基于Hilbert-Huang功率谱提取血管壁搏动位移的改进研究

论文摘要

心脑血管疾病是心脏、脑和血管的疾病,其发病率、致残率和死亡率很高。研究发现,动脉管壁弹性异常的检出,对心脑血管系统发病机理的揭示具有极为重要的作用。最新提出的用于检测血管壁搏动位移的方法是基于传统EMD算法的连续超声多普勒信号的检测,它能够自动分离超声多普勒混合信号,得到血管搏动信号的希尔伯特谱,进而从希尔伯特谱中得到血管壁搏动的位移信息。该方法具有算法简单,数据处理量小,计算时间短和速度快的优点,具有一定的实用性和可行性。但传统EMD算法存在端点效应和模态混叠这两个较大的问题,这两个问题都会使血管壁搏动的希尔伯特谱发生畸变,甚至是失去其原本的物理意义,致使该方法提取出来的血管壁搏动位移信号存在较大的误差。本文提出了EMD_PE算法来抑制传统EMD算法的端点效应,并采用基于噪声辅助分析的EEMD算法来消除传统EMD算法的模态混叠,以此来分别改善血管壁搏动信号的Hilbert谱,从而更为准确地提取血管壁搏动位移信号。为了验证这两种检测方法的有效性,本文进行了计算机仿真实验。在仿真实验中,首先,采用Fish提出的血管血流仿真模型在计算机上仿真了50组正交解调的双向超声多普勒混合信号;然后,分别用EMD_PE算法和EEMD算法将经过方向分离的前后向超声多普勒信号分解成一组内模函数,并根据信号功率比将属于血管搏动信号的内模函数提取出来;最后,将提取出来的内模函数进行希尔伯特变换得到血管壁搏动信号的Hilbert谱,进而从Hilbert谱中提取血管壁搏动的最大速度曲线及最大位移曲线,并与基于传统EMD算法的连续超声多普勒信号的检测方法得到的值相比较。用基于EEMD算法和EMD_PE算法的检测方法提取的血管壁搏动位移的值与理论值之间误差的均值和标准差分别为4.2±0.6um和7.8±1.4um,比基于传统EMD算法的检测方法的值16.2±3.2um小很多,这些结果表明,用本论文改进的检测方法来提取血管壁搏动位移是有效的,准确性得到了提高。血管壁搏动位移这些血管弹性信息的获取将有助于心脑血管疾病的早期诊断和预防。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 引言
• 1.2 国内外研究现状
• 1.3 论文的主要工作
• 第二章 经验模态分解提取血管壁搏动位移的方法
• 2.1 基于传统 EMD 算法的检测方法
• 2.2 希尔伯特变换
• 2.2.1 希尔伯特变换的定义
• 2.2.2 希尔伯特变换的性质
• 2.3 经验模态分解算法
• 2.3.1 瞬时频率
• 2.3.2 内模函数
• 2.3.3 筛分算法
• 2.3.4 筛分停止准则
• 2.4 希尔伯特谱分析
• 2.4.1 希尔伯特谱
• 2.4.2 希尔伯特边际谱
• 第三章 经验模态分解方法的改进
• 3.1 基于周期延拓端点抑制的经验模态分解方法
• 3.1.1 端点效应
• 3.1.2 周期延拓
• 3.1.3 基于周期延拓端点抑制的 EMD 方法
• 3.2 总体平均经验模态分解方法
• 3.2.1 模态混叠
• 3.2.2 噪声辅助分析
• 3.2.3 总体平均经验模态分解方法
• 第四章 实验结果及讨论
• 4.1 混合正交多普勒血流信号的模拟
• 4.2 血管壁搏动最大速度及位移曲线的提取
• 4.3 模拟实验及结果
• 4.3.1 血管壁搏动信号的希尔伯特谱分析
• 4.3.2 血管壁搏动最大速度曲线分析
• 4.3.3 血管壁搏动最大位移曲线分析
• 4.3.4 实验结果小结
• 第五章 总结和下一步的工作
• 5.1 全文总结
• 5.2 下一步工作
• 参考文献
• 附录
• 附录1：用筛分算法提取信号包含的所有内模函数的流程图
• 附录2：总体平均经验模态分解算法流程图
• 致谢