随着人机接口技术的迅速发展,人工智能、机器学习被广泛应用到了各民用生活领域,为了改善肢体残疾人群的生活质量,近年来智能假肢的应用与控制已成为当前研究的重点。利用肌电信号控制假肢,是目前热门的一种人机接口技术,肌电信号最能反映出人体做出动作的生理变化,在假肢控制领域意义重大。肌电控制需要精确的信号采集、有效的特征提取、识别率高的分类算法来作为基础,还需保证系统的实时性以减少控制延迟。目前大多数的研究都是基于实验室环境的肌电信号模式识别,没有在算法实时性做深入研究,且采集信号一般通过商业化的专用设备,不便于携带。本文将从以下几个方面开展工作:首先,针对目前已经商业化的专业采集设备价格昂贵、不易于携带,以及目前国内的肌电信号采集设备大多精度较低的问题,设计了便携式、可穿戴的肌电信号采集装置,采用了专门用于采集生物电信号的ADS1299来保证肌电信号采集的精度。同时对于传统的肌电采集设备通道数较少的问题,本文设计支持4通道的信号采集,通过无线传输方式来上传数据到上位机中。其次,针对于肌电信号中干扰噪声较多的问题,如工频干扰、基线漂移等,通过50Hz陷波器、中值滤波、带通滤波等滤波器设计将其滤除。针对于单一特征的动作分类准确率较低的问题,本文对肌电信号的特征选择进行了详细的测试,通过单时域、频域特征与各特征组合的对比结果,最终确定了选择平均绝对值、均方根、波形长度三种时域特征组合作为分类器的输入。利用BP神经网络和支持向量机对选定的特征值组合进行动作分类,准确率分别达到了92.8%和83.3%,最终选择利用BP神经网络来对4通道肌电信号提取出的三时域特征组合进行动作分类,与单一特征分类相比准确率提高了3.2%。最后,针对于目前没有完整的配套采集设备的软件训练平台,本文设计了基于硬件设备的动作识别系统,控制设备的通讯、采样率、采集模式等相关参数,可以准确有效接收上传数据以及绘制数据的实时波形,可对数据进行特征提取、分类训练、存取特征与训练网络等操作,集成了数据活动段检测、网络训练参数显示、串口通讯等功能,实现了对机械手的实时控制。