外骨骼机器人近年来广泛应用于康复医学与老年人辅助领域，凭借其智能控制、高适配性与良好的康复效果，受到医学界与工程界的广泛关注。其中，运动模式识别技术作为外骨骼控制的关键环节，对于实现人机协同与提升康复效率具有重要意义。然而，传统识别方法存在识别精度不高、无法充分理解人体复杂动作模式等问题，限制了外骨骼机器人的临床推广。
昆明理工大学复杂机电系统智能控制研究所聚焦运动模式识别精度提升问题，提出了融合粒子群优化与层次聚类的随机森林改进算法（PSO-RF-KNN-HC），旨在通过高精度光学动捕系统采集人体动作数据，实现七种基本运动模式的高效识别，为外骨骼控制系统提供更为可靠的数据支持，相关研究成果在国际优秀学术期刊Measurement上发表。
在实验验证环节，团队依托青瞳视觉（CHINGMU）光学动作捕捉系统搭建真实运动数据采集平台。该系统以亚毫米级定位精度、高帧率数据采集能力，实时采集11名受试者在平地行走、坐、站立、上下楼梯、上下坡等7种典型日常动作中的真实运动数据，为算法训练与验证提供可靠数据支撑。
本研究表明，融合高精度光学动捕系统与改进型机器学习算法的运动识别方案，具备高度实用价值，能够显著提升外骨骼机器人系统在康复辅助场景中的识别响应与控制效率。该方法适用于康复训练、辅助行走、老年人运动健康监测等多个场景，为智能穿戴设备与人机交互系统提供了有效支撑。
