随着现代社会日新月异的发展,人们对健康给予越来越多的关注,相应地,无线体域网吸引了越来越多人的目光,人们开始研发相关技术去监测病患的生理参数。面对心血管类的疾病,其突发性要求监测系统具有实时性与稳定性,并且通常需要对数据进行压缩以获得更高的能量利用率。近年来,大量的研究已经验证了压缩感知是一种有效的解决方式,这一理论与体域网领域的融合让远程医疗更加智能化。传统的压缩感知方法在数据情况稳定状态下效果很好,然而面对实时变化的生理参数,其效果大打折扣,因此,本文基于压缩感知对无线体域网中心电重构与实时诊断进行研究。首先,在压缩感知的理论架构上,设计了无线体域网传输系统中自适应传输控制策略,同时针对ECG信号特点与传输实时性要求优化重构算法,实现重构精度与压缩性能的双重优化。为了更加灵活地传输数据,我们需要为无线体域网中的传感端、协调端以及无线传输通道建立数学模型,并利用反馈的控制思想对数据压缩率进行设计。在传感端增加压缩率估计模块,其设计目的是在满足实时性的条件下,尽可能降低压缩率,提高ECG信号的重构精度。在压缩率估计模块中,采用频域分析方式,揭示心电数据的动态特性,并对压缩率和稀疏性之间的关系进行建模。此外,使用快速K-Means聚类算法将心电信号按稀疏度分为两组,进行模型的简化,用分段非线性函数进行拟合,并将问题转换为线性规划问题。在丢包补偿模块中,设计闭环模块和控制过程,制定压缩策略,基于信道状态和数据稀疏度对压缩感知参数进行更新估计,以降低丢包干扰带来的影响,为ECG信号进行实时高精度特征识别与远程诊断打下基础。然后,改进协调端的重构算法,选择优化子空间追踪重构算法,提高了GBSP(Gradient Boosting Subspace Pursuit)算法的精度与速度。改进后的GBSP算法在更低数据压缩率的条件下,依然可以使得到的重构信号具有医疗价值,即重构误差PRD在9%以下。我们对算法中的稀疏度参数K进行向前推进式的搜索,基于机器学习中Gradient Boosting的思想,采用梯度下降方向搜索法对残差重新建立模型。在残差不可以忽略的情况下,选择多于稀疏度K个原子进入备选集合再回溯剔除。经过两次优化后,GBSP算法可以在更低的压缩率(比如30%)下控制重构误差PRD在9%以下,重构能力大大提升。最后,为满足远程医疗系统中实时监测的需求,论文设计了全新的ECG信号在线检测算法,实现高精度定位QRS波群以及获取Q波、R波、S波点位。我们先将ECG信号通过窗口积分器,使其计算滚动平均值目的是进一步平滑ECG时域信号;而后针对每一个数据点与阈值的大小关系判断当前标志旗状态,在满足一定的幅值阈值范围和时间保持阈值的条件下,识别出ECG信号相应的波形。为了提高算法鲁棒性,对所检测波形对应的幅值阈值采用自适应模式。使用MIT-BIH数据库提供的和实际硬件采集的两种来源的ECG数据,来分别检验与对比两种算法识别的准确度。进一步,利用所设计的无线体域网传输系统,在有无发生丢包的情况下,分别对得到的重构ECG信号进行特征识别,进一步验证了系统设计的可行性与鲁棒性。