程云飞，叶娅兰*，侯孟书，何文文，李云霞

(1. 电子科技大学计算机科学与工程学院 成都 611731；2. 电子科技大学自动化工程学院 成都 611731)

近年来，人们对于自身健康越来越关注，基于可穿戴设备的远程健康监测得到了快速发展[1]。由于可穿戴设备对于功耗有着严格的要求，传统的奈奎斯特采样方法很难满足长期连续监测对于低功耗的需求，而压缩感知 (compressed sensing, CS)理论[2]很好地解决了这一问题。相较于奈奎斯特采样方法，压缩感知可以以较低的采样率对信号进行压缩采样，然后利用非线性的压缩感知重构算法从较少的采样值中重构出原始信号。通常，压缩感知假定信号在时域或某些变换域中是稀疏的，并利用信号的稀疏性来精确地重构信号。因此一些经典的针对稀疏信号的压缩感知重构算法被提出，如CoSaMP[3]、SL0[4]、BM-MAP-OMP[5]等。但是，有许多信号无论在时域还是在其他变换域中都是非稀疏的，如可穿戴远程健康监测系统中采集的生理信号[6]。因此，大多数压缩感知重构算法都不能很好地处理非稀疏生理信号。

为了解决非稀疏生理信号的压缩感知重构问题，文献[7]提出了一种块稀疏贝叶斯学习(block sparse bayesian learning, BSBL)框架以从压缩数据中恢复非稀疏信号，并基于边界最优化方法(bound optimization, BO)提出了BSBL-BO 算法，该算法可以以较高的精度直接从时域对非稀疏生理信号进行重构。然而该算法的时间复杂度较高，收敛速度慢，很难满足可穿戴远程健康监测系统对于实时性的要求。而文献[8]在BSBL 框架的基础上提出了BSBL-FM 算法，该算法虽然一定程度上提高了BSBL 算法的速度，但是其对于非稀疏信号的重构精度却无法保证。……