为了提高手部动作的识别率与响应速度。提出综合特征选择与排列组合的组合特征法并与极限学习计算法(ELM)相结合的多手势模式精准识别方法。首先,运用肌电传感器采集八种手势动作;进而运用去噪技术与起止点检测技术对肌电信号进行预处理;其次,分别提取肌电信号时域、频域、时频域、4阶AR系数和非线性特征,将组合特征法与皮尔森相关系数法和主成分析法(PCA)选优的特征集进行对比;最后,用所选特征集与最优滑动窗相结合,运用极限学习机、神经网络(BP)和支持向量机(SVM)算法进行手势分类。实验结果表明,结合组合特征法与最优滑动窗口设计的ELM算法模型最优,平均识别率高达97.1%,结果超BP算法17.02%,且具有最短的训练与测试时间,有效证明所提方法的精准性和实时性。

针对特定肌肉动作所需电刺激参数的差异以及组合动作中刺激位置顺序的排布,研发了一套以健侧肌电信号实时触发的多通道手部电刺激康复系统,以辅助脑卒中患者更有效的完成手功能康复训练。使用STM32F103微处理器完成下位机平台搭建,设计信号采集模块对表面肌电信号进行滤波及放大、利用表面肌电信号能反映肌肉运动信息的特点,使用Matlab获取手部运动特征建立分类模型、模型通过识别运动的健侧手部,将分类后的运动标签实时反馈至电刺激模块,以刺激患侧电极产生相应动作。最后经过重复性实验得到结果系统的平均动作识别率可以达到90.7%;而特定手部肌肉动作的触发需要不同等级的电流强度。实验结果表明系统实时性良好、运行稳定、可实现模式识别后的相应刺激动作产生。

表面肌电(surface electromyogram,s EMG)信号的去噪处理和特征提取的效果好坏直接关系到识别的准确率。以获得较高的识别准确率为目标,对肌电信号的去噪处理和特征提取展开研究。先对表面肌电信号进行小波阈值去噪;再分别运用时域、频域和时频分析对去噪后的信号进行特征提取;最后利用BP神经网络对肌电信号进行分类。实验结果较好地实现了对肌电信号的分类,分类识别率为97%±2%。

为了解决市场康复假肢功能单一、使用效果极差和价格昂贵等缺点,提出一种基于表面肌电信号的机械手控制系统。该系统主要分为两部分:一部分是基于Cortex-M4系列的肌电信号采集、预处理、BP神经网络分类的信号处理系统;另一部分是基于Cortex-M3系列的机械手臂控制系统。信号处理系统发出控制命令无线传输到机械臂,控制6舵机自由度的机械臂,实现6个动作的展示。试验结果证明:该系统能够实现6个动作的自学习,成功率在80%以上,系统有一定的应用价值。

介绍了表面肌电信号数字传感器的设计方法。根据表面肌电信号产生特点和采集技术的基本要求,研究电极的形状和正确的放置方法,采用仪用放大器INA128设计前置放大电路。设计有源滤波器,应用串行A/D转换芯片输出数字信号。实验表明,该方法可以提高信噪比,减小噪声,有效地提取出表面肌电信号。

通过对采集的四通道表面肌电信号进行分析，对其建立AR（Autoregressive）参数模型，提取AR模型参数构建特征矢量。根据实际表面肌电（SEMG）信号的随机性特征，提出了一种采用Bayes决策理论对肌电信号的AR模型参数特征进行分类的新方法，并运用最小错误率Bayes分类器，很好地实现了对前臂八种动作表面肌电信号的模式分类。平均识别率为99．125％。此外，还提出采用动态聚类中心的方法对其进行了改进，使其平均识别率提高到99．5％。研究表明，采用Bayes分类器对肌电信号的AR模型参数特征进行分类，是一种有效的处理手段，并可直接应用到其它具有随机性特征的生理电信号的模式分类中。

下肢康复机器人以其诸多的优势而逐步取代传统的康复治疗手段。在论述下肢康复机器人及其人机交互控制方法研究现状的基础上,针对下肢康复机器人对患者运动意图与运动能力感知的双重需求,提出了一种基于表面肌电信号的受试者运动状态的精密感知方法,包括表面肌电快速识别人体步态事件、表面肌电连续解码人体下肢关节运动角度,以及表面肌电定量预测人体下肢主动关节力矩。为了实现患者自主引导和下肢康复机器人按需辅助训练,深入讨论分析了下肢康复机器人的系统设计和基于表面肌电精细感知的人机交互控制方法。最后,展望了下肢康复机器人的未来研究方向与内容。