当今时代,随着人工智能技术的发展,人机交互康复机器人在医疗领域方面的应用越来越广泛。相关研究表明,在面向脑卒中患者的康复治疗中,患者极易受到心理情绪方面的干扰,影响康复机器人对患者进行康复训练,因此,在心理层面上,开展患者主动进行康复训练的研究十分迫切。本文在生理信号分析的基础上开展情绪识别及其在手功能康复训练中的相关研究。以兴奋、烦躁、轻松为目标情绪,利用人体肌电和心电生理信号,研究一种基于生理信号的情绪识别系统并应用于手功能康复训练中。首先,通过改进的Relief F算法对肌电和心电信号特征进行选择;然后,运用基于蚁狮算法(ALO)优化的BP神经网络实现生理信号的情绪识别;最后,设计并实现基于STM32的在线情绪识别系统并应用于手功能康复训练机器人。具体工作如下:(1)基于改进型Relief F算法的特征提取。首先对肌电和心电信号进行降噪预处理,并在时域、频域内提取特征;由于采集的生理信号因身体运动等容易提取到异常信号特征,而且传统Relief F算法根据样本最短距离进行特征选择,不能代表所有特征的特性。针对以上问题,在传统Relief F算法的基础上增加异常特征判断,然后按照特征样本的距离比例来挑选特征样本计算特征权值。最后,根据权重阈值将权重较高的特征进行特征间的互相关分析,剔除相关性较高的特征,提取出新的特征子集。通过该方法有效剔除冗余特征和干扰特征,提高了情绪识别效果。(2)基于ALO优化BP神经网络的人体生理信号情绪识别模型设计实现。由于传统的BP神经网络算法在网络权值和阈值确定方面容易陷入局部最小值。针对该问题,采用ALO对BP神经网络的初始权值和阈值进行优化。将ALO-BP神经网络运用到情绪识别中,对情绪识别系统的神经网络结构进行了系统性阐述并通过对比实验分析网络模型的性能,发现ALO-BP情绪识别神经网络的识别率有所提高。(3)情绪识别系统设计实现及应用于手功能康复机器人的实验分析。以STM32F103RET6为主控单元,对基于生理信号的情绪识别系统进行了硬件及软件设计并实现,应用于手功能康复机器人。通过情绪识别系统中的生理信号采集模块对肌电和心电生理信号进行采集并提取特征,将特征传输至PC端的ALOBP神经网络进行优化训练,得到优化的神经网络权值和阈值写入情绪识别系统实现情绪识别,将情绪识别信号作为控制信号辅助控制手功能康复机器人,实现患者与手功能康复机器人在情绪心理层面的协同控制,并实时调整康复训练策略。