手是人类重要的劳动和语言交流工具,手的缺失给残疾患者造成生活、工作的不便。人手及腕部共有27个自由度,可以轻松实现灵活多样的手势动作和抓取功能,其使用之方便不需要过多的心里和外界的关注。随着科技的发展,手及手臂缺失者对自身的生活质量有了更高的要求,然而市面上实际销售的假手功能远不能满足患者的使用要求。再造和人类真手一样可以轻松自如地实现各种动作的假手,将从根本上提高残疾人的生活质量。目前对于假手机械本体的结构设计已经基本满足人手可实现的自由度,从机械结构方面基本可以实现人手的动作功能,但其控制可实现的假手功能远低于人手的功能,存在着可识别的动作模式少、识别率低、传感反馈功能少、缺少“幻肢感”等缺点。本文以人体前臂肌电(Electromyography,EMG)信号作为控制源,对人手的动作姿态进行模式识别。主要研究内容为:表面肌电信号产生的生理基础及特点,肌电信号采集过程中的预处理,多通道肌电信号的解耦,人手抓取动作的分类与模式识别。文中首先对假手的控制源、仿人型假手机械结构、肌电信号的检测方式、肌电信号产生的生理基础、基于肌电信号的人手模式识别研究的现状进行了阐述。针对肌电信号在采集过程中强噪声干扰的特点,对可能产生的噪声源进行了分析,并对采集到的肌电信号进行频谱分析,得到主要噪声干扰源(工频电及其谐波分量)。针对工频噪声的干扰采用了整周期平均滤波、包络滤波和同态自适应滤波。针对整周期平均滤波过程中造成肌电信号数据的损失,可能对后续的模式识别产生影响,对整周期平均滤波进行算法改进得到滑动整周期平均滤波。对上诉三种滤波方法进行了分析与比较,得到了不同形式滤波的优缺点及适用场合,为肌电信号提取的预处理提供了实用方法。其次,为了减少肌电信号的后续数据处理量,采用稳态数据进行模式识别。这就需要从采集到的肌电信号中识别出动作转换点,对动作进行分割。文中采用了短时能量法、动态累积和法、动态差分三种方法进行动作转换点的识别,并对识别率进行了分析比较。短时能量法可以判断手部动作的转换点、肌肉的状态及肌肉的力度;动态累积和法可以准确判断动作的转换点及肌肉状态,但其计算量大,影响控制的快速性;动态差分法可以准确判断动作的转换点,且不需要设置阈值和窗口宽度,减少了人为因素对动作转换点的判断,提高了动作转换点识别的准确率。再次,人的手部动作是由不同肌肉群的牵引相应骨骼产生动作,要识别更多的手部动作模式就需要多通道数据采集。多通道肌电信号采集过程中存在着严重的信号串扰问题。本文采用ICA分析方法对多通道肌电信号采集进行解耦。并利用相关分析,得到解耦后的肌电信号与原信号之间的匹配关系。最后,确定了人手8种基本抓取动作进行了模式识别。采用整周期滑动平均滤波法得到有效的肌电信号,通过准确判断动作转换点得到抓取动作的稳态肌电信号数据。通过对肌电信号时域、频域、小波变换系数特征量提取,并对特征的可分性和识别率进行了实验研究,最终确定采用肌电信号的方差及小波系数的最大模值的融合特征作为预抓取动作识别的特征量,采用4通道肌电信号BP神经网络和动态模糊神经网络对手部8种基本抓取动作进行了识别。实验表明:两种神经网络的识别率没有明显差别,但采用特征量融合的方法可以有效提高人手动作分类的可分性,提高识别率。