1、肌電信號(Electromyography,EMG)是伴隨肌肉活動產(chǎn)生的一種重要電生理信號，可實時反映肢體的運動意圖和運動狀態(tài)。依據(jù)這一生理學基礎(chǔ)，通過放置在皮膚表面的電極采集到肌肉活動的表面肌電信號(Surface EMG，sEMG)實現(xiàn)的肌電控制(Myoelectric Control)，成為一種重要的人機接口技術(shù)。按照所采取的控制策略，肌電控制技術(shù)經(jīng)歷了最初的“開關(guān)”控制、比例控制到目前主流的模式識別控制的發(fā)展過程。前兩種控制策略

2、通過在主動肌-拮抗肌對和一個控制自由度間建立映射，實現(xiàn)的肌電控制系統(tǒng)功能單一，可控自由度數(shù)量受限。近年來，基于模式識別技術(shù)的肌電控制策略，由于其具有多功能和多自由度的優(yōu)勢成為研究熱點。然而，實際應(yīng)用中的各種因素嚴重制約著基于模式識別策略的肌電控制發(fā)展，使其在臨床和工業(yè)界一直沒有得到廣泛應(yīng)用。其中，傳統(tǒng)肌電模式識別方法僅從數(shù)據(jù)呈現(xiàn)運動模式，缺乏對形成運動的神經(jīng)肌肉調(diào)控機制的理解，導致所實現(xiàn)的肌電控制系統(tǒng)缺乏魯棒性和泛化能力。相比之下，肌肉

3、協(xié)同作為中樞神經(jīng)系統(tǒng)(Central Nervous System，CNS)募集骨骼肌完成各種肢體動作的最小單位，可以解釋CNS對肌肉的控制機制，提供了一種從肢體運動產(chǎn)生的sEMG中準確解碼神經(jīng)控制信息的新思路。
　　本文以神經(jīng)科學研究中揭示的運動調(diào)控的重要規(guī)律為基礎(chǔ)，將肌肉協(xié)同概念融入到傳統(tǒng)肌電模式識別框架中，提出一系列基于肌肉協(xié)同的肌電模式識別新方法。具體地，重點探索了肌肉收縮強度變化條件下的魯棒肌電模式識別，以及對新用戶能快

4、速定制和校準的多用戶通用肌電模式識別控制。此外，本文還研究了基于肌電模式識別技術(shù)在神經(jīng)損傷患者康復訓練中的應(yīng)用及其在工程化中需要解決的科學問題。本文的主要工作及創(chuàng)新點概括如下:
　　(1)對肌力變化信息魯棒的肌電模式識別方法。針對肌肉收縮強度變化引起的傳統(tǒng)肌電模式識別性能降低的現(xiàn)象，利用肌肉協(xié)同所呈現(xiàn)的力度不變性，提出一種將肌肉協(xié)同模型融合于肌電模式識別的新方法，以提高肌電模式識別在肌力變化信息下的魯棒性。具體地，分別提出了基于特

5、定任務(wù)肌肉協(xié)同(task-specific muscle synergy-based classification，TMSC)和基于任務(wù)間共有肌肉協(xié)同(shared muscle synergy-based classification，SMSC)的肌電模式識別方法。TMSC利用非負矩陣分解算法(non-negative matric factorization，NMF)對每個動作提取任務(wù)特定協(xié)同，并依據(jù)特定任務(wù)協(xié)同重構(gòu)樣本特征的相似度

6、來決策最終的動作類別。相比之下，SMSC對所有動作樣本特征組成的特征矩陣利用NMF提取任務(wù)間共有協(xié)同，可理解為一種特征轉(zhuǎn)換算法，再通過常規(guī)肌電模式識別模型對轉(zhuǎn)換后的樣本特征完成類別決策。為了驗證所提算法框架的有效性，對健康受試者多種不同等級肌力條件下的多自由度手勢動作分別采用TMSC和SMSC方法進行識別，并與常規(guī)肌電模式識別算法做比較分析。此外，還考察了上述分類方法與傳統(tǒng)的肌電時域特征，以及國際上最新報道的對肌力變化信息魯棒的特征進行

7、組合時，在多種不同的測試或訓練方案下的分類表現(xiàn)。實驗結(jié)果表明，當采用某種力度下的數(shù)據(jù)訓練但使用其他力度的數(shù)據(jù)測試時，兩種新方法的識別率相比于常規(guī)的肌電模式識別方法會明顯提高(7.53％～14.97％)。更進一步地，TMSC的識別性能要優(yōu)于或無差異于其他兩種分類方法。研究成果可視為在新的分類器層面作出的努力，提供了一種對肌力變化信息魯棒的分類器方法。
　　(2)基于自適應(yīng)非負矩陣分解的多用戶肌電模式識別。針對新用戶使用肌電控制系統(tǒng)重

8、復訓練的問題，借助肌肉協(xié)同相比肌電數(shù)據(jù)模式有更好的用戶通用性優(yōu)勢，進一步擴展前述基于特定任務(wù)協(xié)同的方法，提出了自適應(yīng)的非負矩陣分解算法，以實現(xiàn)在不同用戶間具有普適性和通用性的肌電模式識別方法。該方法首先預訓練多用戶的模型參數(shù)作為新用戶模型參數(shù)更新的初始值，通過校準樣本實現(xiàn)了對新用戶模型參數(shù)的自適應(yīng)更新。具體包括兩種方法:一種是預訓練多用戶共享的特定任務(wù)協(xié)同，將其作為預訓練用戶與新用戶共享的協(xié)同，并通過自適應(yīng)方式獲取新用戶個性化的特定任務(wù)

9、協(xié)同，將兩者相加作為新用戶的特定任務(wù)協(xié)同;另一種是首先對每位用戶預訓練特定任務(wù)協(xié)同，通過自適應(yīng)方式學習這些預訓練模型的加權(quán)系數(shù)，最終以線性組合的特定任務(wù)協(xié)同作為新用戶的分類器。為了驗證所提方法的有效性，對12名健康受試者的21個手指手勢動作的高密度肌電信號進行分析，并采用留一法進行算法性能評估，實驗結(jié)果表明在校準樣本數(shù)量較少的情況下便可獲取滿意的識別效果。
　　(3)肌電模式識別方法在運動康復中的應(yīng)用。以腦卒中患者作為研究對象，探

10、索了基于模式識別的肌電控制策略擴展應(yīng)用于神經(jīng)損傷患者康復訓練中的問題與解決方案。一方面，針對腦卒中后神經(jīng)-肌肉傳導信息受阻，有效神經(jīng)控制信息提取受限的問題，借助高密度電極陣列最大程度捕獲豐富的肌肉活動信息，提出基于高密度電極陣列信號采集和基于肌電小波包分解的特征提取方法，最大化捕獲并解析有效的神經(jīng)控制信息。另一方面，針對偏癱患者因不同程度的肢體功能障礙導致無法依據(jù)常規(guī)解剖學知識確定合理的肌電電極位置（肌電控制源）的問題，將小波包特征優(yōu)選

11、算法擴展為有效的肌電通道優(yōu)選方法，不僅能夠從高密度陣列中選擇有效的肌電控制源，所選的較少數(shù)量的肌電通道又可以提高肌電控制技術(shù)在臨床康復中的實用性。不僅如此，在前述肌電模式識別控制策略研究基礎(chǔ)上，為偏癱上肢康復治療提出一種可支持比例控制的多自由度肌電模式識別控制方法。通過對腦卒中患者的實驗數(shù)據(jù)分析，結(jié)果驗證所提方法的有效性。在基于模式識別控制策略的同時支持力度變化的比例控制策略，可為患者康復訓練提供更自然的運動反饋信息，有助于中樞神經(jīng)重塑