Elektroensefalogram (EEG) işaretlerinin sıkıştırılmasında özgün bir yaklaşım
Yükleniyor...
Dosyalar
Tarih
2008
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
IEEE
Erişim Hakkı
info:eu-repo/semantics/closedAccess
Özet
Bu çalışmada, Elektroensefalogram(EEG) işaretlerinin yeniden oluşturulmasına yönelik olarak yeni bir yöntem sunulmaktadır. Sunulan yöntem, etkin bir k-ortalamalı sınıflandırma algoritması kullanılarak Sınıflandırılmış Temel Tanım ve Zarf Vektör Setlerinin oluşturulmasına dayanmaktadır. Bu çalışmada, EEG işaretleri eşit uzunluklu çerçevelere bölünerek analiz edilmiş ve herbir çerçeve Sınıflandırılmış Temel Tanım vektörü, Sınıflandırılmış Zarf vektörü ve Çerçeve Ölçekleme Katsayısı olarak adlandırılan üç parametrenin çarpımı biçiminde modellenmiştir. Bu durumda, EEG işaretinin herbir çerçevesi sınıflandırılmış temel tanım ve zarf vektör setlerine ilişkin iki sıra numarası R ve K ile çerçeve ölçekleme katsayısı cinsinden tanımlanabilir. Önerilen yöntemin başarımı ortalama karesel hata tanımı ve
görsel inceleme ölçütü yoluyla değerlendirilmiştir. Önerilen yöntem, EEG işaretlerinin tanı açısından önemli kısımları korunarak, düşük yeniden oluşturma hataları ve yüksek sıkıştırma oranları ile yeniden oluşturulmasını sağlamaktadır.
In this paper, a novel method to compress ElectroEncephaloGram (EEG) Signal is proposed. The proposed method is based on the generation Classified Signature and Envelope Vector Sets (CSEVS) by using an effective k-means clustering algorithm. In this work, on a frame basis, any EEG signal is modeled by multiplying three parameters as called the Classified Signature Vector, Classified Envelope Vector, and Frame-Scaling Coefficient. In this case, EEG signal for each frame is described in terms of the two indices R and K of CSEVS and the frame-scaling coefficient. The proposed method is assessed through the use of root-mean-square error (RMSE) and visual inspection measures. The proposed method achieves good compression ratios with low level reconstruction error while preserving diagnostic information in the reconstructed EEG signal.
In this paper, a novel method to compress ElectroEncephaloGram (EEG) Signal is proposed. The proposed method is based on the generation Classified Signature and Envelope Vector Sets (CSEVS) by using an effective k-means clustering algorithm. In this work, on a frame basis, any EEG signal is modeled by multiplying three parameters as called the Classified Signature Vector, Classified Envelope Vector, and Frame-Scaling Coefficient. In this case, EEG signal for each frame is described in terms of the two indices R and K of CSEVS and the frame-scaling coefficient. The proposed method is assessed through the use of root-mean-square error (RMSE) and visual inspection measures. The proposed method achieves good compression ratios with low level reconstruction error while preserving diagnostic information in the reconstructed EEG signal.
Açıklama
Anahtar Kelimeler
Brain modeling, Brain models, Chromium, Classification algorithms, Classified envelope vector, Classified signature and envelope vector sets, Classified signature vector, Clustering algorithms, Compression ratios, Data compression, Data compression techniques, Diagnostic informations, EEG data compression technique, EEG signals, Electrocardiography, Electroencephalogram, Electroencephalogram signals, Electroencephalography, Frame-scaling coefficient, K-Means clustering algorithm, Mean square error methods, Medical signal processing, Novel methods, Optical sensors, Patient diagnosis, Pattern clustering, Reconstruction error, Reconstruction errors, Root-mean-square error, Scaling coefficients, Signal compression, Signal processing, Signal reconstruction, Signature vectors, Square errors, Support vector machine classification, Three parameters, Vectors, Visual communication, Visual inspection, Visual inspections
Kaynak
WoS Q Değeri
N/A
Scopus Q Değeri
N/A
Cilt
Sayı
Künye
Gürkan, H., Güz, Ü. & Yarman, B. S. B. (2008). A novel electroencephalogram (EEG) data compression technique. Paper presented at the 2008 IEEE 16th Signal Processing, Communication and Applications Conference, SIU, 857-860. doi:10.1109/SIU.2008.4632749
