中风患者往往会募集完整的躯干肌肉和关节来补偿受损上肢,这种异常运动模式被称为躯干代偿。躯干代偿的产生降低了康复训练效果,不利于受损上肢的恢复。因此,实现躯干代偿的自动检测与消除具有重要的临床应用和研究价值。目前,基于惯性传感器、摄像头和压力分布坐垫的间接检测方法被提出并广泛应用,并形成了以力反馈和视觉反馈为主的诸多消除方式。然而,还存在一些不足之处:一、现有间接检测方法无法表征肌肉运动状态,亟需一种直接检测方法;二、采用的力反馈控制策略过于简单,未考虑中风患者的个人差异性,并且缺少实时、动态的调整。针对以上两点不足,本文提出了一种基于表面肌电信号(Surface Electromyography,s EMG)的躯干代偿检测与消除方法,并搭建了基于s EMG信号的躯干代偿检测与消除平台以及实验验证。本文主要研究工作和贡献如下:首先,本文提出了一种基于s EMG信号的直接检测方法。采集躯干肌肉的s EMG信号并进行信号处理,利用机器学习算法实现检测与分类。结果表明使用支持向量机(Support Vector Machine,SVM)在健康参与者中取得了优于前人的检测性能,平均精度达到95.0%;在中风参与者中取得了平均83.1%的检测精度。该结果证明了基于s EMG信号的躯干代偿检测方法的可行性。其次,针对中风参与者分类性能较低的问题,本文创新性地给出了一种基于生成式对抗网络(Generative Adversarial Networks,GAN)的一维信号分类方法。结果显示使用该方法显著提高了中风参与者分类性能,平均精度达到94.6%。该分类方法有助于解决复杂的肌电分类问题。最后,本文提出了一种基于动态辅助力的康复机器人主动控制策以消除躯干代偿。引入基于Kinect v2传感器的视觉定量评估系统以量化躯干代偿消除效果。在该平台的作用下,中风参与者的躯干代偿幅度均得到了有效的消除,前倾角、躯干旋转角和肩上抬角分别减少了41.90?1.54%、41.67?5.35%和37.10?2.29%,总体消除效果优于前人。该平台实现了躯干代偿的自动检测与消除,有助于提高康复训练效果,在临床方面具有潜在的应用价值。