心血管疾病的突发性导致心血管疾病死亡率越来越高,将可穿戴远程医疗技术用于监测患者心脏状况的应用也愈发广泛。由于可穿戴设备对低功耗的要求及其处理信号的能力有限,传统奈奎斯特采样定理不适用于可穿戴设备的信号采样,需要基于压缩感知理论采样信号。但在采样心电信号过程中会受到采样率和噪声的影响,造成采样后的心电信号不足够稀疏,现有的基于压缩感知的信号重构算法不能满足可穿戴远程心电监护系统对快速精确重构心电信号的需求。因此,根据系统的实际应用场景改进现有的信号重构算法并用于可穿戴远程心电监护系统成为一个亟待解决的问题。针对上述问题,本文的主要工作如下:(1)提出了一种基于压缩感知的自适应块稀疏贝叶斯学习的信号重构算法,该算法在块稀疏贝叶斯学习交叉方向乘子法框架上,在不同患者的心电数据动态地变化过程中,自适应地调整算法中交叉方向乘子法的步长,以达到监测不同生理状况患者的目标,并在公开MIT心电数据库与系统实际采集到的心电数据中验证了提出的自适应块稀疏贝叶斯学习的重构算法的有效性;(2)设计并实现了基于压缩感知的可穿戴远程心电监护系统,该系统包括采集端、数据转发端、后台服务器端和数据显示端。采集端对心电信号进行基于压缩感知理论的压缩采样,数据转发端接收压缩采样后的心电数据并完成转发。后台服务器端嵌入本文提出的自适应块稀疏贝叶斯学习的重构算法重构恢复出心电信号,以实现对患者心脏状况监测与数据分析。数据显示端用于医生查看不同患者的心电数据信息,并给出具体的诊断结果和建议。本文对基于压缩感知的可穿戴远程心电监护系统进行了功能和性能上的整体测试。测试结果表明,系统能够通过可穿戴设备对患者心电信号实现基于压缩感知理论的压缩采样,通过网络传输到远端服务器后快速精确重构恢复出患者的心电信号。系统整体功能运行准确且性能稳定,实现了远程监测患者生理状况的目标。