基于时空注意力增强的深度变分自编码器与算术编码的高比率脑电压缩研究

本文创新性地提出了一种结合变分自编码器（VAE）与算术编码的混合压缩框架，通过时空注意力模块精准捕捉脑电（EEG）信号的时空特征，在保持重建质量的同时实现高达100倍的压缩比（CR），显著优于现有方法（16倍）。该技术为大规模EEG数据存储与远程医疗（Telemedicine）提供了突破性解决方案。

　　

亮点速览

本研究首次将变分自编码器（VAE）与算术编码联合训练应用于脑电（EEG）压缩，通过概率分布映射使数据更易压缩。针对EEG信号特性设计的时空注意力模块，能像"智能探针"般精准锁定复杂信号区域，实现资源动态分配。

方法概览

如图1所示，输入EEG信号x经编码器E映射为潜在向量y，量化器Q将其转为离散向量?。通过联合优化压缩率（CR）与重建误差的损失函数，系统可灵活调整压缩比——就像为不同应用场景定制"数据压缩套餐"。

数据集

采用两类经典EEG任务数据集：

1. 1.

   事件相关电位（ERP）数据集：55名受试者的32通道EEG（采样率512Hz），通过快速序列视觉呈现（RSVP）诱发

2. 2.

   运动想象（MI）数据集：来自BCI竞赛的标准测试集

个体水平压缩性能对比

如表3-4所示，在ERP和MI数据集上，本方法在CR=16时已超越现有技术（SOTA），当CR提升至100倍时仍保持优越重建性能，相当于用"1/100的数据量"还原出"近乎原始"的脑电特征。

结论

本研究构建的VAE-算术编码混合框架，如同给EEG数据装上"智能压缩机"，其时空注意力机制能自动识别信号关键区域，在100倍超高压缩比下仍保持临床可用的重建质量，为云端医疗（Cloud Healthcare）和大规模脑科学研究铺平道路。