肌电信号作为一种常用的检测人体运动信息手段,在灵巧假肢控制领域得到了广泛的应用,但目前的肌电控制方式的灵巧性仍然不足,同时难以适应多种外界干扰因素。另外,使用者需要经历较长时间的培训才能熟悉设备操作,并且在使用过程中需要频繁重新训练控制器以保证准确性,这些因素均阻碍了灵巧假肢设备在临床上的进一步推广。近年来,多自由度同步肌电控制方法得到越来越多的重视。为进一步提高肌电控制方法的实用性,本文参考深度学习方法,设计了一种新型的人体多维运动信息解码模型。该模型可直接处理原始肌电信号,能够有效预测腕部三自由度力信息。通过大规模数据集训练,该模型可对不同受试者通用,无需采集数据训练即可实现腕部三自由度力信息的预测,提高了肌电控制的灵巧性的同时,改善了用户体验。训练解码模型通常需要采集相应动作的肌电数据,并进行样本标注(监督式方法)。由于肌电信号强度与关节施力大小具有强相关性,本文采用多自由度施力幅度对多通道肌电信号进行标注。传统数据标注方案所记录的数据多为关节角度信息。仅有少数研究采用关节力信息标注,但由于完全约束关节角度,与日常使用场景存在较大差异。为获取可靠的有监督学习样本,本文设计了半约束三自由度腕力采集系统,通过该系统将三自由度腕力实时映射至十字光标的运动(位移)。实验中,受试者手腕可自由活动,并可通过十字光标的运动获取样本标签的实时反馈。通过制定相应的数据采集流程,该采集系统能在多名受试者间建立统一的参考基准,实现了腕部三自由度力信息对肌电样本的标注。本文最终采集了11名受试者的标注数据,构成包含1.16×106组标注样本的大规模数据集,为后续的模型设计与分析提供大量可靠的实验数据。肌电信号的采集频率较高,同时易受其他干扰因素影响,在传统肌电控制方法中需依靠特征提取方法对数据进行降维处理。为避免特征提取环节造成的信息损失,本文采用深度学习方法,针对肌电信号的特性设计深度卷积网络结构,得到了肌电多维力信息解码模型,能直接从原始肌电信号中预测腕部3个自由度的力信息。为充分发挥基于深度学习网络结构的模型性能,本文对模型的输入数据格式、模型参数、模型预测目标等因素进行细致的比较与测试,发现模型可从较长窗口尺寸截取的肌电信号中,学习预测指定时刻腕部力信息所需的知识,不会因多余的肌电信号数据影响模型的预测性能。为提高肌电控制方法在临床上的应用,需要测试肌电多维力信息解码模型抵抗多种干扰因素的适应能力。通过对多种干扰因素的分析,将其划分为4个等级并设计相应实验流程,测试模型在不同适应性等级下的预测性能。测试结果发现,多维力信息解码模型在所有适应性等级下的预测准确率(R2)均高于其他研究者所使用的传统机器学习模型(SVR),在包含所有影响因素时,预测准确率(R2)可由0.386提升至0.564。同时,在使用多名受试者所构建的大规模数据集对模型训练时,模型的适应性还能够进一步提高。通过与大规模数据集的结合,深度学习模型可充分发挥自身的信息提取能力,模型底层卷积层参数具有周期性与通道选择性,可实现对肌电信号的进一步分解与重组,学习原始肌电信号与腕部关节力间的深层次联系。为进一步获得充足样本,针对肌电信号采集实验中的数据异常情况设计了多种数据扩张方法,测试结果发现,同时或单独使用所有电极反向、电极编号摆放错误与电极放置错位这三种数据扩张方法,均能在不需额外采集实验数据的前提下,进一步提高模型的适应性。虽然具有强适应性的肌电多维力信息解码模型在不同受试者间具有通用性,平均离线预测准确率(R2)可达到0.639,但针对特定受试者进行定制的模型将具有更高的准确性。本文设计了模型微调方案,实现采集少量特定受试者的实验数据对通用模型进行调整,得到为特定受试者定制化的肌电解码模型。同时通过长达28日的Fitts’law在线控制实验,验证了微调后的模型仍具有对电极位置偏移与长时间使用的适应性。同时,受试者可通过训练学习特定的肌肉协同关系,在长期在线实验中,逐步提升控制效果。最后,本文基于提出的多维力信息解码模型搭建了在线实验平台,实现对KUKA机械臂和HIT-V假手的三自由度同步控制,并完成了多种复杂操作任务,验证了提出的多自由度肌电同步控制方法的控制准确性。