中风后患者需要持续的康复治疗来恢复因发病而造成的功能障碍，因此需要监测设备。脑电信号反映了大脑的电活动，这也表明了中风后患者的恢复情况。然而，脑电信号处理模型需要提供中风后状态的信息。深度学习的发展使其可以应用于中风后患者的识别。本研究提出了一种利用卷积神经网络（CNN）识别中风后患者的方法。小波作为机器学习的一个特征，用于提取脑电信号信息，反映中风后患者的状况。这个特征是Delta、Alpha、Beta、Theta和Mu波。此外，还根据中风后脑电信号的特点添加了这五个波的振幅特征。结果表明，特征配置对于区分至关重要。具有振幅和Beta特征的测试数据准确率为90%，而没有振幅或Beta特征的测试数据准确率为70%。实验结果还表明，自适应矩估计（Adam）优化模型比随机梯度下降（SGD）更稳定。但SGD可以提供比Adam模型更高的准确率。