时空稀疏贝叶斯学习及其在多通道生理信号压缩感知中的应用
信息论
2014-11-18 v2 机器学习
math.IT
机器学习
摘要
能耗是生理信号连续无线远程监护中的一个重要问题。压缩感知 (CS) 因其节能的数据压缩过程，成为解决该问题的一个有前景的框架。然而，由于许多生理信号具有非稀疏特性，大多数 CS 算法在数据恢复方面存在困难。块稀疏贝叶斯学习 (BSBL) 是一种恢复此类信号并获得满意恢复质量的有效方法。然而，它在恢复多通道信号时非常耗时，因为其计算负载几乎随通道数量线性增加。本文提出了一种时空稀疏贝叶斯学习算法，用于同时恢复多通道信号。该算法不仅利用了每个通道信号内的时间相关性，还利用了不同通道信号间的通道间相关性。此外，其计算负载不受通道数量的显著影响。所提出的算法已应用于脑机接口 (BCI) 和基于 EEG 的驾驶员疲劳度估计。结果表明，该算法比 BSBL 具有更好的恢复性能和更高的速度。特别是，所提出的算法确保了即使在数据压缩率达 80% 的情况下，BCI 分类和疲劳度估计的性能也几乎没有下降，使其非常适用于多通道信号的连续无线远程监护。
引用
@article{arxiv.1404.5122,
title = {Spatiotemporal Sparse Bayesian Learning with Applications to Compressed Sensing of Multichannel Physiological Signals},
author = {Zhilin Zhang and Tzyy-Ping Jung and Scott Makeig and Zhouyue Pi and Bhaskar D. Rao},
journal= {arXiv preprint arXiv:1404.5122},
year = {2014}
}
备注
Codes are available at: https://sites.google.com/site/researchbyzhang/stsbl