[論文レビュー] Compressed Sensing for Energy-Efficient Wireless Telemonitoring: Challenges and Opportunities

Zhilin Zhang, Bhaskar D. Rao+1 more|arXiv (Cornell University)|Nov 15, 2013

Blind Source Separation Techniques参考文献 26被引用数 9

ひとこと要約

本稿では、マルチチャネルEEG信号における時間的相関およびチャネル間相関を統合的に活用することで、高精度な圧縮センシングを実現する、空間時間的スパースベイジアン学習（STSBL）アルゴリズムを提案する。90％圧縮されたEEGデータ上で評価した結果、STSBLは真値とのピアソン相関係数が0.96以内の眠気推定精度を達成し、回復品質および計算速度の両面で最先端の手法を上回った。

ABSTRACT

As a lossy compression framework, compressed sensing has drawn much attention in wireless telemonitoring of biosignals due to its ability to reduce energy consumption and make possible the design of low-power devices. However, the non-sparseness of biosignals presents a major challenge to compressed sensing. This study proposes and evaluates a spatio-temporal sparse Bayesian learning algorithm, which has the desired ability to recover such non-sparse biosignals. It exploits both temporal correlation in each individual biosignal and inter-channel correlation among biosignals from different channels. The proposed algorithm was used for compressed sensing of multichannel electroencephalographic (EEG) signals for estimating vehicle drivers' drowsiness. Results showed that the drowsiness estimation was almost unaffected even if raw EEG signals (containing various artifacts) were compressed by 90%.

研究の動機と目的

• 無線テレモニタリングにおける非スパースバイオシグナルの圧縮センシングの課題に対処すること。
• 各バイオシグナル内の時間的相関と複数チャネル間の相関を統合的にモデル化することで、信号再構成性能を向上させること。
• リアルタイムで低消費電力な無線ボディエリアネットワークに適した計算効率の良いアルゴリズムの開発。
• 高圧縮比下でのドライバーの眠気検出を目的とした、実世界のEEGデータを用いた手法の検証。

提案手法

• STSBLアルゴリズムは、ブロックスパースベイジアン学習（BSBL）を拡張し、マルチチャネルバイオシグナルに内在する空間時間的相関構造を組み込む。
• 各バイオシグナルを相関するブロックの系列としてモデル化することで時間的相関を活用し、同時に複数チャネル間の表現係数を統合的に回復することでチャネル間相関を活用する。
• スパース表現に辞書ベースのアプローチを採用し、スパarsityを実現するため、変換領域に離散コサイン変換（DCT）辞書を適用する。
• 期待値最大化（EM）フレームワークを用いて、繰り返し的にスパース表現係数とハイパーパrameterを推定することで、再構成のロバスト性を向上させる。
• 測定行列Φと辞書Dを用いて、変換領域でマルチチャネル信号を統合的に再構成することで、圧縮データからの効率的再構成を可能にする。
• フレームワークは、ドライブタスクにおける実際のEEGデータセットを用いて評価され、眠気はICAを介して推定され、基準ICとの相関が測定された。

実験結果

リサーチクエスチョン

• RQ1 高圧縮比下において、マルチチャネルEEGシグナルに内在する空間時間的相関を効果的に活用することで、圧縮センシングの再構成性能が向上するか？
• RQ2 非スパースバイオシグナルの再構成精度という観点から、BSBL-BO、SOMP、tMFOCUSSといった最先端のCS手法と比較して、提案手法STSBLの性能はどの程度優れているか？
• RQ3 信号圧縮が、EEGベースのモニタリングシステムにおける下流の眠気推定精度に及ぼす影響はどの程度か？
• RQ4 提案手法は、リアルタイムでの無線テレモニタリング用途に適した低計算複雑性を維持しながら、高い再構成精度を達成できるか？

主な発見

• STSBL-EMアルゴリズムは、90％の圧縮下でも、元のEEG信号と再構成されたEEG信号の間でピアソン相関係数が0.96を達成した。
• STSBL-EMが回復した眠気推定値は、視覚的および定量的に真値と区別がつかず、重要なフラクチュエーションの歪みが最小限に抑えられた。
• STSBL-EMは、再構成精度および計算速度の両面で、BSBL-BO、SOMP、tMFOCUSSを上回り、回復時間も顕著に短縮された。
• tMFOCUSSでは真値との相関が0.91、SOMPでは0.87、BSBL-BOでは0.85であったため、性能の著しい低下が確認された。
• STSBL-EMは、信号アーチファクトや非スパースコンテンツに対しても優れたロバスト性を示し、極端な圧縮下でも高い精度を維持した。
• BSBL-BOはチャネルごとの回復を要するため、リアルタイム利用には計算的に非現実的であるのに対し、STSBL-EMは著しい速度優位性を示した。