Online monitoring of electroencephalogram (EEG) signals is challenging due to the high volume of data and power requirements. Compressed sensing (CS) may be employed to address these issues. Compressed sensing using sparse binary matrix, owing to its low power features, and reconstruction/decompression using spatiotemporal sparse Bayesian learning have been shown to constitute a robust framework for fast, energy efficient and accurate multichannel bio-signal monitoring. EEG signal, however, does not show a strong temporal correlation. Therefore, the use of sparsifying dictionaries has been proposed to exploit the sparsity in a transformed domain instead. Assuming sparsification adds values, a challenge, therefore, in employing this CS framework for the EEG signal is to identify the suitable dictionary. Using real multichannel EEG data from 15 subjects, in this paper, we systematically evaluated the performance of the framework when using various wavelet bases while considering their key attributes of number of vanishing moments and coherence with sensing matrix. We identified Beylkin as the wavelet dictionary leading to the best performance. Using the same dataset, we then compared the performance of Beylkin with discrete cosine basis, often used in the literature, and the case of using no sparsifying dictionary. We further demonstrate that using dictionaries (Beylkin and DCT) may improve performance tangibly only for a high compression ratio (CR) of 80% and with smaller block sizes; as compared to when using no dictionaries.

中文翻译：

---

使用稀疏二进制矩阵和时空稀疏贝叶斯学习对脑电信号进行压缩感知的字典选择

由于大量数据和功率要求，脑电图 (EEG) 信号的在线监测具有挑战性。可以采用压缩传感 (CS) 来解决这些问题。使用稀疏二进制矩阵的压缩感知，由于其低功率特征，以及使用时空稀疏贝叶斯学习的重建/解压缩，已被证明构成了一个强大的框架，用于快速、节能和准确的多通道生物信号监测。然而，EEG 信号并未显示出很强的时间相关性。因此，已经提出使用稀疏化字典来代替变换域中的稀疏性。假设稀疏化增加了值，因此，将这个 CS 框架用于 EEG 信号的挑战是识别合适的字典。在本文中，我们使用来自 15 个受试者的真实多通道 EEG 数据，系统地评估了使用各种小波基时框架的性能，同时考虑了它们的消失矩数和与传感矩阵的相干性的关键属性。我们将 Beylkin 确定为具有最佳性能的小波字典。然后，我们使用相同的数据集，比较了文献中经常使用的离散余弦基的 Beylkin 的性能，以及不使用稀疏字典的情况。我们进一步证明，使用字典（Beylkin 和 DCT）只有在 80% 的高压缩比（CR）和更小的块大小时才能显着提高性能；与不使用字典时相比。我们系统地评估了使用各种小波基时框架的性能，同时考虑了它们的消失矩数量和与传感矩阵的相干性的关键属性。我们将 Beylkin 确定为具有最佳性能的小波字典。然后，我们使用相同的数据集，比较了文献中经常使用的离散余弦基的 Beylkin 的性能，以及不使用稀疏字典的情况。我们进一步证明，使用字典（Beylkin 和 DCT）只有在 80% 的高压缩比（CR）和更小的块大小时才能显着提高性能；与不使用字典时相比。我们系统地评估了使用各种小波基时框架的性能，同时考虑了它们的消失矩数量和与传感矩阵的相干性的关键属性。我们将 Beylkin 确定为具有最佳性能的小波字典。然后，我们使用相同的数据集，比较了文献中经常使用的离散余弦基的 Beylkin 的性能，以及不使用稀疏字典的情况。我们进一步证明，使用字典（Beylkin 和 DCT）只有在 80% 的高压缩比（CR）和更小的块大小时才能显着提高性能；与不使用字典时相比。然后，我们使用相同的数据集，比较了文献中经常使用的离散余弦基的 Beylkin 的性能，以及不使用稀疏字典的情况。我们进一步证明，使用字典（Beylkin 和 DCT）只有在 80% 的高压缩比（CR）和更小的块大小时才能显着提高性能；与不使用字典时相比。然后，我们使用相同的数据集，比较了文献中经常使用的离散余弦基的 Beylkin 的性能，以及不使用稀疏字典的情况。我们进一步证明，使用字典（Beylkin 和 DCT）只有在 80% 的高压缩比（CR）和更小的块大小时才能显着提高性能；与不使用字典时相比。