Сочинение на тему Биомедицинская инженерия Многоканальная нейронная запись

Аннотация

В области биомедицинской инженерии многоканальная нейронная запись является одной из наиболее важных тем. Без ухудшения качества большое количество данных должно легко передаваться посредством беспроводной передачи. Для сокращения нейронных данных существует так много методов, которые следуют различным факторам. В области обработки сигналов технология сжатия видео имеет большое значение. Представленная здесь статья описывает новый подход к проблеме сжатия видео. Наш метод использует алгоритм сжатия изображений нейронной сети, основанный на предсказательном векторном квантовании (PVQ).

В этом методе сжатия изображений используются две разные структуры нейронных сетей в следующих элементах предлагаемой системы: квантование конкурентных нейронных сетей и предиктор нейронов. Для сжатия изображений, основанного на этом подходе, важно правильно определять изменения сцены, чтобы улучшить производительность алгоритма. Опишем метод корреляции изображений и обсудим его эффективность. Нейробиологи работали над этим методом и пытались улучшить ключевые факторы, такие как энергопотребление и скорость передачи данных. Таким образом, они получили доступ к некоторым достижениям в различных факторах. Но все методы не могли улучшить целые факторы, поэтому они пытались найти компромисс между ключевыми факторами. Таким образом, можно сказать, что все эти методы подходят для различных приложений, и их следует выбирать, рассматривая приложение. Ключевые слова – многоканальные вызывали нейронные сигналы; биомедицинская обработка сигналов; обработка видеосигнала, многоволновое преобразование, векторное квантование.

I. ВВЕДЕНИЕ

В последнее время в области биомедицинской инженерии регистрация нейронных данных приобрела большое значение, особенно благодаря использованию нейропротезных устройств и интерфейсов мозг-машина (ИМТ) [2]. Нейро означает мозг; следовательно, «нейросигнал» относится к сигналу, связанному с мозгом. Распространенным подходом к получению нейросигнальной информации является электроэнцефалограф (ЭЭГ), который представляет собой метод измерения и записи нейросигналов с использованием электродов, размещенных на коже головы. Кроме того, многоканальная нейронная запись обычно используется и необходима для биоанализа. Однако регистрация больших объемов данных была сложной задачей. В этом эксперименте записанный нейронный сигнал используется для дальнейшей обработки, показанной на рис. 1. Прежде чем приступить к обработке сигнала, мы изменим нейронный сигнал с помощью преобразования. Это связано с тем, что числовой диапазон нейронных сигналов отличается от диапазона видеосигналов. Однако точность обоих сигналов одинакова – 8 бит [3]. Мы преобразуем нейронный сигнал с помощью многоволнового преобразования, чтобы к нему можно было применить алгоритм сжатия видео.

II. Алгоритм сжатия видео

Конструкция алгоритма сжатия, описанного здесь, основана на существующем алгоритме, описанном в [9–11]. Выбранный алгоритм из-за особенностей нейронной сети обеспечивает лучшую настройку кадра и дает лучшее сжатие. Расширение включает в себя алгоритм обнаружения смены сцены, который основан на корреляции между кадрами. На диаграмме ниже фиг.8 показан предлагаемый алгоритм. Рис. 1. Алгоритм сжатия видео 2.1 Алгоритм сжатия нейронных изображений В литературе было предложено несколько методов сжатия изображений. Среди них техника векторного квантования (VQ) стала эффективным инструментом в этой области исследований [12]. Специальный подход к сжатию изображения объединяет технику VQ с традиционной (скалярной) дифференциальной импульсной кодовой модуляцией (DPCM), приводящей к предсказательному векторному квантованию (PVQ). В этой статье мы разрабатываем методологию, в которой векторный квантователь будет основан на конкурентной нейронной сети, тогда как предиктор будет разработан как нелинейная нейронная сеть. Мы предполагаем, что изображение представлено массивом пикселей N1 × N2 X = [xn1, n2]; n1 = 1,2,…, N1, n2 = 1,2,…, N2. Изображение разделяется на смежные небольшие блоки Y (k1, k2) = [ym1, m2 (k1, k2)] размера M1 × M2; m1 = 1,2,…, M1, m2 = 1,2,…, M2

III. КАК РАБОТАЕТ АЛГОРИТМ ВИДЕО СЖАТИЯ?

Многоволновое преобразование. Пространственная избыточность, которая присутствует между пикселями изображения, может быть уменьшена путем принятия преобразований, которые декоррелируют сходства среди пикселей. Выбор преобразований зависит от ряда факторов, в частности, вычислительной сложности и выигрыша кодирования. Усиление кодирования является мерой того, насколько хорошо преобразование уплотняет энергию в небольшое число коэффициентов. Предсказанные кадры ошибок обычно кодируются с использованием либо блочных преобразований, таких как DCT, либо неблокового кодирования, такого как кодирование в поддиапазоне или вейвлет-преобразование. Основная проблема с алгоритмом кодирования с блочным преобразованием – это наличие визуально неприятных артефактов, особенно при низких скоростях передачи данных. Эта проблема устраняется с помощью вейвлет-преобразования, которое обычно применяется ко всему изображению. Вейвлет-преобразование использовалось в кодировании видео для сжатия кадров с предсказанной ошибкой движения. Вейвлет-преобразование – это недавно разработанный математический инструмент, который обеспечивает неравномерное разделение данных или сигнала на различные частотные компоненты, а затем изучает каждый компонент с разрешением, соответствующим его масштабу (Huang, 1999).

При анализе переходных сигналов из-за его способности извлекать информацию о времени и частоте одновременно из таких сигналов. Сравнение WT с преобразованиями Фурье (FT) и почему оно предпочтительнее FT было задокументировано в (Polikar, 1994). Многоволновые процессы можно рассматривать как генерализацию скалярных вейвлетов. Скалярные вейвлеты имеют одну функцию масштабирования φ (t) и функцию вейвлета ψ (t). Мультиволеты имеют две или более функции масштабирования и вейвлета. φ (t) = [image: image2.png] φ (2t-k) (1) ψ (t) = [image: image4.png] φ (2t-k) (2) где, {HK} и {GK } определены 2 x 2 матричных фильтра: HK = [image: image6.png] (3) GK = [image: image8.png] (4) где {hk (n)} и {gk (n)} – масштабирующий и вейвлет-фильтр последовательности, такие что [image: image10.png] = 1 и [image: image12.png] = 1. Матричные элементы в фильтре, приведенном в уравнениях 3 и 4, обеспечивают больше степеней свободы, чем традиционный скалярный вейвлет. Благодаря этим дополнительным степеням свободы мультиволны могут одновременно достигать ортогональности, симметрии и высокого порядка аппроксимации

Векторное квантование. Технология векторного квантования – это обработка сигналов, которая позволяет моделировать функции плотности вероятности путем распределения векторов-прототипов. Первоначально он использовался для сжатия данных. Он работает путем разделения большого набора точек (векторов) на группы, имеющие примерно одинаковое количество точек, ближайших к ним. Каждая группа представлена ​​своей точкой центроида, как в k-средних и некоторых других алгоритмах кластеризации. Свойство согласования плотности векторного квантования является мощным, особенно для определения плотности больших и многомерных данных. Поскольку точки данных представлены индексом их ближайшего центроида, часто встречающиеся данные имеют низкую ошибку, а редкие данные – высокую ошибку. Вот почему VQ подходит для сжатия данных с потерями. Он также может использоваться для коррекции данных с потерями и оценки плотности. Квантование вектора основано на парадигме конкурентного обучения, поэтому оно тесно связано с моделью самоорганизующейся карты и с разреженными моделями кодирования, используемыми в алгоритмах глубокого обучения, таких как авто кодировщик.

Основная процедура VQ. Оценка и компенсация движенияВ алгоритмах сжатия видео оценка и компенсация движения с использованием вектора движения играют важную роль в обеспечении высокой степени сжатия. Основная цель любого алгоритма оценки движения состоит в том, чтобы использовать сильную межкадровую корреляцию по временному измерению. Оценка движения исследует движение объектов в последовательности изображений для получения векторов, представляющих оцененное движение. Комбинация оценки движения и компенсации движения является ключевой частью кодирования видео. Есть много методов для достижения ME / MC. Ход оценки движения приведен на рис.

Поток движения EspositionMotion описывается двумерным вектором, известным как вектор движения (MV), который указывает, где извлечь макроблок из опорных кадров. Вектор движения можно найти, используя критерий соответствия. MV помогает уменьшить пространственную избыточность. Таким образом, мы можем определить MV между последовательными кадрами [1] [7]. В этом случае мы определяем только значения MV между кадрами и их различия и не перезаписываем объем данных. Таким образом, пространственная избыточность исключается, и размер данных может быть значительно уменьшен. Рис. 4: Блок-схема компрессии нервных сигналов

III ПРЕДЛАГАЕМЫЙ АЛГОРИТМ

Обычно используемые алгоритмы сжатия видео, такие как H.264, масштабируемое сжатие видео VC и многофакторное сжатие, очень сложны. Однако комплексный алгоритм показывает лучшую производительность, чем простой алгоритм, хотя и с большими вычислительными затратами. На рис. 4 представлена ​​структурная схема предложенного алгоритма. Чтобы применить сжатие видео к многоканальным нейронным сигналам, необходимо создать «нейронную видеопоследовательность». Для анализа метода генерации нейронной видеопоследовательности необходимо знать работу алгоритма сжатия видео для устранения пространственной избыточности. Блок-схема предлагаемой схемы показана на рисунке 4. Пробная версия состоит из 50 кадров, мы рассматриваем кадры пробной версии как одну группу. Мы используем предыдущий кадр для определения MV кадра, а затем выполняем блок-схему сжатия видео (рис. 4), оценку движения и компенсацию движения. После вейвлет-преобразования (Multiwavelet) остатка выполняется векторное квантование. Из рисунка ясно, что многоволновое преобразование берется для входного кадра; результирующие коэффициенты сгруппированы в векторы. Векторы отображаются в один из кодовых векторов. Количество кодовых векторов в кодовой книге определяется скоростью и размерностью.

V. РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ