近年来,心血管病发病人数持续增长,针对其最有效的方法就是介入手术治疗。可目前介入手术医生缺口较大,加之手术环境影响医生健康,亟需介入手术机器人的出现。精准安全稳定地控制手术机器人是巨大的挑战,所以我们提出了基于表面肌电信号的介入手术机器人新型控制方法。对表面肌电信号的分类识别是最关键的步骤之一,本文是面向介入手术机器人控制的表面肌电信号分类算法研究。主要研究内容如下:第一研究阶段,针对表面肌电信号提取相关特征进行显著性差异分析。招募了九位志愿者,设定四种动作采集数据,对信号进行预处理和特征提取。选用平均肌电图和均方根两个特征,对不同肌肉不同动作使用单向方差分析法进行显著性差异分析。结论显示不同动作之间差异性微弱,两个特征模式之间存在相似性。这部分我们的创新之处是提出了基于表面肌电信号的介入手术机器人新型控制方法。第二研究阶段,采用公开的标准数据集进行分类识别实验,获得了良好的结果。对数据进行一系列预处理操作,提取了七个常见特征,提取了ASS和MSR两个新特征。设计的随机森林算法分别对单特征和多特征组合进行分类识别实验,得到的最佳分类精度达到92.94%。并从混淆矩阵、ROC曲线、PR曲线等评价指标分析了实验结果,验证了模型的稳定性。这部分我们的创新之处是设计了在标准数据集上获得良好分类性能的随机森林算法。最后,我们与中国科学院大学深圳医院合作,采集有丰富经验医生的数据进行深入研究。招募了七位心内科医生,采集其在操作导丝时的表面肌电信号、电磁位置信号和触觉力信号三种多模态数据,对临床手部动作的操作技能进行探究。经过信号处理和特征提取,提取了十九个特征用设计的随机森林算法进行分类识别。实验表明肌肉活动与血管壁接触力之间存在正相关性,同时不同肌肉不同动作之间也具有显著性差异。使用特征数目越多分类效果越好,最高达到94.11%的精度。这部分我们的创新之处是采集专业医生的多模态数据集,国际上尚无先例。提出了基于随机森林算法的分类识别框架,并获得了较好的分类效果。本研究具有较高的科学意义和潜在的应用价值,创新地提出基于表面肌电信号的介入手术机器人控制方法,并设计基于随机森林的表面肌电信号分类识别框架,未来可用于远程手术操控和实现手术过程中力反馈。