人体的所有动作都是由神经系统支配多组肌群相互协调,共同完成的。肌电信号(Electromyography,EMG)是一种伴随肌肉活动产生的重要生理信号,能在一定程度上表征用户实时的运动状态和意图。依据此生理学基础,通过放置电极于皮肤表面采集表面肌电信号(surface EMG,sEMG),解码其运动信息以实现肌电控制的技术成为了当下热门的研究课题。在控制策略方面,肌电控制从最初的单一自由度“开关”控制、比例控制,发展到可实现复杂运动控制的多自由度模式识别控制,逐步接近人体的运动控制机制。随着近年来电子科学技术的发展,基于模式识别的肌电控制技术取得了飞跃式的进步,越来越多的研究致力于探索提升肌电模式识别性能的方法。但是这些研究大都局限在实验室环境中,肌电控制在实际运用中会面临多种因素的挑战,算法的鲁棒性通常难以保证,极大地限制了该技术的发展应用。本文以精巧手指动作的肌电模式识别为目标,针对肌电控制方法及其应用中存在的问题,采用柔性电极阵列采集高密度sEMG(high-density sEMG,HD-sEMG),从深入挖掘HD-sEMG空间信息的角度,探索新的肌电模式识别控制方法,并通过实验对所提方法进行性能验证。研究工作和成果概括如下:(1)基于动作转换点检测的肌电模式识别后处理算法研究。该研究依据动作模式不会在短时间内频繁瞬变的假设,针对HD-sEMG特征“图像”所表达的运动信息设计模式距离参数,用于检测动作模式转换点,进而优化常规的多窗联合决策后处理方法,以提高肌电模式识别的鲁棒性。算法在12类手指动作的跨力度测试方案和无静息测试方案中进行了验证,与未经后处理的单一分类器结果相比,在两个实验方案中所提算法的识别率分别提升了 7.33%与10.91%,并且均显著高于其他传统的后处理算法(p<0.05),证实了该算法的鲁棒性和可行性,特别在实际控制指令输出中确保了平顺连贯性。(2)基于深度学习的多自由度并行控制算法研究。该研究结合肌肉骨骼力学原理和深度学习技术,针对HD-sEMG空间信息解析问题,通过搭建深度神经网络模型解码各手指运动的模式信息,从而形成一种新型的多自由度并行控制方法,成为常规肌电模式识别对各自由度“串行”控制的有效扩展。算法按照单手手指伸展所对应的五个自由度进行并行控制,在15类手指动作的并行测试方案中进行了验证,与常规的并行控制算法相比,所提算法的识别率显著地提升了6.04%(p<0.05),证实了该算法的有效性。此外,该并行控制方法还在预测未经训练的多自由度新手势动作问题中展示出了应用潜力。本文研究旨在提升高密度肌电控制的鲁棒性和实用性,帮助其应对实际应用中的各种挑战,实现更加自然便利的控制系统,促进其在消费电子、机器人控制以及康复医疗中的广泛应用。