随着国内外老龄化程度的不断加深,老年人的健康问题得到广泛的关注。脑卒中作为发病率最高、危害较大的疾病,其后遗症所引起的上肢运动功能缺失的问题成为国内外研究的热点。目前,针对患者单侧上肢运动功能缺失的问题,一种方法是通过康复师辅助患者进行康复训练,但这种方法康复师的劳动强度过大;另一种方法是通过康复机器人进行辅助训练,但传统康复机器人只能带动患者进行单一、重复的运动训练,患者参与感低,人机交互能力差。为解决这些问题,本课题以上肢康复机器人为平台,融合加速度与表面肌电信号（sEMG）,进行患者健肢的动作识别,并根据识别出来的动作规划运动轨迹,控制上肢康复机器人带动患肢进行轨迹跟踪,以实现患者自身健肢带动患肢进行训练、解放康复师、增强患者参与感、提高人机交互能力的作用。本课题主要工作如下:（1）加速度、sEMG信号的采集与预处理。针对实验平台,选择5男5女10位受试者和7个动作,进行2个轴的加速度信号和6个通道sEMG信号的同步采集。采用卡尔曼滤波法对加速度信号进行去噪,提出改进阈值函数的小波去噪法,有效去除sEMG的基线漂移与高频噪声,解决了传统小波去噪不能解决的问题。然后为减少处理的数据量采用分帧法进行有效信号段的提取。（2）基于加速度、sEMG信号融合的动作识别。对加速度信号提取时域、频域各2个特征;对sEMG信号提取时域、频域各3个特征。针对特征数量多、维数高的情况,以DBI为评价指标对特征的相似度进行评价,选出最佳融合特征PSD+SK+MAV+MPF进行分类识别。用粒子群算法对SVM的C和g参数进行优化,以识别率和运行时间为指标证明了PSO-SVM分类器比SVM、GA-SVM分类器效果更好,实现了7种动作的有效识别,动作识别率达到了92.86%。（3）基于动作识别的上肢康复机器人控制研究。建立患肢二连杆模型,根据二连杆关节角度与末端位置关系,对患肢动作进行轨迹规划,控制电机转速使康复机器人对末端轨迹进行跟踪,引入模糊PID算法实现对轨迹跟踪的快速性、准确性。并对规划的轨迹进行电机转速与末端位置跟踪的仿真,证明控制方法与策略的可行性。（4）基于上肢康复机器人平台的动作识别与轨迹跟踪验证。采用Fourier M2上肢康复平台,设计健肢的动作识别实验与康复机器人带动患肢进行轨迹跟踪的实验。利用PSO-SVM模型得到7个动作的在线识别率为91.6%,证明两种信号融合对动作识别的高准确性;采用模糊PID实现了对规划轨迹的准确跟踪,实现了用健肢带动患肢进行康复训练的目标,解放了康复师,增强患者参与感与人机交互能力。