Algorytm kompresji danych dla interfejsu mózg-komputer

• Autorzy: Turcza P. , Marszałek Z. , Socha M.

Warianty tytułu

EN

Data compression algorithm for brain-machine interface

• Języki publikacji: PL

Abstrakty

PL

Przedstawiony algorytm kompresji danych dla interfejsu mózg-komputer (BMI) pozwala na kodowanie sygnałów neuronowych z przepływnością ok. 0.25 bita na próbkę, przy zniekształceniach mniejszych jak 3% rms. Dzięki redukcji transmitowanych danych kompletny, wielokanałowy system BMI wraz z układem telemetrii i anteną magnetyczną może być implantowany w całości pod skórą badanego zwierzęcia. Pełna podskórna implantacja redukuje prawdopodobieństwo rozwoju infekcji i umożliwia obserwację zwierzęcia w jego naturalnym środowisku.

EN

Presented data compression algorithm dedicated to Brain-Machine Interface (BMI) system enables encoding of neural signals at data rate of 0.25 bits per sample with distortions below 3% rms. Reduction of transmitted data enables implantation of complete, multichannel BMI system along with telemetry unit and magnetic antenna. Full implantation of BMI system is essential for minimization risk of developing infections and enabling the animal to interact freely with the environment.

Słowa kluczowe

PL

interfejs mózg-komputer; kompresja sygnałów neuronowych; transformacja falkowa

EN

brain-machine interface; neural signal; discrete wavelet transform

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2015
• Tom: R. 91, nr 5
• Strony: 5--8
• Opis fizyczny: Bibliogr. 14 poz., rys., tab., wykr.

Twórcy

autor

Turcza P.

• AGH w Krakowie, Katedra Metrologii i Elektroniki, al. Mickiewicza 30, 30-059 Kraków

autor

Marszałek Z.

• AGH w Krakowie, Katedra Metrologii i Elektroniki, al. Mickiewicza 30, 30-059 Kraków

autor

Socha M.

• AGH w Krakowie, Katedra Metrologii i Elektroniki, al. Mickiewicza 30, 30-059 Kraków

Bibliografia

• [1] Aziz J.N, Abdelhalim K., Shulyzki R., Genov R., Bardakjian B., Derchansky M., Carlen P., “256-channel neural recording and delta compression microsystem with 3D electrodes,” IEEE Journal of Solid-State Circuits, 44, (2009), 995-1005.
• [2] P. Kmon, P. Grybos. “Energy Efficient Low-Noise Multichannel Neural Amplifier in Submicron CMOS Process,” IEEE Trans. on Circuits and Systems I: Regular Papers, 99, (2013), 1-12.
• [3] P. Kmon, “Digitally assisted neural recording and spike detection multichannel integrated circuit designed in 180 nm CMOS technology,” Microelectronics Journal, 45, 9 spec. Iss., (2014), 1187–1193.
• [4] Torfs, T., Aarts, A. A., Erismis, M. A., Aslam, J., Yazicioglu, R. F., Seidl, K., Herwik S., Ulbert I., Dombovari B., Fiath R., Kerekes B. P., Puers R., Paul O., Ruther P., Hoof C. V., Neves H. P.: “Two-Dimensional Multi-Channel Neural Probes With Electronic Depth Control,” IEEE Trans. Biomed. Circuits and Sys. 5, (2011), 403-412.
• [5] P. Turcza, “Low power 2 Mbps radio telemetry system for biomedical applications,” ECCTD 2013 - European Conference on Circuit Theory and Design : 8–12 September 2013, Dresden.
• [6] R. R. Harrison, P. T. Watkins, R. J. Kier, R. O. Lovejoy, D. J. Black, B. Greger, F. Solzbacher, “A low-power integrated circuit for a wireless 100-electrode neural recording system,” IEEE Journal of Solid-State Circuits, 42, (2007), 123–133.
• [7] Y. Perelman, R. Ginosar, “An integrated system for multichannel neuronal recording with spike/LFP separation, inte grated A/D conversion and threshold detection,” IEEE Trans. on Biomed. Eng., 54, (2007), 130–137.
• [8] C. Moo, Y. Zhi, M. R Yuce, H. Linh, W. Liu, “A 128-channel 6 mW wireless neural recording IC with spike feature extraction and UWB transmitter,” IEEE Trans. Neural Syst. Rehabil. Eng., 17, (2009), 312–321.
• [9] F. Zhang, M. Aghagolzadeh, K. Oweiss, “A Fully Implantable, Programmable and Multimodal Neuroprocessor for Wireless, Cortically Controlled Brain-Machine Interface Applications,” J Sign Process Syst 69, (2012), 351–361.
• [10] H. Hosseini-Nejad, A. Jannesari, A. M. Sodagar. “Data Compression in Brain-Machine/Computer Interfaces Based on the Walsh–Hadamard Transform,“ Biomedical Circuits and Systems, IEEE Transactions on, 8(1), (2014), 129-137.
• [11] I. Daubechies, W. Sweldens, “Factoring wavelet transforms into lifting steps,” J. Fourier Anal. Appl., 4 (1998), 245-267.
• [12] Said A., Pearlman W.A.: An image multiresolution representation for lossy image compression, IEEE Trans. Image Process., 5(9):1303-1310, 1996.
• [13] Rice R. F.: Some practical universal noiseless coding techniques, Tech. Rep. JPL-79-22, Jet Propulsion Laboratory, Pasadena, CA, Mar. 1979.
• [14] Memon N.: Adaptive coding of DCT coefficients by GolombRice codes, in Proc. ICIP, vol. 1, Chicago, IL, pp. 516-520, 1998.