表面肌电(surface electromyography,SEMG)信号是人体自主运动时神经肌肉活动发放的生物电信号,它反映了神经、肌肉的功能状态.SEMG信号在临床医学、运动医学、人机工效学、康复医学、神经生理学、电生理学等领域被广泛应用.SEMG在这些领域不断增大的应用价值取决于人们对SEMG信号中隐含信息不断改善的提取和挖掘能力,因此,新的信号处理手段在SEMG研究中扮演着一个极其重要的角色.本论文从现代信号处理的两个重要分支--非线性时间序列分析和时频分析理论研究入手,对SEMG信号的性质、疲劳SEMG特征信息提取和动作SEMG模式识别方法进行了理论上的新的探索,所做的主要工作及创新之处如下: 本文针对非线性时间序列分析中的首要基本问题--时间序列的确定性检验问题进行了深入的研究,创造性地将辛几何理论和非线性时间序列分析中的替代数据方法相结合,提出了基于辛几何谱和替代数据法的时间序列确定性检验方法.与目前广泛应用的基于线性变换的奇异谱相比,辛几何算法是一种非线性变换,辛几何谱具有测度保存特性,更适合于非线性时间序列的分析.本文推导了辛几何谱分析原理,给出了相应的算法和实现.在确定该方法的科学性和可行性时,首先通过对各学科领域中常见随机信号和确定性混沌模型,如Lorenz方程、R6ssler方程、Mackey-Glass方程、生态映射模型、非线性随机过程等进行模型仿真实验.接着,用此方法对国际上公认的确定性混沌实验数据集--Santa Fe实验数据进行检验,说明该方法对实验数据的有效性.最后,对该方法的抗噪性能和对短样本数据的适应性进行检验,说明该方法的鲁棒性. 本文首次对静态等长收缩方式不同状况下的表面肌电信号的确定性检验问题进行了研究,通过利用辛几何谱与替代数据结合的检验方法对非疲劳、疲劳直至力竭的肌电信号进行了检验研究,结果表明静态等长收缩方式下的肌电信号非确定性信号,进而非混沌信号,而为一非线性随机信号. 本文首次提出了一种新的基于Hilbert-Huang变换的信号平均频率估计方法.信号平均频率估计广泛应用于SEMG、血流多普勒超声等生物医学信号处理中,传统的方法多是基于:Fourier变换或现代谱估计的.这些方法仅适用于平稳信号,且分辨率有限.本文提出的方法适用于非线性、非平稳信号.采用经验模态分解数据自适应基的方法,将数据分解为一系列固有模态函数,剔除噪声后,应用Hilbert变换获得各固有模态函数瞬态频率,提出采用一种加权方法计算原始信号平均瞬态频率.从理论上证明了这个信号平均瞬态频率就是对信号平均频率的估计.运用此方法,对在60﹪收缩下的静态等长收缩非平稳肌肉疲劳电信号进行分析,并与基于AR模型和小波变换的平均频率估计方法相比较.结果表明当数据窗长度变化时,该方法具有最佳的估计稳定性. 本文首次提出了一种能同时满足非负性和时间、频率边缘特性的基于尺度图的时频表达方法.只有同时满足边缘特性和非负性的时频分布才能正确反映信号频率、时限、带宽等物理学参数.本文提出以连续小波变换获得的尺度图作为先验概率分布,采用迭代交叉熵凸集投影算法,计算同时满足非负性和边缘特性的优化的尺度图.通过模拟的猝发收缩和频率线性下降的疲劳肌电信号,计算信号的瞬态平均频率和瞬态中值频率,结果表明,与Cohen类中的乔伊.威廉斯分布、减少交叉项分布和谱图相比,尺度图给出最佳的统计特性,即其瞬态变量估计的偏倚和标准偏差均低于上述三个目前较多应用于肌电信号分析的时频分布. 采用这种交叉熵最小化优化的尺度图分别对猝发收缩的肱二头肌和周期性动态收缩的脊竖肌肌电信号进行分析,分别获得了他们的瞬态平均频率和瞬态中值频率变化曲线.发现在猝发收缩中,两个频率变量均随力的增加而增加,推测这是由于具有较高传导速度的较大的运动单元逐步被募集的原因.而在周期性动态收缩实验中,发现随着肌肉疲劳的加剧,两个频率变量均有向低频压缩的趋势,但并无在肌肉静态收缩中频率压缩的趋势明显. 本文首次将多特征域信息融合与多分类器连接的思想引入表面动作肌电信号模式识别问题中,在深入讨论多分类器连接的原理和各种算法的基础上,提出了一种基于三个特征域--时域、频域和时频域参数特征的多神经网络肌电信号分类系统,尝试了采用基于DemlLpster-Shafer证据理论和Sugeno模糊积分算法作为融合不同神经网络输出的方法.结果表明,两种方法对两通道四类动作的表面动作肌电信号的识别率均高于单特征域的方法.但基于证据理论的方法计算复杂度高,并不适合于肌电假肢控制的实时要求,而基于模糊积分的方法则为肌电假肢准确、实时控制提供了新的可行方法.*本项研究得到国家自然科学基金(60171006)资助