第五章 實驗模擬與結果分析
5.3 BCJR演算法在分散式訊源編碼系統之效能分析
實驗說明：
本實驗之環境設定與5.1節相同，而解碼器使用如4.3節所推導的 索引層級BCJR演算法。索引層級BCJR演算法之關鍵為如何有效的整合 量化索引事前機率於其解碼過程中；本實驗將使用來自兩種不同訓練 方式的事前機率，並標記為BCJR-I及BCJR-II演算法。
依5.1節之說明，週期等化後的心電訊號每週期有288個樣本點，
而向量維度
k=4
，因此每週期之訊號將有72個向量。BCJR-I演算法使 用的事前機率即根據1500段訓練訊號中每一週期的72個向量分別訓 練而得到，因此每個向量所屬的64個索引值之事前機率會不相同，總 共需儲存64*72個機率值。解碼時，索引之事前機率將依其所屬的向 量位置而引入。BCJR-II演算法所使用的事前機率則是不分向量，僅 針對64個量化索引進行訓練而得64個機率值，解碼時也不分向量位置 而直接使用。BCJR-I演算法雖讓解碼器所需儲存的事前資訊變多，但 也含有更多的事前訊息，因此可預期其效果會優於BCJR-II演算法。實驗結果
心電圖編號 MIT-100 MIT-119 MIT-122 虛擬通道之
平均 BER 2.80% 3.59% 2.32%
SER 2.23% 7.17% 0.94%
PRD 9.38% 44.65% 2.70%
量化PRD 4.85% 2.99% 2.01%
表5.2： BCJR-I演算法之解碼結果
心電圖編號 MIT-100 MIT-119 MIT-122 虛擬通道之
平均 BER 2.80% 3.59% 2.32%
SER 5.65% 9.65% 5.00%
PRD 14.29% 47.34% 4.50%
量化PRD 4.85% 2.99% 2.01%
表5.3： BCJR-II演算法之解碼結果
(a)
(b)
圖 5.10：MIT-100 於 BCJR-I 解碼(a)重建波形 (b)失真情況
(a)
(b)
圖 5.11：MIT-100 於 BCJR-II 解碼(a)重建波形 (b)失真情況
(a)
(b)
圖 5.12：MIT-119 於 BCJR-I 解碼(a)重建波形 (b)失真情況
(a)
(b)
圖 5.13：MIT-119 於 BCJR-II 解碼(a)重建波形 (b)失真情況
(a)
(b)
圖 5.14：MIT-122 於 BCJR-I 解碼(a)重建波形 (b)失真情況
(a)
(b)
圖 5.15：MIT-122 於 BCJR-II 解碼(a)重建波形 (b)失真情況
結果分析與討論
由表5.2及5.3可發現，除有著異常波形的MIT-119外之效能改進 不甚明顯外，波形較穩定的MIT-100及MIT-122於BCJR-I演算法之解碼 效能的確優於BCJR-II演算法及維特比演算法，符合我們的預期；而 應用軟性解碼的BCJR-II演算法亦優於硬性決策的維特比演算法。
若將原始心電圖波形和如圖5.10~5.15之重建波形做比較，可發 現波形較穩定的MIT-100和MIT-122有不錯的傳真度，且觀察其失真並 配合表5.2及5.3，可推論失真大部分來自量化所產生的影響。而 MIT-119解碼效果不甚理想的原因，我們推測可能是其波形之不穩定 導致了事前機率無法提供太多有用的資訊；而波形不穩定也造成訓練 訊號向量及依此訓練出的量化碼書內的代表向量較為分散，產生了類 似5.2節討論中所提到的，索引的解碼錯誤會導致重建訊號與原始訊 號的落差。
本節提出了基於兩種不同事前機率的BCJR演算法；BCJR-I能反應 各心電訊號向量的事前資訊，實驗模擬結果也證實了此種事前機率對 於有穩定波形的心電訊號之解碼相當有幫助。
第六章 結論與未來展望
編碼架構的前提下，將迴旋解碼演算法提升至索引層級上進行處理，
以期有效整合量化索引內含的重要冗息。其關鍵在於將解碼所需的柵 狀碼圖以索引為單位個別進行合併，也就是重組位元層級柵狀圖使其 成為分段柵狀圖。
如何設計一組適用於校驗子生成機制的通道碼，而不僅是沿用理 論上證實有較高錯誤修正能力的通道碼範例，是一個值得深入探討的 未來研究議題。校驗子生成機制的終極目標是希望能將心電訊號壓縮 而衍生的重建失真最小化，而這項目標是否等同於選擇一高錯誤修正 能力的通道碼仍有待進一步的觀察驗證。此外，在有雜訊干擾之環境 下，如何基於解碼強健性及整體壓縮率的考量，而開發一具有錯誤修 正能力的心電訊號壓縮模組，也是一個重要的研究方向。同時，我們 從第五章的實驗結果可以清楚看到，心電圖波形的穩定度和解碼效果 存在著相關性；但從醫療角度來看，具有心律異常的心電圖之壓縮及 傳輸較有其價值。因此如何針對心律不整而產生的異常心電訊號進行 壓縮，其重要性不言而喻。
參考文獻
[1] C.S. Pattichis, E. Kyriacou, S. Voskarides, M.S. Pattichis, R.
Istepanian, and C.N. Schizas, “Wireless telemedicine systems: an overview,”IEEE Antennas and Propagation Magazine, vol. 44, no. 2, pp. 143-153.
[2] S. Pavlopoulos, E. Kyriacou, A. Berler, S. Dembeyiotis, and D.
koutsouris, “A novel emergency telemedicine system based on wireless communication technology-AMBULANCE,” IEEE Trans.
Inform. Tech. Biomed.-Special issue on emerging health telematics applications in Europe, vol. 2, no. 4, pp. 261-267, 1998.
[3] 張家恩，以遠距視訊系統會診顯著減少離島地區空中緊急醫療 轉送及有效節省經濟成本之研究，台北醫學大學傷害防治學研究 所碩士論文， 2004。
[4] S. Tachakra, X.H. Wang, R. Istepanian, and Y.H. Song, “Mobile e-Health: the unwired evolution of telemedicine,” Telemedicine Journal and e-Health, vol. 9, no. 3, pp. 247-257, 2003.
[5] I.F. Akyildiz, T. Melodia, and K.R. Chowdury,“Wireless multimedia sensor networks: a survey,” IEEE Wireless Communications, pp.
32-39, Dec. 2007
[6] Z. Tu, J. Li, and R. S. Blum, "An Efficient SF-ISF Approach For the Slepian-Wolf Source Coding Problem," Eurasip Journal on Applied Signal Processing - Special Issue on Turbo Processing, Volume 2005, No. 6, pp. 961-971, May, 2005.
[7] Z. Xiong, A. Liveris, and S. Cheng, “Distributed source coding for sensor networks,” IEEE Signal Processing Magazine, vol. 21, Sept.
2004.
[8] Y. Liu, S. Lin, and M.P.C. Fossorier, “MAP algorithm for decoding linear block codes based on sectionalized trellis diagrams, ”IEEE Trans. Commun., vol.48, no.4, pp.577-587, April 2000.
[9] M. Bingemen and A.K. Khandani, “Symbol-based turbo codes, ”IEEE Commun. Lett.,vol.3, no.10, pp.285-287, Oct. 1999
[10] D. Slepian and J. K. Wolf, "Noiseless coding of correlated information sources", IEEE trans. Inform. Theory, vol. 19, pp.
471-480, Jul. 1973.
[11] S. S. Pradhan and K. Ramchandran, "Distributed source coding using syndromes(DISCUS): design and construction," Proc. of Data Compression Conf.(DCC), pp. 158-167, Mar. 1999.
[12] 潘彥璋，「基於索引層級的疊代訊源通道解碼機制」，國立交 通大學碩士論文，民國九十七年。
[13] P. Tan and J. Li, "A practical and optimal symmetric Slepian-Wolf compression strategy using syndrome formers and inverse syndrome formers," Proc. of 43rd Annual Allerton Conf on Commun., Control and Computing, hampaign, IL, Sept. 2005.
[14] P. Tan, K. Xie, J. Li, "Slepian-Wolf coding using parity approach and syndrome approach," In Proceedings of the 41st Annual Conference on Information Sciences and Systems, Baltimore, MD,USA, March 2007; pp. 708-713.
[15] Norhashimah Mohd Saad, Abdul Rahim Abdullah, and Yin Fen Low, “Detection of Heart Blocks in ECG Signals by Spectrum and Time-Frequency Analysis”, Student Conference on Research and
Development (SCOReD 2006), Shah Alam, Selangor, MALAYSIA, 27-28 June, 2006.
[16] Regional Base Hospital for Southeastern Ontario, Acquiring a 12 Lead Electrocardiogram.
[17] 行政院衛生署 國民健康局，「衛生統計資訊網」。
[18] M. Aboy, C. Crespo, J. McNames, J. Bassale, L. Jenkins, B.
Goldstein, “A Biomedical Signal Processing Toolbox”, 2002 [19] P. Hedelin, P. Knagenhjelm, and M. Skoglund, “Vector
quantization for speech transmission,” in Speech Coding and Synthesis, W. B. Kleijn and K. K. Paliwal, Eds. Amsterdam, The Netherlands: Elsevier, 1995.
[20] Chia-Chun Sun and Shen-Chuan Tai, “Beat-Based ECG Compression Using Gain-Shape Vector Quantization”, IEEE Transaction on Biomedical Engineering, vol. 52, no. 11, Nov.
2005.
[21] V.S. Pless, W.C. Huffman, ”Handbook of Coding Theory”,1998