外骨骼机器人技术现已广泛地应用在军事、生活、医疗等方面,对于外骨骼机器人的控制方式,是基于人的运动意图控制的。目前有多种方式来获取人体的运动意图信号,根据获取信息方式的不同,可以分成基于运动传感器的方式、基于图像的方式和基于生物电信号方式。通过对比各种方式优缺点,最终选用表面肌电信号来获取人体运动意图,肌电信号产生在肌肉收缩之前,能够准确、实时和非损伤地反映人体下肢的运动意图。下肢运动意图可以通过步态相位来表示,一个步态周期可以分成多个分相位,不同步态相位对应的下肢各块肌肉的生理状态不同,因此可以提取下肢sEMG信号特征对下肢运动意图进行识别。本文以实验采集的下肢表面肌电信号为研究对象,研究了基于肌电信号的去噪预处理,特征提取以及步态识别方法。提出了一种改进的SVM-KNN算法,实现对下肢步态相位模式的有效识别。具体研究内容如下:首先,研究了人体下肢运动的特点并把步态周期划分成支撑前、中、后,摆动前、后5个分相位。通过实验对比,选取股二头肌、阔筋膜张肌、股直肌和腓肠肌作为肌电信号源,针对肌电信号非稳定,易受干扰的特点,采用小波去噪和巴特沃斯滤波进行预处理,提高信噪比。其次,提出了下肢运动起点检测方法和通过移动数据窗技术实时提取肌电信号特征值的方法,可以提高步态相位识别的实时性和准确率。采用时域和频域分析方法,对肌电信号提取多种特征值,并用主成分分析方法提取出对识别最有效的特征,从而减小计算复杂度并去除噪声,提高识别效率。然后,针对SVM算法在分类超平面附近分类不准确,和KNN算法在数据量大时识别速度慢的缺点,提出了一种改进的SVM-KNN算法,该算法在分类阶段计算测试样本与最优超平面的距离,若距离大于给定阈值,用优化参数的SVM算法进行识别;若距离小于给定阈值,则用KNN分类,把所有支持向量作为测试样本的近邻样本,利用加权重的马氏距离来计算两个样本间的距离。最后,通过实验结果表明改进的SVM-KNN算法能够有效提高步态相位识别准确率,减小识别时间。