CN109953761B

CN109953761B - 一种下肢康复机器人运动意图推理方法

Info

Publication number: CN109953761B
Application number: CN201711471134.1A
Authority: CN
Inventors: 杨建华; 李贞辉
Original assignee: Zhejiang University ZJU
Current assignee: Zhejiang University ZJU
Priority date: 2017-12-22
Filing date: 2017-12-22
Publication date: 2021-10-22
Anticipated expiration: 2037-12-22
Also published as: CN109953761A

Abstract

本发明公开了一种下肢康复机器人运动意图推理方法，包括运动数据预处理、关联性分析、冗余信息剔除、提取步态变化特征信息片段、特征信息片段与样本体态信息进行相似性度量判定出运动模态、通过模糊推理进行步态子相分类、将步态子相的分类结果和带标记的关节扭矩输入神经网络获得补偿力矩预测值，最后结合ZMP和COG判别规则完成运动平稳性判定，修正存在误差的补偿力矩预测值。所述推理方法稳定可靠、灵活度高、通用性广，推理人体运动趋势的补偿力矩预测值，为康复训练机器人主动助力控制奠定基础。

Description

一种下肢康复机器人运动意图推理方法

技术领域

本发明属于康复机器人技术领域，尤其涉及了一种下肢康复机器人运动意图推理方法。

背景技术

随着下肢康复机器人自适应主动助力控制分为三个阶段：运动意图判别、主动助力控制和稳定性控制。下肢康复机器人实现对穿戴者主动助力控制的前提是提前获知穿戴者的运动趋势，良好高效的人机交互就要求下肢康复机器人能够根据人体运动意图信息来完成协调和合作任务，通过采集、处理和分析多源异构运动信息来精确捕捉用户的交互意图和运动意图，而一个好的感知系统和推理机制便于充分发挥人的认知能力和康复机器人之间的智能协同辅助能力，帮助患者提高康复训练的效果。

申请号CN 104013513 A的专利公开了一种康复机器人感知系统，通过环境感知模块对康复机器人所处环境分析判断后选取最佳行走模式，分析患者运动意图生成执行指令使机器人执行相应动作。申请号CN 104757976 A的专利公开了一种步态分析方法和系统，利用采集的下肢运动信号和三维地磁场分量信号通过扩展卡尔曼滤波算法将信息融合处理后更新人体方位信息，检测人体步态相进而获得人体步态参数。申请号CN 104523403 A的专利公开了一种利用穿戴者上身无意识动作和习惯性动作判断下肢运动意图，通过对肩部位置信息、注视方向信息和膝盖压力信息进行逻辑运算和状态分析完成迈步意图、转向意图和下蹲意图的判别。

综上所述，现有技术中的康复机器人感知系统及推理方法至少存在以下缺陷：

1.数据源数量有限，能表征的运动模态受限；

2.虽能完成既定任务，但通用性差；

3.最终获得的结果多为运动状态分类结果，不能直接转换为运动控制量。

发明内容

本发明鉴于以上问题，提供一种下肢康复机器人感知系统及运动意图推理方法，能够有效地对分布式异构步态数据源从采集、处理、分析进行组织和管理，利用信息融合、学习推理的方式完成对运动模态的判别、步态子相的分类和补偿力矩值的预测，推理出人体运动意图，结合ZMP和COG判别规则完成运动平稳性判定，修正存在误差的补偿力矩预测值，将修正后的补偿力矩预测值作为下肢康复机器人控制系统的输入量同时生成操作指令，使执行器驱动下肢康复机器人完成自适应主动康复训练。整个推理过程稳定可靠，灵活度高，通用性广。

本发明提供一种下肢康复机器人运动意图推理方法，下肢康复机器人具有感知系统，包括以下单元：

初态操作单元：用于下肢康复机器人的初始化操作、系统参数设定及运动初态判别，所述运动初态判别根据下肢康复机器人的系统参数和状态信息得到下肢康复机器人的初始状态；

运动感知单元：用于实时获取下肢康复机器人传感器单元的运动数据；

意图推理单元：用于根据运动数据推理下肢康复机器人的补偿力矩预测值，并根据所述补偿力矩预测值生成下肢康复机器人操作指令；意图推理单元进一步包括前置处理模块、运动特征提取模块、运动模态判断模块、步态子相类别获取模块和补偿力矩预测模块；

前置处理模块用于对运动数据进行预处理，对预处理后的运动数据进行关联性分析，以及剔除预处理后的运动数据中的冗余信息；

运动特征提取模块用于提取前置处理模块处理后的运动数据的运动特征；

运动模态判断模块用于根据运动特征判定运动模态，所述运动模态包括坐立体态、站立体态和行走体态；

步态子相类别获取模块用于完成行走体态的步态子相类别；

补偿力矩预测模块用于根据步态子相类别获得下肢康复机器人的补偿力矩预测值；

动作执行单元用于根据操作指令驱动下肢康复机器人完成自适应主动康复训练。

初态操作单元的运动初态根据对ZMP零力矩和COG重心投影的推算过程中产生的阈值f_s、θ_{s min}和θ_{s max}进行判别；下肢康复机器人的状态信息包括左髋关节角度θ_lh、右髋关节角度θ_rh、左膝关节角度θ_lk、右膝关节角度θ_rk、左脚多点压力之和f_ls和右脚多点压力之和f_rs，初始状态包括坐立体态和站立体态。当满足下式时，初始体态判别为坐立体态；

(θ_lh＞θ_{s max}＝1.5rad)I(θ_rh＞θ_{s max}＝1.5rad)I(θ_lk＞θ_{s max}＝1.5rad)I(θ_rk＞θ_{s max}＝1.5rad)＝1

当满足下式时，初始体态判别为站立体态；

(θ_lh＜θ_{s min}＝0.3rad)I(θ_rh＜θ_{s min}＝0.3rad)I(θ_lk＜θ_{s min}＝0.3rad)I(θ_rk＜θ_{s min}＝0.3rad)I(f_ls+f_rs＞f_s)＝1

运动感知单元包括传感器单元和数据采集单元，其中：传感器单元包括薄膜传感器、角度传感器、扭矩传感器、压敏传感器和惯性传感器。薄膜传感器为2组，安装在下肢康复机器人的左、右机械脚板上用于采集左、右脚足底压力，每组薄膜传感器包括多个压力检测点，分别嵌在鞋垫表面；角度传感器为3组，分别与髋关节转动机构、膝关节转动机构和踝关节随动机构同轴连接，用于采集髋关节、膝关节和踝关节的转角值；扭矩传感器为3组，分别与髋关节转动机构、膝关节转动机构和踝关节随动机构同轴连接分别用于采集髋关节、膝关节和踝关节的扭矩值；压敏传感器安装在下肢康复机器人的固腿装置内表面，用于采集人体与下肢康复机器人的接触力；惯性传感器分别安装在人体下肢冠状面大腿、小腿质心位置，用于采集下肢姿态角；左、右脚足底压力，髋关节、膝关节和踝关节转角值，髋关节、膝关节和踝关节扭矩值，人机接触力和下肢姿态角构成运动数据。

数据采集单元用于传感器单元的信号调理与数据采集。

意图推理单元基于一种下肢康复机器人运动意图推理方法完成运动数据推理获得下肢康复机器人的髋关节、膝关节和踝关节的补偿力矩预测值。

本发明提供的下肢康复机器人感知系统，通过初态操作单元中运动初态判别得到初始状态和相应的系统参数初值，通过运动感知单元采集多源运动数据，通过意图推理单元将所获取的运动数据进行预处理、关联性分析、冗余信息剔除、提取出信息特征片段，利用运动特征根据预设推理规则和先验知识得到运动模态类别、步态子相类别及补偿力矩预测值，并根据补偿力矩预测值生成下肢康复机器人操作指令，通过动作执行单元驱动下肢康复机器人完成自适应主动康复训练。所述感知系统获知的数据源丰富，意图推理精准，可操作方法适应度高。

本发明还提供一种运动意图推理方法，所述运动意图推理方法应用在下肢康复机器人上，下肢康复机器人具有所述的下肢康复机器人感知系统，可获取运动数据，包括以下步骤：

步骤1：完成所述运动数据的预处理、关联性分析和剔除冗余信息，所述预处理将运动数据进行统一数据格式、降噪滤波处理和归一化处理，所述关联性分析包括对预处理后的运动数据进行自相关性和互相关性分析获得运动数据关联置信度；

步骤2：将步骤1处理后的运动数据进行融合处理，提取表征步态变化的特征信息片段，所述特征信息片段包括步态压力峰值特征、步态压力变化相位特征、步态变化频率特征、步态变化波动幅值特征和步态变换瞬态间隔特征；

步骤3：将所述特征信息片段存放于推理知识库，更新全局知识库，所述全局知识库包括先验知识库和推理知识库，先验知识库存放大量样本体态和带标记的运动数据，推理知识库存放所述特征信息片段和决策信息；

步骤4：将特征信息片段与先验知识库中的样本体态信息进行相似性度量，判定出运动模态，所述运动模态包括坐立体态、站立体态和行走体态；

步骤5：在行走体态中通过模糊推理完成步态子相的分类，获得步态子相类别，所述步态子相类别包括跖屈控制相CP 601、背屈控制相CD 602、跖屈动力相PP 603、摆动相SW604；

步骤6：将步态子相的分类结果和运动数据中的髋关节、膝关节和踝关节扭矩值作为输入，送至神经网络进行推理，输出预测的补偿力矩值，所述神经网络利用步态子相的分类结果和带标记的髋关节、膝关节和踝关节扭矩值作为学习样本进行训练；

步骤7：结合ZMP和COG判别规则完成运动平稳性判定，修正存在误差的补偿力矩预测值；

步骤8：将修正后的补偿力矩预测值作为下肢康复机器人控制系统的输入量同时生成操作指令；

步骤1中数据关联性分析采取图表相关分析、协方差及协方差阵分析、一元回归及多元回归分析、信息熵及互信息分析、灰色关联分析、基于相关比和相关系数的数据关联程度分析中的一种分析方法或多种分析方法组合。

步骤2中特征信息片段提取方法采取基于统计方法的特征提取、基于模型的特征提取、基于变换的特征提取、基于分形理论的特征提取中的一种方法或多种方法组合。

步骤3中所述先验知识库通过机械式运动捕捉、声学式运动捕捉、电磁式运动捕捉、运动图像捕捉、骨骼点深度信息捕捉的运动捕捉方式以及Vicon、NaturalPoint、Polhemus、Sega Interactive、MAC、X-Ist、FilmBox、MotionAnalysis、Kinect运动捕捉设备中的一种或多种组合获取。

步骤4的相似性度量采取改进的欧几里得ED距离公式：

式中：X_nl为样本体态信息中的二维特征信息序列，Y_l为当前特征信息段中的二维特征信息序列，n＝1，2，3…为样本的个数，l为每个样本周期的长度，α_n(d)表示样本体态信息中的二维特征信息序列相邻线段(x_n(d-1)，x_n(d))与(x_n(d)，x_n(d+1))之间逆时针方向的夹角，β_d表示当前特征信息段中的二维特征信息序列相邻线段(y_d-1，y_d)与(y_d，y_d+1)之间逆时针方向的夹角，x_n(d)表示n第个样本的特征信息段的第d个特征信息，y_d表示当前特征信息段的第d个特征信息。

步骤5中模糊推理的输入为所述运动数据，输出为所述步态子相类别的隶属度，选取最大隶属度的步态子相类别作为步态子相分类结果。

步骤6中的神经网络是一种CNN前馈型卷积网络，网络输入为步态子相的分类结果和带标记运动数据中的髋关节、膝关节和踝关节扭矩值，网络输出为髋关节、膝关节和踝关节扭矩值的补偿力矩的预测值。

本发明提供的下肢康复机器人运动意图推理方法，将所获取的运动数据进行预处理、关联性分析、冗余信息剔除，提取表征步态变化的特征信息片段，将所述特征信息片段存放于推理知识库，更新全局知识库，将特征信息片段与推理知识库中的样本体态信息进行相似性度量判定出运动模态，在行走体态中通过模糊推理完成步态子相的分类，将步态子相的分类结果和带标记运动数据中的扭矩作为学习样本送入神经网络进行训练输出补偿力矩预测值，结合ZMP和COG判别规则完成运动平稳性判定，修正存在误差的补偿力矩预测值，将修正后的补偿力矩预测值作为下肢康复机器人控制系统的输入量同时生成操作指令。所述推理方法稳定可靠，灵活度高，通用性广，推理出助力控制量来预测人体运动趋势，为康复训练机器人主动助力控制奠定基础。

附图说明

图1为本发明提供一款实施例中的康复机器人本体结构；

图2为本发明提供的实施例中的系统组成框图；

图3为本发明的感知系统结构框图；

图4为本发明的推理方法总体流程图；

图5为本发明的三个运动模态状态意图转换图；

图6为本发明行走体态中步态子相的分类示意图；

图7为本发明模糊推理的结构图；

其中，各标号的含义如下：

001.机械腿 002.承重架 003.大腿连杆 004.小腿连杆

005.髋关节转动机构 006.膝关节转动机构 007.踝关节随动机构 008.机械脚板

009.连杆伸缩机构 010.固腿装置 011.驱动电机 012.减速器

013.大腿质心位 014.小腿质心位置

601.跖屈控制相CP 602.背屈控制相CD 603.跖屈动力相PP 604.摆动相SW

具体实施方式

下面结合附图进一步说明本发明的详细内容及其具体实施方式，仅为更好理解，并未对本发明做任何限制。

参见图1所示，下肢康复机器人机械本体结构由机械腿001和承重架002构成；所述机械腿001主要由大腿连杆003、小腿连杆004、髋关节转动机构005、膝关节转动机构006、踝关节随动机构007、机械脚板008、连杆伸缩机构009、固腿装置010、驱动电机011和减速器012组成，机械腿与人体下肢柔性固连，进行人机交互信息传递，完成主被动康复训练过程，承重架可挂接外骨骼康复装置作为承重机构，其上的平板用于放置电源、电路板和电脑，承重架可自由移动，可增加下肢康复机器人机械本体的可移动性，同时设计导轨及丝杠机构可自由调整，适应不同人群。

参见图2所示，本发明实施例可通过上位机与下位机的分布式控制来完成，所述下位机控制系统涵盖运动意图感知传感器，主控部分和驱动电机，所述运动意图传感器包括薄膜传感器、角度传感器、扭矩传感器、压敏传感器和惯性传感器；所述运动意图感知传感器为系统的检测单元，所述主控部分为系统的控制单元，所述驱动电机和减速器构成系统的执行单元。

薄膜传感器用来检测左、右足底与地面的多点压力，可有效判别步态中的多种运动模态，足底压力检测呈现方式有2种：智能鞋和智能鞋垫，压力点位布局有：3点分布、4点分布、8点分布和20点分布，本发明实施例将依据可操作性和数据特征优选8点分布薄膜传感器的智能鞋垫。结合图1所示，薄膜传感器为2组，安装在下肢康复机器人的左、右机械脚板上用于采集左、右脚足底压力，每组薄膜传感器包括多个压力检测点，分别嵌在鞋垫表面；

角度传感器用来检测转动时左、右腿髋关节、膝关节和踝关节的角度和位置信息，结合图1所示角度传感器为3组，分别与髋关节转动机构005、膝关节转动机构006和踝关节随动机构007同轴连接，用于采集髋关节、膝关节和踝关节的转角值；

扭矩传感器用来检测转动时左、右腿髋关节、膝关节和踝关节的扭矩，结合图1所示扭矩传感器为3组，分别与髋关节转动机构005、膝关节转动机构006和踝关节随动机构007同轴连接分别用于采集髋关节、膝关节和踝关节的扭矩值；

压敏传感器用于检测穿戴者与下肢康复机器人柔性固连部分的相互作用力，在运动过程中，理想情况下穿戴者与下肢机器人间不存在作用力，但是实际中这个力是存在的，力的大小跟下肢康复机器人相应速度相关，因而这个力可以作为导纳控制的输入量，结合图1所示压敏传感器安装在下肢康复机器人的固腿装置010内表面，用于采集人体与下肢康复机器人的接触力；

惯性传感器用于检测下肢姿态信息，常用加速度计和陀螺仪，本发明实施例将依据可操作性和数据特征优选陀螺仪模块配置高精度卡尔曼滤波算法输出下肢姿态角，结合图1所示惯性传感器分别安装在人体下肢冠状面大腿013、小腿质心位置014，用于采集下肢姿态角；

主控部分在下肢康复机器人运行期间通过运动数据采集系统将从运动意图传感器采集到的数据传送到CAN总线上，通过Zigbee无线通讯设备将运动数据送入上位机控制系统完成数据的处理和分析，通过意图推理机制推测运动意图，将推测结果输出至主控部分生成控制指令操作下肢康复机器人完成预测动作。

参见图3所示，实施本发明实施例中提供的下肢康复机器人感知系统，初态操作单元完成下肢康复机器人的初始化操作、系统参数设定及运动初态判别，所述运动初态包括坐立体态和站立体态，完成运动初态判别的同时将对应初始体态的系统参数和控制变量进行初始化设定；运动感知单元完成左、右脚足底压力，髋关节、膝关节和踝关节转角值，髋关节、膝关节和踝关节扭矩值，人机接触力和下肢姿态角这些运动数据的信号调理与A/D采集；意图推理单元完成信息处理、分析与融合，提取特征信息片段特征，完成运动模态判别，步态子相分类和补偿力矩预测，将输出结果转化成操作指令使执行器动作完成康复步态训练过程。所述感知系统获知的数据源丰富，意图推理精准，可操作方法适应度高。

参见图4所示，本发明实施例中还提供一种运动意图推理方法，运动意图推理方法应用在下肢康复机器人上，图5所示为发明内容中步骤4提到的三个运动模态的转换示意图，若当前运动模态从站立体态过渡到行走体态可实施运动意图推理方法，所述下肢康复机器人具有所述的下肢康复机器人感知系统，可获取所述运动数据，发明内容中步骤1-6进一步包括：

步骤1中降噪滤波处理采取均值法降噪，同时考虑建模和计算的方便，将对数据进行归一化处理，将原始运动数据空间映射到区间[0，1]，而数据关联性分析采用求解克莱姆相关系数来探究分类数据之间的相关程度。

步骤2特征信息片段提取方法采取基于变换的特征提取方法中的核主成分分析，通过一个非线性映射，把输入数据映射到高维特征空间进行特征提取，将提取后的特征矢量利用BP神经网络进行数据降维，分类出所需特征信息片段。

所述特征信息片段如下：

①步态压力峰值特征：该特征为空间特征，通过计算足底和腿部压力传感器峰值分布与人体静止站立姿态压力基准线的交点个数，当该交点个数超过某一阈值时，即可根据该空间特征对穿戴者的动、静状态进行预判；

②步态变化频率特征：该特征为时序特征，反映步态行为变化的频率，通过该时序特征可以对穿戴者的步态变化做出预判；

③步态变化波动幅值特征：该特征反映了穿戴者足底和腿部压力幅值变化的规律性，可为穿戴者步态运动的重复性做出预判；

④步态变换瞬态间隔特征：该特征反映步态变化的急剧性，可为步态转换的连接状态做出预判；

⑤步态压力变化相位特征：当该特征稳定变化时，即可对穿戴者步态运动的重复性做出预判。

步骤3带标记的运动数据为分别在分类的步态子相上做标记的足底压力，髋关节、膝关节和踝关节转角值，髋关节、膝关节和踝关节扭矩值，人机接触力和下肢姿态角。先验知识库可通过Kinect运动捕捉设备捕捉人体下肢骨骼点深度信息并进行特征提取分类后得到先验特征信息片段。

步骤4相似性度量在样本体态信息和特征信息片段的基础序列上，添加每条序列中相邻线段间的夹角构成的角度序列，这样将一维的步态信息序列转化为二维序列如下式：

式中：X_nl为样本体态信息中的二维特征信息序列，Y_l为当前特征信息段中的二维特征信息序列，n＝1，2，3…为样本的个数，l为每个样本周期的长度。

形成的二维时间序列不但包含了特征信息片段的数值信息，还能表达其在每个时刻变化的方向和速度信息，度量时在样本体态周期中添加短时滑动时间窗，以克服数据的长度不对等的问题，在此基础上使用欧几里得ED距离公式计算，以克服欧几里得ED距离公式不能识别数据的时间弯曲及线性漂移的问题，且能够反应序列可能出现的时间轴伸缩、位移以及振幅伸缩等变形情况。

采取改进的欧几里得ED距离公式如下式：

式中：X_nl为样本体态信息中的二维特征信息序列，Y_l为当前特征信息段中的二维特征信息序列，n＝1，2，3…为样本的个数，l为每个样本周期的长度，α_n(d)表示样本体态信息中的二维特征信息序列相邻线段(x_n(d-1)，x_n(d))与(x_n(d)，x_n(d+1))之间逆时针方向的夹角，β_d表示当前特征信息段中的二维特征信息序列相邻线段(y_d-1，y_d)与(y_d，y_d+1)之间逆时针方向的夹角，x_n(d)表示n第个样本的特征信息段的第d个特征信息，y_d表示当前特征信息段的第d个特征信息；图5所示了三个运动模态的状态转换过程。

步骤5中模糊推理的输入为所述运动数据，输出为所述步态子相的最大隶属度。步态子相分类任务先将特征信息片段进行模糊化处理，计算各传感器序列的特征量对所分类步态子相的隶属度，利用获取的状态隶属度结合模糊推理规则进行融合后计算出各传感器序列对应每个步态子相的隶属度，根据不同识别条件的强弱分配进行权重分配并在决策层对被激活的所有步态子相隶属度进行加权融合，以最大隶属度输出判断最终的步态子相位输出，完成步态子相分类任务，图6所示了步态子相的分类示意图，图7所示了模糊推理的结构图。

步骤6神经网络是一种CNN前馈型卷积网络，网络输入为步态子相的分类结果和带标记运动数据中的扭矩，网络输出为补偿力矩的预测值。

步骤7结合ZMP和COG判别规则完成运动平稳性判定，修正存在误差的补偿力矩预测值。

步骤8将修正后的补偿力矩预测值作为下肢康复机器人控制系统的输入量同时生成操作指令。

本发明实施例添加了进程并发控制，避免所有处理任务在中断占用时间过长，在中断服务程序中将数据层、参数层、特征层和决策层各层数据存储到内存，在软中断中实现必要数据的抽取及插值处理。中断结束后，各层数据分布在data，parameter，feature，Decision四个内存空间，在软中断中将四个内存空间的数据分别放入四个循环缓冲区，由于缓冲区自带自旋锁，避免数据的并发访问，这样的做法可充分利用系统资源，提高处理效率。

最后值得说明的是：以上各实施例仅用于说明本发明的技术方案，而非对其进行限制，尽管参见前述对本发明进行了详尽的描述说明，本领域的普通技术人员应当充分理解：在不脱离本发明思路和权利要求书所保护范围的情况下，还可以衍生出许多形式，这些均属于本发明的保护范围。

Claims

1.一种下肢康复机器人运动意图推理方法，其特征在于，所述下肢康复机器人具有由初态操作单元、运动感知单元、意图推理单元和动作执行单元组成的感知系统，所述运动意图推理方法包括以下步骤：

步骤1：完成运动数据的预处理、关联性分析和剔除冗余信息，所述运动数据包括左、右脚足底压力，髋关节、膝关节和踝关节转角值，髋关节、膝关节和踝关节扭矩值、人机接触力和下肢姿态角，所述运动数据由所述感知系统的运动感知单元获得；所述预处理包括将运动数据进行统一数据格式、降噪滤波处理和归一化处理，所述关联性分析包括对预处理后的运动数据进行自相关性和互相关性分析获得运动数据关联置信度；

步骤5：在行走体态中通过模糊推理完成步态子相的分类，获得步态子相类别，所述步态子相类别包括跖屈控制相CP、背屈控制相CD、跖屈动力相PP、摆动相SW；

步骤8：将修正后的补偿力矩预测值作为下肢康复机器人控制系统的输入量同时生成操作指令。

2.根据权利要求1所述下肢康复机器人运动意图推理方法，其特征在于，所述步骤1的数据关联性分析采取图表相关分析、协方差及协方差阵分析、一元回归及多元回归分析、信息熵及互信息分析、灰色关联分析、基于相关比和相关系数的数据关联程度分析中的一种或多种组合。

3.根据权利要求1所述的下肢康复机器人运动意图推理方法，其特征在于，所述步骤2的特征信息片段提取方法采取基于统计方法的特征提取、基于模型的特征提取、基于变换的特征提取、基于分形理论的特征提取中的一种或多种组合。

4.根据权利要求1所述的下肢康复机器人运动意图推理方法，其特征在于，步骤3中所述先验知识库通过机械式运动捕捉、声学式运动捕捉、电磁式运动捕捉、运动图像捕捉、骨骼点深度信息捕捉的运动捕捉方式以及Vicon、NaturalPoint、Polhemus、SegaInteractive、MAC、X-Ist、FilmBox、MotionAnalysis、Kinect运动捕捉设备中的一种或多种组合获取。

5.根据权利要求1所述的下肢康复机器人运动意图推理方法，其特征在于，所述步骤4的相似性度量采取改进的欧几里得ED距离公式：

6.根据权利要求1所述的下肢康复机器人运动意图推理方法，其特征在于，所述步骤5中模糊推理的输入为所述运动数据，输出为所述步态子相类别的隶属度，选取最大隶属度的步态子相类别作为步态子相分类结果。

7.根据权利要求1所述的下肢康复机器人运动意图推理方法，其特征在于，所述步骤6中的神经网络是一种CNN前馈型卷积网络，网络输入为步态子相的分类结果和带标记运动数据中的髋关节、膝关节和踝关节扭矩值，网络输出为髋关节、膝关节和踝关节扭矩值的补偿力矩的预测值。