现如今,随着人工智能和互联网等计算机辅助技术的兴起,数字健康相关研究迅速增加,越来越多的新技术被广泛应用于康复领域。我国目前脑卒中患者数量多,脑卒中康复资源远不能满足患者的长期康复需求,此外受到新冠肺炎疫情的影响使得脑卒中患者定期返回医院进行检查变得困难,高昂的治疗成本也给患者家庭带来持续负担。脑卒中患者在出院后需要进行长期系统的上肢康复以恢复上肢的运动功能,然而由于存在心理障碍因素和缺乏主观积极性,仅有少数患者在出院后能保持较高的康复积极性并按照康复医师的要求按时完成康复训练计划。与此同时康复医师无法及时追踪掌握患者每次日常康复的完成情况和相关康复训练数据,难以针对性地及时对每名患者的康复计划做出调整从而提高康复效率。针对上述问题本文主要做了以下两点工作:（1）本文基于互联网、机器学习与软件开发等技术,设计了基于移动设备的上肢功能康复系统,患者通过手持或绑定智能手机在患侧上肢处,在进行康复训练时,康复系统通过智能手机内置的多种传感器实现对上肢康复训练动作惯性数据的实时获取,随后通过互联网将上肢康复训练动作数据发送到远程服务器端,并利用动态时间规整-K最近邻（DTW-KNN）对多维惯性传感数据进行计算处理分析,从而实现对上肢康复动作完成情况的分类评判。实验结果表明,DTW-KNN能够较好地对不同完成情况的肘关节屈曲上肢康复动作做出较为准确的分类评判。此上肢功能康复系统不受时间空间的局限,患者在家即可自主进行有效的上肢康复训练,医师可及时调整康复方案,较大程度上弥补了传统上肢康复方法的不足,降低了脑卒中上肢康复医疗成本,有效缓解了康复医师短缺的现状。（2）本文利用设计的上肢功能康复系统采集的一系列上肢康复动作惯性传感数据具有明显的时序性。因此本文引入具有良好处理时序数据能力的两种循环神经网络（RNN）:长短期记忆（LSTM）神经网络和门控循环单元（GRU）神经网络,并基于上肢功能康复系统采集的多维惯性传感数据特性构建循环神经网络分类模型,最终实现对多种上肢康复动作不同完成情况下的分类评判。实验结果表明:DTW-KNN对于肘关节屈曲、肘关节屈曲＆前臂外展和肩关节前屈三种上肢康复动作的总体分类准确率分别为72.2%、47.2%和69.4%,LSTM和GRU分别对应的分类准确率分别为97.2%、94.4%、91.7%和97.2%、83.3%、94.4%,两类神经网络模型分类准确率相比于DTW-KNN分别提高了25%、47.2%、22.3%和25%、36.1%和25%。此外神经网络模型用于分类的时间远少于DTW-KNN,并且GRU在与LSTM具有同样高的分类准确率情况下,在分类时间上更优于LSTM。