蘇州醫工所開發出可穿戴MEMS感測器設備

隨著我國社會老齡化的加劇，臨床康復資源愈發緊張，且存在嚴重的區域不平衡，致使許多腦卒中患者在回到家庭或社區後無法得到及時、有效的康復治療與指導服務。近年來，互聯網、物聯網和可穿戴感測器網路（Wearable Sensor Networks， WSN）等技術的發展為腦卒中患者的遠端康復訓練與評估提供了一種新的途徑，但如何保證設備長時間穩定運行卻有待解決。壓縮感知（Compressed Sensing， CS）是一種新的在採樣的同時實現壓縮目的的理論框架，能以較低的頻率採樣信號，並且可以高概率重構該信號。這為可穿戴設備的低功耗長時間運行提供了可能的解決方案。

中國科學院蘇州生物醫學工程技術研究所光健康研究中心郭立泉課題組基於各種MEMS感測器（加速度、陀螺儀、磁力計和彎曲感測器等）開發出一種可穿戴感測器設備，並結合ZigBee無線協定搭建了無線感測器網路平臺。在此基礎上，利用互聯網技術開發出了遠端康復訓練與評定系統，從而用於腦卒中患者居家或社區康復訓練與評定。為了減少可穿戴感測器設備的無線傳輸資料量，延長其續航能力，研究人員又基於壓縮感知理論設計了一種新的資訊採集系統。設備採集到的運動資料在發送前需要進行“壓縮採樣”處理，這樣可以保證通過ZigBee無線協定傳輸的資料量大大減少。在電腦端，多了一個“信號重構”環節，即利用壓縮感知理論將壓縮的資料恢復成原始信號。由於避開了高速採樣，該系統一方面顯著降低了資料存儲與傳輸代價，另一方面也給高維資料分析提供了一條新的途徑。

稀疏性分析結果表明，腦卒中患者在康復訓練過程中可穿戴設備所記錄下的運動信號具備稀疏性，因此可以利用壓縮感知對其進行壓縮。實驗結果表明在壓縮域下直接進行特徵提取，並進行後續的信號處理，可以避開傳統的壓縮感知理論框架中的信號重構環節，在減小重構過程計算量的同時，也使得下一步在可穿戴感測器硬體上實現“On Node Analysis”成為了可能。該研究成果發表在Sensors 雜誌上（Volume 16， Issue 2）。