表面肌电信号(sEMG)是从人体骨骼肌表面通过表面电极记录下来的神经肌肉的电生理活动,它反映了神经、肌肉的功能状态。由于表面肌电信号的提取方便、快捷、无创伤测量等优点,它被越来越广泛地应用于肌肉和神经系统的信息获取和诊断中。到目前为止,国内外很多学者提出了许多方法从表面肌电信号中识别出前臂前后旋,腕部伸屈的运动模式,但在手指运动模式分类方面还没有引起广泛的研究。本论文针对基于表面肌电信号的手指运动模式分类方法进行了探讨。首先,本论文详细介绍了肌电信号产生的生理学机理,介绍了它在康复医学中的应用,概述了当前表面肌电信号的研究现状,同时分析讨论了目前提出的分析识别表面肌电信号的方法。这部分知识为本课题的研究提供了理论基础。然后,本论文尝试利用两种分析方法和一种分类器的结合,对手指五指捏、五指展开、四指(除去拇指)弯曲和拇指对掌运动等四种运动模式分类进行研究。其中一种分析方法是小波变换,本论文用小波变换对表面肌电信号进行多尺度分解和重构,依据信号不同频段所覆盖能量的多少,提取分解树上合适的节点系数重构信号作为特征矢量,并对其进行奇异值分解以达到降维的目的,便于下一步进行分类。另外一种分析方法是小波包,本论文用小波包对手指四种运动模式信号进行分解,根据相对小波系数能量比的大小,提取分解层上的节点系数信号所占的能量比作为特征矢量。最后,经过讨论常用几种分类器的研究进展和应用,本论文选取BP神经网络分类器对上述两种方法提取的特征矢量进行分类,均达到较好的分类结果,分类准确率均在90%以上,经比较小波包和BP神经网络相结合的分析方法分类的准确率稍高。