脑卒中会造成足下垂患者行走步态异常,能够独立行走是患者提高生活质量和康复训练的重要环节。传统的改善足下垂步态的康复手段,缺乏有效的通讯与控制途径,不能使患者的运动康复得到有效改善,给患者、家庭和社会带来沉重的负担。因此,探索一种适用于人体下肢动作识别和运动控制的智能系统成为康复工程研究的热点。目前,人体下肢动作识别和运动控制的输入信号大多采用对应大脑皮层的单一模态脑电信号(EEG)或相关肌肉的表面肌电信号(EMG)。由于单一模态的识别系统在应用上会受到较大限制,而多模态信号融合存在多种输入形式,可提供更多种类的控制信息,更加利于复杂动作的识别和控制。同时,由于多模态生理信号携带的特征信息具有互补性,有效的信息融合和综合利用可以消除脑机接口(BCI)盲现象,提高系统的通用性。论文基于EEG和EMG信号的特征融合,采用模式识别方法,研究了人体踝关节四种主动动作模式的分类识别,具体工作包含以下几个方面:(1)采用E-prime软件,设计了EEG和EMG融合系统的实验范式。利用脑电仪和肌电仪,对踝关节不同动作模式的脑电信号和肌电信号进行了同步采集。(2)对采集的原始脑电信号和肌电信号进行了相应预处理,获得纯净的脑电和肌电信号。对于脑电信号,采用Scan4.5分析软件去除基线漂移和眼电伪迹,采用AR模型方法去除自发脑电的影响,利用相干平均方法,获取脑电诱发电位P300特征信号。对于肌电信号,采用自适应抵消器去除50Hz工频干扰,利用小波去噪方法消除低频漂移、高频干扰以及运动伪迹,获得纯净的肌电信号。(3)脑电信号和肌电信号特征提取。对于脑电信号,采用小波变换和时域能量熵结合的方法提取具有最优差异性的脑电特征。对于肌电信号,分别采用时域、频域分析方法提取肌电对应特征;采用小波包变换方法,提取了具有良好奇异性的小波包系数能量、方差特征,组成肌电时频特征向量。(4)双模态融合系统特征分类。利用径向基核函数的支持向量机分类器,分别对脑电P300诱发电位特征和表面肌电特征进行分类以及踝关节动作识别。基于诱发脑电小波变换近似系数和时域能量熵的特征组合,分类器平均分类正确率为88.2%;选择具有良好奇异性的小波包系数能量、方差特征组成的肌电特征向量,分类器的分类正确率为92.8%。利用贝叶斯分类器,对EEG和EMG双模态融合特征进行分类,踝关节四种动作平均分类识别正确率达到了93.1%。仿真实验结果表明了融合系统对踝关节动作模式识别的有效性。论文的研究方法和结果可以应用于运动康复工程、神经科学、人工智能、仿生机器人等领域,具有科学和应用双重价值。