Quality-on-Demand压缩EEG信号的远程医疗应用程序使用神经网络预测

文摘

远程医疗系统使用通讯和信息技术来实现医学信号如心电图、脑电图对远程医疗服务已成为现实。在紧急治疗或普通的医疗,需要压缩这些信号带宽的使用效率。探讨脑电图信号的质量需求压缩为远程医疗应用程序使用神经网络预测。目标是获得一个更大的低比特率压缩收益,同时保留临床信息内容。一个两级压缩方案预测和熵编码器使用。后获得的残余信号预测是第一个使用各种水平的阈值和阈值进一步量化,然后使用一个算术编码器进行编码。三种神经网络模型、单层和多层感知器和Elman网络使用和结果与线性预测如FIR滤波器和基于“增大化现实”技术的建模。重建的EEG信号的保真度定量评估使用参数如珠三角、信噪比、互相关和功率谱密度。发现从重构信号的质量的结果保存在一个低PRD从而产生更好的压缩结果相比,结果使用无损压缩方案。

1。介绍

脑电图(EEG)广泛应用于大脑研究和临床诊断1- - - - - -3]。由于巨大的数据量大造成的EEG电极阵列和长时间的记录,数据压缩是通过网络所需的高效数据存档和传输。此外,对于远程医疗或telebrowsing应用程序,传输大量的数字数据通过带宽有限的渠道成为沉重的负担。压缩技术实际上瞄准获得最大数据量减少,同时保留在重建的重要特性。可以无损数据压缩,当信号波形保真度是完全保留,或有损的,在这种情况下,一定的失真或缺乏忠诚解压数据是被允许的。EEG信号的高效压缩是一个艰巨的任务由于信号固有的随机性,因此高压缩率与无损压缩方法无法实现(4- - - - - -10]。在[10),无损压缩的自适应误差建模技术被应用到提高压缩效率。在[11),Wongsawat等人显示的应用KLT变换无损压缩的脑电图。基于上下文的使用线性误差模型和神经网络预测表明抵消偏见的消除获得一些提高压缩效率(6,12]。均匀量化和非均匀量化的影响脑电图信号的压缩获得使用near-lossless压缩据报道在6,13,14]。Gopikrishna和Makur提议near-lossless压缩方案使用小波和ARX模型(15]。在[16),作者展示了基于上下文的建模误差的影响脑电图near-lossless压缩的信号。

有损压缩技术可能是可以接受的,只要重建信号的质量保存诊断信息的临床研究[17- - - - - -19]。近期作品报道,进一步基于追求方法与小波字典,wavelet-SPIHT,和有限的创新技术利用抽样理论表明一些改善压缩性能(20.- - - - - -22]。它可以从文献显示心电信号压缩方案强调了重建信号的质量方面较低的带宽利用率(23- - - - - -26]。作者所知,还没有尝试解释EEG信号的质量方面对远程医疗应用,同时满足了低带宽需求。探讨脑电图信号的质量需求压缩使用神经网络预测。三种神经网络模型,即单层感知器(SLP),多层感知器(MLP)和Elman网络(EN), (7- - - - - -10],表现评估每个抽样的比特而言(BPS)和富达百分比等参数均方根差(PRD),信噪比(信噪比),互相关(CC)和功率谱密度(PSD)。结果也与两个线性预测相比,即有限脉冲响应(杉木)过滤器和自回归(AR)模型。

2。质量需求压缩

众所周知,一个更高的压缩可以通过牺牲重建信号的质量,反之亦然。权衡必须获得良好的解码信号质量与大量的压缩。对于远程医疗应用程序,一个医生在接收端必须交互地调整某些参数与压缩算法根据医生的质量考虑。据报道在12,23- - - - - -26)两个因素,即位/样本(BPS)和百分比root-mean-square-difference (PRD)决定对需求的质量规范,即分别带宽约束和重建信号的质量。本文强调了质量需求压缩方案脑电图信号使用神经网络预测。重构信号的保真度定量测量的四个因素,即PRD,信噪比,CC和PSD。脑电图信号压缩、两级无损压缩方案涉及预测在第一阶段与第二阶段熵编码器已经成功地使用(6- - - - - -10]。预测的主要功能是估计样本的现值使用过去的样品然后只传输错误(残留),这通常是一个较小的大小和尺寸比原来的样品。假设编码器和译码器模拟一个相同的预测过程(27]。预测过程始于最初的头信息的传播组成的神经网络参数设置和选择输入样本值的数量。在接收端,重复预测过程和原始的输入是通过添加恢复传播残留预测值。如果我们传递错误信号基于某些阈值和紧随其后的是量化,有可能实现更好的压缩,它也可能是临床可接受只要重构信号保存所需的诊断功能。压缩效率可以进一步提高了使用一个算术熵编码器在第二阶段28]。质量需求EEG信号的压缩,报道的两级压缩方案(7- - - - - -10,13可以修改,如图1。

如果是当前样本吗是预测样本,那么错误的值(残渣)样本是由(1) 图1显示了该压缩方案的框图。的阈值表示为确定基于阈值所示(2)。 根据(2),如果误差信号的大小小于阈值,它被认为是零。另一方面,如果误差信号的幅度大于或等于,实际的误差信号传播的价值。误差信号然后使用一个算术编码器量化和编码表示。在接收端,输出与神经网络结合的传播误差信号得到合成信号如下所示 在哪里是合成信号是阈值和误差信号的量化值。

两级压缩方案的性能评估的不同的值。

3所示。神经网络预测

神经网络具有某些有吸引力的属性,如大规模的并行性,健壮性、自适应学习、自组织、容错和泛化,是有用的增强性能的预测(29日]。预测的目的是decorrelate输入数据从而减少的幅度范围数据和生成序列,这大约是高斯白。摘要神经网络模型认为:(1)单层感知器(SLP),(2)多层感知器(MLP), (3) Elman网络(EN)。SLP的架构、延时和ENth预测订单数据所示2,3,4分别为(27,30.]。前两个网络是前馈模型,而第三个是一个反馈网络。

所有的神经网络预测最优配置基于参数,如隐藏神经元数量,预测订单,激活功能,学习算法,以确保网络收敛误差最小。表1显示了配置细节以及在训练阶段所需的迭代次数(10,16]。

4所示。实验装置

在实验研究中,我们使用脑电图信号记录在三个不同的生理条件下,也就是说,脑电图dataset1 (DS1)由一个16位的脑电图信号记录与突然发作癫痫条件下获得六个频道(Fp1 Fp2, F3, F4, C3, C4)采样率为256 Hz,脑电图dataset2 (DS2)由一个16位正常脑电图信号与眼睛开启和关闭,使用BIOPAC记录数据采集系统采样率为256 Hz (10],脑电图dataset3 (DS3)包含脑电图信号记录在癫痫发作的发生表现出猝发的活动期间采样率为173.61赫兹(10,31日]。图5显示了典型的脑电图信号对应于上述三个数据集。

5。性能评估参数

表演的压缩方案评估使用压缩参数,压缩比(CR)和四个富达参数,即root-mean-square-difference率(PRD),信噪比(信噪比),信号峰值信噪比(PSNR),互相关(CC)和功率谱密度(PSD)。

压缩比(CR)是定义如下27]: 在哪里 :样品在测试文件的总数, :使用的比特总数代表一个样本, :订单的预测, :下面数量的残留物, :重量、数量 :用于表示重量的比特数, :用于表示一个残留的比特数。

验证的可靠性压缩方法,重构信号的保真度(质量)进行评估。信噪比参数,珠三角,PSNR, CC和PSD是用来判断重建的EEG信号的质量。

珠江三角洲被定义为(32,33] 在哪里 :原样品, :重构样本, :是珠江三角洲的窗口的长度计算。

信噪比的定义如图所示(33]: PSNR值定义如图所示(13]: 在哪里是原来的EEG信号的最大值

均方根误差的均方根误差定义如图所示 互相关(CC)表示两个信号之间的统计相关性(34]。原始图像和重构信号之间的相关性是被定义为衡量CC 在哪里之间的协方差和 和的差异和,分别。

互相关起着重要的作用在判断两个信号的相似之处。可以得出的结论是,重构信号非常接近原来当cc = 1。

原始和重建的脑电图信号功率谱的计算确定参数PSD (35,36]。相似之处功率谱暗示原始和重建的脑电图信号大约是相同的。

错误的信号获得原始信号之间的差异,并预测脑电图信号是由不同的阈值根据最大值的1 - 10%。阈值误差信号进一步量化三个层次,即Q1、Q2和Q3。实验数据集,三个量化比特分配的水平(QL)如表所示2。

6。实验结果

提出了压缩方案的性能评估的CR通过改变阈值,量化水平,QL,使用两级压缩与不同的预测在第一阶段和第二阶段的算术编码器。表3,4,5显示的值CR获得三个实验数据集DS1、DS2和DS3 Q1, Q2和Q3分别。对DS1、CR的平均值得到所有六个频道。

从表3,4,5,结果表明,CR值增加增加。此外,随着QL的增加压缩的影响增加。可以看出CR获得的值在第三季度收益最好的压缩结果。在预测中,得到产生最好的结果为所有三个数据集用于实验研究。

重建信号的质量在不同的阈值评估的珠江三角洲和信噪比两级压缩方案。图6显示了珠三角和信噪比的变化对个基点不同DS1的使用不同的预测和量化水平。珠江三角洲和信噪比的值代表的平均值得到重建的EEG信号的所有六个频道。

这是发现从图6个基点的增加导致的减少PRD(增加信噪比)值。在不同的预测方案,方案得到产生最好的结果。可以看出BPS减少随着QL增加的价值。它可以得出结论,获得的最小个基点在Q1, Q2和Q3是5.32,5.02,和4.9,分别。

数据7和8珠江三角洲和信噪比的变化BPS DS2和DS3,分别用得到。

从图7,发现最低BPS获得在Q1, Q2、Q3是5.92,5.72,和5.3,分别。从图8,发现最低BPS获得在Q1, Q2、Q3是5.02,4.3,和4.01,分别。图9显示了富达使用得到预测情节的PSNR。

重建信号的质量被估计参数,然后进一步评估CC和PSD。CC的价值评估三个脑电图数据集在不同QL。表6显示了CC获得使用SLP产生最好的结果。

从表6,发现CC值降低阈值,,增加。原始图像和重构信号之间的相关性增加随着量子化的增加。这是好所有的三个实验数据集。

数据10- - - - - -12描绘PSD原始信号估计和重构信号的三个数据集。

从图10为数据集,发现DS1、重构信号,直到的PSD,,类似于原始信号的量化水平Q1, Q2和Q3分别。从图11为数据集,发现DS2、重构信号,直到的PSD,,类似于原始信号的量化水平Q1, Q2和Q3分别。从图12是发现的数据集DS3,重构信号,直到的PSD,,类似于原始信号的量化水平Q1, Q2和Q3分别。

7所示。讨论

建议的压缩方案的主要思想是得到重建的脑电图信号适合临床诊断较低个基点和珠江三角洲。阈值的影响和量子化水平决定对需求的质量标准,和更好的权衡之间的基点和珠江三角洲实现临床调查。假设终端用户希望获得在某些地区重建信号的质量,那么参数个基点,QL, CC的三个实验数据集可以相应地选择如表所示7。

从表7,它可以观察到,压缩效率(平均13的74.12%,76.2%和79.2%,分别为三个指定的保真度准则。telemedicine-based传播和检索,可以确保重建脑电图诊断质量的基础上适当选择忠诚的标准和有效的低带宽利用率。它可以进一步从结果见表7该方案是发现与near-lossless产生类似的结果在[方案报告13]。

8。结论

论述了对需求的质量压缩方案使用神经网络预测脑电图信号。神经网络预测如单层感知器,多层感知器,Elman网络已经使用。误差信号阈值之前他们应用于算术编码器。一个两级压缩方案预测在第一阶段和第二阶段的熵编码器被使用。错误(残渣)信号的区别是最初的和预测的EEG信号是第一个使用各种水平的阈值和阈值是进一步量化,然后使用一个算术编码器进行编码。三种神经网络模型,即单层感知器,多层感知器、Elman网络使用,结果与线性预测如FIR滤波器和基于“增大化现实”技术的建模。实验进行了使用脑电图信号记录在不同的生理条件。重建的EEG信号的保真度定量评估使用的根均方百分比等参数不同(PRD),信噪比(信噪比),互相关(CR)和功率谱密度(PSD)。从实验结果发现,单层感知器产生最好的结果的保存在低PRD诊断信息的值。

引用

1. r·阿加瓦尔和j . Gotman重症监护的长期脑电图压缩设置”,IEEE工程在医学和生物学,20卷,不。5,23-29,2001页。视图:谷歌学术搜索
2. k . Lehnertz f . Mormann t Kreuz et al .,“由非线性脑电图分析癫痫发作预测,”IEEE,生物医学工程杂志,22卷,不。1,57 - 63,2003页。视图:出版商的网站|谷歌学术搜索
3. Mingui和r . j . Sclabassi“远期脑电图的解决方案可以使用人工神经网络计算,”IEEE生物医学工程卷,47号8,1044 - 1050年,2000页。视图:出版商的网站|谷歌学术搜索
4. g . Antoniol和p . Tonella“脑电图数据压缩技术,”IEEE生物医学工程,44卷,不。2、105 - 114年,1997页。视图:出版商的网站|谷歌学术搜索
5. n . Magotra g . Mandyam m .太阳和j·w·麦科伊,“无损压缩的脑电图仪的数据(EEG),”《IEEE国际研讨会在ISCAS’96电路与系统()1996年5月,页313 - 315。视图:谷歌学术搜索
6. n . Memon x香港,j . Cinkler”基于上下文的EEG信号的无损和near-lossless压缩”,IEEE在生物医学信息技术,3卷,不。3、231 - 238年,1999页。视图:出版商的网站|谷歌学术搜索
7. n Sriraam和c . Eswaran脑电图信号压缩使用神经网络预测最优配置,”学报IEE / IEEE国际会议上医学信号与信息处理马耳他,页378 - 382年,欧洲,2004年。视图:谷歌学术搜索
8. n Sriraam和c . Eswaran”绩效评价两级无损压缩的EEG信号,”国际信号处理杂志》上,1卷,不。2、94 - 97年,2004页。视图:谷歌学术搜索
9. n Sriraam和c . Eswaran EEG信号的无损压缩算法:定量评价,”《IEEE /磨床5日国际研讨会Biosignal解释,页125 - 130,东京,日本,2005年9月。视图:谷歌学术搜索
10. n Sriraam和c Eswaran”,一种自适应误差建模EEG信号的无损压缩方案,“IEEE在生物医学信息技术,12卷,不。5,587 - 594年,2008页。视图:出版商的网站|谷歌学术搜索
11. y Wongsawat, s . Oraintara t .田中,投资者饶,“无损多通道脑电图压缩”《电路与系统(ISCAS’06国际研讨会)2006年8月,页1611 - 1614。视图:谷歌学术搜索
12. n Sriraam和c . Eswaran”背景下基于误差建模对于使用神经网络的EEG信号的无损压缩,”医疗系统杂志,30卷,不。6,439 - 448年,2006页。视图:出版商的网站|谷歌学术搜索
13. n Sriraam和c . Eswaran”绩效评价的神经网络和线性预测near-lossless EEG信号的压缩,”IEEE在生物医学信息技术,12卷,不。1,第93 - 87页,2008。视图:出版商的网站|谷歌学术搜索
14. n . Sriraam“基于神经网络near-lossless使用非均匀量化脑电图信号的压缩,”学报》第29届国际年会IEEE,生物医学工程的社会,页634 - 639,法国,2007年8月。视图:谷歌学术搜索
15. d . Gopikrishna和A . Makur高性能方案脑电图压缩使用多通道模型,”高性能计算(债的诉讼02)卷,2552计算机科学的上课笔记施普林格,页443 - 451年,班加罗尔,印度,2002年12月。视图:谷歌学术搜索
16. n . Sriraam”上下文near-lossless EEG信号的压缩使用神经网络预测,“AEU-International电子和通讯》杂志上,卷63,不。4、311 - 320年,2009页。视图:出版商的网站|谷歌学术搜索
17. s . k . Mitra和s . n . Sarbadhikari迭代函数系统和遗传算法脑电图压缩。”医学工程学和物理学,19卷,不。7,605 - 617年,1997页。视图:出版商的网站|谷歌学术搜索
18. j·l·Cardenas-Barrera j . v . Lorenzo-Ginori, e . Rodriguez-Valdivia“基于小波包的EEG信号压缩算法”,医学信息学和医学互联网卷,29号1、15 -,2004页。视图:出版商的网站|谷歌学术搜索
19. n Sriraam和c . Eswaran EEG信号的有损压缩使用线性和神经网络预测,”学报》第三届国际会议上计算智能,机器人和自治系统(CIRAS ' 05),2005年。视图:谷歌学术搜索
20. Fira m和l . gora“基于追求基础生物医学信号压缩,”国际先进的科学和技术杂志》上卷14日,53 - 64年,2010页。视图:谷歌学术搜索
21. k . k . Poh和p . Marziliano EEG信号的压缩采样与有限的创新速度,”EURASIP在信号处理的发展》杂志上文章ID 183105卷,2010年,12页,2010。视图:出版商的网站|谷歌学术搜索
22. k . Srinivasan和m . Ramasubba Reddy”选择的最优小波无损的脑电图压缩对于实时应用程序,”印度生物力学杂志,第245 - 241页,2010年。视图:谷歌学术搜索
23. j·陈和伊藤,“小波transform-based心电图压缩方法保证期望信号质量,”IEEE生物医学工程,45卷,不。12日,第1419 - 1414页,1998年。视图:出版商的网站|谷歌学术搜索
24. t·布兰琪·g·c·梳,g·a·芬顿”KLT-Based质量控制单管线ECG压缩”IEEE生物医学工程,45卷,不。7,942 - 945年,1998页。视图:出版商的网站|谷歌学术搜索
25. c . Taswell和j . Niederholz“质量控制压缩polysomnograms”学报第一联合IEEE bm /磨床会议,卷2,p。944年,亚特兰大,乔治亚州,美国,1999年10月。视图:谷歌学术搜索
26. s . g . Miaou和h l .日圆,“质量驱动的黄金洗自适应矢量量化及其应用ECG数据压缩,”IEEE生物医学工程卷,47号2、209 - 218年,2000页。视图:出版商的网站|谷歌学术搜索
27. r . Logeswaran和c . Eswaran遥测数据,基于神经网络的无损编码方案”IEEE国际地球科学和遥感学报》研讨会(99年雪茄烟的)”1999年7月,页2057 - 2059。视图:谷歌学术搜索
28. s d流,“算术编码无损压缩波形,”IEEE信号处理,43卷,不。8,1874 - 1879年,1995页。视图:谷歌学术搜索
29. r·d·多尼和微积分,”神经网络的图像压缩方法,”IEEE学报》,卷83,不。2、288 - 303年,1995页。视图:出版商的网站|谷歌学术搜索
30. n . Sriraam基于神经网络的无损耗和质量控制的压缩和压缩误差建模的脑电图(EEG)信号马来西亚多媒体大学博士论文,2007年。
31. r . g . Andrzejak k . Lehnertz f . Mormann c .里克·大卫和c e . Elger”迹象的非线性时间序列的确定性和有限维结构大脑电活动:依赖记录区域和大脑状态,”物理评论E,卷64,不。6日,第1部分,1 - 8,2001页。视图:谷歌学术搜索
32. r和c Kannan Eswaran”,无损压缩方案ECG信号使用神经网络预测,“EURASIP在信号处理的发展》杂志上文章ID 35641卷,2007年,20页,2007年。视图:出版商的网站|谷歌学术搜索
33. Kannan r、c . Eswaran和n . Sriraam“基于神经网络的心电图数据压缩方法,”第九届国际会议上神经信息学报》上4卷,第2319 - 2317页,2002年。视图:谷歌学术搜索
34. 诉奥本海姆,r·w·谢弗和j·r·巴克离散时间信号处理,普伦蒂斯霍尔出版社,1989。
35. m . k . Kiymik a Subasi, h·r·Ozcalik“神经网络周期图和自回归谱分析方法在检测癫痫发作,”医疗系统杂志,28卷,不。6,511 - 522年,2004页。视图:出版商的网站|谷歌学术搜索
36. p .斯托伊卡和r .摩西,介绍了光谱分析普伦蒂斯霍尔,上台北,美国,1997年。

版权

版权©2011 n . Sriraam。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。