基于共稀疏分析模型与加权 $\ell_1$ 优化的植入式神经记录压缩感知方法
信息论
2016-02-02 v1 math.IT
摘要
可靠且节能的无线数据传输在资源受限的无线神经记录任务中仍是一项重大挑战，通常采用数据压缩来缓解无线数据链路的负担。近年来，压缩感知（CS）理论已成功展示了其在神经记录应用中的潜力。然而，CS的主要局限性在于神经信号在使用常用字典时缺乏良好的稀疏表示，且学习可靠的字典往往依赖于数据且计算量大。本文提出一种用于植入式神经记录的新型CS方法。主要贡献如下：1）采用共稀疏分析模型（co-sparse analysis model）来强制神经信号的共稀疏性，从而克服传统合成模型的缺点并提升重建性能。2）构造多分数阶差分矩阵作为分析字典，由此避免了字典学习过程，减少了对先前获取数据和计算资源的需求。3）通过利用分析系数的统计先验，提出一种加权分析 最小化（WALM）算法来重建神经信号。在Leicester神经信号数据库上的实验结果表明，所提方法优于基于CS的最优现有方法（state-of-the-art）。在具有挑战性的高压缩比任务上，所提方法仍实现了高重建性能和尖峰分类准确率。
引用
@article{arxiv.1602.00430,
title = {Compressed Sensing for Implantable Neural Recordings Using Co-sparse Analysis Model and Weighted $\ell_1$-Optimization},
author = {Biao Sun and Wenfeng Zhao and Xinshan Zhu},
journal= {arXiv preprint arXiv:1602.00430},
year = {2016}
}
备注
22 pages, 11 figures