但是，能量耗损在生理信号持续无线遥控方面仍是一个难题。而根据大部分生理信号的非稀疏特征，大多数 CS 计算法在数据恢复方面都不甚理想，存在信号丢失和数据恢复困难的特点。成块稀疏贝叶斯学习（BSBL）是一种有效记录这些信号的方式，其数据恢复质量也较令人满意。但是其在多通道信号恢复时耗时量也非常大，其计算负荷几乎是随通道数量增加而呈线性增加。
在本文中，来自美国圣迭亚哥州哥伦比亚大学电子与计算机工程系的张志霖博士等对时空稀疏贝叶斯学习计算法在多通道生物信号采集方面进行了研究，并发表于 Neural Syst Rehabil Eng2014 年 11 月刊上。
研究人员通过计算分析发现，该算法可以同时对获得的多通道信号进行恢复和分析。它不仅可以发掘各通道信号的时间相关性，也可以发掘不同通道间的通道相互关联性。此外，其计算负荷也不会随通道数目的增加而明显增加。并且该算法已用于脑机接口（BIC）和基于脑电图（EEG）的睡眠评估。
另外，研究人员还指出，该算法不仅有更好的信号恢复性能，而且也比 BSBL 处理速度更快。值得一提的是，该算法确保了对 BCI 的分类，并且即使在数据压缩 80% 条件下也可以对睡眠信号进行分析评估，使其非常适合用于多通道信号持续无线遥控。
从总的研究来看，研究人员推荐的时空稀疏贝叶斯学习算法可对高能效多通道信号进行压缩传感。与现存压缩传感计算法相比，它不仅可以发现单通道信号的相关构造，也可以发现通道间的相关性。与现存最先进的算法相比，它具有更好的数据恢复性能。即使通道数量明显增加，其计算速度也会保持相对稳定。
对基于稳态视觉诱发电位的 BCI 和基于 EEG 引导的睡眠评估显示，在使用该算法计算时，即使这些信号被压缩 80%，BCI 分类率和睡眠评估的信号恢复几乎与原信号相差无几。
同时研究人员还指出，由于该算法源自于贝叶斯选择依据，所以它还可以用于许多其他方面的研究，例如特征选择、源定位和稀疏表示等。
