准确识别脑损伤患者运动意图可以激发患者主动参与康复锻炼的积极性,有望促进脑功能重塑,提高康复训练效果。目前,许多研究提出利用模式识别技术来识别患者的多种精细运动意图,结果证明了模式识别方法在离线分析中的可行性。但是多类动作的离线识别性能难以直观体现模式识别系统的实时性能。并且脑损伤患者众多,一个稳定的实时评估方法来监测病理进程阶段和评估干预后的治疗效果是至关重要的。因此,针对以上问题,本课题开展了基于肌电信号的脑损伤患者手部动作实时评估方法研究,有效地将脑损伤患者的运动意图识别与实时评估结合在一起,并进行了探讨。首先,本课题开发了基于虚拟现实的康复训练系统。该系统主要分为五个模块,分别包括:患者的信息录入、实验参数设置、离线数据采集、分类器建立和实时视频游戏功能。其次,选取四名脑损伤患者采集上臂48通道的表面肌电信号,分别利用传统线性判别、Fisher线性判别、改进线性判别和支持向量机四种模式识别算法对患者手部18种精细动作进行运动意图识别。并对四种算法的运算速度与动作模式识别结果进行比较,找到一种识别精度高,运算速度快的运动意图方法。然后,基于虚拟现实的康复训练系统对患者的多种精细动作进行实时游戏动作识别,并提出了反应时间、完成时间、实时整体动作完成率、动态效率和个人完成率五个实时性能指标进行评估,目的是为肢体控制能力提供了一种客观的量化指标,是临床康复量表的有益补充。并且实时的主动训练,能够带动患者的主观能动性。针对各种功能障碍的脑损伤患者,该方法为临床治疗提供一种可行性方法。最后,由于脑损伤患者的手部肌肉痉挛,在执行动作时并不能恒力进行。一般来说,大多数肌电模式识别的研究都是基于恒力条件下进行的。若将其直接推广到肌肉收缩力变化的情况下时,算法容易失去鲁棒性。本课题采用了三种肌电模式识别抗力鲁棒性的研究方法,最终发现提出四个与肌电信号幅值无关的频谱域特征进行分类更有显著的优势。