用于脑电波压缩感知的低能耗廉价无线检测器.docxVIP

用于脑电波压缩感知的低能耗、廉价无线检测器 摘要：无线人体域网中EEG检测是个性化机器的一个发展趋势。设计这样一个系统，有着多种约束，其中最重要的三个是：能量消耗、数据压缩以及设备成本。传统数据压缩尽管能有效压缩数据，但同时能耗也很大，且不能减低硬件成本。压缩感知（CS），作为一个新兴数据压缩方法，有望消除那些约束。然而，EEG在时域及转换域（如小波域）内是非稀疏的。因此，对新近的压缩感知算法来说，在满足临床诊断及工程应用的要求下高质量复原脑电波信号是极其困难的。块稀疏贝叶斯学习（BSBL）作为一种新的压缩感知解决方案而被提出。这项研究介绍了脑电信号的遥控检测技术。实验结果表明，其复原质量优于目前最好的CS算法，而且足够作为实际应用。这些结果表明，BSBL在EEG及其他非稀疏生理信号的遥控检测上前景可观。 索引词：遥控监测；医疗保健；无线人体域网（WBAN）；压缩感知（CS）；块稀疏贝叶斯学习（BSBL）；脑电波图（EEG） 1 引言 经由无线人体域网的EEG信号遥控监测是未来个性化机器及以家庭为主的电子医疗设备的发展方向。在这样一个系统中，WBAN[1]集成了众多搜集并压缩EEG信号的传感器。压缩后的EEG信号通过低功耗短距无线信号（如蓝牙）被送到附近的智能手机中，然后再通过Internet送到远程终端（如医院）上。在这个终端，原始的EEG信号用一台计算机进行恢复。装备该系统的病人不再需要频繁前往医院，而可以使得他们的EEG实时实地得到监测。 然而，在设计这样一个系统时仍有许多限制需要考虑。第一个就是能耗[2]。由于电池寿命的限制，尽可能地降低能量消耗非常必要。低能耗意味着系统可用更小更轻的电池与传感器。从而这些轻量设备就能大大提高病人的舒适度。此外，低功耗也意味着电池与传感器寿命更长，这也就降低了系统运营成本。 另一个约束是传输的生理信号应当被大量压缩。这是因为低功耗短距无线设备的通信能力有限，尤其是在一些使用多传感器或者高采样率的应用中压力较大。此外，WBAN通常使用智能手机作为其中介传输点。因此，在数据流不能超过智能手机负载、不能干扰手机主要功能如接打电话、玩游戏及其他移动应用方面就显得尤为重要。 第三个拘束就是硬件成本。低硬件成本使得一个遥控检测系统的经济可行性更好且能被个体消费者接收。然而， 低硬件成本就意味着数据压缩（在传感器上）应当具有低复杂度，而且数据恢复（在远程终端上）不能要求传感器在搜集数据时对原始信号进行预处理。 值得注意的是，许多常规的数据压缩方法如小波压缩不能同时满足所有约束。文献[3]通过与小波压缩对比表明，压缩感知使用稀疏二进制矩阵作为其感知矩阵时具有较优的压缩比。此外，稀疏二进制矩阵的使用意味着设备成本的极大降低[3]，[4]。然而，近期的压缩感知算法只有对稀疏信号或者带有稀疏表示系数的信号在换换域（如小波域）中较为有效。因为EEG信号既不在时域稀疏也不在转换域稀疏，所以近期的CS算法不能达到很好地复原质量。 为了复原出满足实际应用的高质量EEG信号，这项研究提出使用BSBL[5]，[6]来压缩/恢复EEG信号。BSBL框架最初是为处理块状结构的信号而提出[5]，并成功应用于胎儿EEG[7]信号遥控监测，而胎儿EEG信号明显属于块状结构。这项研究探索了将BSBL技术用于EEG这种具有任意波形且不具有明显块状结构信号的可行性。恢复EEG信号的精确度由随后的信号处理如独立成分分析来评估。 剩余的文章结构如下：第二章节简要介绍了CS模型及BSBL框架；第三章节展示了结果；最后两个章节探讨了结果并对文章进行总结。 2. 压缩感知与块稀疏贝叶斯学习 压缩感知（CS）[8]是一个新的数据压缩范式：一个长度为N信号（用x∈ RN*1表示）被一个行满秩自由矩阵压缩，用φ∈ RM*N表示（M=N，Rank（φ）=M），即： Y=φx. （1） Y是压缩后的数据，φ称为感知矩阵，应用于信号恢复的CS算法。CS算法使用压缩数据y和感知矩阵φ来恢复原始数据x。他们的成功依赖于一个关键假设：信号x的大多数元素是零（即x稀疏）。当这个假设不成立时，就寻找一个字典矩阵（用D∈ RM*N表示），使得x能够表达为x=Dz，而z是稀疏的。这样，模型（1）就转化为： y = ΦDz. （2） 因此，CS算法可以先使用y与ΦD恢复z，然后通过x=Dz来恢复x。 当CS应用于遥控监测系统中时，信号在传感器中根据公式（1）进行压缩。这一阶段消耗了WBAN中的片上能量。信号的恢复是在远程计算机上利用公式（2）进行的，矩阵Φ由CS算法所得，矩阵D由用户决定，这一阶段不消耗WBAN的任何能量。 压缩感知相比小波压缩有几大优势。在文献[3]，[7]中展示了