무선 헬스케어 서비스에서 생체신호모니터링 시스템의 전력소모를 효과적으로 감소시킬 수 있는 압축센싱 기법을 다양한 생체신호에 적용하여 압축률을 비교하였다. 압축센싱 기법을 이용하여 일반적인 심전도, 근전도, 뇌전도 신호의 압축과 복원을 수행하였고, 이를 통해 복원된 신호와 원신호를 비교함으로써, 압축센싱의 유효성을 판단하였다. 유사랜덤 행렬을 사용하여 실제 생체신호를 압축하였으며, 압축된 신호는 Block Sparse Bayesian Learning(BSBL) 알고리즘을 사용하여 복원하였다. 가장 산제된 특성을 가지는 근전도 신호의 최대 압축률이 10배로 확인되어 가장 높았으며, 심전도 신호의 최대 압축률은 5배였다. 가장 산제된 특성이 작은 뇌전도 신호의 최대 압축률은 4배였다. 연구된 심전도, 근전도, 뇌전도 신호의 압축률은 향후 압축센싱을 적용한 무선 생체신호 모니터링 회로 및 시스템 개발시 유용한 기초자료로 활용될 수 있다.
무선 헬스케어 서비스에서 생체신호 모니터링 시스템의 전력소모를 효과적으로 감소시킬 수 있는 압축센싱 기법을 다양한 생체신호에 적용하여 압축률을 비교하였다. 압축센싱 기법을 이용하여 일반적인 심전도, 근전도, 뇌전도 신호의 압축과 복원을 수행하였고, 이를 통해 복원된 신호와 원신호를 비교함으로써, 압축센싱의 유효성을 판단하였다. 유사랜덤 행렬을 사용하여 실제 생체신호를 압축하였으며, 압축된 신호는 Block Sparse Bayesian Learning(BSBL) 알고리즘을 사용하여 복원하였다. 가장 산제된 특성을 가지는 근전도 신호의 최대 압축률이 10배로 확인되어 가장 높았으며, 심전도 신호의 최대 압축률은 5배였다. 가장 산제된 특성이 작은 뇌전도 신호의 최대 압축률은 4배였다. 연구된 심전도, 근전도, 뇌전도 신호의 압축률은 향후 압축센싱을 적용한 무선 생체신호 모니터링 회로 및 시스템 개발시 유용한 기초자료로 활용될 수 있다.
Compresses sensing (CS) technique is beneficial for reducing power consumption of biopotential acquisition circuits in wireless healthcare system. This paper investigates the maximum possible compress ratio for various biopotential signal when the CS technique is applied. By using the CS technique, ...
Compresses sensing (CS) technique is beneficial for reducing power consumption of biopotential acquisition circuits in wireless healthcare system. This paper investigates the maximum possible compress ratio for various biopotential signal when the CS technique is applied. By using the CS technique, we perform the compression and reconstruction of typical electrocardiogram(ECG), electromyogram(EMG), electroencephalogram(EEG) signals. By comparing the original signal and reconstructed signal, we determines the validity of the CS-based signal compression. Raw-biopotential signal is compressed by using a psuedo-random matrix, and the compressed signal is reconstructed by using the Block Sparse Bayesian Learning(BSBL) algorithm. EMG signal, which is the most sparse biopotential signal, the maximum compress ratio is found to be 10, and the ECG'sl maximum compress ratio is found to be 5. EEG signal, which is the least sparse bioptential signal, the maximum compress ratio is found to be 4. The results of this work is useful and instrumental for the design of wireless biopotential signal monitoring circuits.
Compresses sensing (CS) technique is beneficial for reducing power consumption of biopotential acquisition circuits in wireless healthcare system. This paper investigates the maximum possible compress ratio for various biopotential signal when the CS technique is applied. By using the CS technique, we perform the compression and reconstruction of typical electrocardiogram(ECG), electromyogram(EMG), electroencephalogram(EEG) signals. By comparing the original signal and reconstructed signal, we determines the validity of the CS-based signal compression. Raw-biopotential signal is compressed by using a psuedo-random matrix, and the compressed signal is reconstructed by using the Block Sparse Bayesian Learning(BSBL) algorithm. EMG signal, which is the most sparse biopotential signal, the maximum compress ratio is found to be 10, and the ECG'sl maximum compress ratio is found to be 5. EEG signal, which is the least sparse bioptential signal, the maximum compress ratio is found to be 4. The results of this work is useful and instrumental for the design of wireless biopotential signal monitoring circuits.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
압축센싱을 적용한 시스템을 이용하여 U-healthcare 서비스 실현을 위해서는 심전도 신호 이외에도 환자의 진단을 위해 많이 사용되는 실제 근전도(EMG), 뇌전도(EEG) 신호의 압축 및 복원을 통한 각 신호의 압축률 연구가 필요하다. 따라서 본 연구에서는 압축센싱을 이용하여 심전도 신호뿐만 아니라 근전도, 뇌전도 신호의 압축률 연구를 수행하였다.
본 논문에서는 압축센싱을 이용하여 심전도 근전도, 뇌전도 신호의 압축률 연구를 수행하였다. 가장 산제된 특성을 가지는 근전도 신호의 최대 압축률이 10배로 가장 높았으며, 심전도 신호의 최대 압축률은 5배였다.
제안 방법
압축센싱 이론을 바탕으로 실제 심전도, 근전도, 뇌전도 신호의 압축률을 확인하는 실험 방법은 그림 2와 같다. 실제 생체신호는 MIT-MIH Arrhythmia database[20]에서의 제공되는 자료를 사용하였고, 측정행렬은 Psuedo-random 행렬을 사용해 N = 500으로 고정시키고 M을 조절하여 압축률을 바꿔가며 길이가 2000인 생체신호를 압축하였다. 압축된 신호는 BSBL 알고리즘[15]을 사용하여 복원하였으며, 모든 시뮬레이션은 MATLAB을 사용하여 수행하였다.
이론/모형
복원된 생체신호의 정보 손실을 정량화하고 비교하기 위해서는 일반적으로 널리 사용되는 지표인 Percent Root Mean Square Difference(PRD)를 사용하였으며, PRD는 식 5와 같이 정의된다.
실제 생체신호는 MIT-MIH Arrhythmia database[20]에서의 제공되는 자료를 사용하였고, 측정행렬은 Psuedo-random 행렬을 사용해 N = 500으로 고정시키고 M을 조절하여 압축률을 바꿔가며 길이가 2000인 생체신호를 압축하였다. 압축된 신호는 BSBL 알고리즘[15]을 사용하여 복원하였으며, 모든 시뮬레이션은 MATLAB을 사용하여 수행하였다.
성능/효과
47%로 나왔다. 산제된 신호를 복원하는 압축센싱의 특성 때문에 잡음이 제거되어 PRD값이 10%이상의 높은 값이 나왔지만 그림 3(a)의 원래신호와 비교하였을 때 심전도에서 유효한 정보인 PQRST 파형 성분[22]이 제대로 복원되어 있는 것을 확인할 수 있다. 5배로 압축된 신호의 복원인 그림 3(c) 또한 PRD값이 17.
그림 5는 실제 뇌전도 신호를 압축 후 복원한 신호를 비교한 그림이다. 원래의 뇌전도 신호 그림 5(a)를 3배로 압축 후 복원된 그림 5(b)결과에서 PRD값이 31.89%로 높게 나왔지만 제대로 복원된 것을 확인할 수 있다. 4배로 압축된 신호의 복원인 그림 5(c)결과 또한 PRD값이 43.
그림 4는 실제 근전도 신호를 압축 후 복원한 신호를 비교한 그림이다. 원래의 근전도 신호 그림 4(a)를 8배로 압축 후 복원된 그림 4(b)결과에서 심전도 신호와 마찬가지로 산제된 신호를 복원하는 압축센싱의 특성 때문에 잡음이 제거되어 PRD값이 41.11%로 높게 나왔지만 산제된 특성을 가지는 근전도 신호의 활동전위가 제대로 복원된 것을 확인할 수 있다. 10배로 압축된 신호의 복원인 그림 4(c)결과 또한 PRD값이 59.
본 논문에서는 압축센싱을 이용하여 심전도 근전도, 뇌전도 신호의 압축률 연구를 수행하였다. 가장 산제된 특성을 가지는 근전도 신호의 최대 압축률이 10배로 가장 높았으며, 심전도 신호의 최대 압축률은 5배였다. 가장 산제된 특성이 작은 뇌전도 신호의 최대 압축률은 4배였다.
압축센싱을 실제생체신호에 적용하여 시뮬레이션을 통해 압축률을 확인한 결과, 생체신호 중 가장 산제된 특성을 가지는 근전도 신호의 최대 압축률이 10배로 가장 높았으며, U-healthcare 시스템에서 가장 많이 쓰이는 심전도 신호의 최대 압축률은 5배였다. 가장 산제된 특성이 작은 뇌전도 신호의 최대 압축률은 4배였다.
가장 산제된 특성이 작은 뇌전도 신호의 최대 압축률은 4배였다. 잡음 성분을 제거하는 압축센싱의 특성 때문에 PRD 값이 높게나왔지만, 복원된 신호와 원래 신호의 비교를 통해 복원된 신호의 질이 PRD값에 비하여 좋은 것을 확인할 수 있다. 이처럼 압축센싱에서는 단순히 PRD를 통해 복원된 신호의 질을 평가함에 있어 한계점을 가지기 때문에 이를 고려해야한다.
가장 산제된 특성이 작은 뇌전도 신호의 최대 압축률은 4배였다. 잡음을 제거하는 압축센싱의 특성 때문에 PRD값이 높게나왔지만, 복원된 신호와 원래의 신호의 비교를 통해 복원된 신호의 질이 높은 PRD값에 비하여 좋은 것을 확인하였다. 연구된 실제 심전도, 근전도, 뇌전도 신호의 압축률은 압축센싱을 기반으로 한 저전력 생체신호 획득 회로 설계에 응용될 수 있다.
후속연구
잡음을 제거하는 압축센싱의 특성 때문에 PRD값이 높게나왔지만, 복원된 신호와 원래의 신호의 비교를 통해 복원된 신호의 질이 높은 PRD값에 비하여 좋은 것을 확인하였다. 연구된 실제 심전도, 근전도, 뇌전도 신호의 압축률은 압축센싱을 기반으로 한 저전력 생체신호 획득 회로 설계에 응용될 수 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
압축센싱 기법의 기능은?
무선 헬스케어 서비스에서 생체신호 모니터링 시스템의 전력소모를 효과적으로 감소시킬 수 있는 압축센싱 기법을 다양한 생체신호에 적용하여 압축률을 비교하였다. 압축센싱 기법을 이용하여 일반적인 심전도, 근전도, 뇌전도 신호의 압축과 복원을 수행하였고, 이를 통해 복원된 신호와 원신호를 비교함으로써, 압축센싱의 유효성을 판단하였다.
IT 융합 무선 의료 모니터링 기기 분야의 최근 동향은 어떠한가?
언제 어디서나 자신의 생체 상태를 측정하고 모니터링 할 수 있는 U-healthcare 서비스 실현을 위해서는 생체 신호(Biopotential Signal)를 획득하는 센서와 무선통신 기능이 결합된 무선 생체 모니터링 시스템 (Wireless Biopotential Signal Monitoring System) 개발이 필수적이다. 이러한 의료기기들은 Wireless Body Area Network(WBAN)를 무선 전송 표준으로 사용하며 크게 발달하였으며, 최근에는 기기의 휴대성을 높이고, 에너지 소비량을 줄이는 것이 중요한 이슈이다[1~3].
U-healthcare 서비스 실현을 위해서는 어떤 개발이 필수적인가?
의료기술의 발달과 경제 성장으로 인한 인간의 건강한 삶에 대한 관심 증가로 IT 융합 무선 의료 모니터링 기기의 개발이 크게 증가하고 있다. 언제 어디서나 자신의 생체 상태를 측정하고 모니터링 할 수 있는 U-healthcare 서비스 실현을 위해서는 생체 신호(Biopotential Signal)를 획득하는 센서와 무선통신 기능이 결합된 무선 생체 모니터링 시스템 (Wireless Biopotential Signal Monitoring System) 개발이 필수적이다. 이러한 의료기기들은 Wireless Body Area Network(WBAN)를 무선 전송 표준으로 사용하며 크게 발달하였으며, 최근에는 기기의 휴대성을 높이고, 에너지 소비량을 줄이는 것이 중요한 이슈이다[1~3].
참고문헌 (22)
르나탄, 신요안, "압축센싱 기반의 무선통신 시스템", The Magazine of the IEIE, vol. 38, no. 1, pp. 56-67, Jan. 2011.
김태연, 응웬뚜랑녹, 신요안 "무선통신에서의 압축센싱 응용", The Magazine of the IEIE, vol. 41, no. 6, pp. 48-59, Jun. 2014.
A. Milenkovic, C. Otto, and E. Jovanov, "Wireless sensor networks for personal health monitoring: Issues and an implementation," Comput. commun., vol. 29, Issue 13-14, pp. 2521-2533, Aug. 2006.
E. Candes, J. Romberg, and T. Tao, "Robust uncertainty principles: Exact signal reconstruction from highly incomplete frequency information," IEEE Trans. on Information Theory , vol. 52, no. 2, pp. 489-509, Feb. 2006.
E. Candes and T. Tao, "Near optimal signal recovery from random projections: Universal encoding strategies?" IEEE Trans. on Information Theory , vol. 52, no. 12, pp.5406-5425, Dec. 2006.
F. Chen, A. P. Chandrakasan, and V. Stojanovic, "A signal-agnostic compressed sensing acquisition system for wireless and implantable sensors," in Proc. 2010 IEEE Custom Integrated Circuits Conf., pp. 1-4, Sep. 2010.
J. N. Laska, S. Kirolos, M. F. Duarte, T. S. Ragheb, R. G. Baraniuk, and Y. Massoud, "Theory and implementation of an analog-to-information converter using random demodulation," in Proc. IEEE Int. Symp. Circuits and Systems(ISCAS), pp. 1959-1962, May. 2007.
F. Chen, A. P. Chandrakasan, and V. Stojanovic, "Design and analysis of a hardware-efficient compressed sensing architecture for data compression in wireless sensors," IEEE J. Solid-State Circuits, vol. 47, no. 3, pp. 744-756, Mar. 2012.
M. Trakimas, T. Hancock, and S. Sonkusale "A Compressed Sensing Analog-to-Information Converter with Edge-Triggered SAR ADC Core," in Proc. IEEE Int. Symp. on Circuit and Systems(ISCAS), pp. 3162-3165, May 2012.
S. S. Chen, D. L. Donoho, M. A. Saunders, "Atomic decomposition by basis pursuit," SIAM J. Sci. Comput., vol. 20, no. 1, pp.33-61, 1998.
J. A. Tropp and A. C. Gilbert, "Signal recovery from random measurements via orthogonal matching pursuit," IEEE Trans. Inf. Theory, vol. 53, pp. 4655-4666, Dec. 2007.
T. Blumensath and M. E. Davies, "Normalized iterative hard thresholding: Guaranteed stability and performance," IEEE J. Sel. Topics Signal Process., vol. 4, pp. 298-309, Mar. 2010.
Z. Zhang and B. D. Rao "Extension of SBL Algorithms for the Recovery of Block Sparse Signals With Intra-Block Correlation," IEEE Trans. on Signal Processing, vol. 61, no. 8, pp. 2009-2015, Apr. 2013.
H. Mamaghanian, N. Khaled, D. Atienza, and P. Vandergheynst, "Compressed Sensing for Real-Time Energy-Efficient ECG compression on Wireless Body Sensor Nodes," IEEE Trans. Biomed. Eng., vol. 58, no. 9, pp. 2456-2466, Sep. 2011.
F. Chen, F. Lim, O. Abari, A. Chandrakasan and Vladimir Stojanovic, "Energy-Aware Design of Compressed Sensing Systems for Wireless Sensors under Performance and Reliability Constraints," IEEE Trans. on Circuits and Systems-I, vol. 60, no. 3, Mar. 2013.
전병우 "압축센싱과 영상처리 응용", The Magazine of the IEIE, vol. 41, no. 6, pp. 27-38, Jun. 2014.
E. J. Candes and M. B. Wakin, "An introduction to compressive sampling," IEEE Signal Process. Mag., vol. 25, no. 2, pp. 21-30, Mar. 2008.
MIT-BIH arrhythmia database. (2005). [Online]. Available : http://www.physionet.org/physiobank/database/mitdb/
Y. Zigel, A. Cohen, and A. Katz, "The weighted diagnostic distortion (WDD) measure for ECG signal compression," IEEE Trans. Biomed. Eng., vol. 47, no. 11, pp. 1422-1430, Nov. 2000.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.