فریال سلطانی - گروه مهندسی برق، دانشکده فنی و مهندسی، دانشگاه بین المللی امام خمینی، قزوین، ایران
ندا فرجی - استادیار گروه مهندسی برق، دانشکده فنی و مهندسی، دانشگاه بین المللی امام خمینی، قزوین، ایران
علی خادم - استادیار گروه مهندسی پزشکی، دانشکده مهندسی برق، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران

با توجه به پیشرفت تکنولوژی و گسترش کاربرد پردازش سیگنال در سیستم های نظارت و پایش بلند مدتپزشکی، ضرورت فشرده سازی سیگنال های حیاتی دو چندان شده است. از طرف دیگر، روش های سنتی نمونه برداری وفشرده سازی برای پردازش برخط این سیگنال ها ناکارآمد هستند. در این پژوهش به دنبال راهکاری برای فشرده سازی وسپس بازسازی سیگنال های الکتروانسفالوگرافی (EEG) چندکاناله بودیم که خطای بازسازی سیگنال برای نرخ فشرده سازی بالا را تا حد قابل قبولی کاهش دهد. در اینجا سعی کرده ایم با استفاده از روش حسگری فشرده، سیگنال های EEGضبط شده را برای ذخیرهسازی و یا ارسال فشرده کنیم به صورتی که بتوان در گیرنده با تعداد کمی اندازه گیری ازسیگنال اصلی، بازسازی را با دقت بالا انجام داد. ما با استفاده از یک الگوریتم تجزیه ی مقادیر منفرد دورانی، بهترینماتریس دیکشنری متناظر با هر سیگنال را یافتیم و سپس به کمک یک الگوریتم بازسازی که از همبستگی زمانی و مکانیبین سیگنال هر کانال و سیگنال کانال های دیگر بهره می گیرد سیگنال اصلی را بازسازی کردیم. نتایج روی یک مجموعهداده ی EEG چندکاناله نشان داد که روش ارایه شده در مقایسه با الگوریتم فشرده سازی پرکاربرد یادگیری بیزین مکانی- زمانی تنگ (STSBL) در همان نرخ فشرده سازی، از خطای بازسازی کمتری برخوردار است.

پردازش سیگنال، حسگری فشرده، سیگنال های تنک، سیگنال های الکتروانسفالوگرافی چندکاناله، یادگیری دیکشنری، همبستگی مکانی-زمانی