随着嵌入式技术、传感器技术和无线通信技术的发展,医疗设备向着便携化、智能化、无线化和网络化方向发展,各种便携的、可穿戴医疗设备被广泛用于人体健康监护和疾病诊断。对于这些设备而言,若采用传统的奈奎斯特采样定理进行信号采样,不仅会占用系统大量的存储空间,而且数据的存储和传输过程会占用系统大量的处理时间,造成系统资源浪费。压缩感知技术是一种新颖的信号处理技术,同时进行数据采样和压缩,降低了数据采集、存储和传输成本。脉搏信号中蕴含着丰富的生理、病理信息,是临床诊断和医疗监护设备中常用的信号,研究脉搏信号的压缩感知技术对于远程监护和疾病的诊断具有重大的意义。本文主要就脉搏信号的稀疏性、测量矩阵的构造以及重构方法进行了深入研究,针对脉搏信号的特点,提出了一种自适应压缩感知重构方法。主要工作如下:(1)由于时域脉搏信号是非稀疏的,本文研究了脉搏信号在DCT、DFT和DST变换域的稀疏性。实验结果表明,脉搏信号在这些变换域具有良好的稀疏性,DCT域的稀疏性最好,在此基础上对比分析了不同压缩率下各测量矩阵和几种常用重构算法的性能。(2)针对目前一些重构算法信号不能准确估计稀疏度、重构精度不高以及实时性低等问题,本文结合脉搏信号的特点,在稀疏自适应匹配追踪算法的基础上,提出一种改进的自适应匹配追踪算法。将所提出的算法用于建模的脉搏信号和实际采集的脉搏信号,结果表明:该算法能够快速、准确地估计信号稀疏度,且具有良好的抗噪性。与现有的稀疏自适应匹配追踪算法和正交匹配追踪算法相比,该算法重构速度快、精度高且受噪声和采样频率影响小,可用于脉搏信号的压缩重构。(3)针对重构前后信号的特征信息可能有所差异,本文从重构后的脉搏信号中提取了脉率变异性信号,从提取的特征进一步分析了所提出方法的准确性和实时性,并从中提取了一些特征参数采用智能学习算法对正常人和冠心病患者分类,准确率高。