中国科学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、磁力计和弯曲传感器等）开发出一种可穿戴传感器设备。
随着我国社会老龄化的加剧，临床康复资源愈发紧张，且存在严重的区域不平衡，致使许多脑卒中患者在回到家庭或社区后无法得到及时、有效的康复治疗与指导服务。近年来，互联网、物联网和可穿戴传感器网络（Wearable Sensor Networks， WSN）等技术的发展为脑卒中患者的远程康复训练与评估提供了一种新的途径，但如何保证设备长时间稳定运行却有待解决。压缩感知（Compressed Sensing， CS）是一种新的在采样的同时实现压缩目的的理论框架，能以较低的频率采样信号，并且可以高概率重构该信号。这为可穿戴设备的低功耗长时间运行提供了可能的解决方案。
中国科学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、磁力计和弯曲传感器等）开发出一种可穿戴传感器设备，并结合ZigBee无线协议搭建了无线传感器网络平台。在此基础上，利用互联网技术开发出了远程康复训练与评定系统，从而用于脑卒中患者居家或社区康复训练与评定。为了减少可穿戴传感器设备的无线传输数据量，延长其续航能力，研究人员又基于压缩感知理论设计了一种新的信息采集系统。设备采集到的运动数据在发送前需要进行“压缩采样”处理，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“信号重构”环节，即利用压缩感知理论将压缩的数据恢复成原始信号。由于避开了高速采样，该系统一方面显著降低了数据存储与传输代价，另一方面也给高维数据分析提供了一条新的途径。
稀疏性分析结果表明，脑卒中患者在康复训练过程中可穿戴设备所记录下的运动信号具备稀疏性，因此可以利用压缩感知对其进行压缩。实验结果表明在压缩域下直接进行特征提取，并进行后续的信号处理，可以避开传统的压缩感知理论框架中的信号重构环节，在减小重构过程计算量的同时，也使得下一步在可穿戴传感器硬件上实现“On Node Analysis”成为了可能。该研究成果发表在Sensors 杂志上（Volume 16， Issue 2）。
