随着科技的发展,机器人越来越深入到人类社会的各个领域,并担任了越来越重要的角色。无论是提供助力的外骨骼机器人,还是为患者提供康复训练的康复机器人,都需要实时的与人体进行交互,因此被称为人机交互型机器人。然而传统的人机交互算法使得机器人并不能准确理解人体的运动意图,容易导致使用者肌肉疲劳、受伤等情况发生,使得人机交互型机器人的发展与应用受到限制。由此可以看出在人机交互过程中,通过人体运动意图解析理解人体运动意图是实现人机交互的关键。因此,如何实现人体运动意图的定量、准确、实时解析,成为人机交互型机器人急需解决的关键问题。本文的主要工作内容如下:首先,对表面肌电信号(surface Electromyography,sEMG)的产生机理进行分析,并对sEMG进行了预处理;考虑机电延迟导致的sEMG与角度信号和力矩信号的时域不同步问题,利用二阶递归滤波器进行时间延迟补偿;引入梯度提升树模型(Gradient Boosting Tree,GBT)计算sEMG输入通道的贡献率,对sEMG进行肌肉通道筛选;使用Opensim软件中的Inverse Dynamics插件,基于拉格朗日方程建立人体上肢动力学模型,并运用Scale Tool插件针对不同人体进行模型参数调整,为之后定量解析人体运动意图打下基础。其次,针对单侧肢体运动障碍人群,建立一种针对患者患侧肢体运动解析的肌骨模型(Musculoskeletal Model,MSM)。基于人体的生理结构和人体健侧肌骨模型(Health Musculoskeletal Model,HMSM),讨论健侧肢体与患侧肢体的人体生理参数与结构的异同,进一步研究建立人体患侧肌骨模型(Disabled Musculoskeletal Model,DMSM),并运用镜像方法将健侧的部分生理参数和结构镜像到DMSM,利用遗传优化算法对HMSM中剩余生理参数进行重优化,以均方根误差(Root Mean Square Error,RMSE)和预测时间为指标,通过实验验证所提基于GBT的s EMG肌肉通道筛选方法和DMSM的有效性。再次,针对健康人上肢运动意图解析的需求,设计一种多尺度卷积神经网络(Multiscale Convolutional Neural Networks,MSCNN)模型,利用其卷积结构多尺度特性拟合不同尺度下sEMG的特征,提升拟合的准确性与稳定性;利用卷积核计算减少sEMG输入通道导致的信息冗余,以及其所带来的计算量增加和对模型稳定性的影响;最后,以RMSE和预测时间为指标,通过实验验证所提MSCNN模型的有效性。最后,搭建人体上肢运动意图解析系统,包括信息采集模块、算法解析模块、在线显示模块等子模块;设计人体上肢运动意图解析实验方案,采用大臂垂直地面保持不动,小臂匀速抬起的实验范式,验证本文提出的两种人体上肢运动意图解析算法模型的有效性。