1.一种基于肌电信号的步态识别模型建立方法，其特征在于，包括以下步骤：采集大腿上在下肢运动中的起关键作用的肌肉上的肌电信号；

对采集到的所述肌电信号进行降噪处理；

对进行降噪处理后的肌电信号的数据添加表征所对应的人体步态类型的类标签后再提取以下肌电信号特征：斜率变化率、威利森幅度、方差对数、波形长度以及特征DB7-MAV，所述特征DB7-MAV是对50hz-100hz频段的肌电信号进行DB7小波分解得到分解系数C，再对所述分解系数C进行MAV函数运算而得到的特征；

分别计算所提取的各肌电信号特征的DBI指标和SCAT指标，并将每一肌电信号特征对应的DBI指标与SCAT指标相加之和作为本肌电信号特征的综合评定结果；

将所提取的各肌电信号特征作为样本按预定比例随机分为训练样本组和测试样本组，将训练样本组的数据输入LightGBM模型中进行训练，将测试样本组的数据输入LightGBM模型中进行测试，根据训练集误差和测试集误差调整LightGBM模型中的参数，再重复进行对所述样本重新随机分组为训练样本组和测试样本组并分别输入LightGBM模型中进行训练和测试以及调整LightGBM模型中的参数的步骤，直到获得测试结果的误差符合预定标准的数据模型，将人体步态类型与所述综合评定结果之间的对应关系存入所述数据模型中。

2.如权利要求1所述的基于肌电信号的步态识别模型建立方法，其特征在于，所述起关键作用的肌肉至少包括：股外侧肌、股内侧肌、股直肌和股二头肌。

3.如权利要求1或2所述的基于肌电信号的步态识别模型建立方法，其特征在于，采集的所述肌电信号的幅值在0-10mv以内，有效频率在10Hz-500Hz范围内。

4.如权利要求1所述的基于肌电信号的步态识别模型建立方法，其特征在于，所述对采集到所述肌电信号进行降噪处理具体包括：对采集到的所述肌电信号进行梳状滤波以降低信号与噪声的叠加效应；以及通过10Hz-500Hz的IIR带状滤波器对经过梳状滤波的信号进行滤波。

5.如权利要求1所述的基于肌电信号的步态识别模型建立方法，其特征在于，所述肌电信号特征分别由以下公式获得：以下公式中，N代表肌电信号样本个数， 代表第i个肌电信号样本，公式1：斜率变化率 ，其中， =0，if  ≥T；1，

otherwise，其中，T是表征肌肉收缩水平的指标阈值，取值范围为4-6mv；

公式2：威利森幅度 ；

公式3：方差对数 ；

公式4：波形长度 ；

公式5：小波分解得到分解系数 ，其中， 是小波

基，b是转换参数，a是转换函数，a取值为，a=2k，k=[1，2，3…7]；

公式6：特征 ，其中，k取7。

6.如权利要求1所述的基于肌电信号的步态识别模型建立方法，其特征在于，所述DBI指标用于评估整体的可分性的，计算方法如下：公式7： ，其中，取6，代表六种人体步态类型，Si和 Sj是

第i个和第j个簇的分布，所述簇是指每一种人体步态类型的数据特征的集合，Di，j代表Si和 Sj之间的距离；

所述SCAT指标用于评估类与类之间的可分性，计算公式如下：

公式8： ，其中，Sw是所有类的协方差矩阵，是类之间的协方差矩阵。

7.如权利要求1或6所述的基于肌电信号的步态识别模型建立方法，其特征在于，每一肌电信号特征对应的DBI指标与SCAT指标相加之和均大于零，且斜率变化率特征的DBI指标与SCAT指标相加之和小于0.7，威利森幅度特征的DBI指标与SCAT指标相加之和小于1.3，方差对数的DBI指标与SCAT指标相加之和小于1.0，波形长度的DBI指标与SCAT指标相加之和小于1.2，以及特征DB7-MAV的DBI指标与SCAT指标相加之和小于1.5。

8.一种基于肌电信号的步态识别模型建立装置，其特征在于，包括：

信号采集模块，用于采集大腿上在下肢运动中的起关键作用的肌肉上的肌电信号；

降噪模块，用于对采集到的所述肌电信号进行降噪处理；

特征提取模块，用于对进行降噪处理后的肌电信号的数据添加表征所对应的人体步态类型的类标签后再提取以下肌电信号特征：斜率变化率、威利森幅度、方差对数、波形长度以及特征DB7-MAV，所述特征DB7-MAV是对50hz-100hz频段的肌电信号进行DB7小波分解得到分解系数C，再对所述分解系数C进行MAV函数运算而得到的特征；

指标评定模块，用于分别计算所提取的各肌电信号特征的DBI指标和SCAT指标，并将每一肌电信号特征对应的DBI指标与SCAT指标相加之和作为本肌电信号特征的综合评定结果；

训练及测试模块，用于将所提取的各肌电信号特征作为样本按预定比例随机分为训练样本组和测试样本组，将训练样本组的数据输入LightGBM模型中进行训练，将测试样本组的数据输入LightGBM模型中进行测试，根据训练集误差和测试集误差调整LightGBM模型中的参数，再重复进行对所述样本重新随机分组为训练样本组和测试样本组并分别输入LightGBM模型中进行训练和测试以及调整LightGBM模型中的参数的步骤，直到获得测试结果的误差符合预定标准的数据模型，将人体步态类型与所述综合评定结果之间的对应关系存入所述数据模型中。

9.一种基于肌电信号的步态识别方法，其特征在于，包括以下步骤：

采集大腿上在下肢运动中的起关键作用的肌肉上的肌电信号；

对采集到所述肌电信号进行降噪处理；

对进行降噪处理后的肌电信号提取以下五种肌电信号特征：斜率变化率、威利森幅度、方差对数、波形长度以及DB7-MAV特征，所述DB7-MAV特征是对50hz-100hz频段的肌电信号进行DB7小波分解得到分解系数C，再对所述分解系数C进行MAV函数运算而得到的特征；

分别计算所提取的各肌电信号特征的DBI指标和SCAT指标，并将每一肌电信号特征对应的DBI指标与SCAT指标相加之和作为本肌电信号特征的综合评定结果；

根据综合评定结果从按照权利要求1 7任一项所述的方法预先建立的数据模型中确定~所述综合评定结果所对应的人体步态类型。

10.一种基于肌电信号的步态识别装置，其特征在于，包括：

信号采集模块，用于采集大腿上在下肢运动中的起关键作用的肌肉上的肌电信号；

降噪模块，用于对采集到的所述肌电信号进行降噪处理；

特征提取模块，用于对进行降噪处理后的肌电信号提取以下肌电信号特征：斜率变化率、威利森幅度、方差对数、波形长度以及特征DB7-MAV，所述特征DB7-MAV是对50hz-100hz频段的肌电信号进行DB7小波分解得到分解系数C，再对所述分解系数C进行MAV函数运算而得到的特征；

指标评定模块，用于分别计算所提取的各肌电信号特征的DBI指标和SCAT指标，并将每一肌电信号特征对应的DBI指标与SCAT指标相加之和作为本肌电信号特征的综合评定结果；

运算模块，用于根据综合评定结果从预先建立的数据模型中确定所述综合评定结果所对应的人体步态类型；以及存储模块，用于存储所述预先建立的数据模型。