基于表面肌电信号的手势识别与人机交互应用研究
摘要
本研究旨在探索利用表面肌电图信号实现高效、准确的手势识别方法，并构建一套完整的人机交互控制原型。研究采用公开的肌电图模式数据库，系统性地比较了传统机器学习方法与深度学习模型在sEMG手势识别任务上的性能。在基本任务中，本研究设计并实现了基于时域、频域及时频域特征工程结合支持向量机与随机森林的模型，以及端到端的卷积神经网络-长短期记忆网络模型。实验结果表明，深度学习模型在原始信号处理上展现出优越的泛化能力。在创新任务中，本研究深入分析了影响手势识别性能的关键因素，包括电极配置与位置稳定性、肌肉疲劳与信号漂移、个体生理差异、手势动作的相似性与动态范围，以及信号采集环境等。通过特征重要性分析、混淆矩阵解析及模拟实验，本研究为构建鲁棒性更强的实时sEMG人机接口提供了理论依据与实践指导。
关键词：表面肌电图；手势识别；机器学习；深度学习；特征工程；人机交互；影响因素分析
第一章 绪论
1.1 研究背景与意义
随着人机交互技术的飞速发展，寻求更自然、更直观、更强大的交互方式成为研究热点。传统交互设备如键盘、鼠标和触摸屏在特定场景（如虚拟现实、康复医疗、智能假肢控制、无声环境操作）中存在局限性。生物电信号，特别是表面肌电图信号，作为一种直接反映人体运动意图的生理信号，为构建新型人机接口提供了极具潜力的途径。
sEMG是通过皮肤表面电极无创采
