表面肌电信号(Surface Electromyography,sEMG)是在肌肉活动过程中形成的一种电生理信号,如今,表面肌电信号的分解以及基于表面肌电的人体动作的识别是一大研究焦点。通过研究,争取为人类创造一种更自然、方便、简单、有效的人机交互方式,这对于假肢控制、移动设备操控、运动电子产品等行业而言,意义深远。在多功能假肢控制领域中,表面肌电信号模式的识别是一种基础性问题。论文针对模式分类手段以及EMG信号特征的提取展开具体地探索与分析。EMG信号主要来源于位于下肢四块不同肌肉组织的表面电极,实验利用优化升级后的支持向量机对下肢动作下的表面肌电信号开展模式识别工作,其大致涵盖了预处理、信号采集以及下肢动作识别这三部分工作内容。本篇论文先是对比分析研究了频域特征、时域特征以及小波特征等诸多肌电信号特征识别手段,然后从中确立依靠降维处理之后的小波包函数的能量特征,将其视作特征向量。在模式识别方面,先从众多识别分类器中选出最小二乘支持向量机与标准支持向量机两种,然后在此分类器内输入获取到的特征向量,通过一系列地分析处理之后,以表面肌电信号下肢动作为对象实施识别。紧接着进行对比实验,在对加入到参数寻优的分类器的训练时间及其正确率的识别进行分析后,最后发现:在进行文中四种下肢动作识别时,基于粒子群参数寻优下的最小二乘支持向量机模式识别与其他参数寻优分类器模型相比,其运算时间更短,识别率更准确。