表面肌电信号(sEMG)包含着许多人体的生理学信息,利用表面肌电信号识别人体的运动意图近年来得到了广泛的应用。本文提出了一种人体下肢关节在不同运动模式下连续运动的回归模型预测方法,利用采集到的表面肌电信号对人体膝关节和踝关节的角度进行预测,对于患者康复训练控制系统的设计具有重要意义。本实验选取了与人体下肢关节动作相关的八块腿部肌肉进行实验,首先同步采集了所选肌肉的表面肌电信号和膝、踝关节的关节角度信号,并对去噪后的信号提取了小波低频系数的时域特征,然后建立了不同的神经网络模型进行训练与预测,并用均方根误差(RMSE)来评价预测的效果。本文的主要研究内容如下:(1)同步采集肌电信号和关节角度信号,设计并规范了实验动作。针对膝关节与踝关节,各采集了与其运动相关的4路表面肌电信号作为信号源,把关节运动按有无负重和速度快慢分为3种不同的运动模式。(2)设计了一种小波消噪方法对采集到的原始肌电信号进行消噪,选用Symlets7作为小波基函数,取得了较好的消噪效果。提出了小波低频系数RMS组合的表面肌电信号特征提取方法,对sEMG进行三层小波分解,对比了原信号的RMS、每一层小波低频系数的RMS、三层小波系数RMS组合这三种特征选取方式。(3)提出了肌肉协同分析的人体关节运动估计方法,将肌肉协同模型和NMF算法相结合,并使用基于肌肉协同分析的神经网络模型对数据进行预测分析。根据所选特征,有针对性的设计了 BP神经网络和GA-BP神经网络对膝关节伸直、屈曲,以及踝关节背伸、跖屈动作过程中的关节角度进行预测。(4)实验结果表明,在低速无负重的运动模式下,使用基于肌肉协同分析的GA-BP神经网络预测模型并选用三层小波系数RMS组合有着最好的预测精度。