随着中风患者的数量不断增加,康复医疗资源紧张引起的康复支持不足问题越发严重。传统康复依靠医护人员的经验和复杂的量表,这对发展中国家短缺的医疗资源来说是非常严峻的考验。因此,对基于传感器的生物信息反馈进行研究和应用十分有必要。当前,包括红外摄像头、表面肌电信号（Surface Electromyography,s EMG）、惯性传感器等多种传感设备已经被大量应用于康复领域。然而,仅仅采集宏观运动信息还是会忽视运动状态异常的根本原因。同时,对于诸如代偿等不正常的康复状态,基于医护人员的一对一的指导也显得十分低效。本文针对上述问题,提出利用压力分布坐垫和s EMG信号保证躯干和上肢的代偿都可以被实时检测,并通过VR和机械臂的辅助完成、被动相结合的代偿消除控制闭环,提高康复的效率和质量。本文的主要工作如下:首先,本文通过实际采集患者坐姿状态下的压力分布数据,建立了基于支持向量机（Support Vector Machine,SVM）的实时躯干代偿类别检测模型,并实现了离线和在线状态下的高识别率,平均检测精度达到了98.5%。随后提出了使用虚拟现实环境和机械臂同时对使用者进行主动和被动的代偿干预方法。接着,针对可以反映运动意图的s EMG,本文提出了上肢代偿实时检测方法。基于体重信息对最大自主收缩峰值进行预测的方法。该方法选用多种与肌力呈相关性的s EMG指标作为特征值,再应用支持向量回归（Support Vector Regression,SVR）对一系列“力-s EMG”样本点进行拟合,最后引入K-means聚类算法对实时数据进行动态过滤。实验结果表明,平均绝对值（Mean Absolute Value,MAV）是预测精度最高的s EMG特征值,在校准环节样本点较少的情况下仍然可以保持较高的预测精度（约92%）,鲁棒性较好,是进行肌肉激活程度可视化的理想s EMG特征。最后,本文通过TCP通讯和MySQL数据库将上述两个子系统相结合,并基于UR5机械臂搭建了代偿消除控制系统。该系统可以实现对患者病历信息的访问、康复模式的选择、以及对于异常行为的检测和干预等功能。基于该系统,我们对患者进行了中风代偿的消除实验,在前倾、旋转和抬肩三种代偿中,人机协同控制下的平均代偿角度分别减少了47、32和22%,有非常高的临床使用价值。