脑卒中上肢运动功能评定是脑卒中康复治疗中十分重要的一环，但传统的康复评定方法多依靠医生经验，不仅费时费力，而且方法众多，特色各一，不利于比较交流，尤其在居家康复中，一个标准的简洁、客观、定量的自动评价方法显得尤为重要。《国际功能、残疾和健康分类》(International Classification ofFunctioning, Disability, and Health, ICF)提供了一个全面标准的语言框架用来描述健康和功能状况；由多个传感器节点组成的躯体传感网可以实现运动评估的自动化和定量化。本文从康复评估的标准化和自动化两个方面入手，基于躯体传感网采集的运动数据，利用信号处理和机器学习的方法建立一个可以自动评估的脑卒中上肢运动功能ICF最小核心组合，主要内容如下：第一，核心组合的开发：根据ICF具体分类和标准化链接规则，选取临床上最常用的脑卒中偏瘫运动功能评价量表Fugl-Meyer量表与ICF相关联，将上肢Fugl-Meyer量表划分为三个部分——肩肘运动部分、腕活动部分和手指运动部分——分别对应三个ICF类目——b760随意运动控制功能、b710关节活动功能和d440精巧手的使用功能，从而构成脑卒中上肢运动功能ICF最小核心组合；第二，自动评估系统的建立：根据专家经验，从Fugl-Meyer量表中选取7个动作，采用由两个上肢节点（加速度传感器）、一个康复手套（弯曲度传感器）和一个接收节点组成的无线躯体传感网系统采集24名脑卒中患者的运动数据，分别建立Fugl-Meyer量表肩肘部分、腕部和手指部分得分的自动预测模型，并将模型输出的Fugl-Meyer得分通过一定的规则“转换”为相对应的ICF类目限定值，从而实现脑卒中上肢运动功能ICF最小核心组合的自动评定。第三，多种预测模型的对比研究：分别采用支持向量回归(Support VectorRegression, SVR)算法和极限学习机(Extreme Learning Machine, ELM)算法建立单个动作Fugl-Meyer得分预测模型，并将单个动作预测结果进行加权平均建立综合预测模型。交叉验证结果表明，ELM模型可以获得和SVR近似的模型性能，但效率更高，且综合预测的结果要优于单个动作预测的结果。第四，原始模型的改进研究：针对原始ELM算法中激活函数和隐层节点个数对数据集具有强依赖性的局限性，提出基于混合激活函数的ELM算法(Hybrid-ELM)，并结合遗传算法进行特征选择，结果表明，改进后的模型更加快速高效。采用本文构造的混合激活函数，在7个动作数据集上都能获得较好的模型性能，省去了对每个动作分别寻找最佳ELM参数的繁琐过程，且遗传算法所选出的特征具有更加清晰的物理意义。