近年来,随着人口老龄化的加剧、残疾人数量的增加、康复机器人领域的发展等逐渐成为社会各界关注的热点。在人体下肢运动过程中,中枢神经系统控制多个肌肉-骨骼的协调,形成具有耦合性、低维度特性的控制单元模块。通过对这些模块间的相互作用以及相互影响进行分析,为康复医疗、人机交互等领域提供帮助。主要研究工作如下:(1)以日常行为活动中的蹲站与步态动作为基础,采集不同动作下的表面肌电信号。根据原始信号的噪声特点,选取经验模态分解、集合经验模态分解和局部均值分解3种消噪方法进行消噪处理,将分解的主要分量进行叠加来重构原始信号,最后对比消噪性能指标,选取最佳的方法。(2)针对sEMG信号的特征,对预处理后的信号提取其包络线并采用非负矩阵分解算法对其进行分解。在站-蹲与蹲-站动作下,正常组的8块和6块肌肉的肌电信号分别分解了 5个和4个协同元与激活系数模块。由于肌肉容易受疲劳因素的影响,分析了正常组和疲劳组的协同与激活模块的影响,发现协同模块中对应的肌肉有所变化。步态运动下分解了4个模块,对协同结构间进行排列组合熵分析以及运动功能进行映射分析,得到的结果与肌肉的运动功能相符。(3)为了研究协同模块各参与肌肉之间的关系特性,对站-蹲与蹲-站模块中协同性比较明显的肌肉对,彼此间进行相干性分析;对步态运动中对应的肌肉对进行相干性分析,以及协同模块中的肌电信号进行频带局部能量与小波频谱分析。协同性较高的肌肉,彼此间相干性具有规律而且较稳定,分布在sEMG信号的主要频域范围内,协同性较低的相干性比较混乱无规律;同时发现协同作用对应的频带能量比较集中而且对应一起,频谱能量起始较高接着逐渐衰减。这些现象表明,模块中协同性较强的肌电信号规律性强,能量也较高。本文以下肢运动行为为研究对象,对运动下的信号进行协同-相干性分析。通过协同关系探索信号相互间的规律性、相似性、能量分布等特点。该方法有助于理解下肢运动控制策略,对运动功能的定量分析以及人体下肢康复指导具有意义。