表面肌电信号可以反映用户的动作意图,因而成为人机交互的主要控制信号.然而,个体差异性使得用户模型不通用,不利于发展普适性的肌电设备.本文从神经协同控制角度出发,通过非负矩阵分解算法提取肌肉协同,并利用少量新用户预实验数据和最小二乘法,得到与预实验协同相近的新协同作为特征量.为了在低频可穿戴场景的应用考虑,分别在支持向量机、误差反向传播网络、K近邻算法这3个简单易移植的分类器上训练与测试.在Ninapro数据库的DB1(100　Hz)和DB5(200　Hz)中分别开展了4组手势识别实验,平均识别正确率分别为81.12％、78.19％、74.07％、60.11％　(DB1)和85.75％、83.25％、79.07％、66.10％　(DB5),比现有的低频可在线识别算法高了10％以上.本文算法简单方便,利用现有用户数据和少量新用户预实验数据即可训练分类器,并且从神经协调角度去判断意图,更有利于发展符合人体自然运动的控制方式,为可穿戴肌电设备的普及提供了可行的方案.