Диссертация (1025342), страница 8
Текст из файла (страница 8)
При α = 1 (critical sampling) двойственная функцияуникальна для предварительно определенной оконной функциипоказатель α > 1, то длярезультатечисленного. Еслисуществует несколько синтезирующих окон. Вэкспериментаиклиническихиспытанийдляпреобразования Габора было подобрано значение показателя α = 8 и ширина окна16 мс.
К недостаткам можно по-прежнему отнести исследование в экспериментетолько аддитивного белого шума.Также в работах [78, 83, 84] основным критерием предпочтительностипредлагаемых методов является улучшение показателя SNR (соотношениясигнал-шум) для смоделированных сигналов (с аддитивным белым шумом). Дляреальных сигналов в клинических испытаниях вычисление данного показателя непредставляется возможным, поэтому в эксперименте в клинике вывод опрактической применимости методов делается на основе визуального общегоулучшения спектрограммы.
В то же время, при использовании описанныхметодов на реальных сигналах, когда в них могут присутствовать различныедругие виды шумов (например, цветной шум), а также другие артефакты,связанные с наложением респираторного цикла, неверным снятием показаний ит.п., данные методики могут показывать не столь впечатляющие результаты.Вопрос устранения артефактов, связанных с наложением дыхательногоцикла, рассмотрен в работе [117], где предложен метод на основе вейвлетов длясигналов импедансной кардиографии. В публикации отмечается, что артефакты,связанные с дыханием и движением пациента, приводят к сдвигу основноготренда считываемого сигнала: так, для сигнала с шириной полосы 0,8 – 20 Гцартефакты, связанные с дыханием, могут составить 0.04 – 2 Гц, а связанные сдвижением имеют полосу 0.1 – 10 Гц, поэтому спектры подобных артефактовмогутчастичноперекрыватьспектрисследуемогосигнала.Проводитсярезюмирующее описание имеющихся методов очистки сигналов от артефактов сперечислениемнедостатковидаетсязаключениеобихпрактическойнеприменимости.
В частности, упоминается, что усреднение по ансамблю38является наиболее часто используемым методом подавления артефактов в сигналеимпедансной кардиограммы (далее – ИКГ), для которого обычно требуетсяодновременная запись ЭКГ. Однако ввиду вариабельности сердечного ритма,данное усреднение имеет тенденцию к размытию или подавлению одной из менеевыраженных точек кривой ИКГ (точки B) и может привести к ошибке в еедетекции. Также разница между ключевыми точками синхронизируемых сигналов(ИКГ и ЭКГ) может отразиться на смазывании пиков ИКГ. Другой возможностьюявляется использование узкополосового БИХ-фильтра, тем не менее, он вводитнелинейные фазовые искажения и ослабляет высокочастотные компонентыисследуемого сигнала. При использовании высокочастотного БИХ-фильтра скардиореспираторной синхронизацией, частота среза изменяется как функциячастоты сердечных сокращений, и последующая фильтрация используется дляуменьшения фазовых искажений.
Недостатком метода является возможностьискажения сигнала, получаемого в ходе выполнения физических упражнений (поднагрузкой). Постулируется и неприменимость методов неадаптивной цифровой иадаптивной фильтрации в случаях частичного перекрытия спектров сигнала ИКГи дыхательных артефактов [117]. Авторами предлагается метод отделениядыхательных артефактов при помощи дискретного вейвлет-преобразованиясигнала, при этом вейвлет-коэффициенты подразделяются таким образом, что внизких диапазонах присутствуют только компоненты сигнала, а в диапазоневерхний частот – только дыхательные компоненты, дыхательные компонентывейвлет-разложения обрезаются, и сигнал восстанавливается из оставшихсякомпонентовнижнихмасштабовразложения.Подробноеизложениематематической базы метода отсутствует в работе, в оценке эффективностиприменяемогометодауказанытолькодиапазоныполученныхдлясмоделированных сигналов улучшений показателя SNR.Также для снижения уровня шума и зернистости в спектрограммахпредлагаются и методы, основанные на использовании нейросетей [99].
В работепредложен метод сокращения шума и спеклов в спектрограммах доплеровскихсигналов кровотока, основанный на применении адаптивной нейронной сети с39фазово-импульсными элементами (adaptive pulse coupled neural network, далее –AD-PCNN),использующейдвухэтапнуюстратегиюшумоподавления.Отмечается, что для доплеровских спектрограмм характерны два типа шума:1)фоновый шум, возникающий от дополнительных частотных составляющих,добавляющихся к доплеровскому УЗ сигналу; 2)характерный зернистый паттерн,известный как доплеровский спекл, обнаруживается в спектрограмме, получаемойпри помощи анализаторов, основанных на преобразовании Фурье, когдадвижущиеся с одинаковой скоростью частицы интерферируют друг с другом.
Вработе обсуждается применение методов, основанных на вейвлет-анализе – DWF(discrete wavelet frames) [83] и WP (wavelet packets), а также метода поискасовпадения (matching pursuit, MP) для подавления шумов в доплеровском УЗсигнале. Постулируется, что вышеперечисленные методы эффективны приудалении фонового шума в доплеровской спектрограмме. Однако данные методыне могут удалить спеклы из спектрограммы в связи с тем, что фоновый шум, какправило, имеет случайное гауссово распределение, в то время как спеклыописываются распределением Рэлея, или К-распределением [99]. Для смягчениянегативного влияния зернистости были опробованы два подхода: усреднение ифильтрация.
При использовании усреднения по ансамблю, физиологическиеизменения, такие как изменения сердечного ритма, затрудняют синхронизациюнеобходимых сигналов. Кроме того, эти некореллированные изображения могутбыть дискретизированы различным образом, сняты в различные моменты времении т.п., поэтому данный метод сложен в клинической реализации. Подходы,основанные на фильтрации и рассматривающие спектрограмму как изображение вградациях серого, предлагают альтернативу для клинического применения;соответственно, были разработаны различные адаптивные фильтры.
Однакоданные фильтры устраняют зернистость в каждом пикселе, основываясь наоценке локальной статистики доплеровской спектрограммы, поэтому ониустраняют шум, попутно размывая важные несущие информационную нагрузкусоставляющие и мелкие детали изображения. Также для эффективногоподавления шума и зернистости спектрограмм был опробован и показал хорошую40производительность метод, называемый поиском совпадения с распределениемВигнера (matching pursuit with Wigner distribution, далее – MPWD). В этом методесегментированный сигнал доплерографии декомпозируется при помощи жадногоалгоритма для подавления шума, а затем для каждого малого интервала былорассчитаноиусредненораспределениеВигнерадляреконструкцииспектрограммы очищенного от шума сигнала с целью дальнейшего устранениязернистости. Т.к.
временной интервал достаточно мал, то спекл может бытьэффективно сглажен, при этом не приводя к потере частотно-временногоразрешения спектрограммы. Однако поскольку это жадный итерационныйалгоритм, а распределение Вигнера рассчитывается и усредняется на основекаждого небольшого промежутка времени, то реализация MPWD характеризуетсявысокой вычислительной сложностью.
Кроме того, поскольку разложениепродолжается до тех пор, пока параметр затухания меньше некоторого малогопредопределенного значения, а интервал усреднения выбирается эмпирически, тоалгоритм не может полностью удалить весь фоновый шум, и адаптивность методаявляется относительно низкой.В предлагаемом нейросетевом методе из характеристик передачи импульсадля пространственно связанных и сильно коррелированных нейронов в нейроннойсети PCNN предполагается их совместная «пульсация» (возбуждение), в то времякак шум или спеклы, являясь независимыми и некоррелированными ссоставляющей сигнала, не могут охватить соседние нейроны, или не могут бытьохвачены соседними нейронами.
Таким образом, каждый непрерывный наборсинхронно возбужденных нейронов указывает на когерентную структуру вспектрограмме, соответствующую компоненту сигнала, а остаток может бытьопределен как шум и спеклы (при срабатывании менее 50% нейронов в связанномузле). Однако при использовании обычной PCNN для подавления шума и спеклов,современная теория не может дать объяснения зависимости между параметраминейросетевойматематическойУдовлетворительныерезультатымоделиобычноиэффектомтребуютобработки.трудоемкогоэкспериментального выбора параметров.
Кроме того, количество итераций,41которое определяет эффект шумоподавления, оценивается визуально, что снижаетэффективностьPCNN.Поэтомубылиразработаныразличныеусовершенствованные модели PCNN, такие как PCNN со взвешенными связямидля фильтрации гауссового и импульсного шума в изображениях, а такжедвуступенчатый PCNN-фильтр импульсных помех, который сначала определяетшум в пикселях изображения, а затем изменяет интенсивность этих зашумленныхпикселей. Также были опробованы сочетания PCNN с различными новымитехниками, например, нечеткими методами. Помимо возросшей вычислительнойсложности, данные нейросети хорошо зарекомендовали себя только приподавлении изолированного шума, в то время как в случаях, когда все пикселиизображения зашумлены, результат получался неудовлетворительным. В итоге,авторами в целях повышения адаптируемости выбора параметров и уменьшенияизбыточности вычислений при повышении качества подавления шумов изернистости в спектрограммах, был предложен адаптивный вариант PCNN (собучением с учителем), который включает адаптивный пороговый PCNN изатухающий пороговый PCNN.
Сначала PCNN на основе адаптивного пороговогофильтра удаляет часть фонового шума, изолируя при этом оставшийся шум испеклы. Затем шум и спеклы определяются в очищенной от фонового шумаспектрограмме при помощи нейросети с затуханием порога (threshold decayingPCNN) и итеративно удаляются путем изменения интенсивности нейронов,соответствующих пикселям, определенным как шум или спекл. Адекватностьалгоритма оценивалась при помощи расчета относительной среднеквадратичнойошибки максимальной частоты, извлекаемой из спектрограммы доплеровскихсмоделированных сигналов.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
