TWI610267B - 基於個人化基底的壓縮感知系統及其方法 - Google Patents

Abstract

一種基於個人化基底的壓縮感知系統及其方法，首先透過感測端感測原始信號以傳送至重建端，由重建端使用字典學習法產生個人化基底，接著使感測端根據取樣矩陣對原始信號進行取樣以生成壓縮信號並傳送至重建端，以便重建端根據個人化基底及壓縮信號執行壓縮感知重建演算法，將壓縮信號還原為原始信號，用以達成提高信號還原品質及壓縮率之技術功效。

Description

基於個人化基底的壓縮感知系統及其方法

本發明涉及一種感測系統及其方法，特別是先利用原始信號訓練生成個人化基底以維持信號的稀疏性，用以確保原始信號能夠被完整還原之基於個人化基底的壓縮感知系統及其方法。

近年來，在高齡化社會以及慢性病增長的趨勢下，居家照護的需求大增。其中如何整合可攜式感測器與無線通訊來實現無線照護系統，正是實現居家照護的重點方向。然而，無線照護系統須連續不斷地偵測各種生理信號以提供即時的病情監控，眾多的信號將大量消耗系統的頻寬和功耗，因此資料在傳輸前需要進行壓縮以提升頻寬利用率。一般而言，為了將資料壓縮，傳統的生理信號感測器通常內建壓縮硬體，而此壓縮硬體複雜度過高將造成感測器更加耗電，而且成本也變得更高。

有鑑於此，便有廠商提出壓縮感知(Compressive Sensing)技術來解決。所述壓縮感知係將高維度的稀疏信號，透過取樣矩陣取得低維度的測量值，因此系統只需要以低維度的信號做傳遞，等需要時再利用範數(Norm)極小化等方法將低維度的取樣重建回高維度的信號。壓縮感知具有兩大特色： (1)能以低於奈奎斯特理論(Nyquist Theorem)的頻率做取樣，降低感測器中數位類比轉換器的成本及功耗；(2)在取樣的同時達到壓縮的效果，無須額外的壓縮硬體，省下傳統感測器中壓縮硬體的成本及功耗。然而，壓縮感知的基礎建立在信號的稀疏特性上，信號必須足夠稀疏才有機會將其還原。不幸的是，傳統預先建好的基底並不能很好的讓生理信號變得稀疏，在稀疏性不夠的情況下，具有無法還原回原始信號之問題。

綜上所述，可知先前技術中長期以來一直存在當信號的稀疏性不足時，壓縮感知無法還原回原始信號之問題，因此實有必要提出改進的技術手段，來解決此一問題。

本發明揭露一種基於個人化基底的壓縮感知系統及其方法。

首先，本發明揭露一種基於個人化基底的壓縮感知系統，此系統包含：感測端及重建端。所述感測端包含：感測模組、取樣模組及傳輸模組。其中，感測模組用以透過感測器持續感測原始信號；取樣模組用以根據預設的取樣矩陣對感測到的原始信號進行取樣以生成壓縮信號；傳輸模組用以傳送感測到的原始信號，以及在接收到控制信號後，致能取樣模組以傳送生成的壓縮信號。在重建端的部分，重建端包含：字典學習模組、重建模組及字典更新模組。其中，字典學習模組用以自感測端接收原始信號，並且根據原始信號以字典學習法進行訓練，在訓練過程中，持續偵測稀疏值以在此稀疏值落於預設範圍內時產生個人化基底，以及在個人化基底產生後，傳送控制信號至感測端；重建模組用以在個人化基底產生後，根據個人化基底以及自感測端接收的壓縮 信號，執行壓縮感知重建演算法，使壓縮信號還原為原始信號；字典更新模組用以偵測壓縮感知的稀疏值，當稀疏值大於預設值時，傳送切換信號至感測端，使感測端傳送原始信號至重建端，所述字典更新模組根據接收到的原始信號以字典學習法產生替換基底以取代個人化基底。

另外，本發明揭露一種基於個人化基底的壓縮感知方法，應用在具有感測端及重建端的環境，其步驟包括：感測端透過感測器持續感測原始信號；感測端傳送感測到的原始信號至重建端；重建端根據原始信號以字典學習法進行訓練，在訓練過程中，持續偵測稀疏值以在此稀疏值落於預設範圍內時產生個人化基底，以及在個人化基底產生後，傳送控制信號至感測端；感測端在接收到控制信號之後，根據預設的取樣矩陣對原始信號進行取樣以生成壓縮信號，並且傳送壓縮信號至重建端；重建端根據個人化基底以及自感測端接收的壓縮信號，執行壓縮感知重建演算法，使壓縮信號還原為原始信號，以及偵測壓縮感知的稀疏值，當稀疏值大於預設值時，傳送切換信號至感測端，使感測端傳送原始信號至重建端，由重建端根據接收到的原始信號以字典學習法產生替換基底以取代個人化基底。

本發明所揭露之系統與方法如上，與先前技術的差異在於本發明是先透過感測端感測原始信號以傳送至重建端，由重建端使用字典學習法產生個人化基底，接著使感測端根據取樣矩陣對原始信號進行取樣以生成壓縮信號並傳送至重建端，以便重建端根據個人化基底及壓縮信號執行壓縮感知重建演算法，將壓縮信號還原為原始信號。

透過上述的技術手段，本發明可以達成提高信號還原品質及壓縮率之技術功效。

110‧‧‧感測端

111‧‧‧感測模組

112‧‧‧取樣模組

113‧‧‧傳輸模組

120‧‧‧重建端

121‧‧‧字典學習模組

122‧‧‧重建模組

123‧‧‧字典更新模組

124‧‧‧雜訊處理模組

125‧‧‧疾病偵測模組

500、600‧‧‧重建端

700‧‧‧重建端

步驟210‧‧‧感測端透過至少一感測器持續感測一原始信號

步驟220‧‧‧該感測端傳送感測到的該原始信號至重建端

步驟230‧‧‧該重建端根據該原始信號以字典學習法進行訓練，在訓練過程中，持續偵測一稀疏值以在該稀疏值於一預設範圍內時產生一個人化基底，以及在該個人化基底產生後，傳送一控制信號至該感測端

步驟240‧‧‧該感測端接收到該控制信號後，根據預設的一取樣矩陣對感測到的該原始信號進行取樣以生成一壓縮信號，並且傳送該壓縮信號至該重建端

步驟250‧‧‧該重建端根據該個人化基底以及自該感測端接收的該壓縮信號，執行壓縮感知重建演算法，使該壓縮信號還原為該原始信號

步驟260‧‧‧該重建端偵測壓縮感知的一稀疏值，當該稀疏值大於一預設值時，傳送一切換信號至該感測端，使該感測端傳送該原始信號至該重建端，由該重建端根據接收到的該原始信號以字典學習法產生一替換基底以取代該個人化基底

第1圖為本發明基於個人化基底的壓縮感知系統的系統方塊圖。

第2圖為本發明基於個人化基底的壓縮感知方法的方法流程圖。

第3圖為應用本發明進行取樣及重建信號之示意圖。

第4圖為應用本發明產生個人化基底之示意圖。

第5圖為應用本發明更新個人化基底之示意圖。

第6圖為應用本發明去除雜訊之示意圖。

第7圖為應用本發明偵測個人之生理訊號是否存在疾病之示意圖。

第8圖為應用本發明的個人化基底重建信號與使用傳統離散小波變換基底重建信號的壓縮率比較之示意圖。

以下將配合圖式及實施例來詳細說明本發明之實施方式，藉此對本發明如何應用技術手段來解決技術問題並達成技術功效的實現過程能充分理解並據以實施。

在說明本發明所揭露之基於個人化基底的壓縮感知系統及其方法之前，先對本發明作簡要說明，本發明係以訓練的方式來為每一個個人設計出一個專屬的稀疏基底Ψ，來提升信號稀疏性(所謂信號稀疏性就是信號中非數值0的數目較少，或者說大多數係數為數值0)，進而改善信號還原品質以及壓縮率。

在實際實施上可分為兩個階段，在第一階段，感測端設定為標準模式，用以傳送感測到的無壓縮生理信號，重建端接收某一特定個人一段時間的無壓縮生理信號，再透過字典學習(Dictionary Learning)技術為個人建立一個專屬的基底Ψ，以提升還原品質及壓縮率。接著在第二階段，感測端設定為低功耗的壓縮感知模式，感測端大部分時間皆運作在此階段，使用壓縮感知以低功耗的方式為所述個人的生理信號做取樣及壓縮，壓縮過的信號會在重建端進行還原，利用個人化基底Ψ可以大幅提升信號的還原效果。以心電圖信號為例，傳統利用離散小波變換(Discrete Wavelet Transform,DWT)基底作為心電圖信號的基底Ψ並進行重建的方式，相較於使用個人化基底之心電圖信號進行重建的方式，在同樣的還原品質下，後者的壓縮率遠大於前者的壓縮率，稍後將配合圖式做說明。另外，本發明還可含有「雜訊去除」、「病狀偵測」及「自我修正更新」等設計，以保持信號壓縮率之穩定度。

以下配合圖式對本發明基於個人化基底的壓縮感知系統及其方法做進一步說明，請先參閱「第1圖」，「第1圖」為本發明基於個人化基底的壓縮感知系統的系統方塊圖，此系統包含：感測端110及重建端120。在實際實施上，感測端110係為可配戴式裝置，用以透過感測器感測使用者的生理信號，所述感測端110與重建端120之間可透過無線傳輸技術進行通訊，所述無線傳輸技術如：紅外線、藍芽、無線射頻識別技術、Wi-Fi、ZigBee等等。

具體而言，所述感測端110包含：感測模組111、取樣模組112及傳輸模組113。其中，感測模組111用以透過感測器持續感測原始信號(或稱為生理信號)，舉例來說，透過心電圖感測器感測心電圖(Electrocardiography, ECG)、透過腦波感測器感測腦電圖(Electroencephalogram,EEG)、透過肌電圖感測器感測肌電圖(Electromyography,EMG)等等。

取樣模組112用以根據預設的取樣矩陣對感測到的原始信號進行取樣以生成壓縮信號。在實際實施上，取樣模組112係透過壓縮感知技術將原始信號利用取樣矩陣進行取樣後，生成壓縮信號。所述取樣矩陣係為隨機高斯矩陣、隨機伯努利矩陣、部分正交矩陣、常對角矩陣、循環矩陣及稀疏隨機矩陣至少其中之一。

傳輸模組113用以傳送感測到的原始信號，以及在接收到控制信號後，致能取樣模組112以傳送生成的壓縮信號。在實際實施上，傳輸模組113可經由無線傳輸將壓縮信號傳送至重建端120，然而，亦不排除使用有線傳輸將壓縮信號傳送至重建端120。另外，所述控制信號係用以控制感測端110傳送原始信號或壓縮信號，舉例來說，感測端110收到控制信號之前，感測端110會持續傳送感測到的原始信號，而感測端110接收到控制信號後則切換為傳輸壓縮信號。

要補充說明的是，所述感測端110在第一階段時，由於直接傳送感測模組111感測到的無壓縮信號供重建端120訓練，所以取樣模組112在第一階段時可先禁能(Disable)，直到第二階段時再根據控制信號切換為致能(Enable)。在實際實施上，感測端110的感測模組111包含傳統的信號感測及取樣，用以生成無壓縮的原始信號。感測端110的取樣模組112則是根據原始信號以壓縮感知方式產生壓縮信號，感測端110更可透過控制開關來切換傳輸原始信號或壓縮信號，例如：在第一階段或接收到控制信號時，驅動開關以切換傳送無壓縮的原始信號，而在第二階段時，則驅動開關以切換傳送壓縮信號。

在重建端120的部分，重建端120包含：字典學習模組121及重建模組122。其中，字典學習模組121用以自感測端110接收原始信號，並且根據原始信號以字典學習法進行訓練，在訓練過程中，持續偵測稀疏值(Sparsity)以在此稀疏值落於預設範圍內時產生個人化基底，以及在個人化基底產生後，傳送控制信號至感測端110。在實際實施上，個人化基底係根據使用者的原始信號訓練(Training)後所產生的稀疏基底(Sparsifying Basis)。

重建模組122用以在個人化基底產生後，根據個人化基底以及自感測端110接收的壓縮信號，執行壓縮感知重建演算法，使壓縮信號還原為原始信號。所述重建端120利用壓縮感知重建演算法將壓縮信號還原回原本的信號，其還原效果仰賴稀疏基底的選取，倘若作為個人化基底的稀疏基底選得不好，則信號還原效果將會很差。在實際實施上，壓縮感知的重建演算法可透過選擇合適的原子並經過逐步遞增的方法實現信號向量的逼近，例如：匹配跟蹤演算法、正交匹配追蹤演算法、補空間追蹤演算法等等，或是將範數0放寬至範數1，再通過線性規劃求解，例如：梯度投影演算法、基底追蹤演算法、最小角度回歸演算法等等。

接著，請參閱「第2圖」，「第2圖」為本發明基於個人化基底的壓縮感知方法的方法流程圖，應用在具有感測端110及重建端120的環境，其步驟包括：感測端110透過感測器持續感測原始信號(步驟210)；感測端110傳送感測到的原始信號至重建端120(步驟220)；重建端120根據原始信號以字典學習法進行訓練，在訓練過程中，持續偵測稀疏值以在此稀疏值落於預設範圍內時產生個人化基底，以及在個人化基底產生後，傳送控制信號至感測端110(步驟230)；感測端110接收到控制信號後，根據預設的取樣矩陣對感測到的原始 信號進行取樣以生成壓縮信號，並且傳送壓縮信號至重建端120(步驟240)；重建端120根據個人化基底以及自感測端110接收的壓縮信號，執行壓縮感知重建演算法，使壓縮信號還原為原始信號(步驟250)。透過上述步驟，即可透過感測端110感測原始信號以傳送至重建端120，由重建端120使用字典學習法產生個人化基底，接著使感測端110根據取樣矩陣對原始信號進行取樣以生成壓縮信號並傳送至重建端120，以便重建端120根據個人化基底及壓縮信號執行壓縮感知重建演算法，將壓縮信號還原為原始信號。

在步驟250之後，重建端120還可偵測壓縮感知的稀疏值，當稀疏值大於預設值時，傳送切換信號至感測端110，使感測端110傳送原始信號至重建端120，由重建端120根據接收到的原始信號以字典學習法產生替換基底以取代個人化基底(步驟260)。換句話說，當稀疏值大於預設值時，代表稀疏性降低，還原效果不佳，需要重新根據原始信號進行訓練以產生新的個人化基底。因此，透過傳送切換信號控制感測端110，使感測端110傳送原始信號以供字典學習模組121重新訓練產生新的個人化基底。

以下配合「第3圖」至「第8圖」以實施例的方式進行如下說明，請先參閱「第3圖」，「第3圖」為應用本發明進行取樣及重建信號之示意圖。感測端110的取樣模組112係透過壓縮感知技術將原始信號x _N'1利用取樣矩陣Φ _M'N 進行取樣後，生成壓縮信號y _M'1。接著，感測端110透過無線傳輸技術將壓縮信號y _M'1傳送至重建端120，以便重建端120利用壓縮感知重建演算法將壓縮信號y _M'1還原回原本的信號。在還原的過程中，重建端120使用字典學習法進行訓練，在訓練過程中，持續偵測稀疏值以在此稀疏值落於預設範圍內時，產生個人化基底Ψ以供重建信號之用，所述字典學習法為尋找信號的稀疏表示 (Sparse Representations)之技術，字典學習法形成的矩陣即為個人化基底Ψ，其矩陣形成方式將在稍後配合圖式作說明。特別要說明的是，在實際實施上，感測端110可以切換輸出原始信號x _N'1或壓縮後的信號y _M'1。所述感測端110在初始時為標準模式，並且會輸出原始信號x _N'1，由於傳輸資料量較多，因此在此模式時傳輸功耗較高；當感測端110收到控制信號時即設定為壓縮感知模式時，此時感測端110會輸出壓縮信號y _M'1，由於壓縮信號的資料量較低，因此，此模式時傳輸功耗較低，達到有效降低傳輸頻寬及傳輸功耗的功效。

請參閱「第4圖」，「第4圖」為應用本發明產生個人化基底之示意圖。首先，令為N維的訓練心電圖信號取樣之集合，以及為過完備字典(Overcomplete Dictionary)，其中包含P個原型信號原子，則字典可透過求解下列問題來求得：

其中，是指原始信號T的稀疏係數矩陣，K _thr是指預設的稀疏約束(Sparsity Constraint)，以及係為弗羅貝尼烏斯範數(Frobenius norm)。在實際實施上，可選用眾所皆知的最優方向法(Method of Optimal Directions,MOD)作為字典學習法來求解得到字典矩陣以作為個人化基底Ψ。舉例來說，在訓練過程中，持續偵測稀疏值(即：稀疏係數矩陣中的黑點數量)以在此稀疏值落入預設範圍(如：數值3)內時，產生個人化基底Ψ。倘若稀疏值無法落入預設範圍，其相應處理方式為，當到達一定的遞迴(Iteration)次數後，若依然無法達到目標稀疏值，也就無法落入預設範圍，則會放寬目標稀疏值再次進行訓練。

如「第5圖」所示意，「第5圖」為應用本發明更新個人化基底之示意圖。前面提到，倘若作為個人化基底的稀疏基底選得不好，則信號還原效果將會很差。因此，重建端500更可包含字典更新模組123，用以偵測壓縮感知的稀疏值，當稀疏值大於預設值(例如：數值3)時，傳送切換信號至感測端110，使感測端110傳送原始信號至重建端120，由字典更新模組123根據接收到的原始信號以字典學習法重新產生一個替換基底來取代原本的個人化基底。以「第4圖」所示意的稀疏係數C為例，每一欄的黑色方塊之數量(即：稀疏值)皆小於數值3，其代表信號的稀疏性良好，當其中一欄或一欄以上的黑色方塊之數量大於數值3時，代表基底上面之解的稀疏性有明顯增高的情形(稀疏性開始變差)，所以字典更新模組123會啟動字典更新(Dictionary Refreshing)機制，傳送切換信號至感測端110，要求感測端110傳送原始信號(即：無壓縮的生理信號)，再由字典更新模組123接收這些原始信號，以便根據接收到的原始信號以字典學習法重新產生一個替換基底來取代原本的個人化基底，完成更新字典(也可稱為個人化基底)的動作，其可視為實現自我修正更新的設計。藉由此更新機制將有效改善信號的壓縮率。

請參閱「第6圖」，「第6圖」為應用本發明去除雜訊之示意圖。在實際實施上，重建端600更包含雜訊處理模組124，用以根據去雜訊演算法對原始信號去除雜訊以產生清晰信號及雜訊信號，接著由字典學習模組121分別根據清晰信號及雜訊信號產生相應的信號基底(Ψ _s )和雜訊基底(Ψ _n )，以及合併清晰基底與雜訊基底來作為個人化基底Ψ。具體而言，在第一階段時，利用雜訊去除演算法，將生理信號分成乾淨的生理信號(即：清晰信號)和雜訊信號(Noise)，並各自對這兩種信號分別進行字典學習來求得其基底，分別作為信 號基底(Ψ _s )和雜訊基底(Ψ _n )，接著再將這兩個基底合併成為重建信號所使用的基底。在第二階段時，所求得的稀疏解(Sparse Solution)會有部分落在信號基底(Ψ _s )上，部分落在雜訊基底(Ψ _n )上，重建模組122將只重建落在信號基底(Ψ _s )上的解，因此在進行壓縮感知信號重建時就能夠達成去除雜訊(Denoising)的功效，此一方式為實現雜訊去除的設計。

請參閱「第7圖」，「第7圖」為應用本發明偵測個人之生理訊號是否存在疾病之示意圖。由於部分疾病為偶發性的，因此如何去連續的偵測疾病的發生為一個重要的問題。在實際實施上，重建端700更可包含疾病偵測模組125，用以分析原始信號以產生健康信號及疾病信號，並且字典學習模組121分別將健康信號及疾病信號以字典學習法產生健康基底(Ψ _H)及疾病基底(Ψ _D)，以及合併(Ψ _H)及疾病基底(Ψ _D)以作為個人化基底Ψ。具體而言，在第一階段時，利用疾病偵測演算法，來將生理信號分別成健康的生理信號(健康信號)和疾病信號，並各自對這兩種信號分別進行字典學習來求得其基底，分別作為健康基底(Ψ _H)和疾病基底(Ψ _D)，再將這兩個基底合併成為重建使用的基底。在第二階段時，所求得的稀疏解會有部分落在健康基底上，部分落在疾病基底上，當疾病基底上之解的能量(Power)大於預設的閾值(Threshold)或大於健康基底上的解的能量時，便將此時段的信號偵測為帶有疾病的信號，因此，重建模組122在進行壓縮感知信號重建時就能夠達到疾病偵測(Disease Detection)的功效，例如：心房顫動偵測(Atrial Fibrillation detection,AF detection)。換句話說，此一方式為實現病狀偵測的設計。

如「第8圖」所示意，「第8圖」為應用本發明的個人化基底重建信號與使用傳統離散小波變換基底重建信號的壓縮率比較之示意圖。其中，縱 軸為均方根誤差百分比(Percentage Root-mean-square Difference,PRD)，數值越小越佳；橫軸為壓縮率，數值越高代表壓縮率越高。從圖中可清楚看到，在相同的均方根誤差百分比之條件下，使用傳統離散小波變換基底與使用個人化基底的壓縮率可相差達到2.11倍。換句話說，應用本發明的個人化基底可在不影響均方根誤差百分比的前提下，使壓縮率由約35%增加至約75%，有效提高信號壓縮率。

綜上所述，可知本發明與先前技術之間的差異在於透過感測端感測原始信號以傳送至重建端，由重建端使用字典學習法產生個人化基底，接著使感測端根據取樣矩陣對原始信號進行取樣以生成壓縮信號並傳送至重建端，以便重建端根據個人化基底及壓縮信號執行壓縮感知重建演算法，將壓縮信號還原為原始信號，藉由此一技術手段可以解決先前技術所存在的問題，進而達成提高信號還原品質及壓縮率之技術功效。

雖然本發明以前述之實施例揭露如上，然其並非用以限定本發明，任何熟習相像技藝者，在不脫離本發明之精神和範圍內，當可作些許之更動與潤飾，因此本發明之專利保護範圍須視本說明書所附之申請專利範圍所界定者為準。

110‧‧‧感測端

111‧‧‧感測模組

112‧‧‧取樣模組

113‧‧‧傳輸模組

120‧‧‧重建端

121‧‧‧字典學習模組

122‧‧‧重建模組

Claims (8)

1. 一種基於個人化基底的壓縮感知系統，該系統包含：一感測端，該感測端包含：一感測模組，用以透過至少一感測器持續感測一原始信號；一取樣模組，用以根據預設的一取樣矩陣對感測到的該原始信號進行取樣以生成一壓縮信號；以及一傳輸模組，用以傳送感測到的該原始信號，以及在接收到一控制信號後，致能該取樣模組以傳送生成的該壓縮信號；以及一重建端，該重建端包含：一字典學習模組，用以自該感測端接收該原始信號，並且根據該原始信號以字典學習法進行訓練，在訓練過程中，持續偵測一稀疏值以在該稀疏值於一預設範圍內時產生一個人化基底，以及在該個人化基底產生後，傳送該控制信號至該感測端；一重建模組，用以在該個人化基底產生後，根據該個人化基底以及自該感測端接收的該壓縮信號，執行壓縮感知重建演算法，使該壓縮信號還原為該原始信號；以及一字典更新模組，用以偵測壓縮感知的該稀疏值，當該稀疏值大於一預設值時，傳送一切換信號至該感測端，使該感測端傳送該原始信號至該重建端，該字典更新模組根據接 收到的該原始信號以字典學習法產生一替換基底以取代該個人化基底。
2. 根據申請專利範圍第1項之基於個人化基底的壓縮感知系統，其中該重建端更包含一雜訊處理模組，用以根據去雜訊演算法對該原始信號去除雜訊以產生一清晰信號及一雜訊信號，該字典學習模組分別根據該清晰信號及該雜訊信號產生相應的一信號基底及一雜訊基底，以及合併該清晰基底與該雜訊基底作為該個人化基底。
3. 根據申請專利範圍第1項之基於個人化基底的壓縮感知系統，其中該重建端更包含一疾病偵測模組，用以分析該原始信號以產生一健康信號及一疾病信號，並且分別將該健康信號及該疾病信號以字典學習法產生一健康基底及一疾病基底，以及合併該健康基底及該疾病基底以作為該個人化基底。
4. 根據申請專利範圍第1項之基於個人化基底的壓縮感知系統，其中該取樣矩陣係為隨機高斯矩陣、隨機伯努利矩陣、部分正交矩陣、常對角矩陣、循環矩陣及稀疏隨機矩陣至少其中之一。
5. 一種基於個人化基底的壓縮感知方法，應用在具有一感測端及一重建端的環境，其步驟包括：該感測端透過至少一感測器持續感測一原始信號；該感測端傳送感測到的該原始信號至該重建端；該重建端根據該原始信號以字典學習法進行訓練，在訓練過程中，持續偵測一稀疏值以在該稀疏值於一預設範圍內時產生一 個人化基底，以及在該個人化基底產生後，傳送一控制信號至該感測端；該感測端在接收到該控制信號之後，根據預設的一取樣矩陣對該原始信號進行取樣以生成一壓縮信號，並且傳送該壓縮信號至該重建端；以及該重建端根據該個人化基底以及自該感測端接收的該壓縮信號，執行壓縮感知重建演算法，使該壓縮信號還原為該原始信號，以及偵測壓縮感知的該稀疏值，當該稀疏值大於一預設值時，傳送一切換信號至該感測端，使該感測端傳送該原始信號至該重建端，由該重建端根據接收到的該原始信號以字典學習法產生一替換基底以取代該個人化基底。
6. 根據申請專利範圍第5項之基於個人化基底的壓縮感知方法，其中該重建端根據該原始信號以字典學習法產生該個人化基底的步驟係根據去雜訊演算法對該原始信號去除雜訊以產生一清晰信號及一雜訊信號，並且分別根據該清晰信號及該雜訊信號產生相應的一信號基底及一雜訊基底，以及合併該清晰基底與該雜訊基底作為該個人化基底。
7. 根據申請專利範圍第5項之基於個人化基底的壓縮感知方法，其中該重建端根據該原始信號以字典學習法產生一個人化基底係分析該原始信號以產生一健康信號及一疾病信號，並且分別將該健康信號及該疾病信號以字典學習法產生一健康基底及一疾病基底，以及合併該健康基底及該疾病基底以作為該個人化基底。
8. 根據申請專利範圍第5項之基於個人化基底的壓縮感知方法，其中該取樣矩陣係為隨機高斯矩陣、隨機伯努利矩陣、部分正交矩陣、常對角矩陣、循環矩陣及稀疏隨機矩陣至少其中之一。