Near-lossless EEG signal compression using a convolutional autoencoder: Case study for 256-channel binocular rivalry dataset

Abstract

Electroencephalography (EEG) experiments typically generate vast amounts of data due to the high sampling rates and the use of multiple electrodes to capture brain activity. Consequently, storing and transmitting these large datasets is challenging, necessitating the creation of specialized compression techniques tailored to this data type. This study proposes one such method, which at its core uses an artificial neural network (specifically a convolutional autoencoder) to learn the latent representations of modelled EEG signals to perform lossy compression, which gets further improved with lossless corrections based on the user-defined threshold for the maximum tolerable amplitude loss, resulting in a flexible near-lossless compression scheme. To test the viability of our approach, a case study was performed on the 256-channel binocular rivalry dataset, which also describes mostly data-specific statistical analyses and preprocessing steps. Compression results, evaluation metrics, and comparisons with baseline general compression methods suggest that the proposed method can achieve substantial compression results and speed, making it one of the potential research topics for follow-up studies.

Elektroencefalografie (EEG) obvykle generuje obrovské množství dat kvůli vysoké vzorkovací frekvenci a použití více elektrod k zachycení mozkové aktivity. Ukládání a přenos těchto rozsáhlých datových souborů proto představuje výzvu, což vyžaduje vývoj specializovaných kompresních technik přizpůsobených tomuto typu dat. Tato studie navrhuje jednu z takových metod, která v jádru využívá umělou neuronovou síť (konkrétně konvoluční autoenkodér) k naučení latentních reprezentací modelovaných EEG signálů za účelem ztrátové komprese. Ta je dále vylepšena bezeztrátovými korekcemi na základě uživatelem definovaného prahu maximální přípustné ztráty amplitudy, což vede k flexibilnímu schématu téměř bezeztrátové komprese. Pro ověření životaschopnosti navrženého přístupu byla provedena případová studie na datasetu s binokulární rivalitou se 256 kanály, která rovněž popisuje převážně statistické analýzy specifické pro data a kroky předzpracování. Výsledky komprese, hodnoticí metriky a srovnání se základními obecnými kompresními metodami naznačují, že navržená metoda může dosáhnout výrazného kompresního výkonu i rychlosti, což z ní činí slibné téma pro další výzkum.