1.基于深度学习模型融合的步态子相位预测方法，其特征在于，包括以下步骤：

S1：采集不同个体穿戴下肢康复外骨骼机器人在多种速度下的多源步态数据，同时使用摄像机记录行走过程视频；采用统一标记事件标志实验开始，以精准对齐多源步态数据与行走过程视频的时间戳；

S2：对采集到的多源步态数据进行预处理，并基于地面接触力与行走过程视频为预处理后的多源步态数据分配相应的步态子相位标签；

S3：采用滑动重叠窗口技术将多源步态数据划分为固定长度的时间窗口，为每个窗口分配真实标签Tlabel与预测标签Plabel，并设置预测时间提前量Pw，以构建标准化的监督学习训练数据集，其中，Tlabel 表示当前时间窗口内步态子相位的最高频次标签，Plabel 表示与当前时间窗口相距Pw步长的时间窗口的Tlabel ；

S4：通过层级融合卷积神经网络CNN、双向长短期记忆网络Bi‑LSTM、多头注意力机制MHA，形成深度学习模型融合架构，构建步态子相位预测模型；

S5：采用贝叶斯优化算法对模型超参数进行自动化寻优，以探索出最佳的超参数组合；

随后，使用分层K折交叉验证策略进行模型训练与评估，并启用模型检查点机制防止过拟合；

S6：定义稳定预测时间Pstable，并结合经典指标全面评估步态子相位预测模型的预测性能；所述的稳定预测时间Pstable，其具体定义如下：如果模型对步态子相位切换时刻连续做出三次正确预测，则上述预测被认为是稳定预测；基于这一定义，为了更准确地描述模型的预测性能，使用稳定预测时间Pstable 来衡量稳定预测的开始时刻ts与子相位切换时刻tc 之间的间隔，计算公式为：                 （2）

S7：设置不同Pw，并统计步态子相位预测模型对应的预测准确度和Pstable；进行可视化对比，展示在不同Pw下模型的性能差异；

S8：进行逐一受试者剔除交叉验证和速度迁移鲁棒性验证实验，评估步态子相位预测模型在跨个体和速度变化条件下的适应性与稳定性，并分别绘制箱型图，以可视化实验结果；

S9：在Simulink平台上构建模块化步态子相位预测系统架构，集成多源步态数据采集、信号预处理、在线推理及结果输出模块，并将经过预训练和交叉验证的步态子相位预测模型参数固化至在线推理模块中；

S10：实时采集多源步态数据并进行存储，将sEMG与IMU信号输入至模块化步态子相位预测系统架构，并采用多线程缓冲机制实时处理数据流，执行信号处理及在线推理模块，动态输出步态子相位的预测结果。

2.如权利要求1所述的基于深度学习模型融合的步态子相位预测方法，其特征在于，步骤S1所述的采用统一标记事件标志实验开始，以精准对齐多源步态数据与行走过程视频的时间戳，具体过程如下：在实验开始时，受试者用右脚脚尖拍击跑步机表面以产生明显的高压尖峰信号，同时动作被摄像机准确捕捉；该标记事件作为时间戳参考，确保后续采集到的多源步态数据与行走过程视频精准对齐。

3.如权利要求1所述的基于深度学习模型融合的步态子相位预测方法，其特征在于，步骤S3所述的采用滑动重叠窗口技术将多源步态数据划分为固定长度的时间窗口，每个时间窗口对应分配真实标签Tlabel与预测标签Plabel，并设置预测时间提前量Pw，以构建标准化的监督学习训练数据集，具体过程如下：S31.采用滑动重叠窗口技术，将经步骤S2处理后的多源步态数据划分成固定长度的时间窗口，窗口大小设为30个采样点，滑动步长为5个采样点；具体操作为：从多源步态数据的第一个采样点开始，截取30个采样点构成第一个时间窗口；然后，每次按5个采样点的步长向后滑动，截取相同长度的时间窗口作为下一个样本，直到覆盖整个序列；

S32.为每个时间窗口分配两个标签：真实标签Tlabel 和预测标签Plabel；其中，Pw为预设常量，表示预测时间提前量；通过这种方式，Plabel 与每个时间窗口的数据特征相映射，实现对Pw 时间后步态子相位的预测；训练数据集的输入为一个30×N的矩阵，其中N表示信号通道数；训练标签则为每个时间窗口对应的Plabel，从而实现将当前时间窗口的数据特征与Pw 时间后的步态子相位形成映射。

4.如权利要求1所述的基于深度学习模型融合的步态子相位预测方法，其特征在于，步骤S4所述的通过层级融合卷积神经网络CNN、双向长短期记忆网络Bi‑LSTM、多头注意力机制MHA，形成深度学习模型融合架构，构建步态子相位预测模型，具体过程如下：S41.通过卷积层提取输入数据的局部特征，使用二维卷积核沿时间‑空间联合维度滑动；随后，依次连接最大池化层与全局平均池化层进行特征压缩，最大池化层窗口尺寸为2×2，步长设置为2；

S42.将池化输出经向量重塑层调整为三维张量以适配Bi‑LSTM的输入格式；所述Bi‑LSTM采用四层堆叠结构，隐藏神经元数逐层递减，通过双向门控机制提取长短期依赖关系；

S43.将Bi‑LSTM末层输出分别输入三个隐藏神经元数为64的全连接层，以生成三个维度为64的查询向量、键向量和值向量；采用包含3个注意力头的多头注意力机制MHA进行特征交互建模，每个注意力头计算维度设为8；在MHA输出端设置批量归一化层进行数据分布优化，归一化的动量参数设为0.99；经全局平均池化层降维后接入包含64个隐藏神经元的中继全连接层，采用ReLU激活函数进行非线性变换；最终通过Softmax分类器输出8×1的步态子相位概率分布。

5.如权利要求1所述的基于深度学习模型融合的步态子相位预测方法，其特征在于，步骤S5所述的采用贝叶斯优化算法对步态子相位预测模型的超参数进行自动化寻优，以探索出最佳的超参数组合，具体过程如下：S51.构建多维超参数空间，所述超参数空间包含初始学习率、批尺寸、二维卷积核数量、二维卷积核尺寸及Bi‑LSTM四层隐藏神经元数五个维度；其中，初始学习率候选集合为‑5 ‑4 ‑3 ‑2 ‑1{10 , 10 , 10 , 10 , 10 }，批尺寸候选集合为 {16, 32, 64, 128, 256}，二维卷积核数量候选集合为{8, 16, 64, 128, 256}，二维卷积核尺寸候选集合{1×1, 3×3, 5×

5, 7×7}，Bi‑LSTM四层隐藏神经元数候选集合为 {16, 32, 64, 128, 256}；

S52.初始化高斯过程代理模型，基于径向基函数构建协方差矩阵，建立超参数组合与模型性能指标的非线性映射关系；通过拉丁超立方采样获取初始超参数组合集，执行模型训练并记录验证集F1分数作为目标函数值，完成代理模型的预训练；

S53.采用期望改进准则进行超参数组合优选，根据当前代理模型的后验分布计算候选超参数组合的期望改进值 ；所述期望改进值 的数学表达式为：     （1），

其中，[·]表示期望值，即基于当前模型的不确定性对函数值的概率分布进行积分； 表示在超参数组合 下的目标函数值，即模型性能；  表示当前最佳超参数组合；选择具有最大EI值的超参数组合进行实验；此过程在每一轮优化中都进行更新；

S54.迭代执行贝叶斯优化过程，选取期望改进值 最大的候选超参数组合进行模型训练，将新获得的性能数据加入训练集，更新高斯过程代理模型的超参数后验分布；通过核函数调整协方差矩阵的参数，提升代理模型对目标函数响应面的拟合精度；

S55.设置双重终止条件，当达到预设的最大迭代次数或连续10次迭代最优目标函数值改进幅度小于1%时，终止优化过程，输出历史最优超参数组合及对应的模型性能指标，并将历史最优的超参数组合应用至步骤S4构建的步态子相位预测模型。

6.如权利要求1所述的基于深度学习模型融合的步态子相位预测方法，其特征在于，步骤S7所述的设置不同Pw，并统计步态子相位预测模型对应的预测准确度和Pstable；进行可视化对比，展示在不同Pw下模型的性能差异，具体过程如下：使用速度为1.0 km/h的数据进行训练，分别计算步态子相位预测模型和基准模型在50 ms至500 ms的Pw 条件下的预测准确度和Pstable，并绘制相应的折线对比图；折线图的横轴表示Pw ，纵轴分别对应Pstable和预测准确度；在图表中，步态子相位预测模型与基准模型的评估结果通过不同的折线表示，便于直观比较两者在不同Pw条件下的性能差异；通过不同颜色、线条样式和图例区分各模型和评估指标，并对数据点进行标注以分析关键的转折点。

7.如权利要求1所述的基于深度学习模型融合的步态子相位预测方法，其特征在于，步骤S8所述的进行逐一受试者剔除交叉验证和速度迁移鲁棒性验证实验，评估步态子相位预测模型在跨个体和速度变化条件下的适应性与稳定性，并分别绘制箱型图，以可视化实验结果，具体过程如下：S81.进行逐一受试者剔除交叉验证实验，选取12名受试者在恒定速度条件下的数据，将Pw统一设定为150 ms；每次迭代保留单名受试者数据作为测试集，其余11名受试者数据构成训练集，循环执行直至完成所有受试者的轮转验证；

S82.执行多维度性能评估，针对各速度条件下的验证结果计算精确率、召回率及F1分数；采用四分位统计法生成箱型图，横轴表征评估指标类别，纵轴量化指标数值分布，通过箱体展示25%‑75%数据区间，箱须表征极值范围，离散点标记异常数据；

S83.设计速度迁移鲁棒性验证实验，建立不同的训练集‑验证集的速度组合策略，包括慢速‑中速、慢速‑快速、中速‑慢速、中速‑快速、快速‑慢速、快速‑中速六种典型速度迁移场景；

S84.实施顺序验证，针对每种速度组合策略执行端到端测试，计算跨速度预测准确度；

按照步骤S82所述的箱型图标准，绘制速度迁移鲁棒性验证实验的箱型图。

8.如权利要求1所述的基于深度学习模型融合的步态子相位预测方法，其特征在于，步骤S9所述的在Simulink平台上构建模块化步态子相位预测系统架构，集成多源步态数据采集、信号预处理、在线推理及结果输出模块，并将经过预训练和交叉验证的步态子相位预测模型参数固化至在线推理模块中，具体过程如下：S91.在Simulink平台上搭建模块化步态子相位预测系统架构，将系统划分为多源步态数据采集、信号预处理、在线推理及结果输出模块；各模块间采用标准化数据接口协议进行通信，确保实时数据流的高效传输与兼容性；

S92.在多源步态数据采集模块中集成表面肌电传感器接口与惯性测量单元传感器接口，配置数据采样率为1000Hz，输入数据为双下肢的4通道sEMG与3通道IMU信号组成的14通道生物传感数据；

S93.在信号预处理模块设置与步骤S2一致的滤波、去噪操作，并进行动态范围归一化，即基于最近10秒数据的最大最小值实时更新归一化系数；同时，在信号预处理模块部署滑动重叠窗口机制，窗口大小和滑动步长设置与步骤S31中一致；

S94.将经预训练和交叉验证的步态子相位预测模型转换为Simulink兼容的C代码形式，通过MATLAB Function模块嵌入在线推理模块；固化模型权重参数并优化计算结构以提升实时推理效率。

9.如权利要求1所述的基于深度学习模型融合的步态子相位预测方法，其特征在于，步骤S10所述的实时采集多源步态数据并进行存储，将sEMG与IMU信号输入至模块化步态子相位预测系统架构，并采用多线程缓冲机制实时处理数据流，执行信号处理及在线推理模块，动态输出步态子相位的预测结果，具体过程如下：S101.实时采集多源步态数据并存储，将sEMG与IMU信号通过多源步态数据采集模块接收原始数据流，采用时间戳对齐策略消除设备间时钟偏差，并将数据存储至环形缓冲区；

S102.启动多线程缓冲机制，分配独立线程执行信号预处理预在线推理任务，通过共享内存实现线程间数据交互；

S103.调用信号预处理模块中的预处理算法对sEMG与IMU信号进行实时滤波、去噪，并输入在线推理模块；步态子相位预测模型进行在线推理预测，将预测结果导入至结果输出模块；

S104.结果输出模块每5ms实时生成步态子相位预测结果，实现步态子相位的实时在线预测。