系统工程集系统、控制、信息等学科相互交融,在康复医疗领域有广泛的应用。上肢康复机器人融合了临床康复医学与辅助康复学,为卒中患者的上肢康复提供了新的技术路径,其研究涉及康复医学、机器人学、生物医学、人工智能等学科和系统的高度交叉。其中,生物电信号介入康复医学领域,为传统的卒中康复疗法提供了新的辅助方案。卒中患者康复阶段主要分为患病期、软瘫期、痉挛期和康复期,不同阶段需要康复机器人提供不同的最优辅助力,多数康复机器人的辅助康复训练过程,是根据康复医师设定的固定参数值进行训练^[1]。包含患者主动意识的脑电信号（Electroencephalogram,EEG）结合康复机器人控制系统,为优化康复机器人辅助运动控制带来了可能。目前基于EEG的康复机器人辅助设备,能够提供基本的方向离散逻辑控制指令^[2],如左、右信息。辅助力的施加则不仅需要识别方向,而且需要识别力的大小信息。基于EEG的辅助力解析与识别,为康复机器人在患者不同康复期辅助力的施加,提供了新技术途径。本研究以上肢康复机器手辅助训练过程中三分类辅助力EEG的识别为目标,首先设计了不同辅助力训练的实验范式,其次采集辅助力EEG数据,确定辅助力的有效频段,然后提取辅助力相关特征,最后采用支持向量机（Support Vector Machine,SVM）对EEG数据进行三分类辅助力识别。主要研究结果如下:（1）根据不同康复期的辅助力需求,设计包含三种训练状态的实验范式,获得不同辅助力EEG数据,并对数据进行预处理操作,作为识别的数据基础。（2）提取辅助力EEG的近似熵和样本熵值特征并进行统计检验分析,在分析近似熵与样本熵算法的基础上,证实三类辅助力EEG的信号复杂度存在一定的特异性差异。（3）确定了辅助力EEG的有效频段。针对辅助力EEG信号高度非平稳,信噪比低等特点,将辅助力的有效频段作为分析的入口点,分析和选择激活的大脑区域并确定辅助力EEG的相关通道。利用小波包变换（Wavelet PacketTransform,WPT）结合功率谱方法确定不同频率范围内相关通道EEG能量分布状态,确定辅助力EEG的有效频段为7.33-7.81Hz和8.30-8.79Hz。（4）分析了辅助力EEG的激活态和非激活态。首先,采用小波能量阈值算法和两级的共空间模式（Common Spatial Patterns,CSP）算法对非激活态与激活态的辅助力1和辅助力2两两进行识别,并将两种算法对辅助力EEG的识别率进行对比分析,选择最优算法;其次,基于CSP,将非激活态当做一种单独的状态,提取能量特征,与激活态的辅助力1和辅助力2进行多级分类识别,取得了平均80%以上的分类正确率。（5）识别不同辅助力EEG模式。将近似熵值和样本熵值作为特征对三类辅助力EEG进行分类,并与能量特征进行对比分析,确定信号能量为辅助力脑电EEG最优分类特征;以信号能量作为特征,分析辅助力EEG在不同频段范围的分类识别正确率,结果表明,随着辅助力的增加,EEG能量值会向高频段逐渐移动,且当辅助力达到最大值时,EEG能量值达到最高,辅助力EEG在4-8Hz和8-12Hz频段分类准确率最高,分别达到了78.84%和80.31%;采用蚁群算对通道进行优化选择,可知该通道优化算法可以进一步减少相关通道数目,同时实现可信的分类准确率。