下肢康复机器人可以辅助人体完成下肢康复训练,实现下肢运动功能的恢复和重塑。在康复训练过程中,肌疲劳是相应肌肉对持续运动所作出的必然性反应。适度的肌疲劳可以刺激机体运动功能水平的提升,而过度的肌疲劳则可能会导致机体的二次损伤。所以肌疲劳的评价对于确保康复训练的有效性和安全性至关重要。表面肌电(surface electromyography,sEMG)信号由于与肌肉的功能和肢体的动作模式存在较大程度的相关性,且具有完全无创和非侵入性特点,可为评价肌疲劳提供可靠的依据。但由于sEMG信号在采集过程中不可避免会混入噪声,在实际应用中需对其进行去噪预处理。因此,探索sEMG信号的去噪方法、提取有效的肌疲劳特征和进行肌疲劳等级评价均具有重要的科研意义和临床实践价值。基于此,本文从相关方面展开研究,主要研究成果如下:(1)针对互补集总经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)方法从时域角度分解sEMG信号时会出现模态混叠导致去噪效果不佳的问题,提出一种基于优化互补集总经验模态分解(optimized NSC 119875核磁CEEMD,OCEEMD)的sEMG信号去噪方法,以抑制本征模态函数(intrinsic mode functions,IMF)的模态混叠,获得含噪低的去噪后信号。该方法首先通过在CEEMD分解过程中嵌入最小二乘互信息检测IMF的相关性,然后嵌入混沌量子粒子群优化算法寻找添加辅助白噪声幅值的最优解,以便信号在添加尽量少的辅助噪声时自适应地被分解,并通过校正函数抑制IMF的模态混叠。接着,通过选择信号主导型IMF重构去噪后信号。最后,利用所提方法与CEEMD和自适应噪声完备集合经验模态分解方法进行多方面的性能比较,验证所提去噪方法的优越去噪性能。(2)针对变分模态分解(variational mode decomposition,VMD)方法在分解含频率相近成分的信号时出现的模态混叠和重构IMF不够“纯净”的问题,提出一种基于改进变分模态分解(improved VMD,IVMD)的sEMG信号去噪方法,既从频域的角度实现sEMG信号的无模态混叠分解,也通过改进阈值小波变换进一步提高去噪能力。该方法首先构建一种三维逻辑正弦耦合映射函数,并与果蝇优化算法结合,形成三维逻辑正弦混沌果蝇优化算法(3-dimensional logistic-sine chaotic fruit fly optimization algorithm,3D LSCFOA),以提高三维空间的全局优化性能。接着,使用3D LSCFOA寻优VMD的3个主要参数的组合,以便信号被自适应地分解出无模态混叠的IMF分量。然后,融合肌疲劳特征和改进阈值小波变换对信号主导型IMF进行降噪处理,重构“纯净”IMF得到去噪后的sEMG信号。最后,利用所提方法与局部均值分解、奇异谱分析、VMD等多种方法进行模拟信号和实际sEMG信号的实验对比,验证所提方法具有抑制模态混叠adult-onset immunodeficiency的分解性能和良好的去噪效果。(3)针对大多数肌疲劳特征提取尺Erdafitinib化学结构度单一导致肌疲劳表征并不明显的问题,提出一种多尺度包络谱熵(multi-scale envelope spectral entropy,MSESEn)的肌疲劳新特征,以便在表征和评价肌疲劳进程中具有较高的敏感性和稳定性。该特征既考虑了sEMG信号潜在的复杂电位产生序列模式和相关尺度,也考虑了IMF中丰富的包络谱信息。通过[1,20]尺度范围内的MSESEn值、去噪前后sEMG信号的MSESEn提取性能比较以及MSESEn与近似熵和样本熵的特征提取性能比较这3种实验,验证MSESEn的有效性和可靠性。(4)针对现有肌疲劳特征选择不合理及极限梯度增强(extreme gradient boosting,XGBoost)模型调参困难导致等级分类效果欠佳的问题,提出一种基于自适应灰狼优化算法(adaptive grey wolf optimizer,AGWO)的极限梯度增强(AGWO-XGBoost)肌疲劳等级评价方法,显著提高肌疲劳等级评价的分类准确率。该方法首先通过主成分分析法优选出从去噪后的sEMG信号中提取的多种肌疲劳特征,建立评价模型的输入样本。然后,提出一种AGWO算法,利用AGWO优化XGBoost的参数,构建AGWO-XGBoost肌疲劳评价模型。最后,利用所提方法进行单一特征输入、未进行选择的多特征输入与优选后的多特征输入的对比实验,以及与支持向量机、深度神经网络模型和XGBoost评价模型的对比实验,验证所提方法具有较高的分类准确率和较高的运行效率。