人体神经肌肉系统的电活动可以反映肌肉运动状态,并可通过皮肤表面处的sEMG信号测量获取。由于sEMG信号采集方便、对身体无创伤,利用多通道sEMG信号实现基于模式识别的上肢康复训练机器人肌电控制成为当前康复工程领域的研究热点。基于模式识别的肌电控制原理是从多通道sEMG信号中提取能表征不同上肢动作模式的信号特征,通过模式分类器识别出目标动作模式,进而实现上肢康复训练机器人的运动控制。对于基于模式识别的肌电控制研究,评价指标主要包括识别准确率和计算速度。本文的研究目标是完善基于模式识别的上肢康复训练机器人肌电控制的实现技术,通过研制的上肢康复训练机器人和多通道sEMG信号采集系统,在以下几个方面进行了研究：(1)多通道sEMG信号的空间解耦；(2)表征不同上肢动作模式的sEMG信号特征提取；(3)上肢动作模式分类。根据sEMG信号微弱、易受干扰的特点,针对性地设计了面向上肢康复训练的sEMG信号采集方案,以降低sEMG信号的随机性,获得一致性好的sEMG信号。本研究中,设定受试者右侧上肢为机器人辅助康复训练的偏瘫侧,左侧为自主引导运动的健康侧,通过分析上肢运动与相关肌肉对应关系,确定了受试者左侧上肢的肱桡肌、肱二头肌、肱三头肌、三角肌中部为四通道sEMG信号的采集位置,测量电极沿肌纤维方向放置在肌腹处,参考电极放置在sEMG信号比较微弱的肌腱处。研究了基于ICA的多通道sEMG信号空间解耦,以消除四通道sEMG信号采集过程中电极串扰引起的空间耦合冗余信息。利用FastICA算法将四通道sEMG信号分解成四个不同的独立分量,针对多次ICA分解得到的独立分量排列次序不固定的问题,提出了独立分量次序与多通道sEMG信号的匹配方法,以ICA分解前后信号的相关性为依据建立了独立分量和四通道sEMG信号间的一一对应关系,保证了同一动作模式下独立分量的一致性,使得独立分量能取代原始的四通道sEMG信号而成为肌电控制源。特征提取结果表明,空间解耦虽然使得特征空间的可分性略有下降,但大幅提高了特征提取速度,减小了计算量,验证了ICA用于多通道sEMG信号空间解耦的有效性。研究中提取样本熵作为表征不同上肢动作模式的sEMG信号特征,针对样本熵用于特征提取时计算量大的问题,研究了小波包变换与样本熵相结合的sEMG信号特征提取方法,提取五层小波包分解后九个低频子空间的样本熵作为sEMG信号特征。针对特征空间维数大的问题,提出了一种改进小波包分解算法,在小波变换的基础上对某一高频子空间进行二次小波变换,提取改进小波包分解后四个低频子空间的样本熵作为sEMG信号特征,并与积分肌电值联合构造多域特征,即TDISaEn。基于CSI的特征可分性评价结果与BP神经网络测试结果表明,与常用的以小波包能量构造的特征(TDIEner)相比,TDISaEn特征的可分性要好,六种上肢动作模式的识别准确率也高,证明了特征提取算法的有效性。针对BP神经网络用于上肢动作模式分类时收敛速度慢、训练时间长的问题,提出了基于遗传BP神经网络的上肢动作模式分类方法,利用遗传算法优化BP神经网络的连接权值和阈值,将遗传迭代后得到的最优解用于训练BP神经网络。结果表明,经遗传算法优化后,虽然BP神经网络的识别准确率提高不大,但是网络训练时间大幅缩短,说明遗传算法对BP神经网络的优化是有效的。利用自行研制的上肢康复训练机器人构建了基于模式识别的肌电控制原型系统,将训练好的遗传BP神经网络模型集成到机器人控制系统中,用以生成机器人运动控制指令。测试结果表明,原型系统运行可靠,验证了基于模式识别的肌电控制的有效性。本文将sEMG信号分析处理与上肢康复训练机器人相结合,研究结果有助于提高上肢康复训练机器人性能。本文研究还存在一定的不足,主要有以下两个问题需要继续研究和完善：(1)肢体动作的不同幅度、速度对sEMG信号的影响规律：(2)受试者样本选取范围需要扩大,应考虑年龄、性别和偏瘫程度等临床因素。