面向长期无线健康监测的融合在线字典学习的能量高效压缩感知框架
信息论
2016-06-07 v1 math.IT
摘要
无线体域网（WBAN）正在移动医疗领域兴起，以取代传统的有线监测设备。由于无线数据传输主导传感器节点的功耗，在不损失过多信息的前提下减小数据量是有益的。与现有压缩技术相比，压缩感知（CS）是实现这一目标的理想选择。本文中，我们提出了一个联合利用 CS 和在线字典学习（ODL）的通用框架。学习到的字典携带着原始信号的个体特征，在该字典下信号具有比预定字典更稀疏的表示。因此，与先前工作相比，压缩比有效提高了 2-4 倍。此外，所提出的框架在字典学习之前将预处理从传感器节点卸载到服务器节点，进一步降低了硬件成本。由于是数据驱动的，该框架有潜力用于广泛的生理信号。
引用
@article{arxiv.1606.01557,
title = {An Energy-Efficient Compressive Sensing Framework Incorporating Online Dictionary Learning for Long-term Wireless Health Monitoring},
author = {Kai Xu and Yixing Li and Fengbo Ren},
journal= {arXiv preprint arXiv:1606.01557},
year = {2016}
}
备注
2016 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)