实时准确地预测人体肌肉力大小是实现可穿戴助力设备柔顺控制的关键问题。本文针对肌力预测中冗余信息复杂多变、预测性能差等问题,以人体上肢为研究对象,以提高肌力预测的实时性与有效性为目标,以肌电(Electromyography,EMG)信号为依据,围绕EMG信号的采集与解耦处理、心电(Electrocardiograph,ECG)伪迹去除、肌肉贡献度分解和肌力预测开展研究工作。研究成果对于人机交互控制、人体肌肉健康程度评估、运动意图识别等应用具有重要的研究意义和应用价值。本文开展的主要工作及创新点总结如下:1.提出了一种改进阈值评判准则的小波解耦算法。针对EMG信号非线性非平稳特性以及非神经源冗余信息的强耦合特性,剖析了 EMG信号与冗余信号的产生机理与差异性,采用滑动窗口算法对EMG信号非线性成分进行分段处理,降低数据复杂度的同时实现信号异常信息的检测。依托小波分解算法在信号去噪领域的优势并结合软硬阈值函数特点,提出了一种改进阈值函数的小波解耦方法,有效解决了原始EMG信号中非神经源类冗余信息难以去除的问题,优化了传统小波解耦方法存在的固定点不连续缺陷。实验结果表明,本文所提方法能有效完成原始EMG信号中非神经源噪声的去除,最大程度保留了 EMG信息的有效成分,该结果为信号的神经源类冗余信息的去除及肌力预测任务奠定了基础。2.提出了一种基于盲源分离方法与模糊熵理论相结合的ECG伪迹去除方法。针对上肢不同区域EMG信号受ECG伪迹影响的差异性问题,分析了 ECG伪迹产生机理及影响特性,对解耦后的EMG信号进行去均值与白化处理,消除了数据间的相关性。受鉴于Fast-ICA方法在selleckchem C59语音信号分离领域中所具备的快速寻优迭代特性及高效稳定优点,结合模糊熵算法的抗噪性与稳定性,构建一种Fast-ICA方法与模糊熵相结合的ECG伪迹去除方法,实现了不同位置EMG信号的ECG伪迹识别与分离。实验结果表明,所提方法能够实现ECG伪迹最大识别。相比于其它方法,本方法具有伪迹识别精度高,稳定性好的优点。3.提出了肌肉贡献度与深度残差收缩网络融合机制的肌力预测方法。针对上肢多模态运动任务下肌力评估可靠性与准确性问题,采用一种活动段信号检测方法获取有效信息段以降低网络负荷。选择时域特征中的均方根(Root Mean Square,RMS)TEMPO-mediated oxidation与平均绝对值(Mean Absolute Value,MAV)作为模型输入,结合深度残差收缩网络与平均影响值(Mean Impact Value,MIV)算法,计算上肢多模态运动下收缩肌肉对测量力的贡献度系数。在此基础上,结合肌肉贡献度系数与深度残差收缩网络,实现了肌力实HIF抑制剂时准确预测。通过交叉对比实验验证了算法的准确性与实时性。结果表明,本文所提方法与当前主流预测方法相比,实时性与准确性均取得最优(NRMSE<0.077,R2系数>0.996)。值得说明的是,在增加固定噪声干扰(5dB)情况下,模型的预测性能仍保持最优,进一步验证了本方法的鲁棒性。