脑卒中是一种脑组织受损伤急性疾病,近年来中国的脑卒中发病率不但没有下降的趋势,致残率也在不断升高。传统上肢康复技术康复周期长且枯燥,康复费用昂贵以及康复效果不佳。基于以上问题,本文采用功能性电刺激（Functional electrical stimulation,FES）作为脑机接口（Brain Machine Interface,BMI）环节中的外部控制环节,在运动想象重建患者神经元通路时,采用弱电流刺激肌肉收缩来提高康复效果,促进永久性康复。本文对上述BMI-FES上肢康复技术展开研究。BMI-FES上肢康复技术中最为核心的部分为脑电信号（Electroencephalogram,EEG）预处理,脑电信号特征提取与脑电信号分类。针对传统去噪算法对脑电信号中的伪迹去除效果不佳,本文提出了一种经验模态分解算法联合改进的独立成分分析算法的去噪算法,对原始脑电信号中的噪声和伪迹进行去除。针对传统的脑电信号特征提取算法提取的脑电特征信息过于单一的问题,首先本文采用双树复小波变换将不同频段的脑电信号进行重构,提取其能量均值特征,然后将重构的脑电频段继续用滤波器共空间算法进行提取空域特征,得到多域融合信息特征。最后采用Light GBM（Light Gradient Boosting Machine）集成算法进行分类,针对Light GBM算法参数过多手动调参容易陷入局部最优,本文基于遗传算法（Genetic Algorithm,GA）与Light GBM算法,提出了一种GA+Light GBM分类算法,提高模型的鲁棒性与自适应性。采用传统方法和本文方法对同一段脑电信号进行去噪和伪迹去除,得到两者处理信号后的信噪比和均方误差进行对比发现,本文提出的EMD+Picard ICA信噪比更高,均方误差更低。对8名脑卒中的左右手运动想象脑电信号数据进行分类,并与传统的方法的进行对比,本文提出的GA+Light GBM分类器在8位受试者中的平均准确率达到88%左右,平均的识别准确率最高,不同受试者的准确率方差更小。本文针对脑卒中上肢康复设计了脑电信号采集实验范式,上肢康复动作以及反馈实验。以STM32F103ZET6芯片为基础设计了4通道FES下位机。基于Open Vi BE与Python搭建了脑电信号在线识别康复实验平台。本文还探讨了有无视觉反馈对准确率的影响,无反馈时的准确率为75.34%,与有反馈的情况相比,受试者的准确率提高了3%左右。加入电刺激与视觉反馈的在线识别准确率为82.1%。患者在经过脑机接口康复系统四周治疗后,其参与想象的神经元增多,FMA评分升高,脑电信号能量较治疗初期有所提高,说明本文系统的有效性。