手是人体最灵活的部位，每一种手部动作不仅表达了人体的行为意图，而且完成了人与外界环境的信息传递。对于手部运动功能丧失或者上肢截肢患者而言，拥有一具可以按其意愿进行控制的假肢，将成为其改善状况、补偿功能最直接有效的手段。本文从信号动作起始点确定、特征提取、特征降维以及动作模式识别研究等方面，研究手部动作状态下，肌电信号的动作模式以及脑电信号的运动意图预测，提高动作模式识别的分类正确率及预测准确率，在促进肌电和脑电假肢方面，具有重要的理论价值和现实意义。
在对不同手部动作下的表面肌电信号进行模式识别研究中，我们提出了一种基于小波包分解的频带相对能量方法，用以提取多通道表面肌电信号的动作模式特征。频带相对能量方法研究了四个通道表面肌电信号的小波包子空间系数能量在同一频带的归一化特征值，这一特征体现了不同肌肉对每种动作的贡献度。之后，通过支持向量机和交叉验证对前臂内旋、前臂外旋、握拳和展拳四种手部动作进行模式识别。实验结果表明，该方法能够有效地将从前臂肌群处采集到的表面肌电信号用于不同动作的识别，平均分类正确率达到93%以上，分类正确率及鲁棒性比小波包相对能量特征都有明显提高，为基于表面肌电信号的假肢动作的实时控制提供了一种简便有效的特征提取方法。根据这种特征提取方法，还可在假肢设计时，依照使用者对动作类型的需求，确定特定的肌电信号通道，为肌电假肢的使用者提供个性化服务。
对基于脑电信号的手部动作运动意图预测研究中，我们采用结合多元经验模态分解（MEMD）和共空域模式（CSP）的方法，提取同一只手在四种动作开始前的脑电信号特征，进行动作模式预测研究。MEMD-CSP方法是根据信号固有的局部特征尺度对多通道的EEG信号进行多分辨率分解，将对应的多元固有模态分量进行CSP处理，得到可体现肢体运动意图的空域特征向量。之后，通过支持向量机和交叉验证对不同手部动作进行分类识别，平均预测正确率达到85.06%。结果表明，该方法可以准确地预测出四种手部动作，预测正确率明显高于直接CSP和小波共空域模式（W-CSP）特征。说明了MEMD-CSP方法不仅减弱了EEG信号野点对CSP算法的影响，而且克服了W-CSP对信号只能固定尺度分解的缺点，更适用于复杂脑电信号分析，对运动相关的BCI控制、实现按照人的运动意图进行脑机交互的研究具有重要的促进作用。
综上所述，本文提出的基于小波包分解的频带相对能量方法可以成功地提高表面肌电信号的动作识别正确率，促进假肢的实时控制研究；提出的结合多元经验模态分解和共空域模式的方法能够准确地提取出体现肢体运动意图的空域特征，对运动相关的BCI控制具有一定的应用价值。