自主运动过程中,运动皮层和效应肌之间的功能耦合可以通过计算脑电（EEG）信号和表面肌电（sEMG）信号之间的耦合来量化。最大信息系数算法（MIC）被证明能够有效量化这种神经信号之间的耦合关系,然而实际使用中也存在计算耗时长的问题。为解决该问题,基于改进的K均值（K-means++）算法的高效聚类特性,本文提出了一种改进的MIC算法用以准确检测非线性时间序列之间的耦合强度。仿真结果表明,本文所提改进的MIC算法能够在不同噪声水平下快速而准确捕获非线性时间序列之间的耦合关系。基于脑卒中患者的右脚背屈试验结果表明,改进的MIC算法能准确捕获EEG信号和sEMG信号在特定频带上的耦合强度;相比健康对照组,脑卒中患者组的beta频段（14～30 Hz）和gamma频段（31～45 Hz）的皮质肌功能耦合（FCMC）显著更弱,beta频段MIC值与福格-迈尔评定量表（FMA）评分正相关。本研究所提算法有望成为脑卒中患者运动功能量化评估的新手段。