1.一种基于表面肌电信号的手势动作在线识别方法，其特征在于，所述基于表面肌电信号的手势动作在线识别方法包括：采集多个通道的表面肌电信号并进行小波阈值去噪处理；

提取处理后表面肌电信号的前4阶AR模型参数特征和RMS特征，作为每个动作分类识别所使用的特征；

利用SVM投票法和聚类思想联合判别实时动作；

所述基于表面肌电信号的手势动作在线识别方法，包括以下步骤：步骤一，选取所要识别的若干种静态手势动作；

步骤二，采集训练样本，每种动作采集10个样本，每种动作采集的时间段为1s，使用硬件设备提取原始的表面肌电信号；进行小波阈值去噪处理；

步骤三，特征提取，对于每个动作样本，肱三头肌、肘肌、肱二头肌、肱桡肌四个通道的表面肌电信号均提取AR模型参数特征和RMS特征；AR模型参数特征提取前4阶参数；

步骤四，手势实时识别，在任意两类动作样本之间设计SVM，则k个类别的样本设计k(k‑

1)/2个SVM，同时计算每类样本的平均特征向量与该类样本特征向量之间的最大距离Dmax；

所述步骤四中SVM采用高斯核函数，表达式为：

式中：x，z分别为两个不同的特征向量；σ为标准差参数；

所述距离计算采用欧式距离公式，表达式为：

式中：d12为两个特征向量之间的距离；n为特征向量的维数；x1k和x2k分别为两个不同的特征向量；

所述用SVM投票法和聚类思想联合进行动作识别中，具体包括：若待分类动作特征向量与得票最多的那个类别样本的平均特征向量之间的距离小于等于Dmax，则判断待分类动作为该类动作，否则放弃本次分类，每隔0.05s识别一次。

2.如权利要求1中所述的基于表面肌电信号的手势动作在线识别方法，其特征在于，步骤三中，时间序列的均方根RMS特征计算公式为：式中：RMS是均方根肌电值；N代表肌电信号样本数；X(t)是肌电信号值。

3.如权利要求1中所述的基于表面肌电信号的手势动作在线识别方法，其特征在于，步骤三中，AR模型为白噪声的输入和过去p个信号值进行累加，具体为：模型系数确定后，受到白噪声激励的系统模型确定；使用伯格法迭代求解AR模型的各阶系数，求解AR模型各阶系数前，先确定阶数p。

4.如权利要求3中所述的基于表面肌电信号的手势动作在线识别方法，其特征在于，模型阶数p，采用最终预测误差FPE准则对AR模型进行定阶，最终预测误差为：2

式中，N为时间序列的长度；p为AR模型阶数；σ为模型方差。

5.如权利要求1中所述的基于表面肌电信号的手势动作在线识别方法，其特征在于，利用SVM投票法和聚类思想联合判别实时动作中，动作训练时，选择动作所对应向量作为训练集，得到相应的SVM；

在实时分类时，把对应的向量分别对结果进行测试；采取投票形式，最后得到一组结果。

6.一种实施权利要求1～5任意一项所述基于表面肌电信号的手势动作在线识别方法的基于表面肌电信号的手势在线识别控制系统。

7.一种实施权利要求1～5任意一项所述基于表面肌电信号的手势动作在线识别方法的基于表面肌电信号的手势动作在线识别装置。