面向节能可穿戴传感的数据驱动压缩感知框架
机器学习
2016-12-19 v2 信息论
math.IT
摘要
压缩感知(CS)是一种用于实现节能无线传感器以进行长期健康监测的有前景的技术。然而，传统的模型驱动CS框架由于模型不准确且忽视个体变异性，在处理生理信号时面临有限的压缩比与重建质量。本文提出一种数据驱动的CS框架，可从任意个体的生理信号记录中学习信号特征与个性化特征，从而以最小测量数提升CS性能。此类改进通过一种协同训练方法实现，该方法分别优化感知矩阵与字典，以改进受限等距性质(restricted isometry property)与信号稀疏性。基于ECG信号的实验结果表明，所提方法在10倍压缩比下，相比随机矩阵将训练所得感知矩阵的等距常数降低了86%，并且相比传统模型驱动方法将整体重建信噪比提升了15dB。
引用
@article{arxiv.1612.04887,
title = {A Data-Driven Compressive Sensing Framework Tailored For Energy-Efficient Wearable Sensing},
author = {Kai Xu and Yixing Li and Fengbo Ren},
journal= {arXiv preprint arXiv:1612.04887},
year = {2016}
}
备注
Accepted as an oral presentation in 42th IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)