基于块稀疏贝叶斯学习的无创胎儿心电图节能无线远程监测压缩感知
机器学习
2015-03-20 v7 机器学习
应用统计
摘要
胎儿心电图 (FECG) 远程监测是远程医疗的一个重要分支。设计一种用于动态使用、低功耗的无线体域网远程监测系统是非常理想的。作为一种新兴技术，压缩感知 (CS) 在低功耗压缩/重建数据方面显示出巨大前景。然而，由于原始 FECG 记录具有非稀疏性和强噪声污染等特定特征，当前的 CS 算法在此应用中通常失效。本文提出使用块稀疏贝叶斯学习 (BSBL) 框架来压缩/重建非稀疏的原始 FECG 记录。实验结果表明，该框架能够高质量地重建原始记录。特别是，重建过程不会破坏多通道记录之间的相互依赖关系。这确保了对重建记录进行独立成分分析分解时具有高保真度。此外，该框架允许使用非零条目少得多的稀疏二进制感知矩阵来压缩记录。特别是，矩阵的每一列可以仅包含两个非零条目。这表明，与当前的 CS 算法和小波算法等其他算法相比，该框架能在数据压缩阶段大幅减少 CPU 中的代码执行。
引用
@article{arxiv.1205.1287,
title = {Compressed Sensing for Energy-Efficient Wireless Telemonitoring of Noninvasive Fetal ECG via Block Sparse Bayesian Learning},
author = {Zhilin Zhang and Tzyy-Ping Jung and Scott Makeig and Bhaskar D. Rao},
journal= {arXiv preprint arXiv:1205.1287},
year = {2015}
}
备注
The code and the data can be downloaded from the first author's homepage: http://sites.google.com/site/researchbyzhang/bsbl, or http://dsp.ucsd.edu/~zhilin/BSBL.html