中国卒中发病率是全世界最高的国家之一,由于国家的高度重视,我国的脑血管病防治工作已初显成效,但脑卒中依然是我国成年人致死和致残的首要原因。因此,我国脑卒中的防治工作刻不容缓,患者的康复体系亟待完善。在脑卒中患者的肢体功能恢复过程中,需要穿戴配有MEMS传感器的康复设备辅助进行一些特定动作的康复训练,本文围绕着提升MEMS加速度计精度以及利用MEMS传感器数据对人体动作姿态进行识别问题展开了一系列研究工作:(1)为了确保加速度传感器数据的准确度,不影响动作识别的精度,我们需要进行加速度数据校准。在此背景下,本文从误差分析出发,建立了参数校准模型,提出了一种利用冗余加速度向量来计算自动校准增益的方法,再根据计算得出的增益来对加速度传感器所产生的数据进行校准。最后,通过实验验证了所提出校准方法的准确性和鲁棒性。(2)目前,上肢姿态识别研究仍处在初级阶段,由于客观环境多样性和人体姿态复杂性,上肢姿态没有公共的数据集。本文设计了上肢数据采集系统,采用MPU6050传感器模块作为数据采集设备,以三通道的数据采集方式,采集加速度信号以及陀螺仪信号作为样本数据。将采集到的加速度以及陀螺仪数据通过串口连线发送到主机,主机接收到三个传感器发送的数据后,通过串口将数据发送到电脑端。采集完毕后对数据集进行了去重、插值和特征提取等预处理,综合了更全面的肢体姿态信息,为后续的姿态识别工作提供了数据保障。(3)以识别人体姿态为目标,进行了 KNN、逻辑回归、随机梯度下降算法的实验。为了验证各算法的优越性,调整数据窗口,将各分类器的识别速度、计算时长和准确率进行了对比。针对提升人体姿态识别精度的问题,建立了基于全连接的神经网络模型。在构建网络模型的过程中,本文研究了不同隐藏层层数、激活函数和优化器对识别率的影响,经过实验对比分析,选择了识别性能较好的softplus激活函数以及adagrad优化器。最后,通过与其它分类模型对比,综合识别准确率和时间效率,验证了全连接神经网络在人体姿态识别中的优越性。