随着经济社会发展、交通运输规模膨胀、人口老龄化加剧等多种因素的交叉影响，创伤性骨折频繁发生，严重影响人类的生命和健康。下肢承担人体自重和实现基本运动，是骨折的常发和易发部位。下肢骨折的治疗包括复位手术以及手术后的康复。由于医师经验及术中设备的限制，传统骨折手术存在创伤大、手术风险高、难普及等不足，易发生复位不精准、二次感染等风险。同时，骨折复位与骨折康复两个过程严重脱节，且骨折康复过程缺乏有效的康复策略和量化的康复评价，常造成骨折康复盲目化、周期长甚至骨折术后不愈合等问题。集成有骨折精准复位功能和量化康复功能的机器人系统是应对上述问题的有效解决方案，已经成为学术界和工业界的研究热点。目前，骨折术后康复过程仍面临诸多挑战，如：主动康复训练中的意图识别、量化康复中评价指标的设定。本文在国家重点研发计划项目支持下，在合作团队研发的骨折康复机器人系统的基础上，根据实际临床需求，以术后主动康复、量化康复为切入点，研究基于脑电信号的运动意图识别算法、基于肌电信号的意图识别算法、骨折术后康复效果的量化评价等问题，主要研究内容和贡献如下：

分别基于脑电信号的时空特征和时间、空间、频率特征组合创新构建了意图识别模型，基于公开数据集的比较实验证明，所建立的模型可以获得比已有方法更高的识别率。一方面，将同一采样时刻所有通道的脑电信号投影到二维平面，在保留空间特征的同时将脑电信号转换为图像序列；然后采用卷积长短期记忆网络进行时空编码，生成时空特征；最后，采用卷积神经网络进一步提取特征，并采用softmax进行分类，得到基于脑电信号时空特征的意图识别模型。另一方面，利用复数Morlet波卷积将多个试次(Trial)的脑电信号转换成反映时间和频率特征的时频表示，设计注意力卷积网络提取各通道特征并赋予关键通道较高的权重，将权重和提取的特征进行聚合，并完成分类。最后，基于公开数据集的结果表明，本文的算法能够获得比已有算法更高的识别率。

针对脑电信号难以识别下肢多类运动意图、难以满足下肢骨折术后康复需求的问题，为下肢骨折患者设计了四类下肢动作，构建了基于表面肌电信号的下肢运动意图识别模型。针对四类下肢动作，采集四位下肢长骨骨折患者小腿关键骨骼肌的表面肌电信号。从数据分割长度、单特征选择、多个特征组合以及不同分类器等四个角度进行比较，设计最佳方案。结果表明：当窗口长度为200ms，选择过零点、波形长度、小波变换三种特征构成特征向量，采用BP神经网络作为分类器，可以获得最高的运动意图识别率。针对四位患者的下肢运动意图识别率分别为95.27%、96.28%、99.73%、98.16%。

提出基于表面肌电信号的康复阶段客观划分与下肢肌力评价方法，满足下肢骨折术后康复评价需求。针对康复阶段划分问题，设计50ms的数据窗口，优选平均绝对值、均方根、小波变换三种特征构成特征向量，使用支持向量机作为分类器，采用所设计的康复阶段划分模型对四位患者进行实验，可获得91.81\%的分类准确率。应用表面肌电指示下肢肌力状况，选用数据窗口为25ms，分别提取表面肌电信号的平均绝对值和均方根特征，比较健侧和患侧的肌力。结果显示：大部分患者患侧肌力明显小于健侧肌力。进而，基于该方法追踪患者患侧肌力随康复过程推进的变化情况。结果表明：患者经过一个月的康复训练，患侧腓骨长肌的力量有一定增长，朝着积极的方向发展。