Trong lượng tử hoá vectơ chúng ta nhóm lối ra nguồn thành những khối hay
những vectơ. Ví dụ chúng ta coi L mẫu liên tiếp của tín hiệu là những thành phần của
một vectơ N chiều. Vectơ của lối ra nguồn này tạo thành lối vào của bộ lượng tử hoá vectơ. Tại cả bộ mã hoá và giải mã của bộ lượng tử vectơ, sẽ có một tậ hợp những vectơ N-chiều được gọi là sách mã (codebook) của bộ lượng tử. Những vectơ trong
sách mã này, được hiểu là những vectơ mã (code-vectơ), sẽ được lựa chọn làm biểu
diễn của vectơ tín hiệu chúng ta tạo ra từ lối ra nguồn. Mỗi vectơ mã sẽ được gán một
chỉ số nhị phân. Tại mỗi bộ mã hoá, vecơt lối vào được so sánh với mỗi vectơ mã để
tìm ra vectơ mã gần nhất với vectơ lối vào. Những thành phần của vectơ mã này là những giá trị lượng tử của lối ra nguồn. Để cho bộ giải mã biết về vectơ mã nào đó được tìm thấy là gần với vectơ lối vào nhất, chúng ta truyền hay lưu trữ chỉ số nhị
phân của vectơ-mã. Do bộ giải mã có sách mã giống hệt bộ mã, nên có thể khôi phục
lại được vectơ mã được cho bởi chỉ số nhị phân của nó. Biểu diễn quá trình này bằng sơ đồ trực quan sau:
Encoder Decoder
... …
Hình 22: Thủ tục lượng tử hoá vectơ
Diễn đạt theo một cách khác thì một bộ lượng tử hoá vectơ k chiều và kích thước
N là một phép ánh xạ Q từ mộtvectơ k chiều, trong không gian Ơclit Rk, vào một tập
hữu hạn C bao gồm N lối ra hay những điểm mô phỏng, được gọi là những mã vectơ
hay những từ mã
Q: Rk C
ở đó C = {y(1), y(2), .. y(N)} và y(i) Rkđối với mỗi i {1, 2, …, N}. Tập C được gọi là sách mã hay đơn giản là mã.
Áp dụng phương pháp này cho tín hiệu EEG bằng cách tính toán những vectơ của
những kênh lối vào và bằng cách xây dựng một sách mã cho tập vectơ này. Có một sự
biến đổi nhỏ là tính toán đạo hàm thay cho những giá trị của kênh do đạo hàm EEG có thể rất gần không. Vì vậy, với cùng một sách mã như nhau, có thể thu được méo trung
bình thấp hơn. Group into vectors Un- block Find closest code- vector codebook index Table lookup Source output reconstruction index x codebook
CHƯƠNG 4: MÔ PHỎNG
4.1. Mã Huffman
Sau đây mô phỏng thuật toán Huffman truyền thống với chiều dài từ mã không cố định tức là mỗi kí tự nguồn của nguồn sẽ có từ mã của riêng nó. Thủ tục
xây dựng mã dựa vào xác suất của các kí tự nguồn hoàn toàn giống như đã trình bày ở trên.
Hình 23 : tín hiệu nguồn và tín hiệu khôi phục sau khi nén
Hình 24 : tín hiệu lỗi giữa tín hiệu nguồn và tín hiệu giải nén.
Kết quả:
Name Size Bytes Class
T 1x18432 147456 double array ans 32x1 147456 double array compr_data 1x38568 38568 uint8 array data 1x147456 147456 uint8 array decom_data 1x147456 147456 uint8 array info 1x1 1872 struct array recov_data 1x18432 147456 double array
Grand total is 388886 elements using 777720 bytes tỉ lệ nén = 0.2616
hệ số nén = 3.8233
Nhận thấy nén tín hiệu EEG sử dụng mã Huffman khá hiệu quả: hệ số nén tương đối 4, phần trăm tiết kiệm khá cao 73.84%, mức độ phức tạp tính toán thấp, và quan trọng nhất là nó cho phép khôi phục lại hoàn toàn chính xác tín hiệu ban đầu. Nên đối
với yêu cầu đảm bảo thông tin chính xác mang trên tín hiệu EEG ghi được từ bệnh nhân để không gây ra sai sót trong việc chẩn đoán và kết luận lâm sàng đối với bệnh
nhân, bác sĩ hoàn toàn có thể tin tưởng vào phương pháp nén này. Đối với những thiết
bị lưu trữ và tính toán ngày nay, phương pháp này tỏ ra rất hiệu quả.