近年来,因疾病、事故和人口老龄化导致的上肢运动障碍患者数量逐渐增加,传统人工辅助康复技术存在效率低下的问题,康复机器人辅助训练技术成为研究热点。然而,现有的康复机器人系统主要研究患者的运动意图和身体疲劳状况,忽略了患者的情绪状态。若不能准确掌握患者情绪状态会影响患者的康复训练效果,甚至会对患者造成二次伤害。针对患者的焦虑情绪在康复训练中识别率低、缺少有效分级等问题,本文构建了基于脑电（EEG）、肌电（EMG）特征融合的GA-PSO-SVM焦虑状态评估模型,并在上肢康复训练中实时评估患者焦虑状态,提高了情绪识别率,实现三级焦虑情绪识别。焦虑状态评估结果控制机器人实时调整训练任务等级,提高康复训练效果。具体研究工作如下:（1）EMG和EEG数据采集。针对焦虑情绪的特殊性,设计过轻、正常和过重三种挑战难度的训练任务,选取任务完成方式诱发轻度、中度和重度三种焦虑状态。依据EEG和EMG信号产生原理,确定脑电和肌电采集通道为11个和2个。选取6男4女共10名受试者采集EEG和EMG信号。（2）EMG和EEG预处理及特征提取。提出一种自适应排列熵小波阈值去噪方法,有效去除EMG的高频噪声等干扰。选用陷波器和带通滤波器组合去除EEG中的工频噪声以及高频噪声,并采用ICA法去除EEG中的眼电伪迹。对EMG信号提取5个时域特征和3个频域特征,对EEG信号提取3个时域特征和2个频域特征。针对EEG、EMG信号非线性的特点,采用变分模态分解法提取IMDF、IMNF、SC、LZC、Samp En等时频域特征。（3）构建GA-PSO-SVM的焦虑状态评估离线模型。使用PCA-Relief F-SVM去除EEG和EMG信号中的冗余特征,得到16个特征融合分量。针对粒子群（PSO）局部最优问题,引入全局最优的遗传算法（GA）,提出一种改进的GA-PSO融合算法。选取识别率较高的两个特征IEMG+LZC,输入到GA-SVM、PSO-SVM、GA-PSO-SVM中,以识别率、运行时间为指标,得到最优分类器GA-PSO-SVM。最终利用脑、肌电特征融合的焦虑情绪识别率为83.325%,相比单纯使用肌电特征和脑电特征分别提高了9.4%、9.1%。（4）基于上肢康复平台的焦虑状态在线识别验证。采用Fourier M2上肢康复平台,设计焦虑状态评估的主动训练实验,利用GA-PSO-SVM模型得到焦虑状态在线识别率为71%。此外,康复机器人系统根据焦虑状态自适应调整训练等级,提高康复训练效果。