فشرده‌سازي چند الكترود سيگنال نوار قلبي با استفاده از نظريه حسگري فشرده

Multi-lead ECG Compression Based on Compressed Sensing Theory

هدف از اين مقاله، استفاده از نظريۀ حسگري فشرده به‌منظور الگوسازي تنك و فشرده‌سازي چند الكترود سيگنال‌هاي الكتروكارديوگرافي است. براي به دست آوردن نمايش تنك هريك از الكترودها، يك ماتريس پايه با كرنل‌هاي گوسي پيشنهاد شده است كه بيشترين شباهت را به سيگنال‌هاي قلب دارد. سپس از روش حريص (Orthogonal Matching Pursuit (OMP براي به دست آوردن نمايش تنك سيگنال‌ها استفاده شده است. پس از به دست آوردن نمايش تنك هريك از الكترودهاي سيگنال قلبي، استفاده از نظريۀ حسگردي فشرده امكان‌پذير است. پس از فشرده‌سازي، سيگنال بازسازي‌شده با استفاده از همان روش بهينه‌سازي حريص، به‌منظور نشان‌دادن درستي و مطمئن‌بودن الگوريتم به دست آمده است. استفاده از ماتريس پايۀ موجك نيز از ديگر روش‌هاي رايج موجود براي به دست آوردن نمايش تنك سيگنال قلبي است. نظريۀ حسگري فشرده با استفاده ماتريس پايۀ موجك براي سيگنال‌هاي قلبي اعمال شد. نتايج شبيه‌سازي نشان مي‌دهند نظريه پيشنهادي، يعني استفاده از ماتريس پايۀ گوسي، خطاي بازسازي كمتر و ميزان فشرده‌سازي بيشتري را داراست.

The purpose of this paper is to exploit the compressed sensing theory in order to compress multi-lead ECG channels with a high compression ratio and minimum reconstruction error. In order to obtain the sparse representation of the ECG signals a basis matrix with Gaussian kernels which have the maximum resemblance with ECG signals, is constructed. Then using Orthogonal matching pursuit, algorithm which is a greedy/iterative optimization technique, the sparse representation is acquired. Finally, utilizing the compressed sensing theory is possible. In order to prove the accuracy of the algorithm the same optimization technique is used to reconstruct the compressed signal. Using a wavelet basis is also common to obtain the sparse representation. The compressed sensing theory is also applied to the ECG signals for which their sparse representations have been obtained using a wavelet basis. The results show the superiority of the proposed method over the wavelet basis.