针对单一特征识别率低、自适应性差等问题，提出一种基于希尔伯特-黄变换（HHT）和共同空间模式（CSP）的特征提取方法HCHT。首先，对原始脑电信号（EEG）进行经验模态分解（EMD）得到固有模态函数（IMF），并将IMF分量合并成新的信号矩阵；然后，对IMF进行希尔伯特谱分析，得到信号的时-频域特征；接着，对构造的信号矩阵进行进一步的CSP分解，将时-频域特征扩展成时-频-空域特征；最后，通过支持向量机（SVM）对特征集进行分类。在BCI Competition II数据集的实验表明，与HHT时-频域和CSP空域特征的方法相比，所提方法的识别准确率分别提高了7.5、10.3和9.2个百分点，且标准差更小。在智能轮椅平台进行在线实验的结果表明，HCHT能有效提高识别准确率和稳定性。

人眼状态是反映疲劳程度的重要指标，头部姿势变化、光线等因素对人眼定位造成很大影响，从而影响人眼状态识别以及疲劳检测的准确性，为此提出了一种利用级联卷积神经网络通过检测人眼6个特征点来识别人眼状态进而识别人体疲劳的方法。首先，一级网络采用灰度积分投影结合区域-卷积神经网实现人眼的检测与定位；然后，二级网络将人眼图片进行分割后采用并联子卷积系统进行人眼特征点回归；最后，利用人眼特征点计算人眼开闭度识别当前人眼状态，并根据单位时间闭眼百分比（PERCLOS）准则判断人体疲劳状态。实验结果表明，利用所提方法实现了在归一化误差为0.05时，人眼6特征点的平均检测准确率为95.8%，并根据模拟视频帧的PERCLOS值识别疲劳状态验证了该方法的有效性。

针对手势识别算法复杂度高、在嵌入式系统上运行效率低的问题，提出一种以定点运算为主的基于形状特征的手势识别方法。采用内部最大圆法和圆截法提取特征点，在手掌内部寻找一个最大圆来获取掌心坐标；同时根据指尖的几何特征，在手形边缘以画圆的方式获取指尖，从而得到手势的手指数、方向和掌心位置等特征信息；再对这些特征信息进行分类并识别。通过对算法进行改进，完成了在数字信号处理器（DSP）上的移植。实验证明该方法对于不同人的手具有适应性，适合在DSP上处理，与其他基于形状特征的手势识别算法相比，平均识别率提高了1.6%~8.6%，计算机对算法的处理速度提高了2%，因此所提算法有利于嵌入式手势识别系统的实现，为嵌入式手势识别系统打下基础。

针对单一肌电信号在控制系统中正确识别率不高问题,设计并实现了一种基于支持向量机(SVM)多分类的眼电(EOG)辅助肌电(EMG)的人机交互(HCI)系统。该系统采用改进小波包算法和阈值法分别对EMG信号和EOG信号进行特征提取,并对特征向量融合;然后提取特征参数作为SVM的输入来识别EMG信号和EOG信号动作模式,根据分类结果生成控制命令。实验证明,该系统比单一肌电控制系统更便于操作,稳定性好,正确识别率高。