فشرده‌سازی سیگنال‌های تنفسی با استفاده از روش کدکننده پیش‌بینی خطی بهینه شده توسط الگوریتم بهینه‌ساز نهنگ کوهان‌دار‌ جهت انتقال با سونوبوی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استاد دانشکده مهندسی برق، دانشگاه علم و صنعت ایران

2 استادیار دانشکده مهندسی برق دانشگاه علوم دریایی امام خمینی (ره) نوشهر

3 دانشجوی کارشناسی ارشد برق، دانشگاه علوم دریایی امام خمینی(ره) نوشهر

4 استادیار دانشکده مهندسی برق، دانشگاه علوم دریایی امام خمینی(ره) نوشهر

چکیده

با توجه به اهمیت ارسال بلادرنگ سیگنال‌های پزشکی از زیر آب به سطح از یک سو و توانایی روش کدکننده پیش بینی خطی LPC در فشرده‌سازی سیگنا‌‌‌‌ل‌ها از سوی دیگر، این مقاله علائم حیاتی غواص را برای ارسال بلادرنگ با روش LPC فشرده‌سازی می‌کند. از سوی دیگر با توجه به وابسته بودن جان غواص به دقت ارسال این علائم و شباهت حداکثری سیگنال اصلی با سیگنال فشرده شده، دقت فشرده‌سازی در این حوزه از اهمیت بسیار بالای برخوردار است. روش LPC، علی رغم توانایی بالا در فشرده سازی از دقت مناسبی برای این کاربرد برخوردار نیست. این مقاله برای افزایش دقت فشرده سازی و کاهش خطای پیش بینی ضرایب LPC از الگوریتم بهینه‌ساز نهنگ کوهان‌دار (WOA) استفاده می‌کند. علاوه بر آن الگوریتم طراحی شده به صورت عملی بر روی یک نمونه سونوبوی خاص پیاده‌سازی شده است. نتایج این کدگذاری علاوه بر LPC استاندارد با دو روش فشرده‌سازی مبتنی بر تبدیل کسینوسی گسسته و نمونه‌برداری نرخ پایین مقایسه گردیده که نتایج عملی بدست آمده، نشان دهنده افزایش دقت الگوریتم پیشنهادی با حفظ نرخ فشرده‌سازی می‌باشد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Compression of Respiratory Signals using Linear Predictive Coding Method based on Optimized Algorithm of Humpback Whales to Transfer by Sonobouy

نویسندگان [English]

  • M.R Mousavi 1
  • majid aghababaie 2
  • M. J. Naseri 3
  • M. Khishe 4
2 Noshahr University
3 Noshahr University
4 دانشجوی دکتری دانشکده مهندسی برق، دانشگاه علم و صنعت ایران
چکیده [English]

Either transferring of real-time under water medicine signals or the ability of Linear Predictive Coding (LPC) compression level of signals are important, so in this paper real-time sending of vital signs of divers with the LPC compression is presented. On the other hand, it must be mentioned that the life of diver is related to accurate sending of marks and the extreme similarity of original signal with the compressed signal, so accuracy of compression in this area is so important. Despite of high capability in compression in LPC, this method is not suitable for this application. In this paper, to increase accuracy of compression and decreasing of forecast error of LPC coefficients, the optimized algorithm of Humpback whale is used. In addition, the designed algorithm is practically tested on one specific sonobouy. The result is additionally compared with standard LPC and both compression method based on discrete cosine transform and sampling low rates which obtained results show that proposed algorithm has an increasing accuracy.

کلیدواژه‌ها [English]

  • Sonobuoy
  • compression
  • Respiratory Signals
  • Voiced and Unvoiced
  • Humpback Whales
  • Bubble-Net Feeding
[1] A. Cohen and Y. Zigel, “Compression of Multichannel ECG through Multichannel Long-Term Prediction”, IEEE Eng. Med. Biol. Mag, Vol.17, No.1, pp.109-115, 1998.

[2] R. Istepanian, L. Hadjileontiadis, and S. Panas, “ECG Data Compression using Wavelets and Higher Order Statistics Methods”, IEEE Trans. Inf. Technol. Biomed, Vol.5, No.2, pp.108-115, 2001.

[3] H. Wen-Jyi, C. Ching-Fung, and L. Kuo-Jung, “Scalable Medical Data Compression and Transmission using Wavelet Transform for Telemedicine Applications”, IEEE Trans. Inf. Technol. Biomed, Vol.7, No.1, pp.54-63, 2003.

[4] E. Carotti, J. D. Martin, D. Farina, and R. Merletti, “Linear Predictive Coding of Myoelectric Signals”, In Proc. Int. Conf. Acoust. Speech Signal Process, Philadelphia, Vol.5, pp.629-632, 2005.

[5] A. Yadollahi, and Z. Moussavi, “Respiratory Sounds Compression”, IEEE. Trans. Biomed. Eng, Vol.55, No.4, pp.1336-1343, 2006.

[6] M. R. Mosavi, M. Khishe, G. R. Parvizi, M. J. Naseri, M. Ayat, “Training Multi-Layer Perceptron Utilizing Adaptive Best-mass Gravitational Search Algorithm to Classify Sonar Dataset,” Archive of Acoustics, Vol.44, No.1, pp.137-151, 2019.

[7] R. Zelinski and P. Noll, “Adaptive Transform Coding of Speech Signals”, IEEE Trans. Acoust. Speech Signal Process, Vol.ASSP-25, No.4, pp.299-309, 1977.

[8] N. Ahmed and K. Rao, “Orthogonal Transforms for Digital Signal Processing. New York”, Springer-Verla, 1975.

[9] M. Khishe, M. R. Mosavi and A. Moridi “Chaotic Fractal Walk Trainer for Sonar Data Set Classification using Multi-Layer Perceptron Neural Network and Its Hardware Implementation,” Applied Acoustics, Vol.137, pp.121-139, 2018.

[10] J. Huang and P. Schultheiss, “Block Quantization of Correlated Gaussian Random Variables”, IEEE Trans. Commun. Syst, Vol.CS-11, No.3, pp.289-296, 1963.

[11] A. Gersho and R. Gray, “Vector Quantization and Signal Compression. New York”, Springer-Verlag, 1991.

[12] J. Markel and A. Gray, “Linear Prediction of Speech”, Springer-Verlag, 1976.

[13] L. Rabiner and R. Schafer, “Digital Processing of Speech Signals Englewood Cliffs, NJ”, Prentice-Hall, 1978.

[14] J. Tribolet and R. Crochiere, “Frequency Domain Coding of Speech”, IEEE Trans. Acoust. Speech Signal Process, Vol.27, No.5, pp.512-530, 1979.

[15] R. Cox and R. Crochiere, “Real-Time Simulation of Adaptive Transform Coding”, IEEE Trans. Acoust. Speech Signal Process, Vol.ASSP-29, No.2, pp.147-154, 1981.

[16] A. Yadollahi, Z. Moussavi, and P. Yahampath, “Adaptive Compression of Respiratory and Swallowing sounds”, IEEE Eng. Med. Biol. Soc, pp.517-520, 2006.

[17] M. Pourazad, Z. Moussavi, and G. Thomas, “Heart Sound Cancellation from Lung Sound Recordings using Adaptive Threshold and 2D Interpolation in Time-Frequency domain”, IEEE Eng. Med. Biol. So, pp.2586-2589, 2003.

[18] M. Aboofazeli and Z. Moussavi, “Automated Classification of Swallowing and Breath Sounds”, IEEE Eng. Med. Biol. Soc, pp.3816-3819, 2004.

[19] A. Yadollahi and Z. Moussavi, “A Robust Method for Heart Sound Localization using Lung Sounds Entropy”, IEEE Trans. Biomed. Eng, Vol.53, No.3, pp.497-502, 2006.

[20] M. Cernak, A. Asaei, and A. Hyafil, “Cognitive Speech Coding: Examining the Impact of Cognitive Speech Processing on Speech Compression”, IEEE Signal Processing Magazine, Vol.35, pp.97-109, 2018.

[21] P. Singh, M. K. Mukul and R. Prasad “Bone Conducted Speech Signal Enhancement using LPC and MFCC”, International Conference on Intelligent Human Computer Interaction, pp.148-158, 2018.

[22] E. Bonabeau, M. Dorigo and G. Theraulaz, “Swarm Intelligence: from Natural to Artificial Systems”, Oxford University Press, New York, 1999.

[23] M. Dorigo, M. Birattari and T. Stutzle, “Ant Colony Optimization,” Computational Intelligence Magazine”, Vol.1, No.4, pp.28-39, 2006.

[24] J. Kennedy and R. Eberhart, “Particle Swarm Optimization”, IEEE International Conference on Neural Networks, Vol.4, pp.1942-1948, 1995.

[25] S. Kirkpatrick, C. D. Gelatt and M. P. Vecchi, “Optimization by Simulated Annealing”, Science, New Series, Vol.220, No.4598, pp.671-680, 1983.

[26] S. Mirjalili, S. M. Mirjalili and A. Lewis, “Grey Wolf Optimizer”, Advances in Engineering Software, Vol.69, pp.46-61, 2014.

[27] M. Khishe, M. R. Mosavi, and M. Kaveh, “Improved Migration Models of Biogeography-based Optimization for Sonar Data Set Classification using Neural Network,” Applied Acoustic, Vol.118, pp.15-29, 2017.

[28] S. Mirjalili and A. Lewis, “The Whale Optimization Algorithm”, Advances in Engineering Software, Vol.95, pp.51-67, 2016.

[29] همایون‌پور، محمدمهدی، "پژوهشنامه تبدیل متن به گفتار"، شوراى عالى اطلاع رسانى، شماره 2378011، 1390.

[30] راضیه، سلیمیان، "کدکننده نیم نرخ بر اساس الگوریتم vsepl"، پایان‌نامه کارشناسی، دانشگاه فردوسی مشهد، 1385.

[31] J. Goldbogen, A. Friedlaender, J. Calambokidis, M. Mckenna, M. Simon and D. Nowacek, “Integrative Approaches to the Study of Baleen Whale Diving Behavior, Feeding Performance, and Foraging Ecology”, BioScience, Vol.63, pp.90-100, 2013.

[32] H. Marvi, Z. Esmaileyan and A. Harimi, “Estimation of LPC Coefficients using Evolutionary Algorithms”, Journal of AI and Data Mining, Vol.1, No.2, pp.111-118, 2013.