人机交互技术从人配合机器发展到机器配合人,现在机器需要主动去理解人的行为意图,并做出相应的反应,由此衍生出基于生物电信号的新型人机交互方式。能够用于人机交互的生物电信号有:眼电信号、脑电信号、肌电信号。肌电信号易于采集、信噪比高、模式丰富,使得其在人机交互中受到越来越多的关注。其中,基于手臂肌电的手势识别已经得到广泛的应用。基于面部肌电的口型识别比基于手臂肌电的手势识别更加具有隐蔽性,适合缄默式交互,命令丰富并且适合于高度瘫痪的人群使用。然而,其研究仍相对滞后,缺少面向于不同种类口型识别算法以及原型系统研发等研究。本文主要研究基于口型肌电模式识别的人机交互关键技术。口型动作是由众多肌肉的牵引完成,不同的口型动作会引起肌肉不同程度的参与,从而导致肌电信号的模式在能量、频率以及位置等特征上存在诸多不同。因此可以通过多个电极捕捉不同肌肉的动作电位,并且利用时序信号处理和机器学习等技术将不同口型动作的肌电模式区分开来。进而将不同的口型动作引起的肌电模式作为控制命令输出,驱使机器做出相应的反应,从而达到人机交互的目的。本文基于面部肌电信号对多种口型动作进行识别,主要工作包括:1)基于面部肌电信号的元音口型识别算法研究。实验采集了10名被试者5种中文元音口型的肌电数据。通过大量的对比试验并使用特征评价算法,确定了最优的口型识别算法。结果表明,使用5个通道数据、提取6个最佳特征并结合线性核支持向量机具有最优的识别性能,平均分类准确率达96.5%。使用数据增强的方法,实现了模型跨被试者迁移,使得新用户只需要少量的训练,即可达到高分类准确率。分析增加口型种类和将元音口型进行组合编码来丰富命令的可能性。最后将算法用于在线系统中进行测试,得到了平均92.6%的准确率。2)基于面部肌电信号的数字口型动作识别算法。针对第一部分留下来的问题,对中英文数字口型均展开研究,最终确定英文数字发音口型更适合。并设计实验一共采集了25名被试者数字“zero”-“nine”英文发音口型的肌电数据。通过诸多对比实验,提出了新的特征提取方案并结合二阶多项式核支持向量机,最终全部被试者10种口型的平均分类准确率达到了93.2%。3)提出了特征迁移与数据增强结合,实现模型跨被试者迁移,使得新用户只需要少量的训练,即可达到高准确率。提出数字口型组合编码方法,可以产生非常丰富的命令以应对复杂的人机交互场景。最后将数字口型识别算法应用于在线系统进行测试,单个口型测试准确率为91.1%,口型组合测试准确率为88.6%4)设计实现了基于面部肌电口型识别的人机交互系统,不同的交互方式适合于不同的场景需求。为多种人机交互场景开发了不同的人机交互系统,比如:机械臂、数字拨号、打字系统等,均取得了不错的效果,证明了算法的有效性与稳定性。