本发明涉及生物医学医疗设备技术领域,具体是一种多通道微波天线阵列的脑卒中类型鉴别系统。
背景技术:
脑卒中分为出血性卒中和缺血性卒中,但两类卒中的临床治疗手段互斥,因此治疗前的卒中类型诊断必不可少。根据欧洲临床指导准则,缺血性卒中后的4.5小时为接受溶解血栓治疗的黄金时期,且越早越好。但由于交通运输等原因大量病人抵达医院时已错过了溶栓黄金时期,使得只有不到10%的缺血卒中病人接受了溶栓治疗。因此,发展一种便携、快速、易操作能实现院前卒中类型诊断的仪器意义重大。
目前发展的移动ct设备被用于进行院前的脑卒中诊断,但包含了移动ct设备的医疗车使用了先进的设备,造价较高,而且还要求有训练有素的医护人员随行。同时,包含了移动ct设备的医疗车对交通和通信设施要求很高,该医疗车的应用范围可能仅局限于较发达的地区和人口稠密地区。因此,一个小型便携、价格较低且更容易操作的脑卒中类型诊断设备对于一些人口稀少或较为贫困的地区仍然具有重要的意义。
人体不同组织具备不同的电介质特性,因此可以将基于微波检测原理应用到卒中病人院前类型诊断上,且能够实现快速、非接触、便携和易操作,从而取代传统影像辅助诊断并克服其耗时长、大范围移动病人的缺点,为病人争取发病后短暂而宝贵的治疗时间。但是,当前基于微波的脑卒中类型鉴别方法主要是基于单对天线的检测方法,提取的卒中病人颅内病生理变化信息有限,极易造成诊断错误,从而影响卒中病人的治疗。
技术实现要素:
本发明的目的是解决现有技术中存在的问题。
为实现本发明目的而采用的技术方案是这样的,一种多通道微波天线阵列的脑卒中类型鉴别系统,主要包括环形天线阵列、信号发生与处理模块、微波多路复用开关和pxi主机。
进一步,环形天线阵列、信号发生与处理模块和微波多路复用开关通过同轴电缆连接。
所述环形天线阵列主要包括8个微波贴片天线、亚克力圆环和16组测量通道。
所述8个微波贴片天线均匀的固定在所述亚克力圆环上。
所述8个微波贴片天线用于发射和接收微波。
所述信号发生与处理模块主要包括信号发射装置和矢量网络分析仪。
所述信号发射装置用于发射信号源。
所述信号发射装置具有外触发输入端口。
所述矢量网络分析仪接收所述微波多路复用开关发送的外触发信号。所述矢量网络分析仪对所述16组测量通道进行测量。
所述微波多路复用开关具有触发输出端口。
所述触发输出端口通过连接所述外触发输入端口传输所述信号发射装置产生的信号源。
所述微波多路复用开关用于切换所述16组测量通道。
所述微波多路复用开关每切换一组测量通道组后向所述矢量网络分析仪发送外触发信号。
所述pxi主机主要包括本地磁盘。
所述pxi主机控制所述微波多路复用开关的通断状态。
所述本地磁盘保存所述矢量网络分析仪测量得到的微波传输参数的幅度数据和相位数据。
一种采用所述多通道微波天线阵列的脑卒中类型鉴别系统来鉴别的脑卒中类型的实验,主要包括以下步骤:
1)连接多通道微波天线阵列的脑卒中类型鉴别系统,并对系统装置进行初始化。
2)将被检测对象置于所述亚克力圆环的中心。
3)对所述信号发生与处理模块进行测量和校正。在所述矢量网络分析仪上利用vba编写用于测量和保存微波散射参数的程序。将所述程序启动。所述程序进入等待外部触发信号状态。
4)将所述微波多路复用开关插入pxi主机。
5)启动鉴别系统,让所述8个微波贴片天线发射微波穿过被检测对象。
6)利用所述pxi主机控制两个所述微波多路复用开关接通。接通的所述微波多路复用开关遍历分时的多个测量通道。接通的所述微波多路复用开关向所述矢量网络分析仪发送外触发信号。
7)所述信号产生与处理模块接收所述触发信号。所述矢量网络分析仪对当前通道的微波传输参数的幅度和相位进行测量。将测量得到的数据保存至所述本地磁盘。
8)重复步骤6和步骤7,控制所述微波多路复用开关的通断,从而对16组测量通道进行切换。遍历16组测量通道,利用所述矢量网络分析仪测量和记录各通道的微波传输参数幅度和相位。
9)利用主成分分析法对16组测量通道的微波传输参数幅度和相位的原始数据进行降维处理。
10)降维后,利用支持向量机通过训练样本对降维后的数据进行分类器训练,从而得到训练好的脑卒中类型分类器。
11)利用训练好的脑卒中类型分类器,对位于所述亚克力圆环中心的被检测对象进行脑卒中类型鉴别。
本发明的技术效果是毋庸置疑的。本发明通过建立天线阵列来构建多通道脑卒中类型鉴别系统。
利用本发明对脑卒中类型进行鉴别时,可以实现非接触式检测,从而避免对被检测的病人造成创伤。同时,本发明的硬件系统主要由头罩式天线和信号产生处理模块构成,成本低,体积小,便于携带,可以在卒中病人发病现场或救护车上使用,从而缩短发病至病人紧急治疗期间时间消耗。
本发明采用环形微波天线阵列和多通道宽频带对脑卒中类型进行检测时,天线阵列测量系统能够获取更多卒中病人颅内病理信息,且本发明受外部环境的干扰较小、灵敏度高。本发明针对多通道系统产生数据量过大的问题,对原始多通道测量数据进行了降维处理,减少冗余,提高检测性能,达到准确鉴别病人脑卒中类型的目的。
附图说明
图1为系统组成框图;
图2为系统模块图;
图3为家兔脑出血数据图;
图4为家兔脑缺血数据图。
图中:环形天线阵列、信号发生与处理模块、微波多路复用开关、pxi主机、8个微波贴片天线、亚克力圆环、信号发射装置、矢量网络分析仪和本地磁盘。
具体实施方式
下面结合实施例对本发明作进一步说明,但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下,根据本领域普通技术知识和惯用手段,做出各种替换和变更,均应包括在本发明的保护范围内。
实施例1:
一种多通道微波天线阵列的脑卒中类型鉴别系统,主要包括环形天线阵列1、信号发生与处理模块2、微波多路复用开关3和pxi主机4。
进一步,环形天线阵列1、信号发生与处理模块2和微波多路复用开关3通过同轴电缆连接。
所述环形天线阵列1主要包括8个微波贴片天线101、亚克力圆环102和16组测量通道。
进一步,单个微波贴片天线101是将一根金属导线绕成一定形状,如圆形、方形、三角形等,以导体两端作为输出端的结构。
所述8个微波贴片天线101均匀的固定在所述亚克力圆环102上。
所述8个微波贴片天线101用于发射和接收微波。
所述信号发生与处理模块2主要包括信号发射装置201和矢量网络分析仪202。
所述信号发射装置201用于发射信号源。
所述信号发射装置201具有外触发输入端口。
进一步,所述信号发射装置201在测量各种电信系统或电信设备的振幅特性、频率特性、传输特性及其它电参数时,用于发射测试的信号源或激励源。
所述矢量网络分析仪202接收所述微波多路复用开关3发送的外触发信号。所述矢量网络分析仪202对所述16组测量通道进行测量。
进一步,所述矢量网络分析仪202既能测量单端口网络或两端口网络的各种参数幅值,又能测量相位数据。相位波动参数的测试是利用所述矢量网络分析仪202的电子延迟(electricaldelay)功能来实现的。
所述矢量网络分析仪202能用史密斯圆图显示测试数据。
所述微波多路复用开关3具有触发输出端口。
所述触发输出端口通过连接所述外触发输入端口传输所述信号发射装置201产生的信号源。
所述微波多路复用开关3用于切换所述16组测量通道。
所述微波多路复用开关3每切换一组测量通道组后向所述矢量网络分析仪202发送外触发信号。
所述pxi主机4主要包括本地磁盘401。
进一步,所述pxi主机4(pciextensionsforinstrumentation,面向仪器系统的pci扩展)是一种由ni公司发布的基于pc机的测量和自动化平台。所述pxi主机4结合了pci(peripheralcomponentinterconnection-外围组件互连)的电气总线特性与compactpci(紧凑pci)的坚固性、模块化及eurocard机械封装的特性,从而发展成适合于试验、测量与数据采集场合应用的机械、电气和软件规范。
制订pxi规范的目的是为了将台式pc的性能价格比优势与pci总线面向仪器领域的必要扩展完美地结合起来,形成一种主流的虚拟仪器测试平台。这使所述pxi主机4成为测量和自动化系统的高性能、低成本运载平台。
所述pxi主机4控制所述微波多路复用开关3的通断状态。
所述本地磁盘401保存所述矢量网络分析仪202测量得到的微波传输参数的幅度数据和相位数据。
实施例2:
如图1和图2所示,一种采用所述多通道微波天线阵列的脑卒中类型鉴别系统来鉴别的脑卒中类型的实验,主要包括以下步骤:
1)连接多通道微波天线阵列的脑卒中类型鉴别系统,并对系统装置进行初始化。
2)将被检测对象置于所述亚克力圆环102的中心。
3)对所述信号发生与处理模块2进行测量和校正。在所述矢量网络分析仪202上利用vba编写用于测量和保存微波散射参数的程序。将所述程序启动。所述程序进入等待外部触发信号状态。
4)将所述微波多路复用开关3插入pxi主机。
5)启动鉴别系统,让所述8个微波贴片天线101天线发射微波穿过被检测对象。
6)利用所述pxi主机4控制两个所述微波多路复用开关3接通。接通的所述微波多路复用开关3遍历分时的多个测量通道。
进一步,卒中鉴别需要快速检测,不需实时检测,且为避免不同检测通道相互间的干扰,因此以分时的方式实现多通道检测。
接通的所述微波多路复用开关3向所述矢量网络分析仪发送外触发信号。
进一步,所述微波多路复用开关3切换测量通道时需要延时一定的时间,等待矢量网络分析仪完成该通道的测量和数据保存。
7)所述信号产生与处理模块2接收所述触发信号。所述矢量网络分析仪202对当前通道的微波传输参数的幅度和相位进行测量。将测量得到的数据保存至所述本地磁盘401。
8)重复步骤6和步骤7,控制所述微波多路复用开关3的通断,从而对16组测量通道进行切换。遍历16组测量通道,利用所述矢量网络分析仪202测量和记录各通道的微波传输参数幅度和相位。
9)利用主成分分析法对16组测量通道的微波传输参数幅度和相位的原始数据进行降维处理。
分析数据的主成分的主要步骤如下:
9.1)采集微波传输参数幅度和相位的原始数据,确定分析变量。
采集出r个样本,每个样本有p个变量。所述r个样本和所述p个变量构成一个r×p型矩阵。
9.2)对原始数据进行标准化处理,以消除量纲对数据处理的影响。
标准化处理公式:yuv=xuv-xu/su(1)
式中,yuv为标准化后的变量值。xuv为实际变量值。xu为算术平均值。su为标准差。u为矩阵向量的行下标。v为矩阵向量的列下标。
处理后的数据矩阵为:
9.3)计算特征根和响应的标准正交特征向量。
相关系数矩阵z为:
式中,zuv为原变量zu与zv的相关系数。u为矩阵向量的行下标。v为矩阵向量的列下标。
zuv=zvu(4)
式中,zuv为原变量zu与zv的相关系数。u为矩阵向量的行下标。v为矩阵向量的列下标。ydu和ydv为标准化后的变量值。
|λe-z|=0(6)
式中,λ为矩阵z的特征值。e为单位矩阵。z为公式(3)表示的矩阵。
根据公式(6),可以求出矩阵z的p个特征值,各主成分的方差贡献大小按特征根顺序递减排列。
利用每个特征值λj解出方程组zb=λjb对应于每个特征值的特征变量bj。
其中,z为公式(3)表示的矩阵。b为特征变量。λj为每一个特征值。
9.4)计算主成分贡献率和累计贡献率。
把p个原始变量y1,y2,...,yp的总方差分解为p个独立的变量g1,g2,...,gp的方差之和。
第j个主成分yj的方差贡献率为:
式中,λj为矩阵z的每个特征值。j为主成分个数,j=1,2,…,p。p为独立变量个数。
第一主成分贡献率最大,即g1综合原始变量的能力最强。g2,g3,...,gp的综合能力依次递减。
如果只取其中的m个主成分,那么这m个主成分的累计贡献率为:
式中,λj是矩阵z的每个特征值。j为主成分个数,j=1,2,…,p。p为原始变量个数。λr是矩阵z的所有特征值。整数r为任意样本,1≤r≤m。m为主成分个数。
9.5)得到新的综合变量。
即,
式中,p代表独立向量个数。y1、y2、y3......yp为标准化后的变量值。m为主成分个数。l11、l21、l31......lmp为主成分得分系数。
10)降维后,利用支持向量机通过训练样本对降维后的数据进行分类器训练,从而得到训练好的脑卒中类型分类器。
训练步骤如下:
选取训练样本集(xi,yi)和向量xa∈rn,其中i=1,2...l。n为样本维度。rn为数据空间。y∈{-1,+1}是类别标号。y将所述训练样本集(xi,yi)划分为两类。
超平面方程为:
ω·x+g=0(10)
式中,ω为权向量。g为公式(10)的偏置。
公式(10)的约束条件如下:
ζi≥0
式中,ζi为任意松弛变量。
此时,最大间距超平面为广义最优分类超平面。
公式(10)的约束条件变为:
yi[(ω·xi)+g]≥1-ζi(11)
采用支持向量机求解,对应的优化问题的初始形为:
式中,w为支持向量。wt为w的转置。g为偏置。ρ为支持向量的阈值。ζ为松弛变量。v为误差限。ζi为任意松弛变量。l为松弛变量的总数。i为松弛变量的序号,1≤i≤l。
公式(12)的约束条件为:
式中,w为支持向量。wt为w的转置。ζi为任意松弛变量。i为松弛变量的序号,1≤i≤l。ρ为支持向量的阈值。φ(xi)为非线性映射后的向量。
其对偶形式为
式中,w为支持向量。α为w的对偶形式。αt为α的转置。q为l×l阶半正定矩阵。
公式(14)的约束条件为:
式中,et为单位矩阵的转置。αi为每个样本所对应的权重值。v为误差限。l为松弛变量的总数。α为w的对偶形式。w为支持向量。
qij≡yiyjk(xi,xj)≡φ(xi)tφ(xi)(16)
式中,k(xi,xj)为核函数。xi和xj是非线性映射后特征空间中的两个向量。1≤i≤l。φ(xi)为非线性映射后的向量。φ(xi)t为φ(xi)的转置。
判别函数为:
式中,k(xi,x)为核函数。1≤i≤l。ρ为分类超平面的参数向量。xi和xj是非线性映射后特征空间中的两个向量。1≤i≤l。αi为每个样本所对应的权重值。
11)利用训练好的脑卒中类型分类器,对位于所述亚克力圆环102中心的被检测对象进行脑卒中类型鉴别。
实施例3:
利用一种多通道微波天线阵列的脑卒中类型鉴别系统对脑缺血家兔和脑出血家兔进行鉴别。具体实施步骤如下:
1)数据测量
1.1)脑出血家兔检测。
1.1.1)准备5只家兔,并对所述5只家兔进行前期处理,主要包括麻醉,建立急性脑出血家兔模型等。将处理好的5只家兔放置在测量平台上,并对5只家兔测量一次数据,将测量得到的数据计为0ml时的实验数据。
1.1.2)设置好注射泵参数后,启动注射泵,设置时间间隔为1min,一次注射1ml(流速)。
1.1.3)按下注射泵的开始按钮,在注射完成后记录此时的数据。所述微波多路开关3共有16组测量通道,利用程序控制所述微波多路开关3,每次打开一组测量通道,计为1ml时的实验数据
1.1.4)重复步骤1.1.3,完成2ml、3ml和4ml时的数据采集。
1.2)脑缺血家兔检测。
1.2.1)将家兔缺血模型制备好后,放置于测量平台,此时不系紧紧结扎线。自动监测程序触发多路开关16组通道依次打开,每次打开一组,记录此时的数据并保存,将此时的数据视为缺血0min时的实验数据。自动监测程序进入待机状态,马上系紧结扎线,视为缺血开始。
1.2.2)将自动监测程序设置为每6min自动启动一次,记录下此时的数据。
1.2.3)重复1.2.2,记录总时间为1.5小时至2小时。
2)数据处理
对出血和缺血的每种状态,均在16个通道,每个通道检测传输和反射参数(s11,s12,s21,s22)的幅度和相位,在300khz~3ghz范围内采样1001个频点数据,作为鉴别分类的原始测量数据。然后对原始测量数据,进行降维处理,得到降维后的数据,作为分类器的输入数据。
3)实验结果
家兔脑出血测量数据如图3所示。家兔脑缺血测量数据如图4所示。对比两种待鉴别的数据可以看出,随着卒中程度增加,两者曲线均呈现上升的趋势,两者不同主要体现在波形。出血变化较大,峰值明显,缺血相对较平稳,没有突出的峰值。鉴别结果如表1所示。
表1家兔脑出血和脑缺血鉴别实验结果
以上四组结果显示,无论是最大差量还是最小差量,降维之后得到的鉴别结果准确度很高,有两组情况达到100%,其中效果最好的情况为出血1ml和缺血42min,出血1ml和缺血6min效果次之。
对比降维前的原始数据的结果可以看出,鉴别效果在降维与原始数据之间保持一致性,即降维后的鉴别结果准确。降维不仅实现了减小数据量,也实现了滤波。因此,降维后得到的数据能够准确的鉴别出脑缺血卒中和脑出血卒中。