自进入21世纪以来,我国的人口老龄化趋势越来越明显。目前已有超过2亿的老年人口,其中偏瘫、截瘫、脑瘫与肢体运动障碍患者的增量极为明显,约以每年500万的数量在增长。与此同时,西方发达国家同样面临着这一问题。患者想要恢复运动能力均需要康复理疗师来帮其进行一定的康复治疗。为此,欧美等发达国家开发了面向医疗市场的康复用外骨骼机器人,其不但可以帮助患者提高生活自主能力,而且能改善患者的生活质量。步态相位控制作为康复用外骨骼机器人控制技术的核心,更是影响着康复用外骨骼机器人的安全性和稳定性。本文展示了几种康复用下肢外骨骼机器人的步态相位控制模型。这些模型仅需要患者穿戴下肢外骨骼机器人时的4个关节角度信号或患者的4个肌电信号(surface1 electromyography,sEMG)便可以准确识别行走时脚和地面之间的4个步态相位:足跟着地(HS)、足掌着地(FF)、足跟离地(HO)和摆动(SW)来帮助偏瘫患者行走。与依赖于欧几里得空间域的长短期记忆网络(LSTM)、支持向量网络(SVM)和反向传播神经网络(BPNN)相比,本文所提出的图卷积神经网络模型(GCNM)是第一个从非欧几里得空间域通过图机制解决外骨骼机器人步态相位分类问题的模型。与现有的步态相位分类系统相比,本文所设计的系统不仅避免了传感器系统的复杂性,而且保证了步态相位分类的准确性。为了证明外骨骼机器人实时步态数据采集系统的可用性,采用国际行业标准Vicon系统对其进行了验证,并量化了系统的时间延迟。研究结果表明,本文提出的GCNM不仅对不同的人穿戴外骨骼机器人进行步态控制能显著的提高步态预测精度,而且在水平地面、上坡和下坡环境中具有更好的鲁棒性。与现有的标签率通常是70%或80%的监督学习算法相比,半监督学习算法GCNM需要的标签率不高于10%。最后,GCNM对步态相位分类的最大精度为97.43%,这也将有助于下一步准确估计外骨骼机器人步态扭矩的大小。