面向低功耗与低成本硬件的无线远程监测脑电图压缩感知
应用统计
2014-11-04 v3 信息论
math.IT
机器学习
摘要
通过无线体域网进行脑电图 (EEG) 远程监测是个性化医疗的一个发展方向。在设计此类系统时面临诸多约束，其中三个重要约束是能耗、数据压缩和设备成本。传统的数据压缩方法虽然在数据压缩方面有效，但消耗大量能量且无法降低设备成本。压缩感知 (CS) 作为一种新兴的数据压缩方法，有望满足这些约束。然而，EEG 在时域非稀疏，在变换域（如小波域）也非稀疏。因此，当前的 CS 算法极难恢复出满足临床诊断和工程应用质量要求的 EEG。最近，块稀疏贝叶斯学习 (BSBL) 被提出作为解决 CS 问题的一种新方法。本研究将该技术引入 EEG 远程监测。实验结果表明，其恢复质量优于最先进的 CS 算法，且足以满足实际应用需求。这些结果表明，BSBL 在 EEG 及其他非稀疏生理信号的远程监测方面极具前景。
引用
@article{arxiv.1206.3493,
title = {Compressed Sensing of EEG for Wireless Telemonitoring with Low Energy Consumption and Inexpensive Hardware},
author = {Zhilin Zhang and Tzyy-Ping Jung and Scott Makeig and Bhaskar D. Rao},
journal= {arXiv preprint arXiv:1206.3493},
year = {2014}
}
备注
Matlab codes can be downloaded at: http://dsp.ucsd.edu/~zhilin/BSBL.html, or http://sites.google.com/site/researchbyzhang/bsbl