帕金森病作为常见的神经系统疾病,静止性震颤是其典型症状。本项目即是对于发病时静止性震颤进行采集研究,提出一种对帕金森病情进行分类检测的方法,利用气动肌肉研发一种辅助患者康复的可穿戴式设备,并开发其上位机使用程序。本文首先采用MEMS传感器进行六轴运动信号的采集工作。随后通过卡尔曼滤波与滑动中值滤波进行信号的预处理。在三轴信号融合与数据归一化的基础上,对信号进行时域分析,提取了包括均值,平方差等10个特征向量。之后采用滑动窗口的方式实现对时序信号的分割,并将采集数据制作成可供监督学习训练的规范样本。在帕金森静止性震颤的识别分类算法部分,首先通过主成分分析(PCA)的方式,在保证分类正确度的前提下,对数据进行降维处理。之后通过支持向量机(SVM),朴素贝叶斯算法,K近邻算法与决策树算法,完成对采集数据的训练与分类工作。训练时采用网格搜索法与随机搜索法进行参数的优化。在将不同算法进行比对后,采用软投票(Soft voting)的方式融合不同算法的训练结果。经交叉验证法测试,基于一维特征的分类准确率在95%以上,基于二维特征的分类准确率则可达98%以上。在硬件的设计实现部分,基于编织型气动肌肉,根据人体的尺寸与构造特征,分别设计实现了护臂式与外套式的两套康复设备。设备与开发板连接,通过电磁阀进行充放气控制,经测试可以有效的降低患者发病时50%-70%的震颤幅度,从而对病情起到缓解作用。在用户界面开发部分,利用基于Socket网络编程与多线程编程,实现数据到上位机的传输与储存工作。在用户界面中,实现了数据的实时可视化绘图与病情快速分类等功能。并且通过在线与离线两种模式验证实现了整套设备由感知发病震颤到控制气动肌肉抑制静止性震颤的工作。本文完成对帕金森病患者的震颤信息的监测与分类,并通过设计实现可穿戴式硬件减轻了患者的震颤幅度,从而对帕金森病人的康复有一定的帮助作用。