表面肌电信号(surface electromyography signal,sEMG)是通过粘贴在人体肌肉的表面电极,随着相应肌肉组织运动而记录下来的一系列时间序列。不同的人手运动动作牵连的肌肉组织不相同,从而产生的表面肌电信号也有差异。本文所做的仿生机械手动作识别研究是以表面肌电信号作为信源,应用于核电领域中人工操作困难、条件恶劣等危险场所,如:核电设备的常规维修、设备更换和应急事故处理等。以下即为本文的主要工作内容:1.分析了表面肌电信号的产生原理及特点,确定了最佳的肌电电极位置,并设计了6种手臂运动动作。在对表面肌电信号进行采集时,设计了10~1000Hz的带通滤波器和50Hz的FIR陷波器硬件信号采集系统。并采用短时平均幅度函数对表面肌电信号的起始点进行检测,为后续信号分析奠定基础。2.对表面肌电信号进行特征提取,采用独立主元(ICA)算法对表面肌电信号进行消噪、去允余操作,并结合无监督的聚类算法(SOM)对被处理后的表面肌电信号进行聚类分析,每个动作的聚类图形均有较大差异有利于接下来的模式识别分析。3.对表面肌电信号进行模式识别分析,采用改进的粒子群算法(IPSO)对支持向量机(SVM)进行优化,首先简化了PSO算法的位置和速度公式,然后提出了ESE状态估计策略对粒子在寻优过程中的“早熟”收敛状态进行判断。4.仿生机械手的动作识别实验分析,首先对人体前臂肌肉机构进行了分析,选取3块肌肉作为表面肌电信号的信号源,接着采用传统SVM、LIBSVM、PSO-SVM、GA-SVM这4种最新的模式识别算法与本文提出的IPSO-SVM算法进行6种手臂动作模式识别准确率比较,得出IPSO-SVM算法的动作识别平均准确率为93.75%,并与仿生机械手的硬件进行了联调,可以准确的跟踪人手动作,最后在实验中发现手臂在连续动作条件下会逐渐进入疲劳状态,提出改进的小波包熵算法对肌肉疲劳度进行曲线拟合绘制,能够有效地减弱肌肉的疲劳影响,动作的平均准确率仍然可以保持在93.75%。