实时诊断完整性与效率的融合：一种用于生理信号压缩的新型平台无关架构
信号处理
2024-01-08 v2 分布式、并行与集群计算
组织与器官
摘要
可穿戴系统采集的基于头部的信号（如 EEG、EMG、EOG 和 ECG）将在重要脑部疾病临床诊断、监测和治疗中发挥关键作用。然而，长时间实时传输大量生理信号会消耗大量电力和时间，限制了依赖电池的生理监测可穿戴设备的可行性。本文提出了一种采用变分自编码器（VAE）进行生理信号压缩的新型深度学习框架，以降低可穿戴设备的计算复杂度和能耗。我们的方法在频谱图数据上实现了高达 1:293 的压缩比，超越了 JPEG2000、H.264、离散余弦变换（DCT）和霍夫曼编码等最先进（SOTA）压缩技术，后者在处理生理信号方面表现不佳。我们利用医院真实患者采集的生理信号验证了压缩算法的有效性，并将该解决方案部署在常用的嵌入式 AI 芯片（即 ARM Cortex V8 和 Jetson Nano）上。所提出的框架使用 XGBoost 实现了 91% 的癫痫发作检测准确率，证实了该方法的可靠性、实用性和可扩展性。
引用
@article{arxiv.2312.12587,
title = {Real-Time Diagnostic Integrity Meets Efficiency: A Novel Platform-Agnostic Architecture for Physiological Signal Compression},
author = {Neel R Vora and Amir Hajighasemi and Cody T. Reynolds and Amirmohammad Radmehr and Mohamed Mohamed and Jillur Rahman Saurav and Abdul Aziz and Jai Prakash Veerla and Mohammad S Nasr and Hayden Lotspeich and Partha Sai Guttikonda and Thuong Pham and Aarti Darji and Parisa Boodaghi Malidarreh and Helen H Shang and Jay Harvey and Kan Ding and Phuc Nguyen and Jacob M Luber},
journal= {arXiv preprint arXiv:2312.12587},
year = {2024}
}