残疾人群中肢体残疾患者所占比例最大,对假肢等辅助器械的需求量很大。此外,老年人由于各种原因导致的下肢活动不便等,也需要外部辅助器具。目前的研究,希望找到合适的方法实现辅助器械的自主控制,提高辅助器具的智能性。表面肌电信号(Surface Electromyographic,sEMG)可以反映人体的活动意图且具有无创性,所以在很多智能假肢的研究中被作为信号源。本文主要目标是实现基于sEMG的当前动作识别及角度预测,从而为下一步假肢控制奠定基础,提供假肢辅助器具的控制信号。通过采集下肢动作的sEMG和加速度信号并进行处理分析,识别出下肢的动作模式。为了提供连续的动作控制信号,在判别出当前动作模式的基础上,建立相应的角度预测模型,实现对大腿角度轨迹的预测。本文的主要研究工作包括以下四个方面:(1)针对下肢动作模式sEMG变化复杂,易受影响等特点,同步提取sEMG与加速度角度信号,以获得更丰富的姿态信息。对4名健康受试者和1名截肢受试者进行五种日常下肢动作的信号采集后,针对加速度信号存在的噪声,将中值滤波和曲线拟合算法结合起来对其进行有效的去噪。对于活动段的检测,提出基于sEMG功率谱相关系数的方法准确判断动作的起止点。(2)提取sEMG和加速度信号的特征并融合,用基于高斯核的线性判别分析(Linear Discriminant Analysis,LDA)进行模式识别。分析sEMG信号常用的时域特征、自回归参数模型以及小波系数特征,在此基础上提取基于小波系数的主成分特征。对于加速度信号,则提出基于动态规整匹配距离的特征提取方法。最后使用基于高斯核的LDA对特征进行验证,实验结果表明,使用两种信源的融合特征要优于单个信源特征的识别效果。(3)利用支持向量机(Support Vector Machine,SVM)进行下肢动作的识别,并选择径向基核函数,采用基于多级网格搜索的方法对SVM的惩罚参数C和核函数参数g进行选择确定,减少寻优时间,提高识别率。为了提高下肢动作的识别准确率以及稳定性,对判别结果进行多数投票决议后处理,识别率可以达到95%以上。与基于高斯核的LDA相比,多级网格搜索-SVM的识别准确率更高。(4)在动作识别的基础上角度轨迹预测研究可以提供连续的动作控制信号。借鉴广义回归神经网络(Generalized Regression Neural Network,GRNN)在数据预测上的优势,使用GRNN建立对每个动作模式的角度轨迹建立预测模型。并运用果蝇优化算法找到GRNN预测模型的最优扩展常数,实现对角度轨迹的预测。通过融合下肢sEMG及加速度信号并进行分析处理,实现对下肢动作的准确识别,在此基础上,建立基于动作识别结果的大腿角度预测模型,提高动作识别的精细度,为假肢的自主控制奠定基础。