随着电子技术和计算机技术的发展,传统的鼠标以及键盘输入方式已经无法满足人们的使用需求。近年来,鉴于手势具有直观性、自然性的特点,基于用户手势的输入方式已经成为人机交互的一种重要手段。基于手势的人机交互更多的强调以用户为中心,使用更加符合用户自然交流习惯,从而为用户提供一个自然有效的人机交互方式。由于目前的手势识别算法涉及的手势种类较少,且用于交互的大部分是一些粗略的手势,不能达到人机自然交互的效果,所以对于精细手势识别方法的研究对自然的人机交互有着重大意义。由于目前对手的精细动作的运动研究较少,而且通过检测单一信号进行手势识别的方法受到自身的限制,例如基于计算机视觉的手势识别算法易受光照和手指间遮挡的影响,基于惯性信号的手势识别算法只能检测到手的甩动等粗略动作。因此本文以精细手势为研究对象,提出了基于肌电信号和压力信号的精细手势识别算法,并且通过基于精细手势识别的应用对文中提出的算法进行了验证。本文所做的工作包括:1.构建可穿戴式手势信号采集系统完成肌电信号和压力信号的采集和发送。该系统使用MYO臂环来实现对前臂肌电信号的采集,使用贴在手背上的力敏传感器FSR来检测肌肉膨胀产生的压力信号,并将FSR传感器固定在手套中,将压力信号的采集电路集成到一个采集手表中,做成了可穿戴设备。采集到的手势信号均通过蓝牙发送到计算机。2.提出一种肌电信号和压力信号的精细手势识别算法完成对手势信号的处理和分类。算法首先对手势信号进行活动段检测,确定手势的起始点和结束点,然后对手势活动段进行特征提取。本文从提取到的特征中选择排名前50的特征,然后对不同的机器学习算法的识别率进行比较,选择识别率较高的机器学习算法构造分类器,进而完成对精细手势的分类。3.通过基于用户手势的书写系统来验证精细手势识别算法的性能。精细手势识别的结果用于检测用户握笔姿势,并通过Wii Remote跟踪红外笔的轨迹,根据用户握笔姿势的不同写出不同的效果,并将书写内容以电子文档的形式保存。最后本文对基于EMG和FSR的精细手势识别算法的潜在应用进行了探索研究。本文最终将FSR手套、采集手表和MYO臂环结合,形成可穿戴式手势信号采集设备,提出的基于肌电信号和压力信号的精细手势识别算法能够识别21种自定义精细手势,识别率达到96.05%,优于单独使用EMG(识别率:81.7%)和单独使用FSR(识别率:79.52%)的识别方法。本文最终的人机交互应用验证了精细手势识别算法及可穿戴设备的交互性能,且可穿戴的手势识别设备使得人机交互更加自然和人性化,克服了自然环境的限制,可应用于无人机控制、机械手控制等潜在交互应用。