| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Izpis gradiva Pomoč

Naslov:Near-lossless EEG signal compression using a convolutional autoencoder : case study for 256-channel binocular rivalry dataset
Avtorji:ID Kukrál, Martin (Avtor)
ID Duc Pham, Tien (Avtor)
ID Kohout, Josef (Avtor)
ID Kohek, Štefan (Avtor)
ID Havlík, Marek (Avtor)
ID Grygarová, Dominika (Avtor)
ID Kohek, Štefan (Lastnik avtorskih pravic)
Datoteke:.pdf Near-lossless_EEG_accepted_manuscript.pdf (4,18 MB)
MD5: EFCDE7C6E0531D5F2213AA9341E100DF
 
URL https://www.sciencedirect.com/science/article/abs/pii/S0010482525002392
 
Jezik:Angleški jezik
Vrsta gradiva:Delo ni kategorizirano
Tipologija:1.01 - Izvirni znanstveni članek
Organizacija:FERI - Fakulteta za elektrotehniko, računalništvo in informatiko
Opis: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.
Ključne besede:EEG signals, electroencephalography, compression results
Status publikacije:Neobjavljeno
Verzija publikacije:Recenzirani rokopis
Poslano v recenzijo:23.09.2024
Datum sprejetja članka:15.02.2025
Datum objave:05.05.2025
Št. strani:17 str.
Številčenje:Vol. 189, [article no.] 109888
PID:20.500.12556/DKUM-100116 Novo okno
UDK:004.9
COBISS.SI-ID:228270083 Novo okno
DOI:10.1016/j.compbiomed.2025.109888 Novo okno
ISSN pri članku:1879-0534
Datum objave v DKUM:08.09.2026
Število ogledov:170
Število prenosov:6
Metapodatki:XML DC-XML DC-RDF
Področja:Ostalo
:
Kopiraj citat
  
Skupna ocena:(0 glasov)
Vaša ocena:Ocenjevanje je dovoljeno samo prijavljenim uporabnikom.
Objavi na:Bookmark and Share



Postavite miškin kazalec na naslov za izpis povzetka. Klik na naslov izpiše podrobnosti ali sproži prenos.

Gradivo je financirano iz projekta

Financer:ARIS - Javna agencija za znanstvenoraziskovalno in inovacijsko dejavnost Republike Slovenije
Številka projekta:J2-4458
Naslov:Paradigma stiskanja podatkov z odstranjevanjem obnovljivih informacij
Akronim:COMPROMISE

Financer:GAČR - Czech Science Foundation
Številka projekta:23-04622L
Naslov:Data compression paradigm based on omitting self-evident information
Akronim:COMPROMISE

Financer:Ministry of Education, Youth and Sports of the Czech Republic
Številka projekta:SGS-2022-015
Naslov:New Methods for Medical, Spatial and Communication Data

Licence

Licenca:CC BY-NC-ND 4.0, Creative Commons Priznanje avtorstva-Nekomercialno-Brez predelav 4.0 Mednarodna
Povezava:http://creativecommons.org/licenses/by-nc-nd/4.0/deed.sl
Opis:Najbolj omejujoča licenca Creative Commons. Uporabniki lahko prenesejo in delijo delo v nekomercialne namene in ga ne smejo uporabiti za nobene druge namene.

Sekundarni jezik

Jezik:Slovenski jezik
Opis: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.
Ključne besede:elektroencefalografski signali, podatki, stiskanje podatkov, izgube


Komentarji

Dodaj komentar

Za komentiranje se morate prijaviti.

Komentarji (0)
0 - 0 / 0
 
Ni komentarjev!

Nazaj
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici