多自由度肌电假手研究是康复医学工程领域的热点课题之一,对提高肢体残疾人生活质量和促进残疾人康复事业的发展都有十分重要的意义。肌电信号(EMG)发源于神经肌肉系统运动单位的生物电活动,它反映了神经、肌肉的功能状态,其中蕴涵了丰富的肢体动作模式信息,已经被广泛应用于肌肉损伤诊断,生物医学工程等领域。脑电信号(EEG)是人脑神经细胞电生理活动在大脑皮层以及头皮的总体反映,与各种生理活动相关,因此通过对脑电信号的分析可找到大脑控制人体手部动作的信息。尽管采用脑电信号单独控制假手的技术尚不成熟,作为一种尝试,本文采用脑电与肌电信号相结合的方式实现多自由度肌电假手控制。本文在肌电与脑电信号的拾取、去噪,肌电与脑电信号的特征提取,多自由度肌电假手,基于肌电与脑电信号的信息融合以及模式分类等多个方面进行了研究和实践,完成的主要工作和取得的创新之处如下:(1)从脑电信号的产生机理出发,总结了脑电信号的特性,给出了脑电信号的采集过程、脑电信号中常见干扰和消除噪声干扰的方法,并有针对性地设计了脑电信号的多种滤波电路和漂移抑止电路,对处理前后的效果进行了对比。(2)介绍了多自由度肌电假手的组成,肌电信号采集、特征提取和模式处理算法、假手的控制系统等,分析了肌电信号实时控制多自由度假手的特点,指出采用脑电与肌电信号相结合的方式是提升假手识别准确率的一种途径。(3)研究了基于小波包变换的特征提取方法,给出了基于小波包分解系数及子带能量的信号特征算法。特征向量的提取方法充分地考虑了肌电信号和脑电信号的非平稳性,提取的特征具有对同一动作之间稳定、不同动作之间信息差别明显的特点。(4)研究了脑电和肌电的特征向量构成和基于反向传播(BP)神经网络的信息融合方法和模式分类的实现过程。通过对支持向量机的块选算法和分解算法的优缺点的分析,提出了将一种序贯最小最优化算法(SMO算法)应用到脑电和肌电的信息融合和模式分类上。该方法作为分解算法中的一个特例,每次迭代过程中只要调整两个样本点Lagrange乘子,使求解过程简化为只有两个变量的最优化问题,减少了每次迭代过程中的运算量,并能得到最优化的解。将SMO算法应用于脑电和肌电信号融合实验结果表明,结合脑电信息的肌电信号信息融合方法能够有效地提高手部动作的识别正确率,使各个动作识别正确率都达到90%以上,与传统的只采用肌电信号作为单一识别信号源相比,识别正确率和稳定性都有了比较明显的提高。