手作为人类的重要器官,不仅是我们从事生产劳动的主要工具,也是重要的交流工具。人的手不仅能够灵活自如的做出精细、复杂的手势和动作,完成各种创造性工作,实现对自然世界的改造,还能够传达思想情感和行为意图,成为重要的辅助交互手段。表面肌电信号(Surfaceelectromyographic,sEMG)作为一种伴随肌肉活动的电生理信号,其蕴含了丰富的人体运动意识信息,是最理想的仿生康复设备和新型人机交互设备的生物信号控制源。深入研究基于表面肌电信号的人手动作模式识别技术,实现低成本、快捷、准确的手部动作识别能力,将识别结果转换为多自由度控制指令去驱动输出,不仅可以满足肢体残障人士对智能仿生手自主操控的迫切需求,为康复医学领域提供更为可靠和人性化的辅助康复设备,而且在人机交互中,为使用者根据情境选择合适的动作种类表达自身意图并与外界环境进行信息交换提供了支持。因此,具有非常重要的研究意义和应用价值。由于sEMG自身复杂的不确定性和人体运动状态的多样性,要实现准确高效的动作解析依然存在较多问题和挑战。例如目标肌群的筛选、sEMG特征的选择和提取、连续动作/运动建模方式还不完善;动作识别成功率不高、识别动作的种类和数量有限、算法复杂时效性无法满足实际需求。针对这些方面问题,本文开展了以下几个方面内容的研究:(1)表面肌电信号采集方案优选由于表面肌电信号固有的随机性、非线性、信号微弱且易受干扰的特点,导致获取肌电信号的质量与具体的采集形式和方案关系极为密切。早期研究由于动作模式少,选择合适的肌群提取足够特征信息的需求并不迫切,往往依赖经验直接确定采集系统实施方案也能取得不错的效果。但随着待识别动作种类的增加,经验方法的弊端逐渐显现。为最大程度的降低信号的随机性,避免电极位置选择的盲目性,有针对性的开展最合理采样电极位置的实验研究,设计全新的表面肌电信号采集方案。(2)数据的活动段划分及标签样本制作基于机器学习的分类器设计,对训练样本的类型属性和数量要求都很高。因此大批量样本的提取和动作标签的添加就变的至关重要。研究快速简洁的原始肌电信号处理方法,设计肌电信号活动段检测算法,自动标识动作样本所属动作类型,为大批量训练样本的制作提供便利条件,在提高准确率的同时,降低整体制作时间成本和代价,为后续分类训练提供保障。(3)拓展手部动作和手势识别的类型与数量为了适应仿生康复设备和新型人机交互应用对手部动作模式多样性的客观要求,拓展手部动作和手势识别的动作类型和总量。设计了包括放松动作,单指动作,多指手势,手腕动作在内的共计20种手部动作与手势的分类识别系统。采用不同的特征提取算法和分类识别算法,通过实验对比找到最合理的配置方案满足多模式分类应用需求。(4)多模式分类识别系统综合性能评价为避免片面的以识别率高低来衡量分类识别系统性能优劣,对比不同特征提取和模式识别算法复杂度,鲁棒性和实时性,综合考虑识别率、系统反应时间、实例化代价的影响,评价不同配置方案的性能。