表面肌电(SEMG)信号是一种复杂的人体表皮下肌肉电活动在皮肤表面处时间和空间上的综合结果，是从人体骨骼肌表面通过非侵入方式记录下来的神经肌肉活动时发放的生物电信号，它能在非损伤状态下实时反映神经和肌肉的功能状态。本文主要研究上肢表面肌电信号的处理与运动模式的辨识方法，其研究内容主要涉及神经-肌肉学科中的神经肌电信号、信号处理和模式识别等方面，属于典型的学科交叉研究范畴。 近年来，随着计算机等技术的发展，国内外学者对表面肌电的研究也逐渐深入，使得表面肌电信号不仅在临床医学、运动医学及康复医学等领域被广泛应用，而且还成为人工假肢的理想控制信号。肌电信号的模式识别是肌电应用的基础，为此，本文深入探讨了如何由采集的表面肌电信号来识别上肢不同的运动模式。其目的是根据表面肌电信号的非平稳及随机特性，运用现代信号处理方法寻求其内在的本质特征，并深入研究及运用现代模式识别理论设计模式分类器，使其能够对上肢不同运动模式的本征值进行有效识别，为揭示动作表面肌电信号的本质与多自由度肌电控制假肢的实用化提供理论依据。主要工作及创新之处如下： 1.运用小波变换的多分辨分析技术，结合人工神经网络与多类支持向量机分类器对前臂八种运动模式的辨识进行了研究。 针对肌电信号非常微弱、易受干扰的非平稳随机特性，在经过理论分析与大量实验比较的基础上，根据小波变换的多分辨分析思想，本文提出利用离散小波变换对原始肌电信号进行多尺度分解，分别提取一定尺度上db4小波变换肌电信号的最大值、dmey小波分解系数的特征值、bior3.1小波变换肌电信号的奇异值作为原始肌电信号的特征，并由BP神经网络、Elman神经网络与运用统计学习理论设计的多类支持向量机分类器对其进行模式识别，得到了较好的识别结果。 提出采用磁场刺激技术对掌长肌、肱桡肌、尺侧腕屈肌和肱二头肌进行处理，并采用coif5小波和bior3.1小波对磁场刺激后的原始肌电信号进行多尺度分解，提取一定尺度上分解系数绝对值的平均值作为原始肌电信号的特征，识别效果良好。 2.提出基于小波包能量与最大奇异值肌电信号的特征提取方法。 为了更加全面、系统地从肌电信号的非平稳随机特性中获取有价值的信息，经过理论分析与实验验证，在特征提取方面，本文提出采用coif3小波包变换肌电信号的能量与db4小波包变换肌电信号的最大奇异值作为原始肌电信号的特征，并与支持向量机分类器相结合，有效地实现了对前臂八种动作模式的辨识。实验结果表明，采用小波包变换比小波分析对不同运动模式的辨识更为有效。 3.采用参数模型法对肌电信号的特征提取进行了探讨，并运用聚类分析技术与Bayes分类方法对肌电信号的模式识别进行了研究。 通过对肌电信号的分析，对其建立AR参数模型，并运用U-C算法对肌电信号AR参数模型进行参数估计，在确定AR模型阶数的基础上，实现了肌电信号的特征提取。提出采用相似性测度的Mahalanobis距离与Bayes分类方法对肌电信号的AR参数特征值进行分类，得到了较好的识别效果。 提出采用动态聚类中心的设计思想对Bayes分类方法进行改进，并利用改进的Bayes分类器对从前臂八种运动模式中提取的的AR模型特征值进行辨识，实验结果表明，改进的Bayes分类器比Bayes分类方法更能有效地实现对前臂八种运动的模式识别。 4.对表面肌电信号的复杂性测度进行了研究，提出采用支持向量机与模糊识别技术对表面肌电信号的复杂性测度及AR特征值进行模式分类。 根据肌电信号复杂度的定义，确定了对其提取的方法，并运用此方法对前臂八种运动模式采集的原始表面肌电信号进行分析与处理，实现了对表面肌电信号复杂度的提取。并以此作为肌电信号的特征值，提出采用支持向量机、C-均值聚类算法、模糊C-均值聚类算法及模糊Kohonen聚类网络对肌电信号复杂性测度的模式分类进行了深入探讨，取得了很好的分类效果。 此外，尚采用以上方法对表面肌电信号的AR特征值进行了模式分类研究。 5.采用混沌与分形理论对表面肌电信号的非线性动力学特征进行了研究，并通过提取肌电信号的分形维数进行模式辨识。 (1)运用非线性时间序列分析，采用延时坐标法，对肌电信号进行相空间重构，并采用Wolf算法对表面肌电信号进行处理，结果表明，SEMG信号具有正的最大Lyapunov指数，呈现出某些混沌特征。 (2)采用改变粗视化程度的方法提取表面肌电信号的分形维数，对上肢八种动作在相关肌肉上分形维数的聚类分布进行了研究，很好地刻画了表面肌电信号的分形维数与运动模式之间的关系。提出采用支持向量机与Bayes分类方法对肌电信号的分形维数进行模式辨识。 本课题研究得到国家自然科学基金(No.50477015)资助。