自主運動過程中，運動皮層和效應肌之間的功能耦合可以通過計算腦電（EEG）信號和表面肌電（sEMG）信號之間的耦合來量化。最大信息系數算法（MIC）被證明能夠有效量化這種神經信號之間的耦合關系，然而實際使用中也存在計算耗時長的問題。為解決該問題，基于改進的K均值（K-means++）算法的高效聚類特性，本文提出了一種改進的MIC算法用以準確檢測非線性時間序列之間的耦合強度。仿真結果表明，本文所提改進的MIC算法能夠在不同噪聲水平下快速而準確捕獲非線性時間序列之間的耦合關系。基于腦卒中患者的右腳背屈試驗結果表明，改進的MIC算法能準確捕獲EEG信號和sEMG信號在特定頻帶上的耦合強度；相比健康對照組，腦卒中患者組的beta頻段（14～30 Hz）和gamma頻段（31～45 Hz）的皮質肌功能耦合（FCMC）顯著更弱，beta頻段MIC值與福格-邁爾評定量表（FMA）評分正相關。本研究所提算法有望成為腦卒中患者運動功能量化評估的新手段。