20.500.12556/DKUM-100116 Near-lossless EEG signal compression using a convolutional autoencoder case study for 256-channel binocular rivalry dataset Electroencephalography (EEG) experiments typically generate vast amounts of data due to the high sampling rates and the use of multiple electrodes to capture brain activity. Consequently, storing and transmitting these large datasets is challenging, necessitating the creation of specialized compression techniques tailored to this data type. This study proposes one such method, which at its core uses an artificial neural network (specifically a convolutional autoencoder) to learn the latent representations of modelled EEG signals to perform lossy compression, which gets further improved with lossless corrections based on the user-defined threshold for the maximum tolerable amplitude loss, resulting in a flexible near-lossless compression scheme. To test the viability of our approach, a case study was performed on the 256-channel binocular rivalry dataset, which also describes mostly data-specific statistical analyses and preprocessing steps. Compression results, evaluation metrics, and comparisons with baseline general compression methods suggest that the proposed method can achieve substantial compression results and speed, making it one of the potential research topics for follow-up studies. Poskusi elektroencefalografije (EEG) običajno ustvarijo ogromne količine podatkov zaradi visokih frekvenc vzorčenja in uporabe več elektrod za zajemanje možganske aktivnosti. Posledično je shranjevanje in prenos teh velikih naborov podatkov zahteven, kar zahteva ustvarjanje specializiranih tehnik stiskanja, prilagojenih tej vrsti podatkov. Ta študija predlaga eno takšnih metod, ki v svojem jedru uporablja umetno nevronsko mrežo (natančneje konvolucijski avtoenkoder) za učenje latentnih predstavitev modeliranih EEG signalov za izvajanje stiskanja z izgubami, ki se dodatno izboljša z brezizgubnimi popravki, ki temeljijo na uporabniško določenem pragu za največjo dovoljeno izgubo amplitude, kar ima za posledico prilagodljivo shemo stiskanja skoraj brez izgub. Za preizkus izvedljivosti našega pristopa je bila izvedena študija primera na 256-kanalnem naboru podatkov o binokularnem rivalstvu, ki opisuje tudi večinoma statistične analize in korake predobdelave, specifične za podatke. Rezultati stiskanja, metrike vrednotenja in primerjave z osnovnimi splošnimi metodami stiskanja kažejo, da lahko predlagana metoda doseže občutne rezultate stiskanja in hitrost, zaradi česar je ena od potencialnih raziskovalnih tem za nadaljnje študije. EEG signals electroencephalography compression results elektroencefalografski signali podatki stiskanje podatkov izgube true true true Angleški jezik Slovenski jezik Delo ni kategorizirano 2026-09-04 12:09:39 2026-09-08 08:36:31 2026-09-09 03:06:33 0000-00-00 00:00:00 0 0 0 17 str. Vol. 189, [article no.] 109888 May 2025 0000-00-00 PostprintKoncna Neobjavljeno NiDoloceno 2024-09-23 2025-02-15 2025-05-05 2026-05-05 004.9 228270083 10.1016/j.compbiomed.2025.109888 1879-0534 Near-lossless_EEG_accepted_manuscript.pdf Near-lossless_EEG_accepted_manuscript.pdf 1 EFCDE7C6E0531D5F2213AA9341E100DF d8b5ec641e3d5c05bff3a8354aedb967e280d99f887e7636e3c02222400e8316 14426168-a849-11f1-b9ca-00155d0001be https://dk.um.si/Dokument.php?lang=slv&id=211569 https://www.sciencedirect.com/science/article/abs/pii/S0010482525002392 1 fa5c02e6-a848-11f1-b9ca-00155d0001be https://dk.um.si/Dokument.php?lang=slv&id=211568 Fakulteta za elektrotehniko, računalništvo in informatiko 0 0 0