简易报告。这能规范学生的科学记录习惯。
• 引入云服务或局域网共享：让各组学生的行空板数据能实时同步到教师端的大屏幕进行对比展示，方便课堂讨论和讲评。

技术性深化：

• 信号处理的进阶：目前我们使用的是传感器内部处理后的包络信号。如果想分析更原始的肌电特征（如频率成分），可以尝试使用原始双极信号传感器，然后在行空板上用Python实现数字滤波（如巴特沃斯带通滤波50-500Hz）、全波整流和均方根计算。这能让学生更深入地理解生物信号处理的流程。
• 多传感器融合：除了肌电，可以增加一个惯性测量单元（如MPU6050）贴在小腿上，同步测量小腿摆动的角速度或角度。这样就能同时获得反射的“神经启动信号”（肌电）和“最终机械输出”（运动），并分析两者之间的延时和相关性，探究从电活动到机械收缩的转换效率。
• 机器学习初探：采集大量不同状态（放松、注意力分散、强化）下的反射数据，提取特征（如潜伏期、峰值、上升斜率、信号能量等），尝试使用简单的机器学习算法（如决策树、KNN）在行空板上训练一个分类模型，让程序能够自动判断当前反射是在哪种状态下发生的。这将项目提升到人工智能与生物信号结合的前沿领域，极具挑战性和吸引力。

这个基于行空板的膝跳反射实验，其价值最终超越了实验本身。它提供了一个模板，展示了如何用低成本、易上手的开源硬件，将传统教学中抽象、定性的知识点，转化为可量化、可交互、可探究的数字化体验。它点燃的，是学生心中对科学探究方法的好奇与尊重。当你看到学生为了减少几毫秒的测量误差而反复调整电极位置、讨论阈值算法的合理性时，你就知道，这个融合案例的目的，已经达到了。