经颅多普勒信号特征提取与分类研究

论文摘要

超声是一种声波,其频率远远超过人耳所能听到的20kHz。随着奥地利科学家发现多普勒效应这一声学现象,超声逐步应用于医学影像中。在医学影像中,超声仪使用频率为2MHz-10MHz之间的声波成像。超声成像设备目前广泛应用在临床医学的诊断中,需求量很大。以多普勒原理为物理基础的多普勒超声技术已经在医学诊断中大量用于测量人体血管和心脏等器官内血流动力学参数,这也是当前临床医学一种常用的诊断方法。目前,多普勒频谱图像固然能在一定程度上反映各血管的生理和病理状态,对临床疾病的诊断起到一定的作用,但仅仅凭对多普勒频谱图像的分析,只能起到定性的作用,缺乏定量概念,仅依此为根据对疾病做出的诊断有时会产生误差。因此如何进一步发掘超声多普勒技术在临床诊断中的作用和价值,深入研究超声多普勒信号内在蕴含着的信息,对多普勒频谱图像进行各种参数的分析,并将其中以前未被认识的特征通过各种方法提取出来,减少诊断的误差,定量反映疾病的情况,就显得十分重要。本文以经颅多普勒超声检测仪中的声音信号为研究对象,针对多普勒超声信号的非平稳性、随机性等特点,以近年来飞速发展的小波理论和支持向量机（Support Vector Machine）理论为理论基础,研究了多普勒超声信号特征提取与分类。小波变换具有多分辨率、在时间和频率上的局部化特点,提取多普勒信号的主要特征信息来表征整个原始信号,首先获取多普勒超声音频信号,经过带通滤波器滤除噪声,再利用加汉宁窗的短时傅立叶变换得到多普勒信号的频谱图,然后利用百分比法提取信号的最大频率曲线,在最大频率曲线的基础上,利用小波变换的模极大值方法获取声音信号的特征信息。SVM是一种基于统计学习理论的新型学习机,与传统的神经网络方法不同,该方法建立在统计学习的VC维和SRM（Structural Risk Minimization）实现的基础之上,根据有限的样本信息在模型的复杂性和学习能力之间寻求复杂性和学习能力之间的最佳折衷。利用多普勒信号提取的特征信息,运用SVM理论实现信号的分类。结果表明,本文的研究成果可以为血管疾病的诊断与防治提供帮助,可以对患者的分期治疗提供客观的依据。

论文目录

• 目录
• 摘要
• ABSTRACT
• 缩略词注释表
• 第一章 绪论
• 1.1 课题研究的背景及意义
• 1.2 课题研究的现状
• 1.3 研究课题存在的问题
• 1.4 本文的主要工作及章节安排
• 第二章 基于音频信号获取多普勒频谱
• 2.1 引言
• 2.2 声谱图获取方法
• 2.2.1 数字滤波器
• 2.2.2 短时傅立叶变换（STFT）
• 2.2.3 窗函数的应用
• 2.3 实验仿真结果及频谱图像分析
• 2.4 本章小结
• 第三章 多普勒信号的最大频率曲线获取及特征提取
• 3.1 超声多普勒检测血流速度原理
• 3.2 多普勒信号的最大频率曲线获取
• 3.2.1 百分比法提取信号的最大频率曲线算法描述
• 3.2.2 百分比法提取信号的最大频率曲线算法实现
• 3.3 最大频谱曲线的特征提取
• 3.3.1 小波分析
• 3.3.2 多分辨率分析-Mallat算法
• 3.3.3 模极大值分析
• 3.3.4 特征提取实现结果
• 3.4 本章小结
• 第四章 基于 SVM的经颅多普勒信号分类
• 4.1 SVM的基本理论
• 4.1.1 统计学习理论
• 4.1.2 SVM的基本原理
• 4.2 基于 SVM的分类算法
• 4.2.1 分类的原理
• 4.2.2 分类器的设计
• 4.3 算法实现的步骤
• 4.4 实验分类结果
• 4.5 本章小结
• 第五章 结论与展望
• 5.1 结论
• 5.2 工作展望
• 参考文献
• 致谢
• 攻读硕士学位期间的研究成果及参加的科研项目
• 学位论文评阅及答辩情况表