近年来,基于低功耗体域网运动模式远程监控系统在计算机科学技术、生物医学等领域受到广泛关注,有助于远程预防老年人跌倒、以及相关脑血管慢性疾病的治疗和康复。体域网低功耗和远程准确识别运动模式是当前相关领域探讨的热点问题,对此,本文开展如下工作:(1)鉴于体域网采集节点异构性特点,提出了一种基于超帧的多因子权重时隙分配方法,旨在基于主从模式星形网络架构,采用基于超帧的时分复用的接入控制策略,实现一种动态的多因子权重时隙分配机制。其基本思路:通过初始设定多因子权重进行初始时隙分配,初始确定时隙的数量与顺序,其因子权重经多次迭代后可有效降低算法时间复杂度,同时考虑在超帧传输过程中采集节点采集到的数据的传输情况,以及采集节点中未充满的时隙中数据最大时延情况下提高节点时隙利用率,有效优化体域网采集数据内在传输时隙分配,利于降低体域网能耗。(2)构建了一种基于低功耗可穿戴人体运动模式远程监控系统,其系统架构由可穿戴体域网、互联网、远程终端处理系统三部分组成。其基本思路:将压缩感知算法和(1)中的低功耗协议融合于可穿戴采集传感节点和协调控制的汇聚节点体域网硬件设计,并制定低功耗协议与多传感运动数据压缩感知算法相结合的采集数据流程策略,准确远程获取运动数据,有助于远端进一步准确识别人体运动模式,达到远程人体运动模式行为监控目的。(3)提出了一种基于二次近邻稀疏重构协作表示人体运动模式分类算法,旨在准确鉴别人体运动模式变化,达到远程监测目的。所提算法的基本思路:鉴于多传感运动数据高维性,首先基于近邻原则为待定测试样本寻找每类的近邻样本组成近邻样本集,通过近邻样本集构造的快速协作表示动作分类模型,通过扩展拉格朗日算法求解其协作表示系数,利用协作系数对待定样本进行第一次重构,得到各类的重构样本,再基于近邻原则为重构样本寻找一定的数量的近邻类别和近邻训练样本,重新构造成训练样本集,最后再基于该训练样本集构建快速协作分类表示模型,求解待定测试样本的协作表示系数和表示残差,判定该待定测试样本所属类别,实现动作分类。该算法在提高识别率的同时有效降低时间复杂度,为鉴别人体运动模式提供新的方法。