随着中国社会老年化问题日益显著以及社会压力与日俱增,心脑血管疾病的发病率不断提升,越来越多的人因脑卒中等疾病而导致肢体运动障碍,极大地增加了患者家庭的压力与社会医疗的负担。因此,如何准确的评估病人的康复效果以帮助康复医师制定科学的康复治疗方案是具有重要的理论和现实意义的课题。皮层和肌肉耦合（Cortico-Muscular Coupling,CMC）能够反映人体运动神经控制系统与肌肉在运动时的信息交互与传递状态,有助于我们从系统层面去探究运动神经控制系统与肌肉之间的协同工作方式,帮助探究运动功能障碍患者的患病机理,为患者的康复治疗提供帮助和指导。本文主要研究脑卒中后病人康复过程中的皮层肌肉耦合特征,通过2通道表面肌电（Surface Electromyography,SEMG）信号和64通道脑电（Electroencephalogram,EEG）信号,计算脑电与肌电相干性（EEG-EMG Coherence）,对病人卒中后上肢康复效果评估进行深入的研究,分析病人康复过程中的皮层和肌肉耦合（Cortico-Muscular Coupling,CMC）,结合病人的卒中评分量表以及其他特征,从而找到衡量病人康复效果的最佳生物指标,利用已有的机器学习方法进行康复效果评估,主要工作及创新点如下:（1）设计了对应的实验范式,制定了相应的采集规则。使用了Trigno无线肌电采集系统采集2路SEMG信号作为肌电（Electromyography,EMG）信号,同时使用Neuracle无线脑电采集系统采集64路EEG信号。采用握拳并保持70%最大握力输出作为采集动作,通过动作肌肉贡献度分析得到采集肌肉为:肱桡肌（Brachioradialis）和桡侧腕屈肌（Flexor Capri Radialis,FCR）。（2）提出了一种基于时延估计和变分模态分解的变尺度符号传递熵（TD-VMD-STE）从频域和非线性角度对皮层肌肉耦合特征进行分析研究。该方法先对脑电和肌电之间的生理时延进行估计,在此基础上对信号进行变分模态分解,通过变尺度符号传递熵计算脑肌电信号不同模态间的耦合关系。基于显著相干面积进行拓展,将信号模态间的耦合关系转换为功能频带间的耦合关系,将各通道的脑肌电信号之间的耦合性从频域和非线性2个维度进行计算。（3）提出了脑肌功能网络（Functional Cortico-Muscular Coupling Network,FCMCN）模型,基于传统的脑网络模型进行拓展,将运动神经系统的皮层和肌肉视为一个整体,从宏观的角度对卒中状态下的运动神经系统进行建模:通过TD-VMD-STE构建脑肌邻接矩阵,借助网络全连接理论和小世界特征对阈值进行迭代计算,选择最佳阈值对矩阵进行二值化,构建FCMCN模型。最后借助图论,提取网络中的度,聚类系数,全局效率特征,对卒中康复过程中的网络特征进行分析,结果表明不同康复效果的病人在β与γ频带CMC具有差异性和特异性,β频带上的FCMCN特征在不同康复效果下有显著差异。（4）设计了基于康复效果评估的特征筛选流程,为了能够在不同频段下的脑肌信号耦合特征和FCMCN参数中找到能够作为卒中病人康复效果评估的生物标志物,使用Spearman一致性,Pearson相关性和Kendall等级相关性3种不同的分析方法,对在康复过程中具有特异性的β与γ频带上的CMC和FCMCN特征和Brunnstrom卒中评分量（布氏评分）表进行一致性分析,结果显示β频带上CMC和FCMCN特征与Brunnstrom卒中评分量表具有较强一致性,为后续对不同等级的康复效果进行分类识别做铺垫。（5）针对于脑电肌电信号非线性、非平稳的特性,本文选择了随机森林（Random Forest,RF）,支持向量机（Support Vector Machines,SVM）,K邻近（KNN）作为卒中病人康复效果的预测模型,利用β频带CMC以及FCMCN参数对病人的布式评分进行分类识别,借助3个不同分类器的准确率指标,找到能够对卒中病人康复效果进行评估的最佳生物标志特征,结果表明β频带FCMCN的度、聚类系数、全局效率联合使用在SVM上具有最高的准确率（86.80%）,β频带上的FCMCN参数能够作为卒中病人康复效果评估生物指标,相较于CMC拥有更好的性能。