肌电信号(Electromyography,EMG)是伴随肌肉活动产生的一种重要电生理信号，可实时反映肢体的运动意图和运动状态。依据这一生理学基础，通过放置在皮肤表面的电极采集到肌肉活动的表面肌电信号(Surface EMG，sEMG)实现的肌电控制(Myoelectric Control)，成为一种重要的人机接口技术。按照所采取的控制策略，肌电控制技术经历了最初的“开关”控制、比例控制到目前主流的模式识别控制的发展过程。前两种控制策略通过在主动肌-拮抗肌对和一个控制自由度间建立映射，实现的肌电控制系统功能单一，可控自由度数量受限。近年来，基于模式识别技术的肌电控制策略，由于其具有多功能和多自由度的优势成为研究热点。然而，实际应用中的各种因素严重制约着基于模式识别策略的肌电控制发展，使其在临床和工业界一直没有得到广泛应用。其中，传统肌电模式识别方法仅从数据呈现运动模式，缺乏对形成运动的神经肌肉调控机制的理解，导致所实现的肌电控制系统缺乏鲁棒性和泛化能力。相比之下，肌肉协同作为中枢神经系统(Central Nervous System，CNS)募集骨骼肌完成各种肢体动作的最小单位，可以解释CNS对肌肉的控制机制，提供了一种从肢体运动产生的sEMG中准确解码神经控制信息的新思路。　　本文以神经科学研究中揭示的运动调控的重要规律为基础，将肌肉协同概念融入到传统肌电模式识别框架中，提出一系列基于肌肉协同的肌电模式识别新方法。具体地，重点探索了肌肉收缩强度变化条件下的鲁棒肌电模式识别，以及对新用户能快速定制和校准的多用户通用肌电模式识别控制。此外，本文还研究了基于肌电模式识别技术在神经损伤患者康复训练中的应用及其在工程化中需要解决的科学问题。本文的主要工作及创新点概括如下:　　(1)对肌力变化信息鲁棒的肌电模式识别方法。针对肌肉收缩强度变化引起的传统肌电模式识别性能降低的现象，利用肌肉协同所呈现的力度不变性，提出一种将肌肉协同模型融合于肌电模式识别的新方法，以提高肌电模式识别在肌力变化信息下的鲁棒性。具体地，分别提出了基于特定任务肌肉协同(task-specific muscle synergy-based classification，TMSC)和基于任务间共有肌肉协同(shared muscle synergy-based classification，SMSC)的肌电模式识别方法。TMSC利用非负矩阵分解算法(non-negative matric factorization，NMF)对每个动作提取任务特定协同，并依据特定任务协同重构样本特征的相似度来决策最终的动作类别。相比之下，SMSC对所有动作样本特征组成的特征矩阵利用NMF提取任务间共有协同，可理解为一种特征转换算法，再通过常规肌电模式识别模型对转换后的样本特征完成类别决策。为了验证所提算法框架的有效性，对健康受试者多种不同等级肌力条件下的多自由度手势动作分别采用TMSC和SMSC方法进行识别，并与常规肌电模式识别算法做比较分析。此外，还考察了上述分类方法与传统的肌电时域特征，以及国际上最新报道的对肌力变化信息鲁棒的特征进行组合时，在多种不同的测试或训练方案下的分类表现。实验结果表明，当采用某种力度下的数据训练但使用其他力度的数据测试时，两种新方法的识别率相比于常规的肌电模式识别方法会明显提高(7.53％～14.97％)。更进一步地，TMSC的识别性能要优于或无差异于其他两种分类方法。研究成果可视为在新的分类器层面作出的努力，提供了一种对肌力变化信息鲁棒的分类器方法。　　(2)基于自适应非负矩阵分解的多用户肌电模式识别。针对新用户使用肌电控制系统重复训练的问题，借助肌肉协同相比肌电数据模式有更好的用户通用性优势，进一步扩展前述基于特定任务协同的方法，提出了自适应的非负矩阵分解算法，以实现在不同用户间具有普适性和通用性的肌电模式识别方法。该方法首先预训练多用户的模型参数作为新用户模型参数更新的初始值，通过校准样本实现了对新用户模型参数的自适应更新。具体包括两种方法:一种是预训练多用户共享的特定任务协同，将其作为预训练用户与新用户共享的协同，并通过自适应方式获取新用户个性化的特定任务协同，将两者相加作为新用户的特定任务协同;另一种是首先对每位用户预训练特定任务协同，通过自适应方式学习这些预训练模型的加权系数，最终以线性组合的特定任务协同作为新用户的分类器。为了验证所提方法的有效性，对12名健康受试者的21个手指手势动作的高密度肌电信号进行分析，并采用留一法进行算法性能评估，实验结果表明在校准样本数量较少的情况下便可获取满意的识别效果。　　(3)肌电模式识别方法在运动康复中的应用。以脑卒中患者作为研究对象，探索了基于模式识别的肌电控制策略扩展应用于神经损伤患者康复训练中的问题与解决方案。一方面，针对脑卒中后神经-肌肉传导信息受阻，有效神经控制信息提取受限的问题，借助高密度电极阵列最大程度捕获丰富的肌肉活动信息，提出基于高密度电极阵列信号采集和基于肌电小波包分解的特征提取方法，最大化捕获并解析有效的神经控制信息。另一方面，针对偏瘫患者因不同程度的肢体功能障碍导致无法依据常规解剖学知识确定合理的肌电电极位置（肌电控制源）的问题，将小波包特征优选算法扩展为有效的肌电通道优选方法，不仅能够从高密度阵列中选择有效的肌电控制源，所选的较少数量的肌电通道又可以提高肌电控制技术在临床康复中的实用性。不仅如此，在前述肌电模式识别控制策略研究基础上，为偏瘫上肢康复治疗提出一种可支持比例控制的多自由度肌电模式识别控制方法。通过对脑卒中患者的实验数据分析，结果验证所提方法的有效性。在基于模式识别控制策略的同时支持力度变化的比例控制策略，可为患者康复训练提供更自然的运动反馈信息，有助于中枢神经重塑和康复治疗效果提高。