近年来,随着生物医学技术的不断发展,人与计算机之间的交互变得越来越重要,使得人机接口成为了备受研究人员关注的技术。人机接口可以采集人体的生理信号,分析出与人体生理变化有关的信息,例如肌肉收缩时的肌电信号或大脑注意力状态变化时的脑电信号,并将这些信息发送给计算机。从而实现对人体生理信息的研究。在残障患者的需求下,人机接口在康复医疗上有着快速发展,例如,对于重度瘫痪人士,利用大脑想象运动从而控制机器手辅助生活。因此,设计基于神经电生理信号的采集系统,不仅具有学术研究上的发展前景,而且具有实际生活中的应用价值。本文基于课题组自主研发的多模态模拟前端芯片设计了可穿戴式多模态脑部信号注意力检测系统和表面肌电控制系统,其主要研究内容如下:（1）测试实验室自主研发的模拟前端芯片,该芯片支持8路输入通道、3种不同的输入模式、多电生理信号检测功能,在直流测试项目下,测试了芯片的功耗情况,每个通道电流消耗约为50μA。在交流测试项目下,测试了芯片的频率响应的带宽、增益,输出噪声,和输入等效噪声以及计算后得到带内噪声,并与其他在售芯片进行了比较,测试表明了自主研发芯片的可用性。（2）多模态脑部信号注意力检测系统设计:硬件上,设计了脑电信号与脑血氧信号采集模块、主控模块、电源管理模块,并且这些模块都采用了集成芯片设计。嵌入式软件上,设计了信号采集驱动程序、BLE传输数据程序、低功耗方案设计。综合低功耗的需求,对脑血氧采集程序中LEDs占空比进行优化,对BLE数据传输程序中连接间隔、包数、包长度进行统一调试。上位机上,基于python设计用来显示、存储、处理、识别2种生理信号;信号处理上采用独立成分分析法处理脑电信号和希尔伯特黄变换处理脑血氧信号;识别上,利用迁移学习识别,准确度达到95%。（3）表面肌电控制系统设计:设计了两种控制系统,一种是机器手控制系统,硬件上,设计了肌电采集模块、主控模块、电源管理模块,其中肌电采集模块只使用了4路通道;嵌入式软件上,设计了肌电信号采集传输程序;上位机上,同样采用python,利用线性判别分析法进行机器手控制。另一种是手势识别系统,设计了21种手势。与机器手控制系统不同的是,硬件上,手势识别采用了8路肌电采集通道,能够获取更多的肌肉变化信息,并单独设计了表面肌电采集臂带符合手臂肌肉分布;在上位机上,利用最小二乘法处理肌电信号,通过深度学习使得手势识别准确度平均为82%以上。