随着我国老龄化社会的加剧，脑卒中已经成为目前世界上三大致死和致残疾病之一。然而，受我国康复资源紧张、分布不均衡等因素的限制，许多脑卒中患者无法得到完善的康复治疗和指导服务。同时，传统的临床康复评定主要依赖评定量表，容易受康复医生的主观因素影响且存在“天花板”效应，无法精细、准确地反映脑卒中患者的肢体运动功能。　　本学位论文以脑卒中患者为研究对象，以无需康复医生参与的量化、精确评定脑卒中患者的肢体运动功能为目标，旨在实现在远程环境（居家、社区等）下对脑卒中患者的肢体运动功能的实时监测、智能评定和个体化康复指导等功能。　　本学位论文的主要工作及成果归纳如下：　　首先，基于各种MEMS传感器（加速度、陀螺仪、磁力计和弯曲传感器等）开发可穿戴传感器设备，并结合ZigBee无线协议搭建无线传感器网络平台。在此基础上，利用互联网技术开发远程康复训练与评定系统，从而实现脑卒中患者肢体运动信息的实时监测。另外，为了减少可穿戴传感器设备的无线传输数据量，延长其续航能力，基于压缩感知理论设计了一种新的可穿戴传感器网络系统。　　其次，基于极限学习机算法对多传感器的信息进行了融合，建立了多传感器信息与临床Fugl-Meyer评定量表间的映射模型。实验结果表明，所建立的映射模型具有良好的泛化性能，可以准确地从多传感器信息中预测出脑卒中患者的Fugl-Meyer得分，决定系数R2可达0.918。同时，为了降低映射模型的复杂度，基于集成学习思想和遗传算法对多传感器信息中的高维特征进行降维和筛选。研究结果表明，与传统的特征选择算法相比，本文提出的方法具备更好的稳定性。　　第三，基于非线性信号分析方法（动态时间规整算法和复杂网络）构建了量化评定指标，并对这些评定指标的有效性进行了验证。实验结果表明:上述评定指标可以突破“天花板”效应的瓶颈，以更精细的方式呈现出脑卒中患者的肢体运动功能变化，从而可以帮助康复医生为脑卒中患者制定个体化的康复训练计划。　　接着，在基于压缩感知的可穿戴传感器网络系统中，考虑到多传感器信息之间存在时空相关性，提出了具备时空相关特征的多传感器信号重构算法。研究结果表明，利用提出的算法，可以大大降低了信号重构过程的计算量。此外，考虑到传统压缩感知需要进行信号重构，提出了在无需信号重构的压缩域下直接进行特征提取的设计思路，并通过实验对该思路进行了验证。实验结果表明，时域和频域下提取的特征在压缩域中保留了其本质的信息，为下一步在可穿戴传感器设备中实现“On Node Analysis”提供了一种新的途径和可能。　　最后，依托嘉兴市第二医院康复医学中心开展了临床试验研究。建立了包含医院、社区卫生中心和家庭的“三级康复医疗服务体系”示范点，并完成了对50名脑卒中患者的为期3-6个月的跟踪研究。试验结果表明，脑卒中患者在居家环境下的康复效果与在医院环境下的康复效果相当。即表明，本文提出的远程智慧康复训练与评定系统为康复医生和脑卒中患者建立了一条无缝的沟通渠道，同时也为其他疾病的远程治疗提供了一个参考与借鉴。