人体手势动作包含丰富的信息,因而手势识别成为近年来人机交互研究的热点。本研究的内容是利用表面肌电信号进行手势识别的人机交互系统设计。本文分析了人体前臂肌电信号(SEMG),建立了AR模型,设计了一种基于表面肌电信号的手部动作人机交互系统。该系统检测前臂表面肌电信号,利用AR模型提取肌电信号特征值,利用人工神经网络分类器(BP)区分四种不同的手势动作,将模式识别的结果作为四轴飞行器的控制信号,完成实时的人机交互。首先,本研究采用高共模抑制比的芯片AD620和OPA2277以差分放大电路形式获取不同手势动作对应的人体前臂内侧、外侧、尺侧和桡侧肌肉的表面肌电信号,又通过陷波器和带通滤波器对噪声进行滤除,有效地保障了获取到信号的信噪比。然后,本文对比了多种表面肌电信号特征提取方法的优缺点,最终选择了AR模型作为特征提取方法,并且通过U-C算法确定了AR模型的相关参数,通过数学计算确定了AR模型的最佳阶数。建立AR模型并利用其对前端获取到的表面肌电信号进行特征提取。接着,本文利用人工神经网络BP算法来对手势动作进行模式识别分类,并且针对BP网络算法收敛速度较慢,学习率较低的缺点,提出了自适应的变步长改进方法,有效地解决了这一问题,得到手势分类结果。将分类结果作为控制信号,控制后端四轴飞行器完成相应飞行动作,实现人机交互过程。最后,在人机交互方面,本文将实物控制作为交互对象,利用四轴飞行器作为执行机构完成相应动作,改变了以往的研究多将基于表面肌电信号的手势识别的分类结果应用于模拟仿真的情况。本文成功地获取到准确的表面肌电信号并且得到了较好的模式识别分类结果,提高了手势动作分类的精度,利用分类结果对四轴飞行器进行了有效地控制。