穿戴式机器人运动辅助过程中,通过获取人体运动信息并有效识别出人体运动机能,有利于穿戴式机器人主/从运动控制的实现,为提高运动辅助的柔顺性提供了一个新的研究思路。由于表面肌电(surface electromyography,sEMG)信号是人体自身的资源,蕴含着人体运动时的肌肉状态、功能等信息,通过对sEMG信号解码技术的研究,可望探索出人体运动机能状态的评价指标,以便机器人控制系统根据人体运动机能提供理想的主/从柔性辅助。针对人体运动机能识别的问题,本文提出了基于疲劳、肌力、肌肉收缩放松能力多维度运动机能评价指标,着重研究了疲劳特征值、肌力、分形维数特征变化与运动机能状态的映射规律。主要研究内容如下:1.对国内外sEMG信号的研究历程和发展趋势进行综述性的分析,深入探索了sEMG信号的处理技术和研究方法。2.设计人体下肢运动实验,完成信号的采集,并基于sEMG信号的本身特点以及产生原理,对所采集到的信号进行预处理。将所采集到的信号进行中值滤波和带通滤波处理获得滤波后信号,比较滤波前和滤波后的信号证明了滤波方法的有效性。3.基于sEMG信号人体运动疲劳的评价;首先,对运动过程中疲劳产生的原因和随着疲劳过程sEMG信号的时域和频域变化特点进行了深入讨论,其次,提取出评价人体运动疲劳的时域指标和频域指标,最后,对所得到的指标进行处理得出人体运动过程中的疲劳变化趋势。4.运动过程中的人体肌力的预测;首先,对当前基于sEMG信号的肌力计算方法进行了分析和研究,其次,选择适合的肌力计算方法,本文所采用的是基于Hill三元素模型的肌力计算方法,通过sEMG信号所计算出的肌肉活性度、力—长度曲线和力—速度曲线建立肌肉模型,最后,通过肌肉模型得出肌力,并且比较所计算出的实际肌力和理论肌力验证了实验方法的可行性。5.基于sEMG信号的非线性分析的不同个体在同一运动中肌肉收缩放松的能力研究;首先,通过相空间重构、最大李雅普洛夫指数的计算可以确定sEMG信号介于随机信号和周期性信号之间的混沌信号特性,其次,研究了基于非线性特征的信号复杂度表征方法,确定通过计算分形维数的方式来获取信号的复杂度,并分析对比肌肉不同活动状态下sEMG信号的复杂度,提出了一种新的指标来评价非特定个体的肌肉收缩放松的能力。6.研究不同受试者在多维评价指标空间中的分布情况并基于理论和数据两个层面综合性探讨了sEMG信号特征指标和人体运动机能之间的映射关系。