背景:下肢外骨骼机器人用于恢复患者的基本行走能力,要实现人-机的高度协同和制定机器人控制策略,就要对包括步态在内的人体下肢运动意图进行识别.目的:提出一种新式分类器,利用人体表面肌电信号进行步态识别.方法:首先,采集人体5种步态模式的下肢表面肌电信号;其次,对采集的信号进行降噪和特征提取以获得5种步态模式的数据集,并将其两两结合形成10组数据集;再次,将每组数据集的训练集按照AdaBoost算法规则输入至概率神经网络进行训练;从次,将已训练概率神经网络集成获得10个强分类器;最后,将测试集样本输入到10个强分类器并采取投票机制判断其所述类别.结果 与结论:实验使用改进AdaBoost算法对5种步态模式进行识别,取得了90.2％的平均识别率;将其与仅使用一个概率神经网络进行对比,单独使用概率神经网络时的平均识别率为68.2％,低于改进AdaBoost分类器的平均识别率;将弱分类器更换为支持向量机、BP神经网络、决策树构建强分类器进行对比,当仅使用一个弱分类器时,支持向量机的平均识别率高于概率神经网络,然而将弱分类器使用改进AdaBoost算法集成以后,以概率神经网络为弱分类器时的识别率相较于以支持向量机为弱分类器时84.3％的识别率更高.