随着我国科研水平的提高,农业机械化水平也越来越高。农业机械的小型化、个体化发展趋势使不能参与农业作业的农村的运动缺陷患者可以参与部分的农业作业。为了使运动缺陷患者更顺利和高效的完成小型农业机械的操作,可为其设计一种机械助力装置,该装置可根据使用者的步态的运动趋势,为其腿部提供动力。因此,为完成该系统的控制,首先需对步态进行识别。表面肌电(surface Electromyography,sEMG)信号凭借其可以反映人体的运动意图和活动肌肉的功能状态等信息的优势,被用于步态周期的识别。不同的步态相位的差异可以通过sEMG信号的特征来体现,通过对一个步态周期的sEMG信号特征的研究就可以对不同的步态相位进行识别和分析。对原始采集的sEMG信号进行滤波和去噪等预处理后,通过特征提取组合和模式识别等技术手段,实现对运动缺陷患者步态相位的有效识别。本文的主要内容如下:(1)针对sEMG信号高信噪比、非平稳性和微弱特性,对其预处理方法进行研究。本文设计了针对sEMG信号的椭圆滤波器对其进行10-350Hz的带通滤波,设计适用于sEMG信号波形的小波去噪算法。(2)针对运动缺陷者的步态周期识别问题,对sEMG信号特征提取方法进行研究。对sEMG信号的时域、频域、时频域和非线性特征进行研究,并对适用于sEMG信号的时域、频域特征进行提取,为提高步态的识别效率,对所提取的特征进行适当组合,以特征组的形式进行步态周期识别。(3)为识别运动缺陷患者步态周期的不同相位,构建LIBSVM的五分类器。利用所提取的特征对五个步态阶段进行识别,分析结果显示绝对平均值(Mean absolute value,MAV)&过零点数(Zero crossing,ZC)的识别结果最好。(4)为了验证本文所提出步态周期识别方法的泛化性,分别用本文的方法对三种加力状态(Abrupt,Gradual,Noise)及其加力前后的步态周期进行分类并进行统计分析,分析结果显示,除了加力状态为gradual时的预摆动期加力前后有显著差异外(p=0.031),其他步态阶段的识别结果在加力前后均无显著差异。此外三种加力状态下的步态周期识别结果也无显著差异。本文系统研究了运动缺陷患者的步态周期识别问题,从滤波和小波去噪到特征组合方法研究再到步态相位识别。通过对sEMG信号的实验数据的分析研究,找到了识别运动缺陷患者步态阶段的有效特征组,通过五分类LIBSVM识别算法的分析,实现了对运动缺陷患者一个步态周期的有效识别,并对步态周期识别结果进行了统计分析。这些工作对运动缺陷患者的辅助行走以及智能助力设备的研发具有重要的意义。