表面肌电信号(Surface Electromyography,sEMG)是伴随着肌肉活动而产生的一种微弱生物电信号。其具有易获取、抗干扰强、性价比高等优点,蕴含的丰富信息可以很好地表征人体肌肉疲劳程度与特定动作意图,被广泛地用于临床检测、假体控制、康复工程等领域。机械损伤、中风等诸多原因造成的肢体运动功障碍者数量与日俱增,劳动力短缺等原因已迫使康复训练成为社会化问题。本课题以自由度较多、与大脑通信距离较短的上肢肩关节为研究对象,主要研究了利用表面肌电信号实现上肢自主康复训练中较为关键的信号处理、特征提取以及动作识别等相关技术,拟为基于表面肌电信号的上肢康复训练系统提供一种切实可行的交互方案。本文主要研究工作如下:(1)信号采集与处理。在初步研究了肌电信号产生机理与特点、信号模型构建、拾取电极选取等预备知识的基础上,结合人体解剖学、运动医学、康复学等知识,探明了肩关节运动、肌肉群、肌电信号之间的关系,设计了六种经典上肢动作模式,确定了八块电极所放位置。并对所采集的八通道肌电信号进行了比较分析,选取了动作段与静息区别较为明显的CH1、CH3、CH6、CH8四通道信号作为后续研究信号源,并对其进行了滤波、滑动加窗、端点检测等预处理。(2)特征提取与分析。首先分析了针对肌电信号的时域特征、频域特征、时频域特征提取的各自特点,然后重点对滤波之后的信号提取了 MAV、SSC、WL、ZC四种时域特征和MPF、MF两种频域特征,并对其做了一定样本的统计分析,对各特征值的表征能力做了进一步研究,最终选取出了不同动作模式之间“高内聚、低耦合”性较强的特征向量组(CH3、CH6、CH8这三个通道的MAV、SSC、WL、MPF、MF五种特征),为后续模式识别算法研究做好了必要准备。(3)模式识别与探究。首先对面向表面肌电信号的经典统计学分类器(LDA线性判决、Boosting、Bayes决策法、SVM)、模糊分类器、神经网络分类器等相关方法做了概述分析。重点设计了 BP神经网络与DBN两种分类模型,其中DBN平均6动作模式识别率高达92.55%。还从识别率、迭代次数、方差稳定性等角度对BP神经网络、DBN两种模式识别算法的性能进行了比较性研究,实验结果表明,DBN各方面性能均超过BP神经网络。同时还进一步探究了特征向量组成、模式数量、电极数量等相关要素对模式识别结果的影响。