一种自适应联合稀疏恢复基于压缩传感的脑电图描记器系统

文摘

过去十年目睹了巨大努力塑造物联网(物联网)平台适合医疗应用程序。这些平台是由一个无线传感器网络监控几个物理和生理量。例如,长期监测大脑活动的使用可穿戴的脑电图(EEG)传感器广泛利用于癫痫发作与睡眠障碍的临床诊断。然而,这样的平台的部署是挑战的高功耗和系统的复杂性。能源效率可以通过探索高效的压缩技术,如压缩感知(CS)。计算机科学是一个新兴的理论,使压缩采集使用设计良好的传感矩阵。此外,系统的复杂性可以通过使用硬件优化友好结构传感矩阵。本文量化的性能基于cs多通道脑电图监测。此外,本文利用多通道脑电图的联合稀疏使用子空间的追求(SP)算法以及设计sparsifying基础以提高重建质量。此外,本文提出了一种修改SP算法基于自适应选择方法,进一步提高性能的重建质量,执行时间,和恢复过程的鲁棒性。

1。介绍

如今,一个巨大的兴趣一直致力于物联网的发展(物联网)建立连接健康平台。这些平台授权由几个可佩带的电池驱动传感器,收集和记录不同的长期生命体征。收集到的数据是使用低功耗通信协议发送到附近的一个网关。然后网关将数据发送给主机云。在云级别,各种信号处理和数据分析技术执行提供计算机辅助医疗援助。然而,这些平台的性能瓶颈主要是通过可穿戴传感器的寿命有限。因此,探索数据压缩技术可以减少传输的数据从传感器到网关,因此延长传感器的寿命。压缩感知(CS)理论已经被证明是一个可靠的压缩技术提供最好的权衡之间重建质量和低功率消耗比传统压缩的方法,如变换编码或分割和标记技术(1]。

CS是一种新型的数据采集模式,合并收购和压缩过程为一个操作。CS依赖于信号稀疏/压缩为了获得一种压缩的信号,同时保持其显著的信息。介绍了CS (2,3];作者已经证明任何稀疏信号完全可以恢复从一组较小的比原来的尺寸测量。因此,可以获得稀疏信号通过更少的随机测量比著名的Shannon-Nyquist定理使用设计良好的矩阵。尽管c是一种相对较新的理论,它被纳入各种新兴应用程序包括图像处理、雷达、无线通信和monitoring-based应用程序。

此外,为了应对目前的监测系统,引入了扩展CS (4),即分布式压缩感知(DCS)。DCS旨在利用信号内壳构造(稀疏)和interstructure采集系统(不同传感器的测量)之间的相关性,以获得感兴趣的信息信号使用最小数量的测量。

随后,利用稀疏的大多数生物如心电图(ECG)和肌电图(EMG) (5,6],许多努力一直致力于利用CS和DCS体内无线区域网络(WBAN)应用程序启用基于CS对连接的健康物联网平台。在这样的平台上,压缩数据传输到融合节点(网关),具有足够的计算和通信能力。后来,通过互联网数据路由到云重建,处理和分析。值得一提的是,可以进行数据重建通往赋予一个“IoT-based计算平台边缘。”

基于CS肌电图和心电图监测系统已经彻底调查,在各个方面都进行了分析,例如,CS和先进的压缩技术的比较7),系统设计的考虑(5],sparsifying字典的作用[8),在质量上和最好的算法重建的9]。此外,作者在10)结构,进一步利用生物信号,而不是只在一个领域探索信号稀疏,作者提出使用所有可用的结构(如低等级,分片光滑,和多个域的稀疏。随后,作者在10)提出了重建框架,旨在利用任何先验信息的信号以提高重建质量。

此外,CS在脑电图(EEG)信号的应用已经在文献中提出的。这种基于cs系统的性能是由两个参数控制,信号的稀疏,这主要取决于sparsifying基础,采用适当的恢复算法。作者在11)显示使用CS脑电图压缩的可能性,只要EEG信号记录至少通过22个渠道。面临的主要限制在脑电图部署CS压缩是很难发现脑电图展品的变换域稀疏的行为。因此,不同种类的sparsifying基础和字典已经调查,以确定最好的基础,提供了脑电图的稀疏表示。Senay等人有基础的量化使用斯莱皮恩sparsifying依据脑电图(12];获得的结果显示了重建低错误率脑电图信号。此外,Aviyente还提出了一个基于cs脑电图压缩系统利用伽柏帧作为字典脑电图信号(13),而Gangopadhyay et al。14)发现,采用小波变换对脑电图是更有效的重建质量。张等人提出了(15)一块稀疏贝叶斯学习(BSBL)方法脑电图恢复原始数据,使良好的重建质量和低系统的复杂性,使用稀疏传感矩阵和小波矩阵作为sparsifying基础。最近,作者在16]介绍了一种基于优化模型规范提高cosparsity和执行的低秩结构脑电图信号。作者提出了使用二阶差分矩阵作为sparsifying字典提高脑电图信号的稀疏以及利用cosparsity之间的协作和低秩结构同时恢复一个多通道脑电图信号。

除了选择最佳sparsifying矩阵,采用适当的重建算法中扮演一个重要的角色在EEG数据的恢复。贪心算法已广泛地探讨CS应用由于其低复杂度和性能优越与其他恢复算法相比,如凸松弛方法。广泛使用贪心算法是正交匹配的追求(OMP) (17),级间OMP(踩)18),压缩采样匹配追踪(CoSaMP) [19,子空间追求(SP) (20.]。

贪心算法的主要任务是确定最大的系数估计的位置信号。贪心算法采用一个信号在每一次迭代时代理方法来识别这些位置。如果传感矩阵满足限制等容属性条件(21),那么信号代理非常类似于原始信号和非零元素的位置可以很容易地确定。OMP和跺脚重构信号在迭代方法定位的最大系数在每个时间。另一方面,SP和CoSaMP选择多个系数在每个迭代允许他们收敛的迭代次数较低的解决方案。然而,SP和CoSaMP需要的信息信号稀疏在许多应用程序不可用先验的稀疏信号通常会随着时间而改变。此外,稀疏的参数不仅取决于信号还在空间数据结构是稀疏的;因此,相同的稀疏信号可以表现出不同的水平取决于sparsifying基础。所需知识的稀疏估计参数SP和CoSaMP提供了一个至关重要的问题,在一个糟糕的选择可以显著降低重建质量。提出了自适应稀疏算法在文献中;作者在22,23)进行各种修改OMP, CoSaMP和SP算法提供一种自适应框架,估计稀疏参数的最佳值 。稀疏自适应匹配追踪(桑普)提出了22)被认为是一个泛化OMP和SP的更新在每一个迭代,直到满足一定的条件。桑普增加稀疏参数的值使用一个两阶段的验证过程,直到剩余的规范之间的差异对每两个连续的迭代低于某个阈值。

在本文中,基于cs方案EEG信号压缩和恢复。本文的贡献如下:(我)联合信道使用SP算法重建。该方法使得重建质量比传统channel-per-channel复苏。(2)连接的概念基础的sparsifying依据脑电图信号nonsparsity的探讨来解决问题,以及连接的基础上由一个随机选择的元素矩阵离散余弦变换(DCT)和矩阵离散小波变换(DWT)。(3)提出了一种新的自适应方法来重建EEG信号。新算法的修改SP算法提供一个算法,不需要信号的稀疏先验知识。新提出的动态选择子空间追求(DSSP)算法在每次迭代执行一种自适应选择系数,捕获信号的大部分能量。该算法可以促进两个改进SP:第一,增强数据的重建质量,其次,增加鲁棒性与SP相比,后者将提供一个糟糕的重建质量如果稀疏估计参数是不佳。

剩下的纸是组织如下:CS基本面简要介绍部分2。部分3论文解决的主要问题,联合重建方法的描述和提出的恢复算法。给出了仿真结果和讨论部分4。部分5总结了纸。

2。压缩传感

2.1。收购模式

CS的收购模式(1)是由输入稀疏信号之间的内积 和传感矩阵 (这样 )生成压缩测量信号 。

在大多数情况下,输入信号还没有在时间域稀疏,它可以表现出一个稀疏的行为在适当的变换。因此,给定一组横跨 , 可以表示为一个线性组合之间的元素用一个向量 这样 。输入信号据说是-简约如果只有 非零的条目。指标的设置对应的非零项的位置被称为的支持吗和表示 。

传感矩阵 这地图长度输入信号到一个长度的信号必须使少量的样本获得输入信号中的重要信息。此外,它应该允许接受的重建质量。因此,必须满足两个条件的RIP和应与sparsifying语无伦次矩阵(21]。

2.2。重建算法

数据重建是在任何基于cs系统至关重要的任务。因此,有几种方法来恢复原始信号从被测信号提出了在文学。然而,有两种主要类型的重建算法,已经广泛地探讨,即凸优化和贪婪算法。凸优化方法提供具体的解决方案,如果输入信号完全是稀疏的。基于凸优化算法最小化操作;例如,基础追求(BP)算法(24)认为以下解决方案:

在噪声污染的情况下,收购过程,两种不同的技术可以部署;首先,如果是已知的先验噪声水平,追求基础去噪(BPDN) [25可以应用。然而,如果没有知识的噪音水平,至少绝对收缩和选择算子(套索)提供了一个有效的方法恢复原始信号。

贪心算法为稀疏信号提供理想的复苏,但他们比凸优化方法的情况下感兴趣的信号高度稀疏(17]。贪心算法解决(1迭代)通过局部最优决策。这些算法的目标是找到的位置非零系数,使快速复苏。贪心算法包括几个变种,如梯度追求,匹配追踪(MP) (26],和OMP [17]。经济新闻提供了一个快速恢复相比,凸优化方法;然而,它遭受坏的恢复质量信号稀疏度较低。因此,提出了几个改进版本的OMP,如CoSaMP [19],SP [20.),和跺脚18]。

2.3。分布式压缩感知

传统的CS只利用数据的稀疏。然而,如果使用不同的传感节点相同的数据被收集或不同的渠道,他们的测量将是高度相关的。在这样的场景中,测量表现出相同的行为,如被稀疏的在一个特定的领域。

因此,在多通道基于cs数据采集系统中,每个传感节点收集和压缩数据单独而不采取任何考虑其他节点。对于经济复苏,两种方法可以被认为是重建数据;首先,数据重建可以单独每个传感节点上执行,这种方法忽略了不同传感器的测量数据之间的依赖性,而且,因此,重建的质量只取决于每个记录的稀疏。第二种方法利用所有测量之间的合作获得更多的信息数据;因此,可以实现更好的重建质量。这个过程称为联合测量设置和动机的DCS概念的引入。

DCS提出了一种新的分布式编码框架,利用信号的稀疏和不同信号之间的相关性multisensing架构。在DCS采集阶段,每个传感器收集其测量通过随机信号的预测没有考虑对网络中其他传感器的状态。然而,重建阶段利用intersignal相关性通过使用所有的同时获得测量恢复所有的信号。

3所示。基于cs脑电图压缩

脑电图是一个深思熟虑的框架来测量大脑的电活动;脑电图信号被广泛用于检测不同类型的神经系统疾病,如昏迷、癫痫、睡眠障碍。此外,脑电图也可以用于非医疗应用,如脑机接口。脑电图信号记录在很长一段时间使用一组电极放置在头上的主题。脑电图信号视为多元信号通过多种渠道获得结果的一代大脑电图数据需要存储和传输。然而,几项研究已经强调这种方法的局限性的高能源消耗大量的原始数据流。因此,脑电图监测平台将受益于更大的权力高效无线传输之前采样和压缩。这些限制激励的CS和DCS电信号采集和压缩。

3.1。相关工作

基于cs脑电图监测在文献中已被调查。首先,应用CS的可行性已解决(脑电信号采集11,27]。作者基于CS量化脑电图监测,CS已经被用来作为压缩技术以减少存储和处理负载。结果表明,CS不提供良好的重建质量,除非一个合适的收购方案部署。可以应用CS只有至少22渠道收集EEG数据部署。

低稀疏的脑电图原始数据在时间和频率域的主要挑战在基于cs脑电图监测系统的设计。因此,一个伟大的关注是致力于提供词典和依据,呈现高EEG信号的稀疏表示。随后,调查了字典斯莱皮恩等文献的基础上,伽柏框架,和DWT矩阵(12- - - - - -15,28]。在[12),Senay等人量化一个CS脑电图压缩框架使用斯莱皮恩函数作为sparsifying字典。通过脑电图信号投射到斯莱皮恩基础上,实现稀疏表示;因此,脑电图可以有效地压缩与CS错误率很低。此外,Aviyente脑电图分析了CS框架压缩的均方误差(MSE)使用伽柏框架方法sparsifying基础(13]。作者认为伽柏鸣叫字典将非常有效,它可以提高信号的稀疏;因此,它可以提高基于cs脑电图监测的性能。另一方面,Gangopadhyay等人声称在14),小波字典更适合基于cs脑电图压缩比前面提到的方法。作者在11)提供了一个详细的性能研究六种不同sparsifying词典,即伽柏,墨西哥帽子,三次样条曲线,线性样条,三次b样条和线性b样条。摘要强化集不同的重建算法的模拟进行了18个不同的测试条件。b样条字典被证明是最有前途的,产生最佳重建质量和实现最低的错误率。此外,刘等人。提出了在16)一个新的脑电图监测框架基于稀疏信号恢复方法和同步cosparsity和低秩(SCLR)优化方法。该方法利用二阶差分矩阵sparsifying基础和最小化数据重建。然而,张等人探讨了BSBL最初开发(29日]使心电信号监测脑电图重建[15]。论文的观点是,而不是寻找最优sparsifying字典,作者使用通用字典矩阵(DWT和DCT)代表EEG信号。然而,他们探索BSBL利用EEG信号的块结构。结果显示一个可接受的重建质量组为特定的应用程序。

除了评估稀疏,脑电图数据的度量重建进行了调查。例如,均方根差(PRD)已经被用来评估重建的脑电图重建质量(30.]。然而,不同的阈值建立了基于目标应用程序。在[31日),基于能源保护标准,作者确定的最大PRD提供一个可接受的复苏是7%。这样的民主价值可以保证99.5%的信号能量是坚持,而希金斯等人在[32),30%珠三角与脑电图的压缩应用程序的自动化癫痫检测。

表1阐述几个作品之间的比较结果提出了在文献中集成的CS脑电图监测在上下文。

3.2。联合通道重建

在多通道采集的情况下,信号的联合稀疏合奏通常小于总在单个信号稀疏(4]。因此,如果感兴趣的信号的特征是弱稀疏,如脑电图信号,可以探索联合稀疏的合奏。此外,利用联合稀疏会导致显著的数量测量需要实现一个可接受的复苏。

相应的CS模型基于CS脑电图压缩系统渠道可以写成: 在哪里 表示原来的脑电图和原始数据是样品的数量在每个通道,而 表示的压缩形式脑电图数据。

该方法代表了多通道信号数据叠加,列,不同渠道的测量向量为一个向量。这种方法允许同时多个通道记录的恢复通过探索联合稀疏为了减少所需测量的数量为每个通道以及实现更好的重建质量比传统的CS的复苏,复苏的每个通道单独测量。

joint-measurements收购模型可以表示为 在哪里是一个整数,这样吗 和表示数量的同时回收渠道。向量 列元素的叠加吗这样 。

脑电图数据恢复,每个通过应用SP算法分别是重建。SP算法在算法的伪代码1。

3.3。提出DSSP算法

与桑普不同,本文提出了DSSP算法,它遵循一个简单的修改的SP算法探索计算机科学的关键理念。也就是说,如果信号是高度可压缩,那么只有少量的系数捕获信号的大部分能量。随后,通过定位在每个迭代中,这些系数的真正支持信号(最大的非零系数的位置)可以被识别。

此外,由于信号结构经常变化随着时间的推移,其稀疏的变化。因此,为了应对这种变化的信号结构,算法应该表现出动态选择方法;也就是说,选择系数在每个迭代的数量应该根据信号结构的变化更新。因此,提出DSSP算法是一个能源选择方法,更新的数量选择系数取决于获得信号在任何给定的时间。

因此,在DSSP算法,而不是选择一个固定数量的系数在每个迭代中,该算法定位指数系数的最小数量,捕捉信号的大部分能量。这种方法扩展了信号的真正支持阶段的阶段。此外,在每个迭代DSSP改进估计的信号,传感矩阵的列对应的位置选择系数是用来解决最小二乘问题。重复这个过程,直到重建的一个可接受的质量是实现基于误差最小化的状态。

为了选择适当数量的系数,捕获信号的代理大部分能量在每个迭代中,参数 被定义为选定的能量之间的速度系数和代理在每个迭代的能量信号。因此,为了选择适当的组系数,持有的大部分代理能量信号,参数可以选择尽可能高,只要它允许至少一系数的选择在每个迭代。

中列出的DSSP是算法的伪代码2。

4所示。结果与讨论

为了量化的性能基于cs方案脑电图压缩、强化实验进行了使用MATLAB计算软件。EEG信号被从数据库的EEGLab34]。EEG数据库是包含80通道录音,每384个样本。

为了设置模拟,Symlets小波变换(35是用作sparsifying EEG信号的基础。Symlets已经选定几个实证模拟确定最佳小波类,它提供了最佳的重建质量。

设计上的传感矩阵,采用两种方法。在第一个,传感矩阵的条目都来自正态分布等 。然而,在第二个条目是形成一个伯努利分布与条目 。实验结果平均100次试验。

信号重建质量评估的归一化均方误差(NMSE)。NMSE计算2-norm原始ECG信号的区别重建一个如下:

此外,压缩比(CR)一词被定义为之间的比例 ,压缩信号样本的数量, ,样品的数量在原始ECG信号:

首先,采用EEG信号重建算法是SP。所示算法1,SP算法需要稀疏估计作为输入;然而,没有建立规则来选择最好的稀疏参数 。因此,为了确定最佳值 ,强化实证模拟执行。结果表明,最优值channel-per-channel重建(EEG信号与384个样本) 。随后,联合通道重建最佳稀疏的估算值 。

表2提出了性能比较的NMSE之间的重建质量提出的建议的方法和结果(15]相同的脑电图数据被使用的地方。为此,样本的数量 等于样品中使用的数量(15]。此外,为了量化我们建议的方法的性能,不同的价值观这样,被选中吗 。 代表每个通道单独恢复的情况和不探索联合稀疏。结果显示清楚,利用联合稀疏提高重建质量,后者增加而增加的同时找到通道的数量。此外,传感矩阵的选择没有一个伟大的对重建质量的影响除了CR = 0.5的情况下,获得一个更好的性能用伯努利方程的矩阵。然而,重建质量获得(15)仍优于质量通过建议的方法。

重建获得的低质量可以用这一事实来解释小波基础不提供良好的脑电图数据的稀疏表示。因此,通过使用字典的概念连接(36)被追究心电图信号(8),sparsifying依据脑电图已提上日程。的基础是由选择随机元素从DCT和小波的家庭,即Daubechies Symlets。

数据1和2现在重建质量的NMSE不同的CR使用随机二进制值传感矩阵,分别。结果,利用joint-recovery巩固前面的结果 显著提高重建质量。此外,使用该字典呈现比使用DWT sparsifying基础更好的重建。此外,同样的重建质量获得(15)通过CR = 0.5可以通过探索joint-recovery结合提议的基础上只使用一个CR = 0.3的情况 。另一方面, ,实现重建质量低劣而channel-per-channel复苏CR值高于0.4。这种性能低劣的一个原因是穷人选择稀疏估计的SP算法;因此,SP并不健壮的稀疏改变不同的信号块内。

其次,为了量化算法的性能(DSSP),密集的数值模拟进行了为了确定最好的方法来选择参数 。数据3和4量化的性能DDSP算法对不同的值 。图3提出了重建质量的NMSE channel-per-channel恢复方法。值选择这样 。结果表明,CR的NMSE减少不断增加价值,导致一个更好的重建质量。此外,结果表明,与价值 信号真的很支持是位于每个迭代提供一个更好的重建质量。

图4说明了联合通道恢复性能 ,结果合并结果呈现在图3显示的优越性DDSP使用吗 在SP算法。然而,当的价值方法1,DDSP选择更多的系数在每个迭代;随后,系数不属于真正的支持的信号更容易被选择,从而降低重建的质量等情况 。

图5介绍了执行时间的SP DSSP使用不同的值 。报告结果平均值的重建时间80个频道。实现算法的重建时间控制处理器的速度和数量的任务由处理器,处理所有的算法实现了在同一程序在单个电脑来减少这种依赖性的影响。值得一提的是,获得的结果是使用电脑配备英特尔酷睿i7 - 3770 @ 3.4 Ghz CPU和16.0 GB的RAM。获得的执行时间说明,CR值小于0.4,SP相比,该算法收敛更快。然而,值得一提的是,如此之低的铬、SP复苏并不能保证一个可接受的质量。另一方面,对于CR高于0.4,虽然该算法包括更多的步骤,以确定最佳稀疏估计在每个迭代中,结果表明,该算法优于SP算法的重建时间的 。这可以解释的事实,提出了选择方法是更容易确定的真正支持信号将导致较低的迭代次数收敛到期望的重建质量。然而,随着DSSP达到其最佳性能 对于一个CR = 0.45之前在图所示4,增加样本的数量会导致额外的信息传输信号呈现着更快的恢复减少执行时间的CR CR = 0.6 = 0.5。

5。结论

Biosignal压缩是一个热门话题加以解决,以使IoT-based连接健康平台,提供低能耗、简单的系统设计和高效的性能。

高效的脑电图压缩方案使用CS尚未达到所需的性能。这主要是由于nonsparse EEG信号的性质。探讨的概念joint-recovery提高重建质量的脑电图信号利用多通道测量之间的协作。此外,本文探讨了概念基础连接处理脑电图nonsparsity的问题。实验结果已经比最先进的BSBL算法使用相同的数据库以及类似的系统设置。因此,采用SP-based联合信道复苏,实现重建质量优于BSBL获得的一个算法。此外,本文量化的使用和伯努利随机矩阵作为传感矩阵;结果表明,两类提供一个类似的性能方面的重建质量。然而,伯努利矩阵在文献中已经证明是硬件友好提供较低的系统复杂性。

此外,重建算法提出了一种自适应处理的问题随时间变化的信号稀疏。提出DSSP最突出的优势是能够提供一个良好的重建信号的质量没有先验知识贫乏,可以在多个应用程序非常有用。

总之,结果是非常有前途的技术,他们的硬件实现远程监控在物联网应用中可以作为未来进一步研究的工作。

信息披露

这里所列的陈述只是作者的责任。

的利益冲突

作者宣称没有利益冲突。

确认

本文是通过国家重点研究项目(NPRP)卡塔尔国家研究基金(卡塔尔基金会的成员)(批准号9-114-2-055)。

引用

1. c . Karakus a.c. Gurbuz, b . Tavli“能源效率分析压缩感知在无线传感器网络中,“IEEE传感器杂志,13卷,不。5,1999 - 2008年,2013页。视图:出版商的网站|谷歌学术搜索
2. d . l . Donoho“压缩传感,”电气和电子工程师学会交易信息理论,52卷,不。4、1289 - 1306年,2006页。视图:出版商的网站|谷歌学术搜索|MathSciNet
3. e . j .萤石、j·伯格和t .道,“强大的不确定性原则:准确的信号重建的高度不完整的频率信息,“电气和电子工程师学会交易信息理论,52卷,不。2、489 - 509年,2006页。视图:出版商的网站|谷歌学术搜索|MathSciNet
4. d .男爵m . f . Duarte m . b . Wakin s Sarvotham Baraniuk r . g .,“分布式压缩感知,”2009年,https://arxiv.org/abs/0901.3403。视图:谷歌学术搜索
5. a . m . r . Dixon e . g . Allstot d . Gangopadhyay和d . j . Allstot“心电图压缩传感系统注意事项和肌电图无线传感器,”IEEE生物医学电路和系统》第六卷,没有。2、156 - 166年,2012页。视图:出版商的网站|谷歌学术搜索
6. d . Bortolotti m .会a Bartolini r . Rovatti g . Setti和l . Benini”节能意识生物信号压缩传感重建wbsn-gateway,”IEEE新兴主题计算卷,页没有。99年,页1 - 1,2016。视图:谷歌学术搜索
7. a . m . r . Dixon e . g . Allstot d . Gangopadhyay a . y . Chen和d . j . Allstot“压缩传感重建:比较研究与应用心电图里面”学报2011年IEEE国际研讨会的电路和系统,在ISCAS 2011,页805 - 808,里约热内卢,巴西,2011年5月。视图:出版商的网站|谷歌学术搜索
8. o . Kerdjidj k . Ghanem a剧中f . Harizi和f . Chouireb”连接的字典ECG信号的恢复使用压缩传感技术,”学报》第26届国际会议上微电子(ICM)IEEE,页112 - 115年,多哈,卡塔尔,2014年12月。视图:出版商的网站|谷歌学术搜索
9. l . f . Polania r . e . Carrillo m . Blanco-Velasco和k . e .改革者”利用先验知识在无线心电压缩传感系统中,“IEEE生物医学和卫生信息学杂志》上,19卷,不。2、508 - 519年,2015页。视图:出版商的网站|谷歌学术搜索
10. m·德·沃斯·y . Liu Gligorijevic,诉电气自动方式,y,和s . Van Huffel“多级结构抗压传感、生物医学信号恢复”IEEE生物医学工程,60卷,不。10日,2794 - 2805年,2013页。视图:出版商的网站|谷歌学术搜索
11. a . m . Abdulghani a·j·卡森和e . Rodriguez-Villegas“压缩传感头皮脑电图信号:实现和实际性能,”医学和生物工程和计算,50卷,不。11日,第1145 - 1137页,2012年。视图:谷歌学术搜索
12. s . Senay l·f·查m .太阳和r . j . Sclabassi”eeg信号的压缩传感和随机滤波使用斯莱皮恩基础,”第16届欧洲信号处理研讨会论文集瑞士洛桑,页1 - 5、IEEE, 2008年8月。视图:谷歌学术搜索
13. s . Aviyente“脑电图压缩的压缩感知框架,”学报IEEE / SP 14车间统计信号处理(SSP ' 07)2007年8月,页181 - 184。视图:出版商的网站|谷歌学术搜索
14. d . Gangopadhyay e . g . Allstot a . m . r·迪克森和d . j . Allstot”系统考虑压缩采样的脑电图和ECoG里面”2011年IEEE生物电路与系统学报》会议(BioCAS)IEEE,页129 - 132年,圣地亚哥,美国,2011年11月。视图:出版商的网站|谷歌学术搜索
15. z, t·p·荣格s Makeig b . d . Rao,“压缩传感的脑电图与低能耗无线遥控和廉价的硬件,“IEEE生物医学工程,60卷,不。1,第224 - 221页,2013。视图:出版商的网站|谷歌学术搜索
16. m·德·沃斯·y . p . Liu, s . Van Huffel“压缩传感的多通道脑电图信号:同时cosparsity、煤优化”IEEE生物医学工程,卷62,不。8,2055 - 2061年,2015页。视图:出版商的网站|谷歌学术搜索
17. j . a . Tropp和a·c·吉尔伯特”通过正交匹配追踪信号恢复从随机测量,”电气和电子工程师学会交易信息理论,53卷,不。12日,第4666 - 4655页,2007年。视图:出版商的网站|谷歌学术搜索|MathSciNet
18. d . l . Donoho y Tsaig,德,和J.-L。斯塔克,”稀疏欠定线性方程组的解在舞台上正交匹配的追求,“电气和电子工程师学会交易信息理论,卷。58岁的没有。2、1094 - 1121年,2012页。视图:出版商的网站|谷歌学术搜索|MathSciNet
19. d . Needell和j . a . Tropp CoSaMP:迭代信号恢复不完整和不准确的样本,”应用和计算谐波分析,26卷,不。3、301 - 321年,2009页。视图:出版商的网站|谷歌学术搜索
20. w·戴和o . Milenkovic压缩传感信号子空间追求重建。”电气和电子工程师学会交易信息理论,55卷,不。5,2230 - 2249年,2009页。视图:出版商的网站|谷歌学术搜索|MathSciNet
21. e . j .萤石和m . b . Wakin介绍压缩采样:传感/抽样模式违背常识的数据采集、”IEEE信号处理杂志,25卷,不。2、21 - 30,2008页。视图:出版商的网站|谷歌学术搜索
22. l .甘,t . t . n .阮和t . d . Tran“稀疏自适应匹配追踪算法实际压缩传感,”《第42艾斯洛玛尔会议信号,系统和电脑(艾斯洛玛尔08年)太平洋格罗夫,页581 - 587年,加州,美国,2008年10月。视图:出版商的网站|谷歌学术搜索
23. g .太阳,y, z, w .党和z,“稀疏自适应压缩采样匹配追踪算法基于压缩传感、”计算信息系统杂志》上,7卷,不。4、2883 - 2890年,2012页。视图:谷歌学术搜索
24. s . s . Chen d l . Donoho m·a·桑德斯,原子分解的基础上追求,“暹罗期刊在科学计算,20卷,不。1,33 - 61年,1998页。视图:出版商的网站|谷歌学术搜索|MathSciNet
25. e . j .萤石,“限制等容属性及其对压缩传感的影响,“政府建筑渲染的数学,卷346,不。9 - 10,589 - 592年,2008页。视图:出版商的网站|谷歌学术搜索
26. s . g . Mallat >,“与时频词典匹配的追求,”IEEE信号处理第41卷。。12日,第3415 - 3397页,1993年。视图:出版商的网站|谷歌学术搜索
27. a . m . Abdulghani a·j·卡森和e . Rodriguez-Villegas”量化压缩传感的可行性在便携式脑电图的系统中,”国际会议上增强认知的基础卷,5638在计算机科学的课堂讲稿施普林格,页319 - 328年,柏林,德国,2009年。视图:出版商的网站|谷歌学术搜索
28. j . Haboba m .曼吉亚,r . Rovatti g . Setti”的架构出局部压缩传感应用脑电图,”2011年IEEE生物电路与系统学报》会议(BioCAS)IEEE,页137 - 140年,圣地亚哥,美国,2011年11月。视图:出版商的网站|谷歌学术搜索
29. >,陈宗柏。荣格、美国Makeig和b·d·拉奥“压缩传感节能无线遥控的无创性胎儿心电图通过块稀疏贝叶斯学习,”IEEE生物医学工程,60卷,不。2、300 - 309年,2013页。视图:出版商的网站|谷歌学术搜索
30. g·希金斯,美国福尔r . p . McEvoy et al .,“脑电图使用如JPEG2000压缩多少损失太多?“在学报2010年第32 IEEE 2010年度国际会议,生物医学工程(EMBC)IEEE,页614 - 617年,布宜诺斯艾利斯,阿根廷,2010年9月。视图:出版商的网站|谷歌学术搜索
31. 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
32. m·g·希金斯,b·麦克金尼:沃尔什Glavin指出,和e·琼斯,“使用SPIHT EEG信号的有损压缩,”IEEE电子信件卷,47号18日,第1018 - 1017页,2011年。视图:出版商的网站|谷歌学术搜索
33. a·j·卡森和大肠Rodriguez-Villegas信号不可知论者的身体区域网络的压缩传感:比较信号重建”《IEEE会议在医学和生物学社会工程IEEE,页4497 - 4500年,2012年。视图:出版商的网站|谷歌学术搜索
34. a . Delorme和美国Makeig EEGLAB:开源工具箱等实验分析EEG动态独立分量分析,“神经科学杂志》上的方法,卷134,不。1、9、2004页。视图:出版商的网站|谷歌学术搜索
35. 塔迦尔a . Mishra f·c·莫迪,r . kh”比较分析心电信号的小波基函数通过压缩传感压缩,”国际计算机科学和通讯》杂志上,3卷,不。5,23-31,2012页。视图:谷歌学术搜索
36. e . j .萤石y . c .灵族,d . Needell p·兰德尔,“压缩传感与连贯和冗余字典,”应用和计算谐波分析没有,卷。31日。1,59 - 73年,2011页。视图:出版商的网站|谷歌学术搜索

版权

版权©2017哈姆萨Djelouat等。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。