CN116098655A - 基于超声导波多重信号分类的骨骼参数检测装置和方法 - Google Patents
基于超声导波多重信号分类的骨骼参数检测装置和方法 Download PDFInfo
- Publication number
- CN116098655A CN116098655A CN202310378969.1A CN202310378969A CN116098655A CN 116098655 A CN116098655 A CN 116098655A CN 202310378969 A CN202310378969 A CN 202310378969A CN 116098655 A CN116098655 A CN 116098655A
- Authority
- CN
- China
- Prior art keywords
- ultrasonic guided
- wave
- guided wave
- bone
- signal
- 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.)
- Granted
Links
- 210000000988 bone and bone Anatomy 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 239000006185 dispersion Substances 0.000 claims abstract description 67
- 238000005516 engineering process Methods 0.000 claims abstract description 23
- 238000005259 measurement Methods 0.000 claims abstract description 20
- 238000009499 grossing Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 81
- 230000006870 function Effects 0.000 claims description 37
- 238000000354 decomposition reaction Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 230000005865 ionizing radiation Effects 0.000 abstract description 9
- 230000001054 cortical effect Effects 0.000 description 8
- 208000001132 Osteoporosis Diseases 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 230000007704 transition Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 239000003016 pheromone Substances 0.000 description 4
- 229910052704 radon Inorganic materials 0.000 description 4
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 238000002604 ultrasonography Methods 0.000 description 4
- 235000019687 Lamb Nutrition 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000037180 bone health Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241000257303 Hymenoptera Species 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 239000011358 absorbing material Substances 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000037182 bone density Effects 0.000 description 1
- 230000037118 bone strength Effects 0.000 description 1
- 210000000459 calcaneus Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000001981 hip bone Anatomy 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229920003229 poly(methyl methacrylate) Polymers 0.000 description 1
- 239000004926 polymethyl methacrylate Substances 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0875—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of bone
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Rheumatology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本申请涉及一种基于超声导波多重信号分类的骨骼参数检测装置和方法。该基于超声导波多重信号分类的骨骼参数检测装置包括了发射器、阵列接收器以及计算机设备，计算机设备通过对超声导波信号进行预处理，通过前后向空间平滑技术，得到信号的协方差矩阵，解决接收信号相干问题；然后，使用多重信号分类方法对超声导波信号波数，在每个频点下完成波数估计后，提取到波数‑频率之间的高分辨率频散曲线；最后，构建包含频散曲线的目标函数，求解得到横波速度、纵波速度和厚度参数，从而得到骨骼的测量结果。该装置利用超声导波技术，具有无电离辐射、适用面广、检测速度快、检测结果全面准确等特点。
Description
技术领域
本申请涉及超声技术和医学信号处理技术领域，特别是涉及一种基于超声导波多重信号分类的骨骼参数检测装置和方法。
背景技术
现阶段，诊断骨质疏松症的主要手段主要基于X射线技术，如计算机断层扫描（CT），双能X射线吸收法（DXA）。DXA是临床诊断骨质状况的“金标准”，它能够准确提供骨矿密度（BMD），但并不能全面评价骨骼状况，如不能有效提供骨的生物力学特性以及骨微结构等决定骨强度的重要信息。然而，骨骼对人体起着支撑作用，它承担着人体的重量，其生物力学特性及微观结构对骨质诊断至关重要，如骨骼弹性、孔隙度、声速等。此外，X射线具有电离辐射，会给人体造成一定程度的电离辐射损伤，尤其对于孕妇和小孩，这种伤害难以被忽略。同时，基于X射线技术的骨骼诊断设备价格昂贵且便携性较差，难以应用该种技术普及骨质疏松的日常监测和早期诊断。
发明内容
基于此，有必要针对上述技术问题，提供一种无电离辐射且检测准确的基于超声导波多重信号分类的骨骼参数检测装置和方法。
第一方面，本申请提供一种基于超声导波多重信号分类的骨骼参数检测装置，包括：
信号处理模块，用于获取对骨骼作用的超声导波信号，对所述超声导波信号进行预处理，得到前后向协方差矩阵；
特征值处理模块，用于对所述前后向协方差矩阵进行特征分解得到多个特征值，根据多个所述特征值得到信号模式数；
频散曲线处理模块，用于使用多重信号分类方法根据所述信号模式数估计波数，得到骨骼频散曲线；
测量模块，用于根据所述骨骼频散曲线构建目标函数，对所述目标函数进行求解，得到横波速度、纵波速度和厚度，并根据所述横波速度、纵波速度和厚度得到骨骼参数。
在其中一个实施例中，所述信号处理模块，包括：
变换模块，用于获取对骨骼作用的超声导波信号，对所述超声导波信号进行傅里叶变换，得到频域信号；
平滑模块，用于使用前后向空间平滑技术得到所述频域信号的前后向协方差矩阵。
在其中一个实施例中，所述平滑模块，用于将阵列接收器的阵列划分为多个子阵列，每个子阵列有N个阵元；所述阵列接收器用于接收所述超声导波信号；计算每个子阵列的频域信号的协方差矩阵，并对所有子阵列的协方差矩阵取平均，得到前向协方差矩阵；将所述超声导波信号翻转，得到翻转频域信号，计算每个子阵列的翻转频域信号的协方差矩阵，并对所有子阵列的翻转频域信号的协方差矩阵取平均，得到后向协方差矩阵；计算所述前向协方差矩阵和所述后向协方差矩阵的均值，得到前后向协方差矩阵。
在其中一个实施例中，所述特征值处理模块，包括：
特征分解模块，用于对所述前后向协方差矩阵做特征分解运算，得到多个特征值；
估计模块，用于对多个特征值使用阈值法估计信号模式数。
在其中一个实施例中，所述估计模块，用于对特征分解的所述多个特征值从大到小进行排序，计算排序结果中最大特征值与其它特征值的比值，将比值依次与阈值进行比较，当比值小于阈值时，累积一次信号模式数，当比值大于阈值时，停止比对，得到最终的信号模式数。
在其中一个实施例中，所述频散曲线处理模块，用于使用多重信号分类方法根据所述信号模式数估计波数；在每一个频点下计算，得到表示波数-频率之间关系的骨骼频散曲线。
在其中一个实施例中，所述测量模块，包括：
构建模块，用于根据所述骨骼频散曲线与理论频散曲线的误差构建目标函数：
其中，M是模式数，
是理论波数，
是估计波数。
在其中一个实施例中，所述测量模块，还包括：
计算模块，用于利用蚁群优化算法对所述目标函数求解，得到横波速度、纵波速度和厚度；将所述横波速度和所述纵波速度作为骨骼弹性参数，将所述厚度作为骨骼厚度参数。
第二方面，本申请还提供了一种基于超声导波多重信号分类的骨骼参数检测装置，包括：
发射器，用于向被测对象的骨骼发射超声导波信号；
阵列接收器，用于接收所述超声导波信号；
计算机设备，所述计算设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行以下步骤：
获取对骨骼作用的所述超声导波信号，对所述超声导波信号进行预处理，得到前后向协方差矩阵；
对所述前后向协方差矩阵进行特征分解得到多个特征值，根据多个所述特征值得到信号模式数；
使用多重信号分类方法根据所述信号模式数估计波数，得到骨骼频散曲线；
根据所述骨骼频散曲线构建目标函数，对所述目标函数进行求解，得到横波速度、纵波速度和厚度，并根据所述横波速度、纵波速度和厚度得到骨骼参数。
第三方面，提供一种基于超声导波多重信号分类的骨骼参数检测方法，包括：
获取对骨骼作用的超声导波信号，对所述超声导波信号进行预处理，得到前后向协方差矩阵；
对所述前后向协方差矩阵进行特征分解得到多个特征值，根据多个所述特征值得到信号模式数；
使用多重信号分类方法根据所述信号模式数估计波数，得到骨骼频散曲线；
根据所述骨骼频散曲线构建目标函数，对所述目标函数进行求解，得到横波速度、纵波速度和厚度，并根据所述横波速度、纵波速度和厚度得到骨骼参数。
上述基于超声导波多重信号分类的骨骼参数检测装置，包括了发射器、阵列接收器以及计算机设备，计算机设备通过对超声导波信号进行预处理，通过前后向空间平滑技术，得到信号的协方差矩阵，解决接收信号相干问题；然后，使用多重信号分类方法对超声导波信号波数，在每个频点下完成波数估计后，提取到波数-频率之间的高分辨率频散曲线；最后，构建包含频散曲线的目标函数，求解得到横波速度、纵波速度和厚度参数，从而得到骨骼的测量结果。该装置利用超声导波技术，具有无电离辐射、适用面广、检测速度快、检测结果全面准确等特点。
附图说明
图1为一个实施例中基于超声导波多重信号分类的骨骼参数检测装置的结构示意图；
图2为一个实施例中基于超声导波多重信号分类的骨骼参数检测方法的流程示意图；
图3为一个实施例中使用前后向空间平滑技术得到频域信号前后向协方差矩阵的步骤的流程示意图；
图4为一个实施例中子阵列划分的示意图；
图5为一个实施例中对多个特征值使用阈值法估计信号模式数的步骤的流程示意图；
图6为一个实施例中理论频散曲线的示意图；
图7为一个实施例中根据所述骨骼频散曲线构建目标函数，对所述目标函数进行求解，得到横波速度、纵波速度和厚度，并根据所述横波速度、纵波速度和厚度得到骨骼参数的步骤的流程示意图；
图8为一个实施例中基于超声导波多重信号分类的骨骼参数处理的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
超声作为机械波，理论上适用于探测骨骼的弹性和结构特性。近年来已经逐步发展成诊断骨质状况的新方法，其具有同时提供骨骼无机成分、生物力学特性、微观结构等信息的潜力。与基于X射线技术的设备相比，超声设备具有无辐射、价格便宜、易携带等优点。
根据测量部位不同，超声波骨质评价技术大体可分为两类，松质骨测量与皮质骨测量。研究表明，松质骨测量重点关注跟骨及髋骨；皮质骨测量重点在长骨，皮质骨作为一种特殊的管状结构可支持超声导波的传播。
超声导波的研究可追溯到上世纪，至今已在工业无损检测中获得了广泛的应用。该技术设备具备传统超声设备所共有的特点，此外超声导波在整个皮质骨传播时，对皮质骨材料特性敏感，能得到较全面的生物力学参数信息以及皮质骨结构；部分导波模式的衰减较小，适合评价具有高衰减特性的人体骨骼。因此超声导波可以检测出骨的几何形状，如皮质骨厚度、皮质骨截面形状；以及材料特性，如骨密度、微孔率和杨氏模量等信息。
根据信号记录以及频散曲线提取方法的不同，可使用单通道方法和多通道方法评价长骨。对于单通道方法，时频表示方法使得能够在时间和频率上同时计算频散能量，目前已经提出了几种基于时频表示方法的频散曲线提取策略，通过应用时频表示方法来表征Lamb模频散，为了克服时频表示方法不确定性原理，即频谱图中的时间和频率分辨率之间的折中，同时提高导波模式提取能力，已经提出了一些改进的时频表示方法，该类方法将信号分解为时频表示原子，其中时频表示原子的群时延在频率上被非线性调制并相对于局部波频散来确定；对于多通道方法，利用多通道记录方法结合适当的多通道数据处理技术，可以改善在时间域中相互叠加和干扰的多导波模式的分离。其中，最直接的方法是利用二维傅里叶变换将信号从时间-距离域映射到频率-波数域空间。该方法虽然能够在相对长的持续时间下记录时间信号，确保了高频分辨率，但是利用有限的接收孔径记录这些信号的有限数量的位置仍然导致在波数轴上的低分辨率。传统技术将压缩传感应用于处理单发射器多接收器超声信号提取Lamb模式的稀疏波数，稀疏反演技术原应用于地震资料分析中，以克服有限孔径和离散化的后果，并提高波数分辨率。传统技术还提出了最小二乘随机反演法，它可以更好地滤除噪声，并在Radon域中重建速度和偏移距空间。进一步地通过对该方法进行了改进，提出了一种引人注目的基于稀疏反演的替代方法，称为高分辨率Radon变换。高分辨率Radon解使用了非二次正则化约束，例如L1范数和Cauchy范数，与傅里叶变换相比，它可以更好地提取频散曲线。为了不断提高提取的长骨导波频散曲线的分辨率，可以使用高分辨率Radon变换方法，这引起了研究者对使用优化策略来改进基于奇异向量分解(SVD)的方法的关注。由于不同模式的幅度和信噪比(SNR)不同，模式的可测量性是可变的，单发射器多接收器测量装置可能不是提取所有色散曲线的最佳配置。为了改进频散曲线的提取，特别是对于检测不佳的导模，多发射器和多接收器换能器阵列以及基于有效奇异值分解的信号处理方法得到了发展。这种多发射器和多接收器方法的原理已经在各向同性或横向各向同性的非耗散和耗散材料上得到了说明，包括铜板、聚甲基丙烯酸甲酯和人造复合骨。最近，它还被应用于人长皮质骨标本的活体数据采集。然而，骨是一种高吸收材料，使用具有相对较少接收器的探头进行测量，这导致了有限的信噪比和有限的色散曲线分辨率。针对该问题，可以使用一种稀疏奇异值分解(S-SVD)方法，该方法结合了基于奇异值分解方法的信噪比改善和稀疏优化方法的高波数分辨率优势，实现了导波频散曲线的高分辨率提取。
本申请在上述经验的基础上，提供了一种能够实现高分辨率频散曲线的提取，进而能够实现准确测量、无电离辐射的基于超声导波多重信号分类的骨骼参数检测装置。
本申请实施例提供的基于超声导波多重信号分类的骨骼参数检测装置，如图1所示，包括：
发射器101、阵列接收器102以及计算机设备103。其中，发射器101和阵列接收器102均与计算机设备103连接。
发射器101，用于向被测对象的骨骼发射超声导波信号。当超声波在不同介质中传播时，在介质的交界面处发生反射，反射后的超声波作用于阵列接收器，阵列接收器102，用于接收所述超声导波信号。
其中，发射器101和阵列接收器102可以封装为超声相控阵探头，利用超声相控阵探头获取骨骼（例如长骨）中轴向传播的超声导波信号，如式（1）-式（4）所示。
其中，式（1）表示在时域的总接收信号（包含超声导波信号和噪声），式（2）表示波数响应向量，式（3）表示超声导波入射信号；N(t)表示阵列噪声，sm(t)表示超声导波信号第m个模式的振幅，a(km)表示包含波数信息的矢量，j表示复数的虚部符号，k表示波数，d表示阵列间距，M表示模式数。
计算机设备103，与阵列接收器电连接，计算机设备获取所述超声导波信号，对超声导波信号进行处理，得到骨骼参数。其中，计算机设备包括存储器和处理器，存储器存储有计算机程序，如图2所示，所述处理器执行所述计算机程序时实现一种基于超声导波多重信号分类的骨骼参数检测方法，该方法包括以下步骤：
S202，获取对骨骼作用的超声导波信号，对所述超声导波信号进行预处理，得到前后向协方差矩阵。
其中，可以对超声导波信号进行傅里叶变换，得到频域信号，使用前后向空间平滑技术得到频域信号前后向协方差矩阵，从而能够解决接收信号相干问题。
步骤204，对所述前后向协方差矩阵进行特征分解得到多个特征值，根据多个所述特征值得到信号模式数。
具体地，对前后向协方差矩阵做特征分解运算，得到特征值，可以对特征值采用阈值法估计信号模式数。信号模式数与信号波数相关。
步骤206，使用多重信号分类方法根据所述信号模式数估计波数，得到骨骼频散曲线。
具体地，多重信号分类方法能够将混合的多重信号分离开，得到估计波数，通过在每个频点下计算波数，能够得到表示波数-频率之间关系的骨骼频散曲线。
步骤208，根据所述骨骼频散曲线构建目标函数，对所述目标函数进行求解，得到横波速度、纵波速度和厚度，并根据所述横波速度、纵波速度和厚度得到骨骼参数。
具体地，通过构建包括骨骼频散曲线的目标函数，对目标函数进行求解，得到骨骼的横波速度、纵波速度和厚度，进而根据所述横波速度、纵波速度和厚度得到骨骼参数。例如，可以将横波速度和纵波速度作为骨骼弹性判断依据，将厚度作为骨骼基本形态变化判断依据，从而判断骨质健康状态，全面地诊断骨质疏松。
上述的基于超声导波多重信号分类的骨骼参数检测装置，包括了发射器、阵列接收器以及计算机设备，计算机设备通过对超声导波信号进行预处理，通过前后向空间平滑技术，得到信号的协方差矩阵，解决接收信号相干问题；然后，使用多重信号分类方法对超声导波信号波数，在每个频点下完成波数估计后，提取到波数-频率之间的高分辨率频散曲线；最后，构建包含频散曲线的目标函数，求解得到横波速度、纵波速度和厚度参数，从而得到骨骼的测量结果。该装置利用超声导波技术，具有无电离辐射、适用面广、检测速度快、检测结果全面准确等特点。
具体地，获取所述超声导波信号，对所述超声导波信号进行预处理，得到前后向协方差矩阵，包括：获取所述超声导波信号，对所述超声导波信号进行傅里叶变换，得到频域信号；使用前后向空间平滑技术得到频域信号的前后向协方差矩阵。通过前后向空间平滑技术，得到信号的协方差矩阵，能够解决接收信号相干问题。
其中，使用前后向空间平滑技术得到频域信号前后向协方差矩阵，如图3所示，包括：
步骤302，将阵列接收器的阵列划分为多个子阵列，每个子阵列有N个阵元。
具体地，如图4所示，将总阵元数为K的接收器的阵列平均划分，得到L个子阵列，每个子阵列有N个阵元，其中，L=K-N+1。
步骤304，计算每个子阵列的频域信号的前向协方差矩阵，并对所有子阵列的协方差矩阵取平均，得到前向协方差矩阵。
具体地，计算每个子阵列的协方差矩阵，并对所有子阵列的协方差矩阵取平均，得到前向协方差矩阵Rf，如式（5）所示。
第n个子阵列的协方差矩阵如式（6）所示，第n个子阵列的接收信号如式（7）所示，其中
表示
的共轭转置矩阵，
表示计算协方差矩阵运算符，T表示矩阵转置。
步骤306，将超声导波信号翻转，得到翻转频域信号，计算每个子阵列的翻转频域信号的协方差矩阵，并对所有子阵列的翻转频域信号的协方差矩阵取平均，得到后向协方差矩阵。
具体地，将超声导波信号翻转，保持前面相同的子阵列的划分方式，计算每个子阵列的协方差矩阵，对所有子阵列的协方差矩阵取平均，得到后向协方差矩阵Rb，如式（8）所示。
步骤308，计算前向协方差矩阵和后向协方差矩阵的均值，得到前后向协方差矩阵。
具体地，计算前向协方差矩阵和后向协方差矩阵的均值，得到前后向协方差矩阵R，如式（9）所示。
本实施例中，对超声导波信号进行预处理，通过前后向空间平滑技术，得到信号的协方差矩阵，解决了接收信号相干问题。
在另一个实施例中，对所述前后向协方差矩阵进行特征分解得到多个特征值，根据多个所述特征值得到信号模式数，包括：对所述前后向协方差矩阵做特征分解运算，得到多个特征值；对多个特征值使用阈值法估计信号模式数。通过阈值法估计信号的模式数，能够提高信号模式数估计的精度。
具体地，对多个特征值使用阈值法估计信号模式数，如图5所示，包括：
步骤502，对特征分解的多个特征值从大到小进行排序。
其中，将特征分解得到的特征值
从大到小进行排序，如式（10）所示。
步骤504，计算排序结果中最大特征值与其它特征值的比值。
步骤506，将比值依次与阈值进行比较。当比值小于阈值时，执行步骤508，当比值大于阈值时，执行步骤510。
步骤508，累积一次信号模式数。
步骤510，停止比对，得到最终的信号模式数。
具体地，设置阈值常数th进行迭代操作，按排序依次将最大的特征值依次除以后面的每一个特征值。当比值小于阈值时，累积一次信号模式数，当比值大于阈值时结束，如式（11）所示。
因此，信号模式数为最大的特征值依次除以其它特征值的循环次数，当取值小于阈值时循环次数加1，当取值大于阈值时循环结束，得到最终的信号模式数。模式数代表了可以估计多少个波数，模式数的作用在于使每个频点下的波数估计更精确。例如，如果一个频点下理论上有3个波数，但是这个具体是多少在实验中是不清楚的，需要通过估计得到，模式数可能是1，2，3，4，那么就会得到相应的1，2，3，4个波数，估计的模式数过大会造成过估计，模式数过小会造成欠估计，这两种情况都会得到错误的波数估计，估计的模式数越接近3，得到的结果就会更精确，最后实验画出的频散曲线就会越接近理论上的频散曲线。
本实施例中，以阈值法估计信号的模式数，保证多重信号分类方法对超声导波信号波数估计的精确性。
在另一个实施例中，使用多重信号分类方法根据所述信号模式数估计波数，得到骨骼频散曲线，包括：
步骤1，使用多重信号分类方法根据所述信号模式数估计波数。
具体地，首先计算信号协方差矩阵
：
协方差矩阵计算方法如式（12）、（13）所示，噪声相关矩阵如式（14）所示，其中
由公式(9)得到的前后向协方差矩阵取代，
为信号子空间，
和
分别表示信号特征值对角矩阵和噪声特征值对角矩阵，
为噪声子空间，
是信号相关矩阵，
表示噪声功率，
表示M×M的单位矩阵，在式（13）两侧同乘以
，可得：
因此将等式两边同时减去
化简得到：
因为矩阵RS为满秩阵即非奇异矩阵，存在逆矩阵，根据复矩阵性质，
也为满秩矩阵。对公式（16）两侧同乘以
可以得到：
公式（17）说明
的列向量与噪声子空间正交，所以有波数响应向量和噪声子空间的关系式：
其次，谱峰搜索计算波数
，不断地变化波数，当式（19）的分母最小时，阵列空间谱函数P达到最大值，即通过寻找P的峰值来估计波数：
步骤2，在每一个频点下计算，得到表示波数-频率之间关系的频散曲线，如图6所示，横轴为频率，纵轴为波数，虚线和实线分别代表不同模式。
本实施例中，以阈值法估计信号的模式数，保证多重信号分类方法对超声导波信号波数估计的精确性，在每个频点下完成波数估计后，精确提取到波数-频率之间的频散曲线。
在另一个实施例中，如图7所示，根据所述骨骼频散曲线构建目标函数，对所述目标函数进行求解，得到横波速度、纵波速度和厚度，并根据所述横波速度、纵波速度和厚度得到骨骼参数，包括：
步骤702，根据所述骨骼频散曲线与理论频散曲线的误差构建目标函数。
具体地，通过兰姆波理论可以知道Rayleigh-Lamb频率方程：
频散曲线的对称模式通过式（20）计算，反对称模式通过式（21）计算，系数p、q通过式（22）计算，其中VT表示横波速度，VL表示纵波速度，2h表示厚度，w表示角频率，通过公式（20）、（21）和（22）组成非线性方程组可以计算出长骨的理论频散曲线，根据比较计算步骤(3)提取的实验频散曲线与理论频散曲线之间的误差来构建目标函数
，如式（23）。
其中M是模式数，
是理论波数，
是估计波数。
步骤704，利用蚁群优化算法对所述目标函数求解，得到横波速度、纵波速度和厚度。
具体地，利用蚁群优化算法对所述目标函数求解，得到横波速度、纵波速度和厚度，包括：
步骤1，初始化参数，设置蚂蚁数量，信息素浓度，状态转移概率常数，信息素挥发因子，最大迭代次数；
步骤2，随机生成蚂蚁的初始位置，计算每只蚂蚁的初始信息素浓度；
步骤3，计算状态转移概率，当状态转移概率小于状态转移概率常数时，进行局部搜索；当状态转移概率大于状态转移概率常数时，进行全局搜索；
步骤4，更新信息素浓度，重复步骤3直至满足结束条件，得到骨骼的横波速度、纵波速度和厚度参数。
步骤706，将所述横波速度和所述纵波速度作为骨骼弹性参数，将所述厚度作为骨骼厚度参数。
具体地，将横波速度和纵波速度作为骨骼弹性判断依据，将厚度作为骨骼基本形态变化判断依据。从而该基于超声导波多重信号分类的骨骼参数检测方法能够判断骨质健康状态，全面地诊断骨质疏松。
本申请的基于超声导波多重信号分类的骨骼参数检测检测装置，首先，对超声导波信号进行预处理，通过前后向空间平滑技术，得到信号的协方差矩阵，解决接收信号相干问题；然后，以阈值法估计信号的模式数，保证多重信号分类方法对超声导波信号波数估计的精确性，在每个频点下完成波数估计后，提取到波数-频率之间的频散曲线；最后，构建包含频散曲线的目标函数，引入蚁群算法进行优化，得到长骨的横波速度、纵波速度和厚度参数，从而判断骨质健康状态。其中，将横波速度和纵波速度作为骨骼弹性判断依据，将厚度作为骨骼基本形态变化判断依据，从而全面地诊断骨质疏松。本申请的基于超声导波多重信号分类的骨骼参数检测检测装置可应用于骨质疏松的早期检测，具有无电离辐射、适用面广、检测速度快、检测结果全面准确等特点。该方法和装置通过阵列信号处理方法分析在长骨中轴向传播的超声导波信号，以解决传统骨质疏松检测领域由于X射线的电离辐射造成身体损伤和检测指标单一造成检测不全面等问题。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于基于超声导波多重信号分类的骨骼参数检测装置，如图8所示，包括：
信号处理模块802，用于获取对骨骼作用的超声导波信号，对所述超声导波信号进行预处理，得到前后向协方差矩阵；
特征值处理模块804，用于对所述前后向协方差矩阵进行特征分解得到多个特征值，根据多个所述特征值得到信号模式数；
频散曲线处理模块806，用于使用多重信号分类方法根据所述信号模式数估计波数，得到骨骼频散曲线；
测量模块808，用于根据所述骨骼频散曲线构建目标函数，对所述目标函数进行求解，得到横波速度、纵波速度和厚度，并根据所述横波速度、纵波速度和厚度得到骨骼参数。
在另一个实施例中，所述信号处理模块，包括：
变换模块，用于获取所述超声导波信号，对所述超声导波信号进行傅里叶变换，得到频域信号；
平滑模块，用于使用前后向空间平滑技术得到频域信号的前后向协方差矩阵。
在另一个实施例中，平滑模块，用于将阵列接收器的阵列划分为多个子阵列，每个子阵列有N个阵元，所述阵列接收器用于接收所述超声导波信号；计算每个子阵列的频域信号的协方差矩阵，并对所有子阵列的协方差矩阵取平均，得到前向协方差矩阵；将所述超声导波信号翻转，得到翻转频域信号，计算每个子阵列的翻转频域信号的协方差矩阵，并对所有子阵列的翻转频域信号的协方差矩阵取平均，得到后向协方差矩阵；计算所述前向协方差矩阵和所述后向协方差矩阵的均值，得到前后向协方差矩阵。
在另一个实施例中，特征值处理模块，包括：
特征分解模块，用于对所述前后向协方差矩阵做特征分解运算，得到多个特征值。
估计模块，用于对多个特征值使用阈值法估计信号模式数。
在另一个实施例中，估计模块，用于对特征分解的所述多个特征值从大到小进行排序，计算排序结果中最大特征值与其它特征值的比值，将比值依次与阈值进行比较，当比值小于阈值时，累积一次信号模式数，当比值大于阈值时，停止比对，得到最终的信号模式数。
在另一个实施例中，频散曲线处理模块，用于使用多重信号分类方法根据所述信号模式数估计波数；在每一个频点下计算，得到表示波数-频率之间关系的骨骼频散曲线。
在另一个实施例中，测量模块，包括：
构建模块，用于根据所述骨骼频散曲线与理论频散曲线的误差构建目标函数：
其中，M是模式数，
是理论波数，
是估计波数。
在另一个实施例中，测量模块，还包括：
计算模块，用于利用蚁群优化算法对所述目标函数求解，得到横波速度、纵波速度和厚度；将所述横波速度和所述纵波速度作为骨骼弹性参数，将所述厚度作为骨骼厚度参数。
上述基于超声导波多重信号分类的骨骼参数检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种基于超声导波多重信号分类的骨骼参数检测方法。该计算机设备的输入装置可以超声探头。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于超声导波多重信号分类的骨骼参数检测装置，其特征在于，包括：
信号处理模块，用于获取对骨骼作用的超声导波信号，对所述超声导波信号进行预处理，得到前后向协方差矩阵；
特征值处理模块，用于对所述前后向协方差矩阵进行特征分解得到多个特征值，根据多个所述特征值得到信号模式数；
频散曲线处理模块，用于使用多重信号分类方法根据所述信号模式数估计波数，得到骨骼频散曲线；
测量模块，用于根据所述骨骼频散曲线构建目标函数，对所述目标函数进行求解，得到横波速度、纵波速度和厚度，并根据所述横波速度、纵波速度和厚度得到骨骼参数。
2.根据权利要求1所述的基于超声导波多重信号分类的骨骼参数检测装置，其特征在于，所述信号处理模块，包括：
变换模块，用于获取对骨骼作用的超声导波信号，对所述超声导波信号进行傅里叶变换，得到频域信号；
平滑模块，用于使用前后向空间平滑技术得到所述频域信号的前后向协方差矩阵。
3.根据权利要求2所述的基于超声导波多重信号分类的骨骼参数检测装置，其特征在于，所述平滑模块，用于将阵列接收器的阵列划分为多个子阵列，每个子阵列有N个阵元；所述阵列接收器用于接收所述超声导波信号；计算每个子阵列的频域信号的协方差矩阵，并对所有子阵列的协方差矩阵取平均，得到前向协方差矩阵；将所述超声导波信号翻转，得到翻转频域信号，计算每个子阵列的翻转频域信号的协方差矩阵，并对所有子阵列的翻转频域信号的协方差矩阵取平均，得到后向协方差矩阵；计算所述前向协方差矩阵和所述后向协方差矩阵的均值，得到前后向协方差矩阵。
4.根据权利要求1所述的基于超声导波多重信号分类的骨骼参数检测装置，其特征在于，所述特征值处理模块，包括：
特征分解模块，用于对所述前后向协方差矩阵做特征分解运算，得到多个特征值；
估计模块，用于对多个特征值使用阈值法估计信号模式数。
5.根据权利要求4所述的基于超声导波多重信号分类的骨骼参数检测装置，其特征在于，所述估计模块，用于对特征分解的所述多个特征值从大到小进行排序，计算排序结果中最大特征值与其它特征值的比值，将比值依次与阈值进行比较，当比值小于阈值时，累积一次信号模式数，当比值大于阈值时，停止比对，得到最终的信号模式数。
6.根据权利要求1所述的基于超声导波多重信号分类的骨骼参数检测装置，其特征在于，所述频散曲线处理模块，用于使用多重信号分类方法根据所述信号模式数估计波数；在每一个频点下计算，得到表示波数-频率之间关系的骨骼频散曲线。
7.根据权利要求1所述的基于超声导波多重信号分类的骨骼参数检测装置，其特征在于，所述测量模块，包括：构建模块，用于根据所述骨骼频散曲线与理论频散曲线的误差构建目标函数：
8.根据权利要求1所述的基于超声导波多重信号分类的骨骼参数检测装置，其特征在于，所述测量模块，还包括：
计算模块，用于利用蚁群优化算法对所述目标函数求解，得到横波速度、纵波速度和厚度；将所述横波速度和所述纵波速度作为骨骼弹性参数，将所述厚度作为骨骼厚度参数。
9.一种基于超声导波多重信号分类的骨骼参数检测装置，其特征在于，包括：
发射器，用于向被测对象的骨骼发射超声导波信号；
阵列接收器，用于接收所述超声导波信号；
计算机设备，所述计算设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行以下步骤：
获取对骨骼作用的所述超声导波信号，对所述超声导波信号进行预处理，得到前后向协方差矩阵；
对所述前后向协方差矩阵进行特征分解得到多个特征值，根据多个所述特征值得到信号模式数；
使用多重信号分类方法根据所述信号模式数估计波数，得到骨骼频散曲线；
根据所述骨骼频散曲线构建目标函数，对所述目标函数进行求解，得到横波速度、纵波速度和厚度，并根据所述横波速度、纵波速度和厚度得到骨骼参数。
10.一种基于超声导波多重信号分类的骨骼参数检测方法，其特征在于，包括：
获取对骨骼作用的超声导波信号，对所述超声导波信号进行预处理，得到前后向协方差矩阵；
对所述前后向协方差矩阵进行特征分解得到多个特征值，根据多个所述特征值得到信号模式数；
使用多重信号分类方法根据所述信号模式数估计波数，得到骨骼频散曲线；
根据所述骨骼频散曲线构建目标函数，对所述目标函数进行求解，得到横波速度、纵波速度和厚度，并根据所述横波速度、纵波速度和厚度得到骨骼参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310378969.1A CN116098655B (zh) | 2023-04-11 | 2023-04-11 | 基于超声导波多重信号分类的骨骼参数检测装置和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310378969.1A CN116098655B (zh) | 2023-04-11 | 2023-04-11 | 基于超声导波多重信号分类的骨骼参数检测装置和方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116098655A true CN116098655A (zh) | 2023-05-12 |
| CN116098655B CN116098655B (zh) | 2023-07-14 |
Family
ID=86256467
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310378969.1A Active CN116098655B (zh) | 2023-04-11 | 2023-04-11 | 基于超声导波多重信号分类的骨骼参数检测装置和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116098655B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6468215B1 (en) * | 2001-07-16 | 2002-10-22 | Artann Laboratories | Method and device for multi-parametric ultrasonic assessment of bone conditions |
| JP2009257882A (ja) * | 2008-04-15 | 2009-11-05 | Mitsubishi Electric Corp | レーダ信号処理装置およびレーダ信号処理方法 |
| CN101865758A (zh) * | 2010-06-12 | 2010-10-20 | 南京航空航天大学 | 基于多重信号分类算法的冲击载荷定位方法 |
| CN102624349A (zh) * | 2012-03-15 | 2012-08-01 | 北京航空航天大学 | 一种对原始数据低失真的谐波噪声干扰和白噪声干扰的去除方法 |
| US20170367684A1 (en) * | 2015-01-05 | 2017-12-28 | Innomind Technology Corporation | Systems and methods for super-resolution compact ultrasound imaging |
| US20200163649A1 (en) * | 2017-06-05 | 2020-05-28 | Mayo Foundation For Medical Education And Research | Estimating Phase Velocity Dispersion in Ultrasound Elastography Using a Multiple Signal Classification |
| CN111208213A (zh) * | 2020-02-25 | 2020-05-29 | 重庆大学 | 融合交替乘子迭代的谱寻求子带最小方差超声成像算法 |
| CN112754527A (zh) * | 2020-12-28 | 2021-05-07 | 沈阳工业大学 | 一种用于低频超声胸腔成像的数据处理方法 |
| CN113109825A (zh) * | 2021-04-06 | 2021-07-13 | 复旦大学 | 基于Radon变换的长骨相控超声信号定征与骨质评价系统 |
| CN114113020A (zh) * | 2021-11-30 | 2022-03-01 | 哈尔滨工业大学 | 一种基于多重信号分类算法的激光扫描超分辨显微成像装置、方法、设备及存储介质 |
| CN114627123A (zh) * | 2022-05-16 | 2022-06-14 | 湖南工商大学 | 综合双流加权网络和空间注意力机制的白带细胞检测方法 |
| CN115736989A (zh) * | 2022-12-13 | 2023-03-07 | 清华大学 | 双向导波测量装置、方法及存储介质 |
-
2023
- 2023-04-11 CN CN202310378969.1A patent/CN116098655B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6468215B1 (en) * | 2001-07-16 | 2002-10-22 | Artann Laboratories | Method and device for multi-parametric ultrasonic assessment of bone conditions |
| JP2009257882A (ja) * | 2008-04-15 | 2009-11-05 | Mitsubishi Electric Corp | レーダ信号処理装置およびレーダ信号処理方法 |
| CN101865758A (zh) * | 2010-06-12 | 2010-10-20 | 南京航空航天大学 | 基于多重信号分类算法的冲击载荷定位方法 |
| CN102624349A (zh) * | 2012-03-15 | 2012-08-01 | 北京航空航天大学 | 一种对原始数据低失真的谐波噪声干扰和白噪声干扰的去除方法 |
| US20170367684A1 (en) * | 2015-01-05 | 2017-12-28 | Innomind Technology Corporation | Systems and methods for super-resolution compact ultrasound imaging |
| US20200163649A1 (en) * | 2017-06-05 | 2020-05-28 | Mayo Foundation For Medical Education And Research | Estimating Phase Velocity Dispersion in Ultrasound Elastography Using a Multiple Signal Classification |
| CN111208213A (zh) * | 2020-02-25 | 2020-05-29 | 重庆大学 | 融合交替乘子迭代的谱寻求子带最小方差超声成像算法 |
| CN112754527A (zh) * | 2020-12-28 | 2021-05-07 | 沈阳工业大学 | 一种用于低频超声胸腔成像的数据处理方法 |
| CN113109825A (zh) * | 2021-04-06 | 2021-07-13 | 复旦大学 | 基于Radon变换的长骨相控超声信号定征与骨质评价系统 |
| CN114113020A (zh) * | 2021-11-30 | 2022-03-01 | 哈尔滨工业大学 | 一种基于多重信号分类算法的激光扫描超分辨显微成像装置、方法、设备及存储介质 |
| CN114627123A (zh) * | 2022-05-16 | 2022-06-14 | 湖南工商大学 | 综合双流加权网络和空间注意力机制的白带细胞检测方法 |
| CN115736989A (zh) * | 2022-12-13 | 2023-03-07 | 清华大学 | 双向导波测量装置、方法及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 范兴华等: "基于超声导波传播特性分析和传播方向控制的含弯头管道损伤监测", 《中国力学大会-2021+1论文集（第五册）》 * |
| 许凯亮;张正罡;刘丹;他得安;胡波;: "高分辨率超声Lamb波频散曲线测量与板厚估计", 数据采集与处理, no. 02 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116098655B (zh) | 2023-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Levine et al. | Model-based imaging of damage with Lamb waves via sparse reconstruction | |
| Li et al. | An improved automatic time-of-flight picker for medical ultrasound tomography | |
| US8814795B2 (en) | Sounding method and device using wave propagation | |
| CN100475154C (zh) | 超声诊断系统和应变分布显示方法 | |
| CN112041699B (zh) | 重建系统和方法 | |
| US20080229832A1 (en) | Automatic time-of-flight selection for ultrasound tomography | |
| CN101530333A (zh) | 超声诊断系统和应变分布及弹性模量分布显示方法 | |
| Haynes et al. | Large-domain, low-contrast acoustic inverse scattering for ultrasound breast imaging | |
| Lin et al. | Guided wave tomography based on supervised descent method for quantitative corrosion imaging | |
| US20200163649A1 (en) | Estimating Phase Velocity Dispersion in Ultrasound Elastography Using a Multiple Signal Classification | |
| CN110717478B (zh) | 一种基于微波的物体检测系统及方法 | |
| Bachmann et al. | Source encoding for viscoacoustic ultrasound computed tomography | |
| CN107833188B (zh) | 一种自适应稀疏型子空间追踪层析成像重构的方法 | |
| Lubeigt et al. | Topological imaging in bounded elastic media | |
| Zhang et al. | A measurement-domain adaptive beamforming approach for ultrasound instrument based on distributed compressed sensing: Initial development | |
| Guo et al. | A time domain sampling method for inverse acoustic scattering problems | |
| US10267914B2 (en) | Method and device for probing by wave propagation | |
| CN110554384A (zh) | 一种基于微波信号的成像方法 | |
| CN116098655B (zh) | 基于超声导波多重信号分类的骨骼参数检测装置和方法 | |
| US20180284249A1 (en) | Ultrasound imaging system and method for representing rf signals therein | |
| CN113424073A (zh) | 材料非线性体积弹性的超声估算 | |
| Chen et al. | Analysis on Food Crispness Based on Time and Frequency Domain Features of Acoustic Signal. | |
| CN114137000A (zh) | 一种基于贝叶斯压缩感知与玻恩迭代的混合电磁成像算法 | |
| Guenther et al. | Generalized cystic resolution: a metric for assessing the fundamental limits on beamformer performance | |
| Yu et al. | Inversion of bottom parameters using a backscattering model based on the effective density fluid approximation |
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 |