随着一般医疗监测设备(例如,血压仪、血糖仪等)的逐步普及,医疗卫生监测将不再完全局限于医院等公共医疗服务机构,意味着人们的健康意识越来越强。未来,无线体域网(Wireless body area network,WBAN)作为现有传统医疗监测技术的有效补充,将使医疗卫生监测更加方便。对于家庭而言,基于WBAN的感知系统可以为家庭成员提供实时、被动、无创、高精度的呼吸、心率等生命体征监测。收集这些数据很重要,因为它可以帮助评估一个人的身体健康状况,并为诊断可能的疾病提供有效的依据。对于公共医疗服务机构而言,基于WBAN的感知系统可以得到广泛的组网部署,这将有效提高居民健康状况的实时监测水平,使得医疗服务机构能够快速响应突发事件。本文通过基于信道状态信息(Channel state information,CSI)的WBAN感知技术对共济失调、不安腿综合征(Restless legs syndrome,RLS)、短暂性脑缺血发作(Transient ischemic attack,TIA)、亨廷顿舞蹈症(Huntington’s disease,HD)这几种神经系统类疾病的病征进行识别或监测,研究目的在于搭建一种基于WBAN感知技术的非接触式医疗监测平台,并探究该平台在这几种疾病病征早期预警与监测应用上的可行性,促进WBAN感知技术在医疗保健领域的应用发展。为了达到上述研究目的,本文首先叙述了国内外基于CSI的WBAN感知的发展及研究现状,其中重点介绍了体域网无线感知在医疗保健领域的应用研究。然后本文详细介绍了WBAN感知技术背后的原理,包括正交频分复用(Orthogonal frequency division multiplexing,OFDM)调制技术、CSI的概念及获取等关键点,这为本文搭建的新型医疗无线传感网分析、测试平台(Wireless sensor network test and analysis platform,WSNP)提供了理论基础。在深入了解无线体域网的应用研究现状和原理之后,本文接下来分别对WBAN感知技术在上述若干种神经系统疾病的病征监测或者是识别上的应用进行了仿真实验探究。首先结合每类应用的医学背景知识,设计了合理的实验方案。结合实际实验场景,对WSNP的参数配置进行了优化。然后利用WSNP采集实验数据,对采集到的实验数据均进行了去除异常值、小波变换去噪、选择子载波预处理操作。在这之后,给出了每一个实验动作的信号波形图。最后对预处理后的实验数据提取八个时域特征制作样本集或者是利用主成分分析(Principal component analysis,PCA)进行降维,并利用两种或两种以上的机器学习算法对样本进行分类,建立该类疾病的预测模型。使用到的机器学习算法包括支持向量机(Support vector machine,SVM)、随机森林(Random forest,RF)和反向传播神经网络(Backpropagation neural network,BPNN)。实验结果表明,本文所有的实验预测模型的精度均能达到90%以上,证明了WBAN感知技术在上述案例中的可行性和有效性。本文的创新之处在于,结合无线体域网天线与传播的有关知识,搭建了面向多尺度人体物理活动的C波段感测平台,并研究、调试有关的数据处理与机器学习方法,初步完成了面向专门科室的健康保健应用案例,验证了方法的有效性和准确性,在一定程度上促进了无线体域网领域的发展及其和其它研究领域的交叉融通。