随着社会老龄化加重和社会压力激增,越来越多的人因为中风等疾病而陷入了肢体运动障碍的问题。因此社会对康复训练领域也变得越来越重视,各种肢体康复训练机器人的研究也成为科研热点。本文主要研究人体关节运动意图,通过表面肌电(Surface Electromyography,SEMG)和加速度(Acceleration,ACC)信号预测患者关节连续运动趋势,从而控制康复机器人进行主动康复训练。选择了5通道的下肢SEMG信号和5通道的下肢ACC信号作为信号源,对下肢多关节连续运动估计进行了深入的研究,主要工作及创新点如下:(1)针对主流康复训练模式,本文提出了对应的标准实验动作和采集规则。使用了Trigno无线肌电采集系统采集5路SEMG信号和5路ACC信号。通过动作肌肉贡献度分析得到采集肌肉为:臀大肌,股直肌,股内侧肌,腓肠肌和胫骨前肌。(2)对于采集到的信号,进行子采样处理统一频率,同时对肌电信号进行了经验模态分解降噪。针对肌电信号时域、频域与时频域等众多的特征提取方法,本文提出了一种基于小波多级分解和关联维系数的小波关联维特征作为肌电特征。对于加速度提取方法,本文选取了信号幅度向量作为加速度特征。(3)针对于肌电信号非线性、非平稳的特性确定了极限学习机(Extreme Learning Machine,ELM)和GA-Elman网络作为关节角度的预测模型。ELM是对BP神经网络的优化,它在保证学习精度的前提下比传统BP算法训练速度更快。GA-Elman是通过遗传算法优化过的Elman网络。传统Elman网络在预测时间序列方面已经优于其它方法,经过遗传算法优化后更是加快了训练速度。(4)针对于本实验数据,使用上文方法进行特征提取组成输入特征向量。确定了ELM和GA-Elman预测模型的网络参数。首先,使用相同预测模型进行关节角度预测,对特征提取方法进行了性能测试并证明了该方法优于其它特征提取方法。然后,在提取了相同特征的情况下,对不同预测模型进行对比,验证了GA-Elman网络的回归预测误差更小,并且耗时也更少。其次,对每个志愿者单独进行测试,发现每个志愿者的预测误差都在4%左右,本实验的预测方法具有不错的个体适应性。最后,基于去趋势波动性分析算法对肌电和预测角度进行了同步性分析,根据结果对角度预测结果优化,使得预测误差进一步减小。