面临着日趋严重的老龄化、脑卒中等问题,当代社会已有越来越多的人群忍受着下肢运动功能障碍的困扰。辅助下肢运动功能障碍患者独立行走,可增加患者的社会归属感和自信心,并减轻看护人员的工作负担,具有重要的社会意义。目前,基于声音、按钮等传统控制方式的康复助行设备,并不适合言语不通、肢体操作能力弱、认知能力差的高龄老人或者脑卒中患者。因而,采用脑-机接口技术识别人体的自发运动意图来控制康复助行设备以解决这个难题。但是,当前基于脑-机接口技术识别人体运动意图的研究,大多仍局限于离散动作状态的识别,这与日常生活中的连续动作相背离。并且这些研究仅关注运动状态的离线识别,缺乏对实时性能的考虑和在线的验证,这些都导致脑-机接口技术在实际应用时受到了限制。因而本课题中采用基于大脑血红蛋白信息的脑-机接口技术实时地识别行走意图以期望控制康复助行设备。同时,为了提升患者控制设备的自适应性和识别算法的实际应用价值,课题还研究了步态调整意图的连续状态判别方法。课题主要研究内容及方法如下:(1)设计了步长增加、步速增加、步长减小以及步速减小的四种步态调整的步行实验,并招募了 30位志愿者参加实验,应用近红外脑成像设备采集志愿者在步行实验时的大脑血红蛋白信息。(2)研究了行走意图的识别方法。为满足实时性的要求,提出了基于Teager-Kaiser能量算子的实时特征快速提取方法。在面对大数据量、非均衡的建模任务时,采用了基于梯度提升树(Gradient Boosting Decision Tree,GBDT)算法的决策模型。(3)研究了步态调整意图的识别方法。为过滤环境、生理等干扰噪声,提出了基于形态学滤波的组合滤波方法。针对被试头颅大小差异,提出了基于熵权法的子脑区划分以及血氧浓度计算方法。为满足实时性的要求,采用了滑窗法来提取时域以及相关系数特征。在面对步态调整的多状态识别任务时,提出了基于Stacking算法集成GA-SVM(Genetic Algorithm-Support Vector Machine)的决策模型。(4)搭建了脑-机接口的在线验证平台,整合了行走意图与步态调整意图的离线识别模型,实现了在线识别算法,通过控制机器人做出相应动作,完成了对10位被试的在线测试和算法优化。最终在线验证的行走意图和步态调整意图识别率依次为100%和70%,误判率依次为2.91%和0.70%,识别延时依次为0.39±1.06秒和-0.71±2.01秒,算法的执行时间为36.99±4.20毫秒。该结果证明了基于大脑血红蛋白信息识别行走及步态调整意图并控制康复助行设备的可行性。本课题探索了基于脑-机接口技术识别动态调整意图的新方法,实现了行走以及四种步态调整意图的实时判别,并取得了较高的判别准确率。本课题的研究提升了基于大脑信息的运动意图识别算法的实际应用价值,提升了基于脑-机接口技术的助行设备的智能性和自适应性,为将脑-机接口技术深入应用于康复医疗领域做了初步尝试。