[论文解读] Study on a Low Complexity ECG Compression Scheme with Multiple Sensors

Pengda Huang|arXiv (Cornell University)|Apr 5, 2017

ECG Monitoring and Analysis被引用 3

一句话总结

本文提出一种基于多传感器的低复杂度心电图（ECG）压缩方案，通过在次级传感器上采用条件量化、在主传感器上采用差分量化，利用传感器间的信号相关性。与传统的单传感器方法相比，该方法在低比特率下实现了更优的重建精度，且通过联合优化采样周期与量化位深，进一步提升了效率。

ABSTRACT

The industry of wearable remote health monitoring system keeps growing. In the diagnosis of cardiovascular disease, Electrocardiography~(ECG) waveform is one of the major tools which is thus widely taken as the monitoring objective. For the purpose of reducing bit expenditure in the monitoring systems, we study the compression of ECG signal and propose a new compressor in low complexity. Different from the traditional ECG compressors, most of which are built on a single sensor, our compression scheme is based on multiple ECG sensors. The multi-sensor based compression scheme is able to provide more accurate sensing results. Besides the investigation into the structure of the compressor, we also jointly optimize the period and the bit number per sample in the transmission of ECG signal. Experiments are performed on records in MIT-BIH Arrhythmis database and European ST-T database. Experimental results show that our method outperforms conventional ones with respect to ECG reconstruction accuracy at the same bit rate consumption

研究动机与目标

• 降低可穿戴远程心电图监测系统中的比特率与能耗。
• 解决现有自适应差分心电图压缩方法的局限性，即频繁重传滤波器系数导致复杂度与比特成本增加的问题。
• 通过利用不同身体位置放置的多个心电图传感器之间的信号相关性，提升重建精度。
• 联合优化采样周期与每样本的量化位深，以最小化比特率，同时保持诊断级信号保真度。
• 设计一种适用于资源受限可穿戴设备的低复杂度压缩架构。

提出的方法

• 采用双传感器配置：主传感器置于胸部，次级传感器置于手腕，次级传感器将压缩后的数据传输至主传感器。
• 在次级传感器上使用条件量化，利用主传感器心电信号的先验知识以减少冗余。
• 在主传感器上应用差分量化，采用线性预测模型压缩预测值与实际心电样本之间的差值。
• 引入一种混合量化结构，结合次级传感器的条件量化与主传感器的差分量化，以提升效率。
• 通过基于心电图特征保留约束的联合优化方法，对采样周期与每样本比特数进行联合优化，以平衡比特率与保真度。
• 在主传感器上采用基于LMS的自适应滤波进行预测，滤波系数根据信号动态特性进行更新。

实验结果

研究问题

• RQ1 不同身体位置的心电信号之间的传感器间相关性是否能在不增加复杂度的前提下提升压缩效率？
• RQ2 基于主传感器信号信息的次级传感器条件量化，对重建精度与比特率有何影响？
• RQ3 对采样周期与每样本比特数进行联合优化，对心电图压缩性能有何影响？
• RQ4 所提出的多传感器差分压缩方案相较于传统单传感器方法，在比特率与重建误差方面表现如何？
• RQ5 所提出的方案是否能在减少自适应滤波器系数重传需求的同时，保持高诊断保真度？

主要发现

• 所提出的混合量化方法——在次级传感器采用条件量化、在主传感器采用差分量化——在所有测试配置中实现了最低的平均均方误差（MSE）。
• 在每样本固定为8比特的条件下，所提方法的归一化MSE显著低于基于小波的压缩方法与基于系数传输的差分方案。
• 当LMS滤波器系数未被传输时，MSE保持较高且不随比特宽度增加而改善；但若传输系数，则性能可提升，尽管比特成本更高。
• 对采样周期与每样本比特数的联合优化，在MSE-比特率曲线中清晰显示出比特率的降低，同时保持低MSE。
• 在MIT-BIH心律失常数据库与欧洲ST-T数据库中，所提方法在低比特率下均实现了最小的MSE，证明了其优越的重建精度。
• 该方法在重建精度与比特率效率方面均优于传统方法，尤其在低复杂度约束下表现更优。