表面肌电（surface Electromyography,sEMG）是一种伴随着肌肉收缩产生的电生理信号,其本质是由一系列运动单位（Motor Unit,MU）产生的电位经过脂肪和皮肤等组织的滤波作用和各种噪声的干扰下在表面电极处时空叠加所形成的电信号。通过肌电模式识别技术,可以从sEMG中解析出多个自由度运动的模式和意图。多年来,科研人员对基于sEMG宏观特征的肌电模式识别方法已经开展了广泛的研究。肌电分解技术的进步使得从sEMG信号中分解出MU发放序列和相应动作电位波形信息成为可能,促进人们对肌电模式识别技术的研究深入到微观的MU层面。MU是神经肌肉系统中的基本功能单位,其活动信息直接反映了来自中枢神经系统的微观神经驱动信息。不同运动模式是神经指令驱动肌肉中的一组MU进行协同的方式来完成的,通过解码一组激活的MU活动信息是实现自然鲁棒的肌电控制的发展方向。针对目前基于MU的肌电模式识别研究尚不充分的问题,论文以手指运动模式识别为目标,提出了一种基于MU协同的肌电模式识别方法。在此基础上,通过实施在线表面肌电分解算法,将所提方法进行在线运行优化和验证,促进从微观MU层面发展神经驱动信息解码技术在肌电控制系统中的应用。研究的主要内容和成果如下:（1）基于运动单位协同的肌电模式识别方法研究。本研究以控制手指伸展的指伸肌群为目标肌肉,利用一个16×8电极阵列采集10名受试者执行10种不同的手指运动任务的高密度sEMG信号。首先应用表面肌电分解算法对采集的sEMG信号进行分解,从而获得MU发放序列及其相应动作电位波形信息。然后利用卷积神经网络（Convolution Neural Network,CNN）对MU在所有通道上的波形信息进行挖掘以更好地对MU进行识别。在此基础上,依据多个MU协同激活参与到特定运动模式且同一MU活动可能在不同运动模式共享的生理规律,论文设计了一种新颖的模糊加权决策策略。该策略融合了 MU的数量、类型和发放特性信息,综合衡量了单个MU对每个运动模式的贡献度,实现了从一组MU决策中给出最终的运动模式决策,解决了微观的MU活动和宏观运动模式关联分析的难题。所提的基于MU协同的肌电模式识别方法取得了 100%的准确率,与其他传统的基于MU的方法和基于sEMG宏观特征的方法相比,呈现出显著的性能优势,实验结果也验证了所提方法的有效性。（2）基于运动单位协同的肌电模式识别方法在线运行优化和验证。由于目前基于MU的肌电模式识别方法都依赖于离线的肌电分解算法,这极大地限制了 MU在肌电控制系统中的实际应用。针对此问题,本研究利用在线表面肌电分解算法获得MU活动信息。具体地,首先利用离线分解算法对历史数据预训练得到相应解混矩阵;然后将其直接应用于接下来在线获取的数据中提取MU活动信息从而省去大量求解解混矩阵的时间;接着利用一些参数对得到的MU发放序列进行约束,判断MU发放序列的可靠性;最后将分解得到的MU活动信息应用于所提的肌电模式识别方法中。本研究特别探究了不同窗长条件下的在线表面肌电分解算法性能及其对MU识别和手指运动模式识别性能的影响。本研究验证了在线分解算法用于MU识别和肌电模式识别的可行性,为将来实际的肌电控制系统设计与实现提供了指导。综上所述,论文提出了一种新颖的基于MU协同的肌电模式识别方法,并将所提方法进行在线运行优化,为从微观MU活动信息的角度解析运动意图提供了一种新的工具,促进了 MU在实际肌电控制中的应用,该研究在假肢控制和康复医疗等领域具有潜在的应用价值。