1.一种基于多层改进ELM分类器的仿生智能动力助行器，其特征在于，包括主力足系统和辅助足系统；

所述主力足系统包括：

主力足开发板；

信号采集模块一，由集成在主力足开发板上的IMU传感器一组成，用于采集主力足脚面处的三轴加速度数据；

信号接收模块，由集成在主力足开发板上的蓝牙芯片一组成，用于通过蓝牙芯片一接收辅助足脚面处的三轴加速度数据；

信号存储模块，由集成在主力足开发板上的Micro SD卡模块组成，用于通过Micro SD卡模块存储主力足和辅助足采集到的运动数据；

相位识别模块，由安装在足底的压力传感器组成，用于通过压力传感器判断穿戴者当前处于何种运动相位；

特征整合模块，用于将主力足系统和辅助足系统采集到的250ms时间窗内数据整合并提取特征值，包括最大值、最小值、均值和标准差，形成运动特征向量，并传输给意图识别模块；

意图识别模块，使用基于多层改进ELM分类器的人体运动意图预测模型对输入的运动特征向量进行人体运动意图识别，并输出当前运动模式给动力驱动模块；

动力驱动模块，所述动力驱动模块用于接收意图识别模块的输出并根据输出实现运动控制；所述动力驱动模块由Elmo电机驱动器、直流电机、水滴轮和大马力鱼线组成；所述Elmo电机驱动器用于向直流电机供电并对其进行控制，所述直流电机的输出端与水滴轮的输入端连接，所述水滴轮通过若干大马力鱼线与助行器相连；所述直流电机通过正转或反转驱动水滴轮，水滴轮通过带动与助行器多处相连的大马力鱼线实现运动控制；

主供电模块，由一块24v锂电池组成，用于为主力足开发板、Elmo电机驱动器和压力传感器供电；

压力传感器监测模块，用于监测步态状态并提供辅助预测条件；

所述辅助足系统包括：

辅助足开发板；

信号采集模块二，由集成在辅助足开发板上的IMU传感器二组成，用于采集辅助足脚面处的三轴加速度数据；

信号发送模块，由集成在辅助足开发板上的蓝牙芯片二组成，用于通过蓝牙芯片二发送辅助足脚面处的三轴加速度数据给主力足系统；

辅助供电模块，由一块5v锂电池组成，用于为辅助足开发板供电；

所述人体运动意图预测模型包括多层改进ELM分类器、KNN分类器、输出权值相似性预测层和预测输出层；多层改进ELM分类器包括输入权重干预层、输入层、隐藏层和输出层，其中，输入权重干预层使用LR分类器，利用LR分类器的输出系数与截距，并结合GWO‑SMA算法，得到最优输出系数和最优截距，作为输入权重及隐藏层节点偏置；输出权值相似性预测层使用改进KNN分类器；所述人体运动意图预测模型通过三种预测方式对输入的运动特征向量进行人体运动意图识别，预测方式一为KNN分类器预测，预测方式二为多层改进ELM分类器直接预测，预测方式三为使用改进KNN分类器对多层改进ELM分类器的输出权值与使用所有训练数据和标签多次训练得到的输出权值矩阵集 进行相似性比较，输出预测结果；利用预测方式一、预测方式二和预测方式三对运动特征向量进行预测，分别得到预测值1、预测值2和预测值3，预测输出层的结果由预测值1、预测值2和预测值3硬投票获得，如果少数服从多数能够判断出结果，则直接输出预测结果，如果投票结果1:1:1，则结合上一个步态的预测值进行判断。

2.根据权利要求1所述的基于多层改进ELM分类器的仿生智能动力助行器，其特征在于，所述LR分类器的训练过程如下：使用Xsens MVN Awinda人体动作捕捉系统，从健康受试者身上采集5种日常运动模式下的数据，5种日常运动模式包括水平行走、上坡行走、下坡行走、上楼行走和下楼行走；

对采集的数据进行预处理，包括去噪、去除有缺失项的异常数据，并对正常数据加上分类标签：1为水平行走，2为上坡行走，3为下坡行走，4为上楼行走，5为下楼行走；使用固定

250ms的时间窗，截取每个步态周期中足跟离地状态后的传感器数据，提取各维数据的4种时域特征值，包括最大值、最小值、均值和标准差：最大值： ；

最小值： ；

均值： ；

标准差： ；

其中： 为采样样本； 为250ms时间窗内采样样本数；

使用预处理后的受试者数据训练LR分类器，并保存LR分类器的输出系数 和截距。

3.根据权利要求2所述的基于多层改进ELM分类器的仿生智能动力助行器，其特征在于，所述最优输出系数 和最优截距 的计算公式如下：；

；

其中： 和 为权重系数，且 ； 为GWO‑SMA算法优化得到的最优输出系数； 为GWO‑SMA算法优化得到的最优截距； 和 分别为LR分类器的输出系数和截距。

4.根据权利要求1所述的基于多层改进ELM分类器的仿生智能动力助行器，其特征在于，所述压力传感器监测模块在检测到脚部离地时间超过2.5s时，判定当前步态识别失败，并清除该次步态的所有预测结果；如果之前的运动阶段中步态均被正确识别，则上一个成功识别的步态预测值将被用作预置条件，参与到当前步态的辅助预测中。

5.根据权利要求1所述的基于多层改进ELM分类器的仿生智能动力助行器，其特征在于，所述GWO‑SMA算法中，黏菌权重 更新公式为：；

；

其中： 和 表示随机参数；表示黏菌个体序号； 表示黏菌数量； 和 分别表示黏菌权重和第 个黏菌个体的适应度值； 和 分别表示当前迭代中的最优适应度值和最差适应度值； 和 分别表示在当前迭代中获得的次佳适应度值和再次佳适应度值； 是当前迭代前三最优适应度值的均值； 为排序函数，定义如下：；

其中： 表示对 数列进行排序；

更新个体位置 ，分三种情况：

；

；

其中， 为随机分布黏菌个体占总体的比；随机参数 ； 为控制参数，用于控制黏菌位置的更新； 为搜索范围的上界； 为搜索范围的下界； 为 内的随机数；

为 内的随机数； 为适应度前三高的黏菌个体位置的平均值； 为黏菌权重；

为第 次迭代时适应度前三高的黏菌个体； 值为第 次迭代时随机选择的一个黏菌个体；定义所有迭代中的最优适应度值为 。

6.根据权利要求1所述的基于多层改进ELM分类器的仿生智能动力助行器，其特征在于，所述预测输出层使用的硬投票数学公式表示为：；

其中： 是最终的预测结果；是类别的索引，从1到类别总数 ； 是参与投票的模型数量； 是第i个模型对样本x的预测结果； 是指示函数； 是第 类的标签值；当时取值为1，否则为0，选择票数最多的类别作为最终的预测结果；

如果上一步被成功识别，则三种预测方式的预测结果与上一步相同的结果作为预测模型的预测结果；如果三种预测方式预测结果与上一步被成功识别的结果均不相同，则按照三种预测方式的权重分配进行判断，权重分配关系如下式所示：；

其中： 为多层改进ELM分类器的权重； 为KNN分类器的权重；

为输出权值相似性预测层的改进KNN分类器的权重。