[论文解读] 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 9

一句话总结

该论文提出了一种时空稀疏贝叶斯学习（STSBL）算法，通过联合利用单个生物信号内的时序相关性以及多通道EEG信号之间的跨通道相关性，实现了高保真度的压缩感知。在90%压缩率的EEG数据上评估，STSBL在drowsiness估计精度方面与真实值的皮尔逊相关系数达到0.96，优于现有最先进方法在重建质量与计算速度方面的表现。

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%.

研究动机与目标

• 解决无线远程监测中非稀疏生物信号在压缩感知中的挑战。
• 通过联合建模每个生物信号内部的时序相关性以及多通道之间的跨通道相关性，提升信号重建性能。
• 开发一种计算效率高的算法，适用于实时、低功耗的无线体域网。
• 在真实世界的EEG数据上验证该方法在高比率压缩下的驾驶员嗜睡检测效果。

提出的方法

• STSBL算法在块稀疏贝叶斯学习（BSBL）的基础上，引入多通道生物信号中的时空相关性结构。
• 将每个生物信号建模为一系列相关联的块，以利用时序相关性，同时联合恢复各通道间的表示系数，以利用跨通道相关性。
• 采用基于字典的稀疏表示方法，对变换域应用离散余弦变换（DCT）字典以实现稀疏性。
• 采用期望最大化（EM）框架，迭代估计稀疏表示系数与超参数，提升重建鲁棒性。
• 通过测量矩阵Φ和字典D，在变换域中联合恢复多通道信号，实现从压缩数据中高效重建。
• 该框架使用驾驶任务的真实EEG数据集进行评估，通过独立成分分析（ICA）估计嗜睡程度，并与参考独立分量进行相关性分析。

实验结果

研究问题

• RQ1 多通道EEG信号中的时空相关性是否能有效用于在高比率压缩下提升压缩感知的重建性能？
• RQ2 与BSBL-BO、SOMP和tMFOCUSS等先进压缩感知方法相比，所提出的STSBL算法在非稀疏生物信号重建保真度方面表现如何？
• RQ3 信号压缩在多大程度上影响EEG监测系统中下游嗜睡程度估计的准确性？
• RQ4 所提出的方法是否能在保持低计算复杂度的同时实现高重建精度，适用于实时无线远程监测应用？

主要发现

• STSBL-EM算法在90%压缩率下，原始EEG信号与重建EEG信号的嗜睡估计皮尔逊相关系数达到0.96。
• STSBL-EM恢复的嗜睡估计在视觉与定量上均与真实值无法区分，关键波动的失真极小。
• STSBL-EM在重建保真度与计算速度方面均优于BSBL-BO、SOMP与tMFOCUSS，恢复时间显著缩短。
• tMFOCUSS、SOMP与BSBL-BO的嗜睡估计与真实值相关系数分别为0.91、0.87与0.85，表明性能出现明显退化。
• STSBL-EM对信号伪影与非稀疏内容表现出更强的鲁棒性，在极端压缩下仍保持高精度。
• 与BSBL-BO相比，STSBL-EM在速度上具有显著优势，因为BSBL-BO需逐通道恢复，导致实时应用计算成本过高。