生命体的生命过程都在产生电信号,我们称之为生物电。生物电信号的产生是由于生物细胞受到刺激而引起的细胞膜电位不断变化。它可以在体内迅速传播开,从而在体表的不同位置产生不同的电位。正是这种电位差的存在,使得生物电信号能够被检测和分析。复杂的生物电的产生和生命状态息息相关,蕴含着丰富的生理和病理的信息,所以被广泛应用于疾病诊断、病情状态监控和康复训练等领域。常见的、应用较为广泛的生物电信号有脑电、肌电和心电三种。其中,表面肌电（s EMG）信号作为肌电信号采集的无创手段,在学术界和产业界受到广泛关注,是无创人机接口的关键技术,在人机交互领域有良好的应用前景。s EMG信号目前已广泛应用于手势识别、假肢控制、肌肉疲劳检测等领域。s EMG信号的检测主要有两种采集方法:多通道检测和高密度检测。目前的技术多通道检测精度较低;而高密度检测的计算量较大。为了更好地应用于普通用户,有必要搭建一个精度高、实时性好、所需计算量小、操作简单的手势识别系统。本文提出并实现了一个基于Open BCI和Python的多通道实时手势识别系统,该系统可以对s EMG信号进行采集、实时处理和分析。数据处理和分析包括数据清洗、数据预处理、特征提取和分类器识别等。此外,还设计了一个用户界面（GUI）程序,实现了数据实时可视化和识别结果的实时反馈。通过实际测验,验证了所设计的识别系统的可行性。论文结合了图像识别领域中的静态图的概念,将静态数据设计为传感器在维持手部最终动作时采集到的数据;提出了一种实时数据与静态数据匹配的方法,即静态识别,避免了转换手势的标记。最后,论文还提出了一种基于一维卷积神经网络-独立循环神经网络（Conv1D-Ind RNN）模型的手势识别算法,进一步提高了实时手势识别系统的准确率;通过开源数据集和Open BCI采集的数据共同验证了该算法的可行性。本系统相比传统s EMG手势识别系统具有硬件成本低、算法紧凑高效、实时性好等优点。论文的主要研究内容和创新如下:1.基于Open BCI和Python语言的s EMG双通道实时手势识别系统的搭建。开发了基于Open BCI和Python语言的双通道实时识别系统对应的PC端GUI程序。PC与Open BCI硬件通过蓝牙相连,GUI程序实现了对蓝牙数据的接收、处理、实时显示、存储以及分类识别功能。设计了随机森林、支持向量机、人工神经网络、一维卷积神经网络和卷积神经网络-门控循环单元（Conv1D-GRU）五种模型,分别对双通道、三种手势及其均方根、平均绝对值、方差、简单平方积分、短时傅里叶变换的振幅谱总和、中值频率六种特征的s EMG信号进行分析处理。其中,基于Conv1D-GRU模型的方法对5个测试者的静态数据可以达到99%的精确率和召回率,而在实时测验中准确率达到了96.7%。据统计,整个GUI的平均更新时间不到120 ms,满足实时需求。2.基于Conv1D-Ind RNN网络的手势识别方法的提出。在本文设计的基于Open BCI和Python语言的双通道实时识别系统的基础上,引入Ind RNN网络并设计了Conv1D-Ind RNN混合模型。利用一层1D卷积神经网络和两层Ind RNN层分别提取通道内和通道间的特征,将时间序列信号的空间特征和时间特征相结合。该模型评估了开源数据集Ninapro子数据集DB5中来自10个受试者的18种手势信号,仅使用均方根一种特征、10个Epochs,就实现了同一数据集下的最新模型相当的效果,达到了87.43%的准确率。更重要的是我们的模型参数数量只有5278,远远低于现有模型。接着将该模型运用到本文搭建的双通道实时识别系统上,10个受试者的准确率达到了99.1%。3.验证系统和模型的可行性。募集了5个测试者对论文提出的基于Open BCI和Python语言的双通道实时识别系统进行了验证,验证采用三种基本手势、两路差分信号输入,经典机器学习分类算法,实验结果证明了该系统的可行性;通过开源数据集和Open BCI识别实验,验证了Conv1D-Ind RNN混合模型的可行性和识别效果,证明了模型的鲁棒性。