Trabalhos Relacionados

Diversos trabalhos descrevem métodos de compressão para eletrocardiogramas (ECGs)

e EEGs, mas, em sua maioria, esses trabalhos são voltados para a codificação de um

único tipo de exame, usando características intrínsecas aos seus respectivos sinais para

obter melhores resultados de compactação. Nesta seção serão apresentados os principais

trabalhos relacionados à compressão de sinais biomédicos encontrados na literatura. O

único método autoadaptativo anterior ao presente trabalho que se propõe a abranger

Capítulo 1. Introdução 4

dele, apenas técnicas tratando da compressão de ECGs e EEGs serão descritas.

Batista (2002) propõe uma série de métodos semelhantes ao descrito neste trabalho,

usando uma minimização de multiplicadores de Lagrange para encontrar os vetores

ótimos de quantização e de zona-morta, mas considera apenas ECGs em seus testes. A

principal diferença dos métodos apresentados por Batista (2002) para a estratégia de

compressão com perdas de informação do presente trabalho está na etapa de codificação

de entropia, que considerou principalmente codificadores de Golomb-Rice (Golomb, 1966) e codificadores aritméticos (Bell et al., 1990). Batista (2002) realizou testes

com o MIT/BIH Arrhythmia Database (Moody e Mark, 2001), reportando razões de compressão médias entre 6,2 : 1 e 13,3 : 1, dependendo da distorção escolhida.

Zou e Gallagher (1993) usaram uma combinação de transformadas trigonométricas e

waveletspara codificar áreas diferentes de sinais de ECG. As partes do sinal que contêm complexos 𝑄𝑅𝑆 foram compactadas usando wavelets e as áreas correspondentes às ondas 𝑃, 𝑇 e 𝑈 foram comprimidas com a quantização de coeficientes gerados por transformações baseadas na função cosseno. Os sinais estudados nesse trabalho foram

divididos em blocos de 512 amostras, transformados e, posteriormente, subamostrados,

de forma que apenas 91 amostras eram mantidas. Dessa forma, o trabalho conseguia diminuições nos arquivos da ordem de 5,6 : 1 com uma boa qualidade de reconstrução.

Ranjeet et al. (2013) usam uma estratégia de Corte e Alinhamento (Cut and Align – CAB) para seccionar ECGs e reorganizá-los para executar transformadas wavelet bidimensionais com blocos de tamanho 180×20. Os coeficientes transformados são passados para um codificador de Huffman (Huffman, 1952), atingindo ganhos de 65%

em eficácia de compressão e uma correlação de 0,999 entre o registro original e o comprimido. Os testes dessa técnica de compressão quase sem perdas foram novamente

realizados com o MIT/BIH Arrhythmia Database (Moody e Mark, 2001).

O método descrito por Mukhopadhyay et al. (2011) usa uma técnica de diferenciação

5 1.1. Trabalhos Relacionados

métodos de predição linear nessas regiões, favorecendo a compressão. As áreas próximas

a ondas 𝑅 são passadas para um codificador sem perdas de informação, enquanto as áreas entre ondas 𝑅 são codificadas com perdas de informação. Mukhopadhyay et al. (2011) usaram o banco de dados diagnóstico de ECGs Physikalisch-Technische Bundesanstalt (PTB) (Oeff et al., 2012) em seus testes, reportando ganhos de espaço de armazenamento na ordem de 23,10 : 1 com métricas de distorção baseadas no Percentual da Raiz Média Quadrática das Diferenças (Percent Root-mean-square Difference– PRD) de 7,55%.

O trabalho apresentado por Lai et al. (2013) usa variações da transformada discreta

do cosseno para a compressão de ECGs. Lai et al. (2013) reportam razões de compressão

com perdas de informação de 5,25 : 1 usando distorções baseadas na PRD de 0,19% em arquivos do MIT/BIHArrhythmia Database (Moody e Mark, 2001).

Antoniol e Tonella (1997) descrevem vários métodos de compressão sem perdas ou

quase sem perdas de EEGs, variando principalmente a etapa de predição dos sinais.

Para os testes do método, os autores usaram um banco de dados próprio capturado

no S. Chiara Hospital. Bons resultados são obtidos com o uso de um preditor linear

alimentando um codificador de entropia, o que resultou em razões de compressão de aproximadamente 2,51 : 1. Os melhores resultados foram obtidos ao se usar uma quantização vetorial seguida de um codificador de Huffman (Huffman, 1952), chegando

a eliminar 62% do sinal original.

Memon et al. (1999) comparam diversas técnicas de compressão sem perdas

exis-tentes para a compressão de EEGs. Os melhores resultados são obtidos ao se modelar

o EEG usando um processo autorregressivo, o que resultou em arquivos comprimidos

com tamanhos próximos a 1/3dos originais.

Srinivasan et al. (2013) propõem um método para a codificação de EEGs com canais

múltiplos baseado em transformadas wavelet bidimensionais e tridimensionais. Essa estratégia permite que o algoritmo explore tanto as similaridades dos canais individuais

Capítulo 1. Introdução 6

quanto as similaridades entre os diversos canais do registro de EEG. Esse trabalho

reporta razões de compressão de 6,63 : 1 com distorções de 9,21% baseadas na PRD. Oliveira et al. (2014) descrevem uma técnica de compressão com perdas de

infor-mação para PSGs, baseando-se na minimização de multiplicadores de Lagrange para

a otimização de uma quantização vetorial de coeficientes no domínio da frequência.

Os coeficientes transformados e quantizados são passados em uma ordem específica

dependendo do índice para um codificador preditivo contextual. O método foi testado

usando o MIT/BIHPolysomnographic Database (Ichimaru e Moody, 1999) e reportou resultados de razão de compressão entre 2,16 : 1 e 67,48 : 1, dependendo do tipo de registro biomédico e da quantidade de distorção selecionada.

1.2 Objetivos

Este trabalho tem por objetivo desenvolver métodos inovadores de compressão de sinais

biomédicos e testar a eficácia de métodos de compressão comumente usados para a compactação de outros tipos de dados – como imagens e vídeos – no contexto dos sinais

biomédicos.

1.2.1 Objetivos Gerais

O principal objetivo desse trabalho é avançar o estado da arte da área de compressão

de sinais biomédicos. Para isso, serão realizados testes de compressão com perdas e sem

perdas de informação usando tanto técnicas de compressão de sinais biomédicos quanto

métodos originários de outras áreas associadas à Teoria da Informação. Dessa forma,

serão analisadas as eficácias de compactação nos resultados obtidos após a execução

7 1.2. Objetivos

1.2.2 Objetivos Específicos

Visando obter uma análise mais completa sobre os métodos de compactação que

apre-sentam os melhores resultados de compressão de sinais biomédicos unidimensionais, diversos tipos de combinação de técnicas serão avaliados e testados. Primeiramente,

vários tipos de transformadas que aumentem a suscetibilidade dos sinais à compressão

serão avaliadas. Entre as transformadas que se pretende avaliar estão:

1. Transformadas trigonométricas (Britanak et al., 2006);

2. Transformadas baseadas em wavelets (Calderbank et al., 1998).

Em uma segunda etapa, diversos métodos de codificação de entropia serão

execu-tados tanto como um pós-processamento para as transformadas quanto sozinhos para

avaliar o desempenho de técnicas de compressão clássicas (de propósitos gerais) nos

sinais em questão. Nesse trabalho, o foco será direcionado para codificadores de

entro-pia baseado na modelagem estatística direta dos símbolos da mensagem. Os métodos

clássicos de codificação de entropia que serão avaliados são:

1. Codificadores de Golomb (Golomb, 1966);

2. O algoritmo de Predição por Casamento Parcial (Cleary e Witten, 1984);

3. O algoritmo de Predição por Casamento Parcial Binário (Brasileiro e Cavalcanti,

2012);

4. Codificadores de Particionamento de Conjuntos em Árvores Hierárquicas (Said e

Pearlman, 1996).

Por último, pretende-se testar métodos de pré e pós-processamento que auxiliem na

Capítulo 1. Introdução 8

1. Preditores lineares como pré-processamento para algoritmos de codificação de

entropia;

2. Estratégias de quantização;

3. Minimização Lagrangiana para a otimização de parâmetros de compressão, de

acordo com Ratnakar e Livny (1995) e Ratnakar e Livny (1996);

4. Técnicas diferenciais, como a Modulação por Código de Pulso Diferencial ( Diffe-rential Pulse-Code Modulation – DPCM) (Meares, 1974).