OFweek可穿戴设备新闻随着我国社会老龄化加剧，临床康复资源日益紧张，且存在严重的地区不平衡，导致许多大脑问题。
脑卒中患者回到家中或社区后无法得到及时有效的康复治疗和指导服务。
近年来，互联网、物联网、可穿戴传感器网络（WSN）等技术的发展为脑卒中患者的远程康复训练和评估提供了新的途径。
但如何保证设备长期稳定运行尚不清楚。
等待解决方案。
压缩感知（CS）是一种在采样的同时实现压缩的新理论框架。
它可以以较低频率采样信号并以高概率重建信号。
这为可穿戴设备低功耗长期运行提供了可能的解决方案。
中科院苏州生物医学工程技术研究所光健康研究中心郭立泉课题组基于各种MEMS传感器（加速度、陀螺仪、磁力计、弯曲传感器等）开发了一种可穿戴传感器装置，并结合ZigBee 无线协议。
无线传感器网络平台。
在此基础上，利用互联网技术开发了远程康复训练和评估系统，可用于脑卒中患者的家庭或社区康复训练和评估。
为了减少可穿戴传感器设备的无线传输数据量并延长其电池寿命，研究人员设计了一种基于压缩感知理论的新型信息采集系统。
设备采集的运动数据在发送之前需要进行“压缩和采样”，这样可以保证通过ZigBee无线协议传输的数据量大大减少。
在计算机端，多了一个“信号重建”环节，利用压缩感知理论将压缩后的数据恢复为原始信号。
通过避免高速采样，该系统显着降低了数据存储和传输的成本。
另一方面，也为高维数据分析提供了新的途径。
稀疏性分析结果表明，中风患者康复训练过程中可穿戴设备记录的运动信号是稀疏的，因此可以采用压缩感知对其进行压缩。
实验结果表明，直接在压缩域进行特征提取以及后续的信号处理可以避免传统压缩感知理论框架中的信号重建环节。
在降低重建过程的计算复杂度的同时，也使得下一步成为可能。
在可穿戴传感器硬件上实现“节点分析”成为可能。
研究成果发表在《Sensors》杂志（第16卷第2期）上。