肌动控制机械手是基于人机交互控制方式,由人体小臂肌动信号(Force Myography,FMG)进行仿生机械手控制的装置,它是生物传感器技术、模式识别技术和电子信息技术的融合系统,具有多模式识别,多传感器融合、集成化及可便携化等发展趋势。然而,肌动控制方法在控制方式、传感器设计应用、模式识别算法以及控制系统等方面离实际应用需求仍然存在较大的差距。因此,本文针对基于仿生机械手的肌动传感器动作识别技术进行相关研究,以提高肌动传感器多动作模式识别泛化能力和准确度为主要目标,兹建立新型的肌动交互式控制方法。主要研究内容包括:肌动传感器数据采集系统及仿人型机械手嵌入式控制系统研制、基于具有量子隧道效应敏感材料研制了具有三明治结构的肌动传感器并对其进行了静态性能的标定、虚拟仿人型机械手仿真控制平台设计、手势动作模式识别算法研究、传感器布置位置及数量变化对识别准确度的影响、以及抓握力变化对基于肌动传感器抓握动作识别的影响等。文中首先对国内外交互式控制设备近年来研究现状和发展趋势进行了全面的综述,并在此基础上,对基于肌动传感器的人机交互式设备以及肌动传感器的工作原理、结构和性能进行了细致分析。随后建立了基于模式识别方法的肌动控制机械手系统总体框架,包括传感器模块、数据采集模块、嵌入式无线控制系统模块、模式识别算法模块、机械手本体及其虚拟仿真模块,并给出了框架内各个模块的具体实现方法。文中采用基于量子隧道效应材料为敏感材料制备了基于三明治结构的FMG传感器,为了解决FMG传感器非线性误差问题,设计了基于密度聚类遗传算法优化的BP神经网络算法(IMPGA-BP)并通过该算法完成了对FMG传感器进行非线性拟合的任务,实验结果表明引入移民算子和动态领域搜索的IMPGA-BP算法具有拟合速度快,泛化能力强,鲁棒性好等优点。通过采集多通道稳态肌动特征信号并采用基于K均值聚类改进的RBF神经网络增量机器学习算法建立了基于离线稳态肌动信号数据的仿人型机械手模式识别控制方法,针对传统RBF人工神经网络算法训练速度慢的问题,引入了基于冲量系数的增量算法,采用变尺度网格搜索方法确定了RBF人工神经网络算法的学习速率η和冲量系数?,实现了对于人手抓握动作和手势动作的识别。在此基础上通过实验的方法研究了影响动作识别准确度的因素并提出了提高识别准确度的实用方法,实验结果表明引入冲量系数改进的RBF神经网络增量算法具有训练时间短,识别准确度高,网络结构简单,适合用于嵌入式系统等优点。文中根据广义逆矩阵计算方法推导了极限学习机算法的输出层权值迭代公式,并利用极限学习机算法完成了多手势不同抓握力动作的在线识别实验,研究了抓握力大小变化对抓握动作识别成功率的影响,实验结果对构建动态手势识别系统有一定的指导意义。本文设计了硬件实验平台和软件虚拟仿真实验平台,硬件平台采用2.4G无线架构,并研制了基于蜗轮、蜗杆驱动且具有自锁功能的轻量化低成本仿人型机械手。软件虚拟仿真实验平台基于LabView和Activex控件并结合Matlab2012实现了虚拟仿人机械手的在线手势识别控制功能,实验结果表明采用改进的RBF神经网络和腕带式FMG传感器阵列可以得到较高手势识别成功率。