سنجش فشرده عمیق پنهان نیمه نظارتی برای تجزیه و تحلیل و بازسازی زیست پزشکی سیگنال ها های حاصل از اندازه گیری های فشرده شده

قیمت: 45,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

سنجش فشرده عمیق پنهان نیمه نظارتی برای تجزیه و تحلیل و بازسازی زیست پزشکی سیگنال ها های حاصل از اندازه گیری های فشرده شده

عنوان لاتین

Semi-Supervised Deep Blind Compressed Sensing for Analysis and Reconstruction of Biomedical Signals From Compressive Measurements

در این مقاله هدف این است که سیگنال های زیست پزشکی حاصل از اندازه گیری های فشرده خود را طبقه بندی کند. این مشکل زمانی بوجود می آید که سنجش فشرده (CS) برای دریافت و انتقال انرژی موثر از این سیگنال ها برای شبکه بی سیم بدن استفاده می شود. پس از بازسازی، سیگنال با استفاده از تکنیک های دقیق یادگیری ماشین مشخص می شود. این مقاله پیشنهاد می کند بازسازی و تجزیه و تحلیل مشترک را در یک چارچوب واحد انجام دهید؛ توانایی بازسازی به طور ذاتی از فرمول ما بدست آمده است. ما تکنیک جدیدی را به نام نیمه نظارت عمومی عمیق پنهان CS که قدرت تحلیلی یادگیری عمیق را با توانایی بازسازی CS ترکیب می کند، ارائه می دهد. نتایج تجربی بر اساس طبقه بندی EEG نشان می دهد که روش پیشنهادی بر جایگاه نمونه بازسازی CS دنبال شده توسط طبقه بندی یادگیری عمیق برتری دارد.

In this paper, the objective is to classify biomedical signals from their compressive measurements. The problem arises when compressed sensing (CS) is used for energy efcient acquisition and transmission of such signals for wireless body area network. After reconstruction, the signal is analyzed via certain machine learning techniques. This paper proposes to carry out joint reconstruction and analysis in a single framework; the reconstruction ability is obtained inherently from our formulation.We put forth a new technique called semi-supervised deep blind CS that combines the analytic power of deep learning with the reconstruction ability of CS. Experimental results on EEG classication show that the proposed technique excels over the state-of-the-art paradigm of CS reconstruction followed by deep learning classication.