论文部分内容阅读
超声多普勒在临床医学中具有广泛的应用,如对心血管系统血液动力学信息的获取、胎儿心率的测量等等。检测和量化心脏、动脉和静脉中的血流状况是超声多普勒技术应用中的一个主要方面。运动的红血球细胞等反射的超声波束形成了超声多普勒血流信号,诊断信息就可由此信号中提取。
超声多普勒血流信号是一个非平稳的高斯随机过程,其时频分布与血流的速度及其变化有密切的关系。短时傅立叶(STFT)变换是最经典的估计超声多普勒血流信号时频分布的方法。通常用STFT将超声多普勒血流信号转换成时频域的声谱图,然后从这些声谱图中提取出血流信号的最大频率曲线,利用该曲线可对血流的平均流量和状态进行评估。
由于超声多普勒血流信号中夹杂了大量的噪声:如因超声探头的发射信号的一部分耦合到接收电路的输入端而产生的噪声、被测区域的器官或组织结构的不均匀性产生的噪声以及声波信号的干涉现象产生的噪声等。这些噪声严重影响了时频声谱图的清晰度和最大频率曲线等特征参数提取的精确度,所以必须采用一定的措施消除噪声。
目前较常见的噪声消除方法有离散小波变换(DWT),小波包变换(WPs)等。
本文采用一种较新的自适应噪声消除算法:MatchingPursuit(MP)算法,又叫匹配追踪算法。该算法比离散小波变换、小波包变换等算法具有更好的信号局部匹配性能,降噪准则也更客观准确。MP算法的分解过程为:首先将超声多普勒血流信号分解成一系列时频原子,这些时频原子是从具有完备集特性的Gabor字典函数中提取出来的;然后由每次分解后剩下的残差计算出衰减函数曲线,该曲线决定了分解的次数;最后由分解出来的原子重构消除噪声后的超声多普勒血流信号。
本文分别利用离散小波变换算法、小波包变换算法和MP算法对模拟和实际的超声多普勒血流信号进行分解变换和降噪处理,并对这三种算法的信噪比(SNR)的提高程度、最大频率曲线提取的准确性以及时频声谱图清晰度的改善等方面进行比较。从这些实验结果的比较中,可以看出MP算法对性能指标的改善是这三种算法中最好的。