表面肌电信号是由肌肉收缩/舒张时产生的电位差,在皮肤表面叠加而形成的生理信号,包含着人体运动的相关信息,可以通过下肢肌电信号的分析来识别腿部关节的运动意图。由于表面肌电信号具有信息丰富,容易采集等优点,常被应用于人机交互、医疗康复、假肢控制、外骨骼机器人等。本文通过表面肌电信进行下肢关节的连续运动估计研究,主要工作如下:(1)针对表面肌电信号的噪声特点,采用巴特沃斯滤波器对其进行滤波处理,滤波后的肌电信号提高了信噪比,从而提升了信号质量。(2)选取绝对值均值、方差、过零点数、对数和波形长度5种时域特征作为提取对象,对单特征与组合特征的效果差异性进行对比,带入回归拟合模型后用皮尔逊相关系数与均方根误差指标判断,选取最优特征。结果显示绝对值均值与对数的组合特征最为适合。(3)由于肌电特征之间具有相关性,维数过多容易造成模型结构复杂,增加计算时间,本文采用主成分分析法对肌电特征进行降维处理,以此来简化模型,缩短训练时间。(4)针对不同算法的特性,分别采用正则化超限学习机、BP神经网络,以及支持向量机回归算法构建模型,进行膝关节角度估计。并以皮尔逊相关系数、均方根误差以及模型训练时间作为指标,对角度估计的精度和速度进行比较。结果表明,正则化超限学习机和支持向量机的均方根误差和相关系数具有一定的相似性,BP神经网络略有差距。在训练时间上,正则化超限学习机模型的训练时间最短,比BP神经网络模型提高了两个量级。本文系统地研究了基于表面肌电信号的下肢膝关节连续运动估计方法,完成了肌电信号滤波、特征提取,以及关节角度估计。通过比较发现,正则化超限学习机算法具有一定的实时性优势,这对于下肢运动的实时识别与控制有一定的应用价值。