CN104013402A - 集成经验模式分解超宽带微波检测信号提取方法 - Google Patents

Abstract

本发明涉及微波成像技术领域，为能够避免使用无肿瘤模型，可以直接从含有肿瘤信息的信号中提取出肿瘤响应信号，且简便快捷，能够获取足够多的信息。为此，本发明采取的技术方案是，超宽带微波检测信号提取方法，包括如下步骤：1)利用发射天线发射超宽带微波信号，利用接收天线接收来自乳房内部的反射信号；2)确定y_i(t)的所有局部极值点：3)令h(t)＝y_i(t)-m(t)，如h(t)不满足固有模式函数(IMF)条件，则视其为新的y_i(t)；4)得到信号的第一个固有模式分量IMFc_i1＝h_1k(t)及其分离后的余项r₁(t)＝y_i(t)-c_i1；5)将r₁(t)进行同样的筛选过程；6)利用不相关随机序列的统计均值为零的原理处理；7)对该信号用共焦成像算法进行成像，得到图像。本发明主要应用于微波成像。

Description

集成经验模式分解超宽带微波检测信号提取方法

技术领域

本发明涉及微波成像，超宽带无线检测，生物医学检测装置，信号处理，具体讲，涉及集成经验模式分解超宽带微波检测肿瘤信号提取方法。

技术背景

乳腺肿瘤是女性发病率最高的恶性肿瘤疾病，死亡率居妇女恶性肿瘤死亡率之首。早期乳腺肿瘤的诊断无疑对于提高乳腺病的治疗率以及患者的远期成活率都具有决定性意义。目前常用的早期乳腺癌的检测方法包括乳腺X线摄影术、超声波影像技术、计算机断层扫描、核磁共振成像技术、热成像检测等，但诸多方法均存在一定的缺点，如对人体产生辐射伤害、成像对比度低、费用较高等。超宽带电磁波检测乳腺癌的原理在于不同生物组织对电磁波的吸收、反射及透射特性不同，使得天线发射的脉冲信号在乳腺组织中传播时所产生的电磁场能够反映恶性组织的丰富信息。同时超宽带微波信号具有辐射功率低、目标信息携载量大、提供毫米级定位和检测成本较低等优点，能作为早期乳腺检测的常规手段。为了实现上述超宽带的优点，肿瘤信号的提取至关重要。常规的肿瘤信号提取方法是建立有肿瘤的乳房模型和无肿瘤的乳房模型，通过天线发出的超宽带微波去分别探测有肿瘤的乳房模型和无肿瘤的乳房模型，得到包含肿瘤信息的信号减去无肿瘤信息的信号。实际情况中，由于病人的乳房结构的不同，无肿瘤的信号是无法获得的，即使建立模型，其同真实的乳房也是有误差的。因此有必要开发适用于乳腺肿瘤检测的肿瘤信号提取算法，直接从实际探测到的包含肿瘤信息的信号中提取肿瘤信号进行成像。使得成像过程更加简便，成像结果更加准确。

发明内容

为了克服现有技术的不足，提供一种新的肿瘤信号的提取算法，该算法能够避免使用无肿瘤模型，可以直接从含有肿瘤信息的信号中提取出肿瘤响应信号，且算法简便快捷，能够获取足够多的信息来对乳腺肿瘤进行检测。为此，本发明采取的技术方案是，超宽带微波检测信号提取方法，包括如下步骤：

1)利用发射天线发射超宽带微波信号，利用接收天线接收来自乳房内部的反射信号；对成像区域的每一点进行扫描，得到的信号由y(t)表示；向信号y(t)中多次加入等长度的白噪声n_i(t)，即

y_i(t)＝y(t)+βn_i(t)      (1)

式中，y_i(t)为第i次加入白噪声后的信号；β为白噪声系数。

2)确定y_i(t)的所有局部极值点，通过三次样条函数求取其上包络u₁(t)和下包络u₂(t)的局部均值：

$m\left(t\right)=\frac{1}{2}(u_1\left(t\right)+u_2\left(t\right))---\left(2\right)$

3)令h(t)＝y_i(t)-m(t)，如h(t)不满足固有模式函数(IMF)条件，则视其为新的y_i(t)；重复k次得到：

h_1k(t)＝h_1(k-1)(t)-m_1k(t)     (3)

4)得到信号的第一个固有模式分量IMFc_i1＝h_1k(t)及其分离后的余项r₁(t)＝y_i(t)-c_i1；

5)将r₁(t)进行同样的筛选过程，依次得到c_i2,c_i3,...，直到r_i(t)基本呈单调趋势停止；这样得到IMF分量c_ij(t)和余项r_i(t)，其中c_ij(t)表示第i次加入白噪声后分解所得的第j个IMF分量；

6)利用不相关随机序列的统计均值为零的原理，将各分量c_ij(t)进行整体平均以抵消多次加入白噪声对真实IMF的影响，最终分解结果为：

$c_j\left(t\right)=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{c}_{\mathrm{ij}}\left(t\right)---\left(4\right)$

式中，N指添加白噪声序列的数目；即循环次数；

7)将得到的所有信号进行EEMD分解时选择白噪声系数和循环次数，得到分解后的各路IMF信号，计算各个IMF与原始信号的相关系数，得到相关系数较大的两信号，将两信号相加，重构为一个新的信号；该信号即为含有响应的信号；对该信号用共焦成像算法进行成像，即可得到图像。

天线一共十二个，均匀分布在乳房模型表面；其中一个发射中心频率为5GHz的一阶导高斯信号，其他十一个天线则接收信号。

与已有技术相比，本发明的技术特点与效果：

本发明能够直接从得到的含有肿瘤信息的信号中将噪声滤除，直接提取肿瘤信号进行成像，避免使用无肿瘤模型，减小了传统算法的误差。使得成像过程更加简便，成像结果更加准确。该算法成像能够直接的实现肿瘤存在与否的判断和定位。非常适合于乳腺肿瘤检测系统。

附图说明

图1组织模型及天线结构示意图。

图2天线A6发A11收的含有肿瘤信号及其IMF图(a)为原始信号及IMF1-IMF6图，(b)为IMF7-IMF13及剩余项r13图。

图3所有信号经过分解后提取肿瘤响应信号所得的肿瘤共焦成像图。

具体实施方式

为了有效地利用超宽带微波检测系统中对乳腺肿瘤进行探测，本发明提供了一种新的肿瘤信号的提取算法。该算法避免了使用无肿瘤模型，可以直接从含有肿瘤信息的信号中提取出肿瘤响应信号。该算法简便快捷，能够获取足够多的信息来对乳腺肿瘤进行检测。常规的肿瘤信号提取方法是建立有肿瘤的乳房模型和无肿瘤的乳房模型，通过天线发出的超宽带微波去分别探测有肿瘤的乳房模型和无肿瘤的乳房模型，得到包含肿瘤信息的信号减去无肿瘤信息的信号。实际情况中，由于病人的乳房结构的不同，无肿瘤的信号是无法获得的，即使建立模型，其同真实的乳房也是有误差的。因此有必要开发适用于乳腺肿瘤检测的肿瘤信号提取算法，直接从实际探测到的包含肿瘤信息的信号中提取肿瘤信号进行成像。该算法能够直接从得到的含有肿瘤信息的信号中将噪声滤除，直接提取肿瘤信号进行成像，减小了传统算法的误差。使得成像过程更加简便，成像结果更加准确。该算法成像结果能够直观的实现肿瘤存在与否的判断和定位。非常适合于乳腺肿瘤检测系统。

图1为探测系统所采用的天线阵列结构和乳房组织模型。为满足成像分辨率和探测深度的要求采用中心频率为5GHz的一阶导高斯信号，信号波形如图2所示。这样的信号可以保证探测深度和探测精度。物质电导率随频率升高而升高，低频探测深度深但是分辨率低，因此该信号可以保证探测深度和探测精度。具体实施过程如下：

8)天线依次发射信号，其余天线接收来自乳房内部的反射信号。对成像区域的每一点进行扫描，得到的信号由y(t)表示。向信号y(t)中多次加入等长度的正态分布的白噪声n_i(t)，即

y_i(t)＝y(t)+βn_i(t)      (1)

式中，y_i(t)为第i次加入白噪声后的信号；β为白噪声系数。

9)确定y_i(t)的所有局部极值点，通过三次样条函数求取其上包络u₁(t)和下包络u₂(t)的局部均值：

$m\left(t\right)=\frac{1}{2}(u_1\left(t\right)+u_2\left(t\right))---\left(2\right)$

10)令h(t)＝y_i(t)-m(t)，如h(t)不满足固有模式分量IMF条件，则视其为新的y_i(t)。重复k次得到：

h_1k(t)＝h_1(k-1)(t)-m_1k(t)     (3)

11)得到信号的第一个固有模式分量IMFc_i1＝h_1k(t)及其分离后的余项r₁(t)＝y_i(t)-c_i1。

12)将r₁(t)进行同样的筛选过程，依次得到c_i2,c_i3,...，直到r_i(t)基本呈单调趋势停止。这样得到IMF分量c_ij(t)和余项r_i(t)，其中c_ij(t)表示第i次加入白噪声后分解所得的第j个IMF分量。

13)利用不相关随机序列的统计均值为零的原理，将各分量c_ij(t)进行整体平均以抵消多次加入白噪声对真实IMF的影响，最终分解结果为：

$c_j\left(t\right)=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{c}_{\mathrm{ij}}\left(t\right)---\left(4\right)$

式中，N指添加白噪声序列的数目；即循环次数。

14)将得到的所有信号进行集成经验模式分解(EEMD)时选择白噪声系数为2.0，循环次数为50，得到分解后的IMF1至IMF13。如图2所示为天线A6发出超宽带微波，由天线A11接收到的包含肿瘤信息的信号原始图以及经过EEMD分解得到的IMF1至IMF13及其余项r13的信号图。计算各个IMF与原始信号的相关系数，得到结果如表1所示。可以得到IMF7与IMF8的相关系数较大，将两信号相加，重构为一个新的信号。该信号即为含有肿瘤响应的信号。对该信号用共焦成像算法进行成像，即可得到肿瘤图像。

为验证早期乳腺肿瘤超宽带微波检测系统的成像算法的有效性，采用图1所示的乳房组织模型进行探测。模型尺寸设定为由十二个天线组成的天线阵列排布在皮肤层上，为接近真实探测环境，依次设立皮肤、脂肪、肋骨，其中腺体和肿瘤存在于脂肪层中，天线阵列分布于皮肤表面。直径为4mm的肿瘤位于(100,50)。将得到的所有信号进行EEMD分解时选择白噪声系数为2.0，循环次数为50，得到分解后的IMF1至IMF13。如图2为有肿瘤时A6发射，A11的接收波形及其经分解后得到的IMF分量图。对所有得到的IMF，计算其与原始信号的相关系数，提取出相关系数较大的IMF。这里IMF7与IMF8的相关系数较大，因此提取IMF7与IMF8重构一个新的信号。这里提取IMF7与IMF8相加后的信号，实现了肿瘤散射信号的提取。将所有得到的信号分解后得到的IMF7，IMF8相加后的信号进行共焦成像，可以得到更加清晰的肿瘤成像图，如图3所示。验证了该算法的有效性。

表1各个IMF与原始信号之间的相关系数

选取天线A1至A12分别发射信号，其余分别接收到的含有肿瘤信息的信号，按照上述步骤将天线阵列的接收信号进行EEMD分解，其中，选择白噪声系数为2.0，循环次数为50，得到IMF1至IMF13所有的固有模态函数。在得到所有的固有模态函数中，计算其与原始信号的相关系数，选取相关系数较大的固有模态函数IMF7，IMF8进行相加，采用共焦成像算法对相加后的信号再进行共焦成像的处理，能够使得肿瘤的散射信号得到增强，显示肿瘤的位置，实现肿瘤的检测识别。结果表明该算法能有易于超宽带微波系统实现早期乳腺肿瘤检测中肿瘤信息的提取。

Claims (2)

1.一种集成经验模式分解超宽带微波检测信号提取方法，其特征是，包括如下步骤：

1)利用发射天线发射超宽带微波信号，利用接收天线接收来自乳房内部的反射信号；对成像区域的每一点进行扫描，得到的信号由y(t)表示；向信号y(t)中多次加入等长度的白噪声n_i(t)，即

y_i(t)＝y(t)+βn_i(t)       (1)

式中，y_i(t)为第i次加入白噪声后的信号；β为白噪声系数；

2)确定y_i(t)的所有局部极值点，通过三次样条函数求取其上包络u₁(t)和下包络u₂(t)的局部均值：

$m\left(t\right)=\frac{1}{2}(u_1\left(t\right)+u_2\left(t\right))---\left(2\right)$

3)令h(t)＝y_i(t)-m(t)，如h(t)不满足固有模式函数(IMF)条件，则视其为新的y_i(t)；重复k次得到：

h_1k(t)＝h_1(k-1)(t)-m_1k(t)     (3)

4)得到信号的第一个固有模式分量IMFc_i1＝h_1k(t)及其分离后的余项r₁(t)＝y_i(t)-c_i1；

5)将r₁(t)进行同样的筛选过程，依次得到c_i2,c_i3,...，直到r_i(t)基本呈单调趋势停止；这样得到IMF分量c_ij(t)和余项r_i(t)，其中c_ij(t)表示第i次加入白噪声后分解所得的第j个IMF分量；

6)利用不相关随机序列的统计均值为零的原理，将各分量c_ij(t)进行整体平均以抵消多次加入白噪声对真实IMF的影响，最终分解结果为：

$c_j\left(t\right)=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{c}_{\mathrm{ij}}\left(t\right)---\left(4\right)$

式中，N指添加白噪声序列的数目；即循环次数；

7)将得到的所有信号进行EEMD分解时选择白噪声系数和循环次数，得到分解后的各路IMF信号，计算各个IMF与原始信号的相关系数，得到相关系数较大的两信号，将两信号相加，重构为一个新的信号；该信号即为含有响应的信号；对该信号用共焦成像算法进行成像，即可得到图像。

2.如权利要求1所述的集成经验模式分解超宽带微波检测信号提取方法，其特征是，天线一共十二个，均匀分布在乳房模型表面；其中一个发射中心频率为5GHz的一阶导高斯信号，其他十一个天线则接收信号。