季祥，白端元

（长春理工大学 电子信息工程学院，长春 130022）

表面肌电信号（Surface Electromyography，sEMG）是在人体皮肤表面的一种生物电信号，其随着肌肉活动产生，且由传感器探测，其形式和振幅直接反映了肌肉的运动状态，通过分析不同类型动作的sEMG差异，即可识别出人体的运动模式、或提前预测其活动意愿[1-2]。因此，基于sEMG信号的人体动作识别已成为人机交互、康复医学等领域研究的热点问题之一。

目前，业界主要采用模式识别方法对sEMG信号展开研究，并取得了一定的成果。例如，文献[3]通过提取手臂4通道sEMG信号的AR特征，以用于高斯分类器来进行识别，准确率达到90%以上；文献[4]重点探究了信号的5种特征参量的融合效果，采用LDA分类器验证了在不同特征组合和维数下的分类结果。文献[5]提出运用AdaBoost算法对肌电信号进行特征提取，并分析了在疲劳肌肉肌电信号干扰下该方法的效果。

其中对表面肌电信号进行特征提取主要是为后续分类器的构造提供可靠的数据，以便减少训练时间和提高动作模式识别的准确率。当前，常用于动作分类的算法主要有支持向量机（Support Vector Machine，SVM）和神经网络（Neural Network）等。例如，文献[6]提出引入交叉熵函数对人工神经网络进行正则化处理以提高网络的识别准确率，并将其成功应用于手部动作识别。文献[7]分别利用BP神经网络和极限学习机（ELM）两种方法进行肌电信号的模式识别，并比较两种方法在识别率和识别时间的差异。文献[8]对高斯核函数进行改进，并采用二叉树方法构建多类支持向量机完成12种上肢姿态的分类。……