A low power Dirac basis compressed sensing framework for EEG using a Meyer wavelet function dictionary
Notice bibliographique
Résumé
The energy required for Electroencephalography (EEG) transmission at the sensor node, in Wireless Body Area Networks (WBANs), is high relative to the sensor's battery size. The power consumption is dominated by sensing, processing and data transmission of the EEG. Many successful solutions based on Compressed Sensing (CS) and other techniques have been proposed. The transmission of a lower number of bits elongates the battery life of the sensor but results in high errors in the reconstructed signals at the receiver side. In this paper, we use CS to reduce the energy at the sensor. We also acquire the signal using a random sampling circuit (simulating a Dirac sensing matrix) which eliminates the use of a microcontroller at the sensor node. At the receiver end, we propose to recover the signal using a basis dictionary, which has a multiple band-pass Meyer wavelet. This is shown to result in low signal recovery error. The proposed dictionary promotes optimal sparse basis and optimal incoherence with the Dirac sensing Matrix. The proposed technique is shown to achieve low decompression errors at high compression rates such as 10:1. It also achieves ultra-low power consumption as the Meyer wavelet is incoherent with the random Dirac basis used for sampling. We show an analysis that indicates significant power consumption reduction.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».