表面肌电(surface electromyogram,sEMG)信号能够反映肌肉的收缩状况,可以对仿人手臂的运动进行控制。实现用人体手臂上的sEMG信号控制仿人手臂抓取物体可以有效推动仿人手臂在康复医疗领域中的应用。本文从手臂动作sEMG信号的处理、手臂动作sEMG信号的识别、仿人手臂的抓取控制以及仿人手臂抓取控制的实验研究等4个方面进行研究,以实现仿人手臂抓取物体,主要工作如下:(1)本文对前人提出的sEMG信号处理方法做出一些改进,提出一套手臂动作sEMG信号的处理方法。首先,自行组装sEMG信号采集装置采集手臂动作sEMG信号;接着,对采集到的手臂动作sEMG信号进行活动段提取和去噪等预处理;最后,提取sEMG信号的特征值并对提取的特征值进行降维,以便后面对手臂动作进行识别。(2)本文利用搜寻者优化算法(Seeker Optimization Algorithm,SOA)的全局搜索最优解原理和极限学习机(Extreme Learning Machine,ELM)处理非线性关系的能力,提出一种基于搜寻者优化算法优化极限学习机(SOA-ELM)的人体手臂动作识别方法。利用经过处理的sEMG信号对ELM进行训练,并采用SOA搜寻ELM的最优输入层权值和隐含层节点阈值用以构建最佳的ELM模型;最后采用经SOA优化的ELM模型对5种手臂动作进行识别。实验结果表明,SOA-ELM能有效地对5种手臂动作进行识别。(3)本文利用上述模式识别算法对人体手臂动作进行识别,并将识别结果用于仿人手臂动作控制;再利用小臂sEMG信号对手部抓取力度进行定量辨识,紧接着利用压力传感器来感知仿人手的抓取力度值,将辨识结果和感知结果用于基于力反馈的仿人手抓取控制。最后,采用MATLAB和LabVIEW来设计仿人手臂动作控制程序和基于力反馈的仿人手抓取控制程序。(4)本文使用自行组装的信号采集装置、自行组装的仿人手臂、计算机等硬件和sEMG信号采集程序、人体手臂动作模型训练程序和仿人手臂实时抓取控制程序等软件两个方面来搭建仿人手臂抓取物体的实验平台。通过这个实验平台来完成基于sEMG信号的仿人手臂抓取控制实验。