表面肌电信号(Surface electromyography)是人体在进行肌肉运动时,由肌肉收缩产生并通过表面电极采集到的一种生物电信号,具有提取方便、无创伤的特点,目前已广泛应用于康复医学、智能机器人等领域。由于肌电信号所含信息丰富,可对大量的手部动作判别。同时,表面肌电信号也是一种微弱的生物电信号,易受噪声干扰,使得肌电信号的采集、特征提取存在一定的困难。本文的研究旨在基于表面肌电信号的手部动作分类识别的方向上,在肌电信号的分析和特征提取上寻求一种普适性好、准确率高、实时性强的算法,为将来的仿生假肢手尽快在临床上得到推广和使用做好可行性基础。为达到上述的目的,本文将从以下几个方面开展工作:(1)本文对表面肌电信号的产生机理和普遍的特点进行介绍和分析,根据人前臂肌肉群的特点对表面电极的配置方式进行了研究,并详细描述了表面肌电信号的自主采集过程。(2)对常用典型的特征提取方法进行研究,通过对典型的特征优缺点进行分析,提出了基于组合能量特征和基于多元模态分解(multivariate empirical mode decomposition,MEMD)两种新型的特征提取方法,可以有效提取信号的有效特征,减少冗余的无用信号的干扰,使得不同手势肌电信号的特征更加明显,易于后期识别。(3)为了减轻了高维特征的运算灾难又保留信号的全局特性,本文采用PCA和MDS降维算法进行特征降维。通过比较不同特征提取方法和不同降维算法所获得的手部动作识别效果,最终确定利用MDS降维算法处理后的特征矢量作为分类器的输入,从而有助于不同手部动作的模式识别。(4)本文运用了三种有监督学习方法分类肌电信号,包括BP神经网络、线性判别分析和支持向量机。在实验中发现,模式识别分类器与先前处理得到的特征算法分别匹配,得到的不同识别结果,为了验证算法的普适性,又引进了经典UCI肌电信号数据库进行验证,均取得良好的识别效果。经过多组实验测试,本文选择出最佳匹配组合。将本文提出的手部动作识别算法应用于自主采集数据库8个手部动作识别准确率可达98.7%,针对UCI的6个手部动作数据库验证准确率达到98.3%;