随着科技水平的快速发展,作为可以增强人体负重能力或辅助人行走的助力下肢外骨骼机器人成为国内外研究的热点。理想状态下,这类智能机械应该可以实时辅助穿戴者完成相应动作。因此快速准确地判断出人体想要做出的动作(也称之为人体运动意图识别)是这类智能设备能够发挥作用的前提。本文使用运动学及力学传感器采集人体运动信息,在此基础上使用机器学习方法和预测方法等相关理论对行走、上楼、下楼、上坡、下坡这5种常见的人体下肢动作进行识别及预测,并通过实验验证了所提方案的可行性。该研究可为控制智能下肢外骨骼等设备提供依据,从而使其与穿戴者协调运动。首先,分析了人体下肢结构和运动机理,在此基础上设计了人体运动数据检测方案。该检测方案使用了3个角度传感器、1个加速度传感器、1个压力传感器。对采集到的运动数据,使用移动平均滤波法过滤信号噪声。同时将连续的运动数据分段处理,得到仅包含一个步态周期的运动信号片段。其次,选用时域特征提取方法共对信号提取出30种特征。为进一步降低特征向量维度以减少计算量,使用主成分分析方法对特征进行处理。最终将30种特征压缩成5种综合特征,压缩后的这5种特征包含原始特征88.22%的信息。再次,选用支持向量机(SVM)建立动作识别模型,平均识别准确率为85.4%。为了进一步提高动作识别准确率,本文采用马尔可夫链模型(MCM)描述人体步态动作之间的转换规律,并利用这种规律对SVM动作识别模型的识别结果进行优化,优化后的动作识别模型平均识别准确率达到93.6%。将本文所提动作识别模型与BP神经网络和k-近邻方案进行了对比,实验结果表明本文所提方案在识别准确率和识别及时性上都优于对比方案。然后,将单侧踝、膝、髋关节角度信号用信号极值点所对应的时刻将信号分割成片段。根据信号段首末点斜率,定义了6种信号模式状态来描述这些信号片段,从而将连续的传感器信号转化为表示运动状态的离散数值。最后,利用多维时态关联规则算法分析踝、膝、髋关节角度信号,挖掘出各信号状态在时间上的关联关系。利用当前信号状态匹配已建立的关联规则来预测下一时刻各信号的模式状态,从而预测出人体下肢运动。实验结果显示,平均动作预测准确率达到78.3%,并且可以预测此后平均92.24ms内的运动情况。