S'abonner

A Comparative Analysis of Performance of Several Wavelet Based ECG Data Compression Methodologies - 15/07/21

Doi : 10.1016/j.irbm.2020.05.004 
S. Chandra' a, , A. Sharma b , G.K. Singh b
a Department of Electronics and Communication Engineering, BMSIT & M Bangalore, India 
b Department of Electrical Engineering, Indian Institute of Technology, Roorkee, India 

Corresponding author.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

pages 18
Iconographies 16
Vidéos 0
Autres 0

Graphical abstract

Le texte complet de cet article est disponible en PDF.

Highlights

Compression performance comparative analysis.
Compression ratio.
Data reconstruction without diagnostic information.

Le texte complet de cet article est disponible en PDF.

Abstract

Compression of an electrocardiogram (ECG) signal has given much consideration to the researchers since the computer-aided analysis of ECG has come into being. In some critical cases, viz., astronauts, a person under cardiac surveillance, ambulatory patients and in Holter monitoring system, continuous ECG data recording and transmitting from one location to other location is required. However, the size of the recorded data becomes so voluminous, that its transmission of data becomes practically impossible. In this paper, ECG data compression using wavelet-based techniques are presented, such that: a) wavelet packet transform with run-length encoding (RLE), b) wavelet transform with Huffman encoding, c) wavelet transform with RLE and d) wavelet transform and Lempel ZivWelch (LZW). The results have been tested using MIT-BIH (Massachusetts Institute of Technology/Beth Israel Hospital) arrhythmia databases. The performances of these methodologies are examined in the quantitative and qualitative manner. From Tabular results, it can be observed that the methodology based on WT and LZW provides efficient results in terms of compression ratio ( ) and peak root mean square difference ( ) both, hence the overall QS value is improved.

Le texte complet de cet article est disponible en PDF.

Keywords : Electrocardiogram, Data compression, Wavelet, Telemedicine, Encoding, Vector quantization


Plan


© 2020  AGBM. Publié par Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 42 - N° 4

P. 227-244 - août 2021 Retour au numéro
Article précédent Article précédent
  • Machine Learning Based Computer Aided Diagnosis of Breast Cancer Utilizing Anthropometric and Clinical Features
  • M.M. Rahman, Y. Ghasemi, E. Suley, Y. Zhou, S. Wang, J. Rogers
| Article suivant Article suivant
  • A Robust Feature Descriptor for Biomedical Image Retrieval
  • P. Das, A. Neelima

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’achat d’article à l’unité est indisponible à l’heure actuelle.

Déjà abonné à cette revue ?

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.