CN114492519B - 一种基于超声回波射频信号的肺超声特殊征象b线识别分类方法 - Google Patents

一种基于超声回波射频信号的肺超声特殊征象b线识别分类方法 Download PDF

Info

Publication number
CN114492519B
CN114492519B CN202210044759.4A CN202210044759A CN114492519B CN 114492519 B CN114492519 B CN 114492519B CN 202210044759 A CN202210044759 A CN 202210044759A CN 114492519 B CN114492519 B CN 114492519B
Authority
CN
China
Prior art keywords
radio frequency
line
ultrasound
signal
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210044759.4A
Other languages
English (en)
Other versions
CN114492519A (zh
Inventor
钟徽
张皓宇
马泉龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202210044759.4A priority Critical patent/CN114492519B/zh
Publication of CN114492519A publication Critical patent/CN114492519A/zh
Application granted granted Critical
Publication of CN114492519B publication Critical patent/CN114492519B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Image Processing (AREA)

Abstract

本发明提出了一种基于超声回波射频信号的肺超声特殊征象B线识别分类方法，该方法首先从肺超声回波信号射频数据，采集多帧二维数据生成二次谐波数据三维矩阵，然后利用滑动窗提取信号包络能量和信息熵进行去噪，然后从逐个波束提取对应射频数据的信息熵和排列熵作为特征参数，基于信息熵和排列熵建立训练样本集X，将训练样本集X输入至支持向量机非线性SVM中，得到分类模型。本发明提出利用超声原始射频信号对肺超声B线进行识别，不仅可以利用信号幅度和空间信息，而且可以利用信号频率和相位等信息，不仅提高了信息的利用率，增加了识别的可靠性，而且避免不同超声仪器图像参数设置的影响，能够得到普适性更高的检测算法。

Description

一种基于超声回波射频信号的肺超声特殊征象B线识别分类 方法
技术领域
本发明属于超声检测及成像领域，具体涉及一种基于超声回波射频信号的肺超声特殊征象B线识别分类方法。
背景技术
随着现代超声医学的不断发展进步，曾经被视作超声盲区的肺脏超声检查也由于其无辐射、可床旁诊断等优点成为临床上检测肺脏疾病、监测重症病人生理指标的重要手段。B线是超声检测、诊断肺部疾病的一种重要超声伪影，在超声影像上表现为从胸膜线产生并延伸至屏幕底部的离散、激光样垂直高回声伪影，并与肺滑动同步移动。
肺超声影像中B线数量的增加与肺水肿、肺纤维化、肺炎等肺病变之间显著的相关性已经成为临床上对患者进行床旁无创、快速诊断的重要依据，医生可以按照肺超声检查国际推荐标准，快速评估患者的病情，并做出相应的诊断。
然而，在相同的评估标准之下，不同的医生对同一患者的评估、甚至同一医生在不同时间对同一患者的评估都可能会产生一定偏差，这与评估者的临床经验、评估时的生理状态等因素有关。因此，能够辅助医生对肺超声进行评估的算法可以大大提高医生诊断的稳定性和准确性。已经有一些研究人员提出的基于超声图像的深度学习算法在辅助评估中的到了较好的准确性和敏感性，但该方法计算复杂，并且是基于超声图像进行计算的，只利用了幅度和空间信息。
发明内容
本发明的目的在于克服上述现有技术的缺点，提供一种基于超声回波射频信号的肺超声特殊征象B线识别分类方法，以解决现有技术中通过超声图像对评估结果有偏差的问题。
为达到上述目的，本发明采用以下技术方案予以实现：
一种基于超声回波射频号的肺超声特殊征象B线识别分类方法，包括以下步骤：
步骤1，从多帧超声图像提取出含有B线的肺超声回波信号的射频数据，通过脉冲逆转方法提取出每一个射频数据的二次谐波数据，将多帧二次谐波数据组成三维矩阵；三维矩阵中每一列的二次谐波数据为一个波束；
步骤2，通过滑动窗提取三维矩阵中每一个波束的信号包络能量和信息熵，分别设定信号包络能量的阈值一和信息熵的阈值二，将滑动窗提取出的信息熵高于阈值二且包络能量小于阈值一的射频信号视为噪声，去除视为噪声的射频信号，得到去除噪声后的三维矩阵；
步骤3，从去除噪声后的三维矩阵中，提取出每一个波束的信息熵和排列熵；
步骤4，标记出每帧超声图像的B线和非B线对应的波束，B线的波束标记值为1，非B线的波束标记值为0；
步骤5，随机选择若干个波束对应的信息熵、排列熵以及该波束的B线标记值；将选择出的信息熵、排列熵和B线标记组成训练样本集X；
步骤6，将训练样本集X输入至非线性SVM，通过训练样本集X训练非线性SVM，得到判断B线的分类模型；所述非线性SVM中通过核函数RBF得到分类模型；
步骤7，通过分类模型识别超声图像中的B线。
本发明的进一步改进在于：
优选的，步骤1的具体过程为：
1)从含有B线的肺超声回波信号射频数据中，提取并分离互为反向脉冲的两组回波信号；
2)将两组回波信号按对应位置相加得到脉冲逆转射频数据；
3)读取脉冲逆转射频数据头文件中的中心频率；
4)将脉冲逆转射频数据输入巴特沃斯带通滤波器，获得射频数据的二次谐波数据，将多帧的二次谐波数据形成三维矩阵。
优选的，所述巴特沃斯带通滤波器的频带宽度为步骤3)中心频率的40％～80％，通过频带宽度确定巴特沃斯带通滤波器的通带频率和阻带频率。
优选的，步骤2中，信号包络能量的计算公式为：
X(t)＝A(t)cos(w0t+θ(t))(14)
式(1)中，X(t)为原始射频信号，为射频信号经希尔伯特变换后的信号；式(3)中/>为令原信号为实部，希尔伯特变换后的信号/>作为虚部构造的解析信号；将式(4)带入式(3)得到的解析信号的绝对值为信号包络；式(6)中E为包络能量。
优选的，步骤2中，信息熵的计算公式为：
式(7)中，H表示单个波束射频信号的信息熵，n表示单波束的射频信号的点数，f表示射频信号的概率密度，X为单波束对应的射频信号数据。
优选的，步骤3中，提取每一个波束排列熵的过程为：
1)设定延迟时间为1，嵌入维度为4，逐个提取单波束的重构矩阵；
2)将重构矩阵每一行按照升序排列，得到新升序序列；
3)提取新升序序列对于原重构矩阵的位置索引所构成的符号序列及其出现的次数；
4)每种符号序列出现次数除以序列总数作为该序列出现的概率；
5)计算排列熵。
优选的，所述排列熵的计算公式为：
式(11)中Hpe表示单波束射频信号的排列熵。
优选的，步骤5中，所述核函数RBF核函数为
k(x,y)＝exp(-γ||x-y||2) (19)。
优选的，步骤5中，训练非线性SVM的过程为：
1)将训练样本集X作为原始空间；
2)在原始空间中引入影射函数，使得训练样本集X中的函数k(Ei,Pi)满足下式：
k(Ei,Pj)＝φ(Ei)·φ(Pj) (20)
式(13)中，k表示核函数，φ表示核函数的映射函数。
3)在原始空间中输入式(13)，在特征空间中映射成新向量的内积；
4)计算非线性SVM在特征空间的最大分隔超平面，得到分类模型。
优选的，步骤7中，识别出超声图像中的B线后进行标记。
与现有技术相比，本发明具有以下有益效果：
本发明提出了一种基于超声回波射频信号的肺超声特殊征象B线识别方法，该方法具体包括以下步骤：步骤一，输入在B模式下含有B线的肺超声回波信号射频数据，利用脉冲逆转技术提取二次谐波，采集多帧二维数据生成二次谐波数据三维矩阵；步骤二，利用滑动窗提取信号包络能量和信息熵作为去噪参数，根据实际情况调整阈值，去除噪声；步骤三，逐个波束提取对应射频数据的信息熵和排列熵作为特征参数；步骤四，分别标记B线和非B线位置对应波束，B线标记为1，非B线标记为0；步骤五，通过随机选择的方法选择一定数量的射频数据样本所对应特征参数作为训练样本集X；步骤六，将X输入训练非线性SVM(支持向量机)，得到分类模型H；步骤七，用训练好的分类模型H进行B线检测；步骤八，在超声图像上标记出B线位置。本发明提出利用超声原始射频信号对肺超声B线进行识别，不仅可以利用信号幅度和空间信息，而且可以利用信号频率和相位等信息，不仅提高了信息的利用率，增加了识别的可靠性，而且避免不同超声仪器图像参数设置的影响，能够得到普适性更高的检测算法。本发明的优点在于还包括：
(1)具有较高的B线识别准确率，能够辅助临床医生进行B线识别；
(2)由于是基于超声回波射频信号的识别，受仪器参数影响小，具有很好的普适性；
(3)本发明基于超声射频数据，相比于基于超声图像的识别方法，可以保留更多的组织信息，提高识别的可靠性；
(4)本发明基于射频数据，相比于其他识别方法，射频数据不会受到超声仪器图像参数设置的影响，可以适用于各种仪器设备。
(5)本发明提取多个射频数据特征，包括信息熵和排列熵特征，作为识别是否为B线的依据，可以减少误判的情况，提高B线识别的准确率。
(6)本发明使用非线性SVM，对于复杂的射频信号特征有很好的适配性，可以实现很好的识别准确率。
进一步的，支持向量机(Support Vector Machine，SVM)是一种监督学习方式的二分类模型，其决策边界是对学习样本求解的最大边距超平面，是一种具有稀疏性和稳健性的分类器，可以对线性可分的样本进行较准确的二元分类。对于线性不可分的学习样本，非线性支持向量机利用核函数，通过非线性映射算法将二位线性不可分的样本映射到高维特征空间中，使得样本点再高维空间线性可分，采用与线性支持向量机相同的间隔最大化原则学习得到非线性支持向量机模型。一般来说升维意味着更高的计算复杂度，但由于核函数的展开定理，无需得到非线性映射的显性表达式，而是在高维特征空间中建立线性学习机，所以与线性模型相比，非线性模型并不显著增加计算复杂度，是一种对非线性数据分类效果很好，应用很广的常用分类模型。本发明基于超声原始射频数据，结合SVM技术，能够得到很好的B线识别结果。
附图说明
图1是基于超声回波射频信号的肺超声特殊征象B线识别分类方法总流程；
图2是用训练集训练非线性SVM后，对测试集B线分类的准确率折线图；
图3是肺部超声B线位置识别及标注典型结果图；
其中，(a)是肺部超声图像；(b)是B线位置识别及标注后超声图像。
具体实施方式
下面结合附图对本发明做进一步详细描述：
本发明公开了一种基于超声回波射频信号的肺超声特殊征象B线识别分类方法，参见图1，该识别分类方法包括以下步骤：
步骤一，输入在B模式下含有B线的肺超声回波信号射频数据，利用脉冲逆转技术提取二次谐波，采集多帧二维数据生成二次谐波数据三维矩阵；具体的包括以下步骤：
1)对于含有B线的肺超声回波信号射频数据，分别提取并分离每一帧射频数据中互为反向脉冲的两组回波信号；
2)将1)中提取的两组回波信号按对应位置相加得到脉冲逆转射频数据；
3)读取射频数据头文件中的中心频率；
4)生成巴特沃斯带通滤波器，根据两倍中心频率即二次谐波频率选择合适的频带宽度，具体的，频带宽度为中心频率的40～80％，基于频带宽度设置合适的通带频率和阻带频率；
5)将脉冲逆转射频数据输入巴特沃斯带通滤波器，获得二次谐波数据，将多帧的二次谐波数据形成三维矩阵。
步骤二，利用滑动窗提取信号包络能量和信息熵作为去噪参数，根据实际情况调整阈值，去除噪声。具体包括以下步骤：
针对的三维矩阵中的每一列二次谐波数据，根据二次谐波数据尺寸设置合适的滑动窗窗长和步长，依据各波束数据点数确定滑动窗总数，波束为三维矩阵中一列二次谐波数据，取该波束的信号包络能量和信息熵作为该段二次谐波数据的去噪参数，通过该去噪参数对该波束去除噪声。
具体的，其中信号包络能量的计算方法按照公式(1)-(6)进行：
X(t)＝A(t)cos(w0t+θ(t)) (24)
式(1)中，X(t)为原始射频信号，为射频信号经希尔伯特变换后的信号。式(3)中/>为令原信号为实部，希尔伯特变换后的信号/>作为虚部构造的解析信号。将式(4)带入式(3)得到的解析信号的绝对值即为信号包络。式(6)中E为包络能量。
信息熵的计算方法按照公式(7)进行：
式(7)中，H表示单个波束射频信号的信息熵，n表示单波束的射频信号的点数，f表示射频信号的概率密度，X为单波束对应的射频信号数据。
其中，逐个波束提取对应射频数据的信息熵时计算概率密度的方法，具体按照以下步骤进行：
1)逐个计算单波束射频数据的范围，平均分为1000段；
2)计算每段内数据个数，除以单波束射频数据总量，作为该范围段内数据的概率密
度。
提取单波束各个滑动窗的平均包络能量与信息熵后，去除射频数据噪声的方法，按照以下方法进行：根据超声仪器设定的中心频率、声能等影响射频信号特征的参数调整合适的阈值，分别设定信息熵的判定标准为阈值一，满足包络能量的判定标准为阈值二，利用噪声信息熵数值大、包络能量数值小的特征对二次谐波数据进行去噪处理。将满足信息熵数值高于阈值二、包络能量小于阈值一的滑动窗段的射频信号视为噪声，滤除该段信号。
步骤三，对去噪后的波束逐个提取对应射频数据的信息熵和排列熵作为特征参数。逐个波束提取对应射频数据信息熵的方法，按照公式(7)进行。
所述步骤三中，逐个波束提取对应射频数据的排列熵的方法，具体按照以下步骤进行：
1)设定延迟时间为1，嵌入维度为4，逐个提取单波束的重构矩阵；
式(8)中，Y表示单波束射频信号关于时间的重构矩阵，X表示单波束对应射频信号数据，t表示延迟时间，m表示嵌入维数，N表示单波束的射频信号的点数且K＝N-(m-1)t。
2)将重构矩阵每一行按照升序排列，得到新的升序序列；
S(l)＝{j1,j2,…,jm},l＝1,2,…,k.且k≤m！ (29)
式(9)中S表示将Y矩阵中各重构分量按照升序排列所得到的向量中各元素在Y矩阵的元素位置列索引构成的符号序列，l表示符号序列S对应的重构分量在矩阵Y中的位置，j表示升序向量中各元素在Y矩阵的元素位置列索引。
3)提取新升序序列对于原重构矩阵的位置索引所构成的符号序列及其出现的次数；
4)每种符号序列出现次数除以序列总数作为该序列出现的概率；
A＝{P1,P1,…,Pk} (30)
式(10)中A表示不同符号序列出现概率的集合，Pk表示重构分量对应符号序列出现的概率。
5)根据式(11)计算排列熵。
式(11)中Hpe表示单波束射频信号的排列熵。
步骤四，分别标记B线和非B线位置对应波束，B线标记为1，非B线标记为0；
所述步骤四中标记B线和非B线位置对应波束，在超声图像中按照从胸膜线产生并延伸至屏幕底部的离散、激光样垂直高回声的伪影，B线特征，
表现对所有波束对应射频信号进行标记，B线标为1，非B线标为0。
步骤五，通过随机选择的方法选择一定数量的射频数据样本所对应特征参数作为训练样本集X；训练样本集X中包括三列，分别为信息熵、排列熵，以及是否为B线的标记。
步骤六，将X输入训练非线性SVM，得到分类模型H；
步骤六所述非线性SVM，设置c-SVC的惩罚系数为1000，使用RBF核函数：
k(x,y)＝exp(-γ||x-y||2) (32)
式(12)中k表示RBF核函数，x、y表示原始空间样本，γ表示超参数，||x-y||表示向量范数。
步骤六所述训练非线性SVM模型，按照以下步骤进行：
1)将计算得到的信息熵E和排列熵P数据作为原始空间(样本集X)；
2)引入一个映射函数φ，使得对所有Ei∈E,Pj∈P，函数k(Ei,Pi)满足条件：
k(Ei,Pj)＝φ(Ei)·φ(Pj) (33)
式(13)中k表示核函数，φ表示核函数的映射函数。
3)原始空间中样本输入式(13)中后，生成了升维的特征空间，获得特征空间中映射成的新向量的内积。
4)依照线性SVM计算方法，求出非线性SVM在特征空间的最大分隔超平面，得到非线性SVM分类模型H。
步骤七，用训练好的分类模型H进行B线检测；
步骤八，在超声图像上标记出B线位置。
步骤八所述在超声图像上标记，具体按照以下步骤进行：
1)输入射频信号数据，提取识别结果；
2)依照识别结果以及射频信号与超声图像位置的对应关系确定超声图像中B线的位置；
3)利用半透明彩色条带标记出超声图像中B线位置。
如图1所示，本发明公开一种基于超声回波射频信号的肺超声特殊征象B线识别分类方法，该方法具体包括以下步骤：
进一步的，所述的一种基于超声回波射频信号的肺超声特殊征象B线识别分类方法，所述步骤一中，输入在B模式下含有B线的肺超声回波信号射频数据，利用提取二次谐波的方法，按照以下方法进行：
1)分别提取每一帧射频数据中互为反向脉冲的两组回波信号；
2)将1)中提取的两组回波信号按对应位置相加得到脉冲逆转射频数据；
3)读取射频数据头文件中的中心频率；
4)生成巴特沃斯带通滤波器，根据两倍中心频率即二次谐波频率选择合适的频带宽度，设置合适的通带频率和阻带频率；
5)将脉冲逆转射频数据输入滤波器，获得二次谐波数据。
为了验证本发明的有效性，进行了分类实验。
实验采用了100帧在B模式脉冲逆转下含有B线的射频数据，每一帧数据规格为512×2336二维矩阵，将数据经过脉冲逆转相加、去噪、滤波处理后提取射频数据二次谐波信息熵和排列熵作为输入样本，将其中70帧作为训练集，30帧作为测试集，将训练集输入非线性SVM训练获得分类模型H，利用分类模型H对测试集数据进行B线识别检测，最后根据识别结果在超声图像中标注B线位置。30帧测试集数据的分类实验准确率如表1所示：
表1
图2是利用十折交叉验证方法检验分类模型性能的折线图，即将所有的特征参数随机分为十份，九份用于训练，一份用于识别，所得的具体准确率如表2所示：
表2
由表1可以看出，该分类模型H对测试集的识别结果准确率均在90％以上，最高准确率为98.047％，平均准确率为95.377％。由表2可以看出，本模型识别准确率较好，平均准确率为94.631％。可以看出，本发明对B线识别的准确率具有较高的水平，有很好的临床参考价值。
图3分别是对原始超声图像B线位置识别及标注前后对比图。可以看到在原图的基础上，本发明使用蓝色半透明条带清楚的标记出了B线位置，可以准确、稳定、快速地辅助临床医生进行诊断。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于超声回波射频信号的肺超声特殊征象B线识别分类方法，其特征在于，包括以下步骤：
步骤1，从多帧超声图像提取出含有B线的肺超声回波信号的射频数据，通过脉冲逆转方法提取出每一个射频数据的二次谐波数据，将多帧二次谐波数据组成三维矩阵；三维矩阵中每一列的二次谐波数据为一个波束；
步骤1的具体过程为：
1)从含有B线的肺超声回波信号射频数据中，提取并分离互为反向脉冲的两组回波信号；
2)将两组回波信号按对应位置相加得到脉冲逆转射频数据；
3)读取脉冲逆转射频数据头文件中的中心频率；
4)将脉冲逆转射频数据输入巴特沃斯带通滤波器，获得射频数据的二次谐波数据，将多帧的二次谐波数据形成三维矩阵；
步骤2，通过滑动窗提取三维矩阵中每一个波束的信号包络能量和信息熵，分别设定信号包络能量的阈值一和信息熵的阈值二，将滑动窗提取出的信息熵高于阈值二且包络能量小于阈值一的射频信号视为噪声，去除视为噪声的射频信号，得到去除噪声后的三维矩阵；
步骤3，从去除噪声后的三维矩阵中，提取出每一个波束的信息熵和排列熵；
步骤4，标记出每帧超声图像的B线和非B线对应的波束，B线的波束标记值为1，非B线的波束标记值为0；
步骤5，随机选择若干个波束对应的信息熵、排列熵以及该波束的B线标记值；将选择出的信息熵、排列熵和B线标记组成训练样本集X；
步骤6，将训练样本集X输入至非线性SVM，通过训练样本集X训练非线性SVM，得到判断B线的分类模型；所述非线性SVM中通过核函数RBF得到分类模型；
步骤7，通过分类模型识别超声图像中的B线。
2.根据权利要求1所述的一种基于超声回波射频信号的肺超声特殊征象B线识别分类方法，其特征在于，所述巴特沃斯带通滤波器的频带宽度为步骤3)中心频率的40％～80％，通过频带宽度确定巴特沃斯带通滤波器的通带频率和阻带频率。
3.根据权利要求1所述的一种基于超声回波射频信号的肺超声特殊征象B线识别分类方法，其特征在于，步骤2中，信号包络能量的计算公式为：
X(t)＝A(t)cos(w0t+θ(t)) (4)
式(1)中，X(t)为原始射频信号，为射频信号经希尔伯特变换后的信号；式(3)中为令原信号为实部，希尔伯特变换后的信号/>作为虚部构造的解析信号；将式(4)带入式(3)得到的解析信号的绝对值为信号包络；式(6)中E为包络能量。
4.根据权利要求1所述的一种基于超声回波射频信号的肺超声特殊征象B线识别分类方法，其特征在于，步骤2中，信息熵的计算公式为：
式(7)中，H表示单个波束射频信号的信息熵，n表示单波束的射频信号的点数，f表示射频信号的概率密度，X为单波束对应的射频信号数据。
5.根据权利要求4所述的一种基于超声回波射频信号的肺超声特殊征象B线识别分类方法，其特征在于，步骤3中，提取每一个波束排列熵的过程为：
1)设定延迟时间为1，嵌入维度为4，逐个提取单波束的重构矩阵；
2)将重构矩阵每一行按照升序排列，得到新升序序列；
3)提取新升序序列对于原重构矩阵的位置索引所构成的符号序列及其出现的次数；
4)每种符号序列出现次数除以序列总数作为该序列出现的概率；
5)计算排列熵。
6.根据权利要求5所述的一种基于超声回波射频信号的肺超声特殊征象B线识别分类方法，其特征在于，所述排列熵的计算公式为：
式(11)中Hpe表示单波束射频信号的排列熵。
7.根据权利要求1所述的一种基于超声回波射频信号的肺超声特殊征象B线识别分类方法，其特征在于，步骤5中，所述核函数RBF核函数为
k(x,y)＝exp(-γ||x-y||2) (9)。
8.根据权利要求1所述的一种基于超声回波射频信号的肺超声特殊征象B线识别分类方法，其特征在于，步骤5中，训练非线性SVM的过程为：
1)将训练样本集X作为原始空间；
2)在原始空间中引入影射函数，使得训练样本集X中的函数k(Ei,Pi)满足下式：
k(Ei,Pj)＝φ(Ei)·φ(Pj) (10)
式(13)中，k表示核函数，φ表示核函数的映射函数；
3)在原始空间中输入式(13)，在特征空间中映射成新向量的内积；
4)计算非线性SVM在特征空间的最大分隔超平面，得到分类模型。
9.根据权利要求1所述的一种基于超声回波射频信号的肺超声特殊征象B线识别分类方法，其特征在于，步骤7中，识别出超声图像中的B线后进行标记。
CN202210044759.4A 2022-01-14 2022-01-14 一种基于超声回波射频信号的肺超声特殊征象b线识别分类方法 Active CN114492519B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210044759.4A CN114492519B (zh) 2022-01-14 2022-01-14 一种基于超声回波射频信号的肺超声特殊征象b线识别分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210044759.4A CN114492519B (zh) 2022-01-14 2022-01-14 一种基于超声回波射频信号的肺超声特殊征象b线识别分类方法

Publications (2)

Publication Number Publication Date
CN114492519A CN114492519A (zh) 2022-05-13
CN114492519B true CN114492519B (zh) 2023-08-29

Family

ID=81512243

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210044759.4A Active CN114492519B (zh) 2022-01-14 2022-01-14 一种基于超声回波射频信号的肺超声特殊征象b线识别分类方法

Country Status (1)

Country Link
CN (1) CN114492519B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116203525B (zh) * 2023-04-27 2023-07-28 中国人民解放军32035部队 一种基于rcs滑动排列熵的空间目标识别方法和装置
CN116188499B (zh) * 2023-05-04 2023-06-30 北京易优联科技有限公司 一种用于肺部超声图像的分割方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105030279A (zh) * 2015-06-24 2015-11-11 华南理工大学 一种基于超声射频时间序列的组织定征方法
CN106725592A (zh) * 2016-11-09 2017-05-31 飞依诺科技(苏州)有限公司 超声射频元数据的自动识别方法及系统
CN112668382A (zh) * 2020-07-21 2021-04-16 北京工业大学 一种基于支持向量机的钢锭中缺陷超声信号识别方法
CN113420668A (zh) * 2021-06-21 2021-09-21 西北工业大学 一种基于二维多尺度排列熵的水下目标识别方法
IT202000009667A1 (it) * 2020-05-05 2021-11-05 Imedicals S R L Dispositivo e metodo per la diagnosi di una polmonite di tipo covid-19 mediante analisi di immagini ecografiche

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105030279A (zh) * 2015-06-24 2015-11-11 华南理工大学 一种基于超声射频时间序列的组织定征方法
CN106725592A (zh) * 2016-11-09 2017-05-31 飞依诺科技(苏州)有限公司 超声射频元数据的自动识别方法及系统
IT202000009667A1 (it) * 2020-05-05 2021-11-05 Imedicals S R L Dispositivo e metodo per la diagnosi di una polmonite di tipo covid-19 mediante analisi di immagini ecografiche
CN112668382A (zh) * 2020-07-21 2021-04-16 北京工业大学 一种基于支持向量机的钢锭中缺陷超声信号识别方法
CN113420668A (zh) * 2021-06-21 2021-09-21 西北工业大学 一种基于二维多尺度排列熵的水下目标识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
支持向量机的水声信号分类识别;王红萍;吕琳;陈晓辉;金彦丰;;舰船电子工程(第12期);全文 *

Also Published As

Publication number Publication date
CN114492519A (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
Zabihi et al. Analysis of high-dimensional phase space via Poincaré section for patient-specific seizure detection
CN108714026B (zh) 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法
CN114492519B (zh) 一种基于超声回波射频信号的肺超声特殊征象b线识别分类方法
CN108470156B (zh) 一种心音信号分类识别方法
Zhuang et al. Breast ultrasound lesion classification based on image decomposition and transfer learning
CN109948396B (zh) 一种心拍分类方法、心拍分类装置及电子设备
CN112465905A (zh) 基于深度学习的磁共振成像数据的特征脑区定位方法
Yamanakkanavar et al. MF2-Net: A multipath feature fusion network for medical image segmentation
CN113171106A (zh) 基于vq-vae2和深度神经网络方法的心电异常检测方法
Peláez et al. Ischemia classification via ECG using MLP neural networks
CN115281688A (zh) 一种基于多模态深度学习的心脏肥大多标签检测系统
US20230225663A1 (en) Method for predicting multi-type electrocardiogram heart rhythms based on graph convolution
Shobana et al. Brain tumor diagnosis from MRI feature analysis-A comparative study
Francis et al. Diagnostic of cystic fibrosis in lung computer tomographic images using image annotation and improved PSPNet modelling
CN117197594B (zh) 一种基于深度神经网络的心脏分流分类系统
Xu et al. Interpatient ECG arrhythmia detection by residual attention CNN
Ziani Contribution to Single-Channel Fetal Electrocardiogram Identification.
CN112336369B (zh) 一种多通道心音信号的冠心病风险指数评估系统
WO2021031155A1 (zh) 一种基于ecg的多尺度特征提取方法及装置
Caballero et al. Using reconstructed ivus images for coronary plaque classification
Suganya et al. Classification of liver diseases from ultrasound images using a hybrid kohonen SOM and LPND speckle reduction method
CN114569116A (zh) 基于三通道图像及迁移学习的心冲击图室颤辅助诊断系统
Oloumi et al. Digital Image Processing for Ophthalmology: Detection and Modeling of Retinal Vascular Architecture
Jusman et al. Classification of Dental Caries Level Using Conjugate Gradient Backpropagation Models
AlShourbaji et al. Early detection of skin cancer using deep learning approach

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant