肌电假手是一种面向截肢患者康复,由人体肌肉电信号(Electromyography,EMG)进行控制的仿人型机器手。它是集机械电子、计算机与生物等多学科领域的集成化系统,具有多自由度、多传感器、高集成化及小型化等发展趋势。目前,多功能仿人型假手的肌电控制方法远远滞后于其本体的发展,面临控制模式少、精度低、控制感官性差等缺点。本文针对多自由度假手,以多种人手运动模式的高效识别为主要目标,兹建立新型的肌电控制方法。主要研究内容包括:基于模式识别方法的肌电控制总体结构,人手预抓取模式的识别,手指姿态动作模式的识别,以及识别系统的在线学习等方面。文中首先对国内外新型的仿人型多自由度假手、典型假手肌电控制方法进行了细致的综述。随后建立了基于模式识别方法的多功能性假手控制系统的总体结构,将其划分为人体层、生物信息采集层、模式识别层、假手本体层和反馈层5个重要组成部分,给出了各层次内相关关键技术的具体实现方法。具体地,由人体解剖学原理确定每个手指运动的功能性肌肉,以确定识别各运动模式所需的肌电电极安放位置。选用独立式模块化表面肌肤肌电电极进行肌电信号的采集。验证模式识别算法的不同搭配以获得经验最优的分类率,并建立假手虚拟操作环境进行控制算法演示及肌能训练。确定了人手的4种基本预抓取模式,将对预抓取肌电模式的识别应用于假手抓取控制策略,使得在人手实际抓取动作未实施时即能判断假手所需采用的抓取模式。采用Teager-Kaiser Energy(TKE)算子增幅肌肉收缩时肌电信号的变化,通过判断信号统计值和引入在线后处理步骤,得到准确的预抓取肌电信号。详细验证了多种预抓取肌电信号分段方法、特征提取方法以及特征分类方法对于模式识别成功率的影响。最终采用波形长度与支持向量机作为最优的信号特征及分类器,进行预抓取模式的在线识别。假手抓取肌电控制实验表明,预抓取模式识别成功率高、延迟小,假手能正确地、快速地按规定模式抓取物体。除了抓取模式的识别,人手手指动作的识别在假手肌电控制中也同样重要。基于对人手姿态模式的重新配置,文中采用6通道肌电信号实现了多种姿态模式的可靠识别。使用阈值决策同支持向量机决策相结合的双层决策规则,增加了参与训练的肌电瞬态特征,有效提高了人手手指在动作发生时的识别成功率。提出波动式训练方法(肌肉快节奏收缩时的样本作为各模式肌电训练数据),以提高单组次训练数据的完备性。进行了基于PC机的虚拟假手控制实验、基于DSP的嵌入式假手控制实验、以及截肢患者肌电控制实验。实验结果表明人手各运动模式识别正确,识别速度较快,控制的直观感觉较为强烈。由于肌电信号具有时变特性,会引起识别系统识别率的下降。文中建立了正、负样本同时训练的多类数据描述分类算法,通过引入遗忘因子对惩罚因子进行加权,建立了基于超球支持向量机多类分类的剥壳增量算法。定义动作序列,并基于动作序列进行肌肉模式的在线持续性学习。对预抓取模式以及动作模式的在线学习实验表明:预抓取模式的持续性学习可以看成是其模式描述逐渐完备的过程,因此识别成功率会越来越高;而对于动作模式的学习,使用多组次的样本进行训练并不能得到识别率的提升。剥壳算法能有效的控制支持向量机复杂度的增加,且使得各组次内部分类成功率分布较高,表明融合在线学习的肌电模式识别算法具有长期稳定工作的能力。