基于FDTD的微波脑中风检测算法研究_第1页
基于FDTD的微波脑中风检测算法研究_第2页
基于FDTD的微波脑中风检测算法研究_第3页
基于FDTD的微波脑中风检测算法研究_第4页
基于FDTD的微波脑中风检测算法研究_第5页
已阅读5页,还剩62页未读 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

基于FDTD的微波脑中风检测算法研究RESEARCHOFMICROWAVESTROKEDETECTIONALGORITHMBASEDONFDTD摘要近年来,脑中风的发病率和死亡率逐年攀升,统计表明,我国每年死于脑血管病的患者约130万,脑中风已经成为我国居民的第一位死亡原因。严重危害人们的生命健康。医学研究证明,脑中风的及时检测和发现能极大的增加其治愈机率,减少中风对脑部的损伤。脑中风微波检测就是利用微波技术对脑部中风进行检测的一种检测手段,微波检测相对于常规的脑中风检测手段,具有安全性好,实时性好,成本低等特点,越来越受到研究者的关注。在进行脑部介电结构和微波检测相关原理的研究基础上,本论文首先进行了脑中风微波检测系统总体结构设计,检测系统主要包括微波信号源,天线和微波信号的发射接收和微波信号分析处理等模块,仿真系统利用核磁(MRI)脑部图像建立脑部模型,部署环绕脑部的天线阵列,并利用调制高斯信号产生激励信号。接着进行了中风检测算法的模型设计,该模型由前向计算和逆向重建计算组成。前向计算利用完全匹配层(PML)吸收边界的时域有限差分法(FDTD)对脑部区域进行电磁场模拟和数值计算。针对人脑中风微波散射体不规则,结构复杂,介电性质差异小等特性所带来的挑战,逆向重建我们首先设计了一个基于信号相似度的检测算法,采用二分查找迭代法对脑部血块进行检测,可以初步的判断脑部血块的存在性和大致区域,然后以一种改进型智能粒子群算法,在信号相似算法的基础上实现对脑部的中风的检测,最终可以对脑部中风血块的大小、位置进行判断。并且,在中风检测算法中采用可累积的中风模板数据库,有效地降低了重建算法的耗时。仿真系统利用核磁(MRI)脑部图像建立脑部模型,部署环绕脑部的天线阵列,并利用调制高斯信号产生激励信号。结果证明,研究结果证明,基于FDTD的信号相似度检测算法,能有效地对中风血块的进行检测;在此基础上设计的基于粒子群的脑中风检测算法,能够实现对脑中风血块的位置和大小信息进行有效、准确的检测。此外,我们对粒子群定位检测系统进行优化,增加模板信号库和粒子迭代终止条件,检测效率有了明显的提升,统计数据显示,检测时间减少了85%以上。关键字:脑中风;微波检测;时域有限差分法;信号相似度;粒子群;RESEARCHOFMICROWAVESTROKEDETECTIONALGORITHMBASEDONFDTDABSTRACTRecently,theincidenceandmortalityofstrokeisincreasingyearbyyear.Itispresentedthatthestrokehasbecomethefirstcauseofdeathofresidentsinourcountrybythestatistic,whichcauseseriousdamagetopeople'slifeandhealth.Medicalstudieshavedemonstratedthatstrokecanbetimelydetectedcouldgreatlyincreasethechancetocureandreducedamageofthebrain.Strokemicrowavedetectionisakindofexaminationmethodwhichistodetectbrainstrokebyusingmicrowavetechnology.Comparedtotheconventionaldetectionmeans,Microwavedetectionhaslotsofpotentialadvantageswithsecurity,excellentinstantaneityandlowcost,Soitgetsmoreandmoreattentionoftheresearchers.Basedontheresearchoftheprincipleofmicrowavedetectionandbraindielectricstructure,thispaperfirstlydesignedoverallstructureofthestrokeofmicrowavedetectionsystem,whichmainlyincludesthemicrowavesignalsource,thelaunchingandreceivingofantennas,microwavesignalandmicrowavesignalanalysisprocessingmodule.ThensimulationsystemestablishthebrainmodelsbyusingtheMRIbrainimages,deployofantennaarrayaroundthebrain,andgeneratetheexcitationsignalusingthemodulatingGaussiansignal.Thenthestrokedetectionalgorithmmodelisdesigned,whichiscomposedofforwardalgorithmandinversereconstructionalgorithm.TheforwardalgorithmuseFinite-DifferenceTime-Domainmethod(FDTD)withperfectlymatchedlayer(PML)absorbingboundarytosimulateandcalculatethebrainregionelectromagneticfield.Aimedatthechallenges,suchastheirregularity,complicatedstructure(TheforwardalgorithmdosomeelectromagneticsimulationandcalculationforthebrainregionusingFinite-DifferenceTime-Domainmethod(FDTD)byabsorbingboundarywithperfectlymatchedlayer(PML)).Atthesametime,aimingatthechallenges,smallfeatureswithdielectricpropertiesdifferencesandcomplexconstruction,reversereconstructiondesignedadetectionalgorithmbasedonsignalsimilarityusingbinarysearchiterativemethod,whichcandetecttheclotinthebrainandjudgepreliminarytheexistenceandthedirection.Itisamodifiedparticleswarmalgorithm,candetectingtheaccurateinformationofthebrainstrokeclots’sizeandlocation.Moreover,becauseoftheaccumulatingstroketemplatedatabase,thealgorithmreducedthetimeofthereconstructionalgorithmeffectively.ThebrainmodelinsimulationsystemisbuiltbytheMRIbrainimagewhichisaroundwiththeantennaarray,andtheexcitationsignalismodulatedbyGauss.ResearchresultsshowthatthesignalsimilarityalgorithmbasedonFDTDcaneffectivelydetectthestrokeclot;andthestrokedetectionalgorithmbasedontheparticleswarmcangettheaccurateinformationoftheclots’sizeandlocation.Finally,weoptimizethePSOlocationdetectionsystembyaddingthetemplatesignaldatabaseandaniterationterminationcondition,theefficiencyisimprovedobviously.Andthestatisticsshowthatthetesttimegetmorethan85%reducing.YuyanZhou(InformationandCommunicationEngineering)SupervisedbyYizhiWUKEYWORDS:stroke;microwavedetector;FDTD;signalsimilarity;ParticleSwarmOptimization目录摘要 IABSTRACT III第一章绪论 11.1研究背景和意义 11.2常见的脑中风检测手法 21.3国内外研究现状 61.4论文章节安排 8第二章脑中风微波检测基础 102.1脑部的复杂结构 102.2微波检测基本原理 142.3时域有限差分法理论基础 162.4粒子群优化算法 222.5小结 26第三章基于微波的脑中风检测系统设计 283.1微波脑中风检测系统设计 283.2微波脑中风检测系统算法设计 353.3小结 39第四章基于信号相似度的脑中风检测算法 404.1基于信号相似度算法评估 404.2基于信号相似度算法的脑中风检测框架 404.3相关参数的设置 424.4检测结果分析 434.5小结 46第五章基于粒子群的脑中风定位检测算法 475.1粒子群微波脑中风检测评估 475.2基于粒子群的脑中风定位检测算法框架 485.3相关参数设置 495.4检测结果分析 505.5小结 54第六章总结与展望 55参考文献 57附录1攻读硕士学位期间撰写的论文 61附录2攻读硕士学位期间参加的科研项目 62致谢 63第一章绪论本章简要的介绍了脑中风的研究背景和意义,同时介绍了脑中风领域的国内发展历程,重点阐述了脑中风的一些国内外研究现状等,提出了微波无损检测技术在脑中风领域的优势和巨大的潜力。最后概述了全文的内容安排。1.1研究背景和意义脑中风是一组以脑部缺血及出血性损伤症状为主要临床表现的疾病,又称脑卒中或脑血管意外,具有极高的病死率和致残率,主要分为出血性脑中风(脑出血或蛛网膜下腔出血)和缺血性脑中风(脑梗塞、脑血栓形成)两大类。脑中风发病急,病死率高,是世界上最重要的致死性疾病之一。数据显示,近年来,脑中风的发病率和死亡率逐年攀升,统计表明,我国每年死于脑血管病的患者约130万,脑中风已经成为我国居民的第一位死亡原因[1]。在我国城市居民中,脑卒中的危害性远大于恶性肿瘤和心脏病等其他重型疾病,但受到的重视程度远远低于恶性肿瘤和心脏病。目前我国的脑卒中发病率是120-180/10万人口,每年因中风死亡人的数超过150万,存活的脑卒中患者达700万人,相当于一个大城市的常住人口。数据显示,中国每年新发中风病人超过200万。中风病人若及早抢救,大多能救回一命,可存活下来的人有3/4会留下偏瘫、失语等不同程度的功能障碍,严重人们的影响生活质量。我国是脑中风高发国家,据统计,全国每年有200万―250万新发中风患者,其中11%是中青年,年龄最小的甚至只有十几岁,而且还有继续年轻化的趋势。我国每年用于中风的社会经济负担(医院、医师、康复、药剂、间接消费等)高达几百亿元。随着人口的老龄化进程,脑中风已成为严重威胁人们生命健康的疾病之一。中风的死亡率也有随年龄增长而上升的趋势,有研究证明,如果能够使用早期的有效检测,中风数可以减少三分二[3]。脑是高级神经中枢,对血液供应的高度依赖,对缺血缺氧的高度敏感,对缺氧缺血的耐受时间的极度短暂,一旦造成组织损伤与功能的损害,则难于再恢复,治疗时间上的紧迫,给临床治疗带来了极大的难度。尽管近些年来,现代医学对中风的研究不断深入,取得了大量成果,药物的剂型和品种在不断增加,治疗手段也在不断的完善,但对于中风的急性期救治,仍然是一个薄弱的环节,仍缺少有效及时的检测手段。现有的治疗手段大多是在中风病发后康复训练阶段,对中风产生的后遗症则无可奈何。现代医学的大量研究及案例证明,脑中风有一段及其重要的时间段,就是中风后的三小时,称为“黄金三小时”。如果能够在这个时间内确定是中风,及时到达医院,就可能因及时治疗保存更多功能,最大程度的减少中风对身体产生的危害,如果效果及时,中风甚至是可以治愈的。中风虽来势急骤,但在发病之前,也是有一个病理演变过程的[4],其中有一个脑循环轻度失调,但又可以恢复的阶段,临床上表现为各种先兆症状,常在中风发生前数分钟至数天内出现,如果能及时发现,并进行及时准确的检测,对脑中风患者无疑是一大福音。因此,准确、有效的检测中风是目前治疗避免中风的最有效的方法。1.2常见的脑中风检测手法现有的脑中风检测手段有X射线摄影技术、核磁共振(MRI)、正电子发射型计算机断层显像(PET)等。1.2.1X射线摄影技术X射线摄影技术自上个世纪七十年代开始迅速发展,至今已相对成熟。该技术利用的是X射线的穿透性和荧光性。由X射线仪向机体发射X射线,X射线穿过机体的不同部位时,因为组织之间密度的差异导致对X射线的吸收量不同,从而在荧光屏上显示出深浅,黑白不同的图像,进而检测到病灶的存在。因为传统的X射线成像是将具有三维立体解剖结构摄影成二维平面图像,所以影像容易重叠,密度分辨率不高。在此基础上人们又发展了计算机断层摄影术,即CT成像技术。CT成像同样利用的是组织密度不同对X射线的吸收不同的原理进行成像。但是CT成像是将X射线仪设置在一个圆形轨道上,对患者进行连续的照射,利用接收到的信号重构人体组织的三维图像。因此CT技术能更加直观且准确的诊断病灶[5]。该技术对异常组织能准确定位并可以判定血块性质。尤其是在引入数字化技术后,其质量及可靠性得到了进一步提高。但是人们已经逐渐认识到这种技术的固有局限性,最重要的是,X射线对早期血块的检出率低,这说明密度对其灵敏度与特异性有明显影响,对于一些人并不适合,且此技术存在辐射并会使受检者的健康受到一定程度的损害。图1.1计算机X射线断层摄像机(CT机)1.2.2核磁共振磁共振成像是断层成像的一种,它是利用磁共振现象从被检测对象(人体)中获得的电磁信号,重建出被检测对象的信息。斯坦福大学的FlelixBloch和哈佛大学的EdwardPurcell1946年各自独立的发现了核磁共振现象,而磁共振成像技术正是基于这一物理现象。1972年,PaulLauterbur提出了一套对核磁共振信号进行空间编码的方法,利用这种方法,让重建出人体图像称为了可能。核磁共振成像技术与现有的一些断层成像技术(比如CT)有一些相同点:它们都可以显示某种物理量(如密度)在空间中的分布;同时也有它自身的特色,磁共振成像可以得到任何方向的断层图像,三维体图像,甚至可以得到空间-波谱分布的四维图像[6]。磁共振成像的图像与CT图像非常相似,二者都是“数字图像”,并以不同灰度显示不同结构的解剖和病理的断面图像。同CT一样,磁共振技术也几乎适用于全身各系统的不同疾病,例如肿瘤、炎症、创伤、退行性病变,以及各种先天性疾病等的检查。磁共振成像无骨性伪影,可随意作多方向(横断、冠状等)切层,对颅脑、脊柱和脊髓等的解剖和病变的显示,尤优于CT,磁共振成象借其“流空效应”,可不用血管造影剂,显示血管结构,故在“无损伤”地显示血管(微小血管除外),以及对肿块、淋巴结和血管结构之间的相互鉴别方面,有独到之处。磁共振成像的分辨能力高于CT,它能敏感地检出组织成分中水含量的变化,故常可比CT更有效和早期地发现病变[7]。由于磁共振血流成像技术的研究不断发展,在活体上测定血流量和血液的流速已经称为现实,心电门控的使用,使磁共振成像能清楚地、全面地显示心肌、心脏、心包以及心血管内的其他细小结构,为无损地检查和诊断各种心血管疾病以及心脏功能的检查,提供了可靠的方法。最新出现的一些技术还实现了磁共振成像和局部频谱学的结合(即MRI与MRS的结合),以及除氢质子以外的其他原子核如氟、钠、磷等的磁共振成像,这些成就将能更有效地提高磁共振成像诊断的特异性。MRI也存在不足之处。它的空间分辨率不及CT,带有心脏起搏器的患者或有某些金属异物的部位不能作MRI的检查,另外价格比较昂贵、扫描时间相对较长,伪影也较CT多。图1.2核磁共振仪1.2.3正电子发射型计算机断层显像正电子发射型计算机断层显像(PositronEmissionComputedTomography),是核医学领域比较先进的临床检查影像技术[8]。其检测原理是,将某种物质,一般是生物生命代谢中必须的物质,如:葡萄糖、蛋白质、核酸、脂肪酸,标记上短寿命的放射性核素(如18F,11C等),注入人体后,通过对于该物质在代谢中的聚集,来反映生命代谢活动的情况,从而达到诊断的目的。最近各医院主要使用的物质是氟代脱氧葡萄糖,简称FDG。其机制是,人体不同组织的代谢状态不同,在高代谢的恶性肿瘤组织中葡萄糖代谢旺盛,聚集较多,这些特点能通过图像反映出来,从而可对病变进行诊断和分析。PET检查仪的原理:一些短寿命的物质,在衰变过程中释放出正电子,一个正电子在行进十分之几毫米到几毫米后遇到一个电子后发生湮灭,从而产生方向相反(180度)的一对能量为511KeV的光子(basedonpairproduction)。这对光子,通过高度灵敏的照相机捕捉,并经计算机进行散射和随机信息的校正[9]。经过对不同的正电子进行相同的分析处理,我们可以得到在生物体内聚集情况的三维图像。PET是目前惟一可在活体上显示生物分子代谢、受体及神经介质活动的新型影像技术,现已广泛用于多种疾病的诊断与鉴别诊断、病情判断、疗效评价、脏器功能研究和新药开发等方面。具有灵敏度高、特异性高、全身显像、安全性好等特点,比较适用于肿瘤病人,心血管疾病患者和神经系统疾病和精神病患者。由于现代核医学技术的一些特点,PET在精度方面有一定的限制,在定位方面有一定的限制,主要表现在:(1)对肿瘤的病理性质的诊断仍有一定局限性,如,对于炎症、血块的特异性不好。(2)检查者需要有较丰富的经验,尤其对是对不同体形的患者和不同检查部位需要采用不同的检查体位,对病患者需要注射多少核素等一些问题需要积累经验,另外需要临床医生必须同时兼具放射科和核医学科的知识。(3)检查费用昂贵,目前做一次全身PET检查需花费通常在数万元左右,推广难度大。图1.3正电子发射型计算机显像系统(PET-CT)以上简要的介绍了临床上常见的两种具有代表性的脑中风检测方法,每一种都有它的好处和坏处,有的是成本昂贵,有的则易产生辐射二次伤害等等,但是他们都在使用的便捷性、检测的安全性、费用等问题上存在明显的不足,难以满足现代人们社会生活的要求,达不到人们日常生活中对中风检测的目的。因此。人们迫切的希望一直安全、便捷、准确性高的方法,满足人们的需求。微波无损检测提供了一种安全,有效,便捷且成本低的方案去检测中风,以其无创、便捷、高效等特性收到越来越多的研究人员的关注。1.3国内外研究现状微波检测,始于20世纪50年代,随着计算机技术和实验技术的迅速发展,加上实际应用需求的推动,20世纪80年代开始,电磁逆散射的研究朝着高维化、实用化的方向进行,着重强调其实用价值,同时加强相关的基础理论研究[10]。现在已经得到应用的电磁检测技术主要在医学计算机层析成像、地表和浅地下目标探地雷达系统、微波遥感系统。1.3.1微波检测技术的发展1984年德国学者在微波层析成像(MicrowaveComputerizedTomography,简称MCT)研究方面,曾经介绍过微波CT的开拓性工作,提出传输穿透法CT的物理模型,对于低反差介质成像是适宜的,从重建图像中可以清楚辨认目标的位置[15]。1994年,美国政府计划将锥形微波成像仪/探测器应用于气象卫星,以获得云、洋面风、飓风和降水的信息。20世纪90年代中期,英国ERA工程部己经完成了对地下管道及电缆定位的表面穿透雷达系统的研究[16]。2000年,白俄罗斯的明斯克科学院应用物理研究室曾使用2-4GHz的步频微波雷达对一个里面含有钢筋和空隙的500mm*350mm*15Omm的混凝土试块进行了检测,从成像的结果中可以看到Φ20mm钢筋和Φ50mm空隙的位置[17]。在2004年3月,英国诺森伯兰大学工程技术学院的大卫史密斯博士开发了一种新型微波成像系统,通过测量物体两维的“密度模式”,进而生成物体的三维图像,也就是人们所熟知的“全息图像”[18]。利用该技术,医务工作者能够以更低的成本,更快地获得检测结果;日本在1999年到2006年内发表了一些关于利用微波进行湿度测量和风速测量方面的论文。近年来,随着科技的发展,微波的无损检测技术在航空航天领域也有所建树。利用微波技术对航空设备或燃料的基本参数进行测量,通过观察微波物体性能的改变,和待测设备介电常数损耗与其正切角关系与改变,进而判断设备或者燃料是否异常[19]。2011年AndrewMcClanahan等人利用微波无损检测技术对金属表面裂纹的深度进行了评估,并且进行了理论和实验的验证[20]。SergeyKharkovsky等人采用相同的方法,实现了对最小深度为0.05mm的金属表面凹形缺陷深度的检测[21]。2012年B.Lutz等人利用频率为24GHz的微波信号,搭建了针对复合材料绝缘体内部缺陷检测的微波检测系统,通过比较轴向移动时的电压输出信号的变化,可以对复合材料的各类缺陷进行准确的定位[22]。2013年,马耀做了混合液体组分的微波检测技术研究。利用微波的性质,微波的传输特性以及微波与物质的相互作用机理,对混合液体组分的检测进行了实验方案的设计和系统实验平台的搭建,通过对测量的对数幅度变化,实现了对混合液体的成分检测[23]。1.3.2微波生物医学检测的发展现有的微波检测研究主要集中于乳腺癌的微波检测,只有少数关于脑部中风介质的检测和研究。1998年,由美国Wisconsin-Madison大学的Hagness等人提出了针对乳腺癌的共焦成像算法。该技术并借鉴了在军事领域中使用的脉冲探地雷达技术,由天线发射超宽带脉冲,多个接收天线接收信号,基于目标的电磁参数与周围环境的电磁参数的明显不同,区分出强散射区域,从而判断目标的位置,属于合成孔径雷达技术[6]。2007年,BelkebirK.博士等人开始对实测数据展开微波成像技术的研究,并发表了关于研究成果的论文。2010年,第五届国际微波及天线技术交流展览会在中国上海举行。2011年,GolnabiA.H.等人运用微波成像方法在医学乳腺癌检测方面的研究取得了突破性的进展[24]。2007年,王湘嵛做了一个基于介电特性脑血肿检测的研究,是基于脑部的介电特性的研究,采用脑电容测量方法,利用三层模型建立脑部模型,对脑中风进行了初步的检测[35]。2008年,SergueiY.Semenov和DouglasR.Corfield研究了微波断层(MWT)成像对脑部中风成像可行性的研究,证明了多频段微波断层成像的可行性,验证了微波检测系统采用宽带天线的可行性和有效性[13]。2011年,澳大利亚的昆士兰大学利用一个仿真的头部模型和时域有限差分法去估计脑部的散射信号,然后采用共焦算法,去实现脑部图像的重构,然而由于脑部介电常数的复杂性,共焦算法的局限性,并不能准确高效的实现脑部中风血块的定位,然而其采用时域有限差分法(FDTD)去估计脑部散射信号,是我们一个很好的借鉴[25]。2012年,Mohammed,B.J.Abbosh,A.M.Ireland,D.设计了一个环形贴片天线阵列,使用阵列天线采集脑部的散射信号S11的试验系统,利用共焦算法实现脑部中风的检测,但是他们并没有采用实际的脑部介电常数模型,并不是准确完整的脑部模型[26]。2013年,DavidIreland,KonstantyBialkowski,AminAbbosh采用伯恩近似迭代法对脑部中风进行了检测成像,脑部模型的建立采用数值计算法进行计算,逆散射采用伯恩近似法迭代进行计算。在850MHz的频率下,产生了一个较高对比度的脑部电导率分布图[27]。综上所述,现有的一些脑部检测技术,大多没有完整的脑部模型,又或者在检测效果不太理想,精确度不高等等,并不能对完整的脑部模型进行准确高效的检测,本文基于FDTD算法,在MRI的基础上建立完整的脑部模型,实现了对脑部中风的有效、准确的检测。1.4论文章节安排全文具体内容,安排如下:绪论。主要介绍了脑中风的研究背景和一些常规的检测方法,提出了黄金三小时的改进,论述了脑中风早期检测意义。接着,对脑中风检测的一些国内外研究进行了简单的阐述。脑中风的微波检测基础。这一章主要介绍了脑中风检测的一些基础知识,包括脑部的物体结构,介电结构和电磁仿真软件(时域有限差分法)的理论知识和推导过程,接着介绍了,本文的重点算法——粒子群算法的介绍、原理和基本流程等。基于微波的脑中风检测系统设计。这一章主要是介绍微波脑中风检测系统设计和微波脑中风检测的算法模型。基于信号相似度的脑中风检测算法。这章主要是利用信号相似度算法对信号进展数据分析,推导和验证脑部中风血块的存在性和大致的方位。基于粒子群的脑中风定位检测算法。本章在信号相似度的基础上,提出了粒子群算法检测脑中风法概念,利用天线阵列的相似度和粒子群寻优算法,巧妙的实现了对脑部中风的准确判断,实验结果验证数据的精确性和高效性。总结与展望。本章系统的总结了全文的研究内容和研究成果,并提出了现在研究中存在的缺陷和不足,以及下一步的研究方向。第二章脑中风微波检测基础微波检测依赖于脑部各个组织介电常数、电导率的差异而造成微波散射信号的差异,因此,我们需要介绍一下脑部的八种主要组织器官的结构和分布。微波技术应用于脑中风检测的挑战主要在两个方面:1)拥有8种不同的介电常数的的脑部组织,复杂的物理结构,形成了一个复杂的分散介质模型;2)与正常脑组织相比,脑部的介电常数对比度不够高,这使得从血液中的散射信号太微弱。所有这些方面,对于之前微波检测的方法,特别是基于微波层析成像技术,很难应用于脑卒中检测。2.1脑部的复杂结构人脑它是中枢神经系统的最高级部分,主要包含在头骨内部,脑占头盖内腔的大部分。约占成年人体重的2%即1.2~1.6公斤。脑的重量男性比女性稍大,并与体重无关。脑含有约140亿个神经细胞约占脑细胞十分之一,剩余的九成称为胶质细胞。胶质细胞有为神经细胞提供营养,形成髓鞘增进传导速度,等多种功能。2.1.1脑的物理结构大脑(brain)包括端脑和间脑,端脑包括左右大脑半球。端脑是脊椎动物脑的高级神经系统的主要部分,由左右两半球组成,在人类为脑的最大部分,是控制运动、产生感觉及实现高级脑功能的高级神经中枢。图2.1脑的结构组成端脑由约140亿个细胞构成,重约1400克,大脑皮层厚度约为2-3毫米,总面积约为2200平方厘米,据估计脑细胞每天要死亡约10万个(越不用脑,脑细胞死亡越多)。人脑中的主要成分是血液,血液占到80%,大脑虽只占人体体重的2%,但耗氧量达全身耗氧量的25%,血流量占心脏输出血量的15%,一天内流经脑的血液为2000升。因为有80%是水,所以它就有些像豆腐。但是它不是方的,而是圆的;也不是白的而是淡粉色的。左右大脑半球有各自的称为侧脑室的腔隙。侧脑室与间脑的第三脑室,以及小脑和延脑及脑桥之间的第四脑室之间有孔道连通。脑室中的脉络丛产生脑的液体称为脑脊液。脑脊液在各脑室与蛛网膜下腔之间循环,如果脑室的通道阻塞,脑室中的脑脊液积多,将形成脑积水。大脑的断面分为白质与灰白质。端脑的灰白质是指表层的数厘米厚的称为大脑皮质的一层,大脑皮质是神经细胞聚集的部分,具有六层的构造,含有复杂的回路是思考等活动的中枢。相对大脑皮质白质又称为大脑髓质。间脑由丘脑与下丘脑构成。丘脑与大脑皮质,脑干,小脑,脊髓等联络,负责感觉的中继,控制运动等。下丘脑与保持身体恒常性,控制自律神经系统,感情等相关。2.1.2脑的介电结构介电特性是指在外加电场的作用下束缚电荷的响应能力,电磁场与脑部组织发生相互作用,本质上是脑部的半导电媒质的介电属性与电磁场发生相互作用,脑部的介电特性对决定微波信号在脑内部的传播、吸收有着重要的作用,在微波检测中,组织和器官的介电特性是微波无损检测的理论基础。这里我们从脑部的介电特性出发,分析脑部的介电特性分布。脑部的介电常数分布根据脑部的结构,人体的头部结构是由很多层组成的,主要包含皮肤(脑皮层),颅骨,灰质,白质,脑脊液,硬脑(脊)膜,脂肪,血液八种物质组成。各层组织结构复杂,分布不规则,不连续,在外界电磁场的激励下,脑组织的介电特性随着电磁场的频率变化而变化,表2.1反应了大脑在1GHz的介电常数情况[15]。表2.1脑部组织在1GHz下的介电常数组织介电常数电导率皮肤410.89977头骨120.15566脑脊液682.4552灰质520.98541白质460.82431脂肪50.053502硬脑(脊)膜440.9血液611.5829出血性中风611.5829由表2.1可知,出血性中风介质的无论在介电常数和电导率上明显高于脑部的其他介质的介电特性,在进行微波无损检测时充分考虑脑部血液的分布情况,若检测出脑部的其他部分存在介电常数接近或者高于血液的情况,在一定条件下就可以检测出脑中风,因此在合适的频率条件下,尽量选择差异最大的介电特性的频段,足以准确检测中风。极化特性外加电磁场与生物体相互作用的结果,使生物体内带电粒子和极性分子在外加电磁场作用下产生运动,这种运动我们称为极化。对于生物分子、细胞乃至生物组织,都具有电极性。在正常情况下,只有生物分子、细胞可以产生显现出这种极化特性,而一般生物组织在正常情况下,它的正负电极性是处于动态平衡中,只有当组织在外部电磁场的作用下(或者外力),或者处于某种损伤以及某种病理的状态下,电的正负极性才会失去平衡并显现出明显的电极性变化。当生物组织接受某种机械或电磁作用时,则机体组织产生的触发应力与激励的生物电位几乎同时发生,并且对引发的化学反应也几乎同时作出相应的贡献。一般说机械信号的传递速度远低于电信号的速度,但是,对于有极化特性和压电特性的生物组织而言,其传播速度是一致的,只是有相位的差异而已。描述这样差异或者变化状态的就是我们后面即将描述的麦克斯韦的电磁场理论——麦克斯韦方程。从宏观上表征介质在外部电磁场作用下的极化程度,一般使用电极化强度P的概念[35]。电极化强度P定义为单位体积介质内所有分子电偶极矩的总和,即:P=ipi∆V 其中:ipi表示介质内所有分子电偶极矩的总和;其中∆V介质的电极化强度P与电通量密度D和外场强度E有下列关系:D=ε0E+P 式中,ε0=8.854187817×而D和E又有以下关系:D=ε0E=ε0εr所以,极化强度P和外加电场有下列简单的关系:P=ε0εr-1E=式中,x=(ε生物组织介电模型由于生物组织中束缚电荷对外加电磁场的“响应”是一个从非平衡态逐渐恢复到平衡态的过程,称为弛豫过程。人体组织是具有复介电常以公式:ε=ε0(1+ωp2ω其中:ωs V—束缚覅和运动时域其他分子、原子碰撞频率; ωp两个式(2.5)的极端情况:εr0=ε0或εr∞=1 将式(2.6)带入式(2.5),我们得到生物组织材料相对介电常数随频率变化的德拜(Debye)方程:ε=εr∞+εr0式中:τ=v/ωs2称为豫驰时间,由于生物组织是具有高度复杂结构和成分的有机体,细胞内细胞外不仅包含了水,还有与蛋白质、脂肪、葡萄糖等成分的几何水分子。信号在生物体内传输,与生物体的结构、电磁特性、探测信号有关,而且生物组织电磁特性对微波信号产生的影响比较大。当生物组织在外加磁场中时,由于生物组织的磁导性几乎为零,所以其导磁率通常与在自由空间中的一样;当在处于外加电场的环境中时,则电场的特性会因为生物组织电导率和介电常数产生变化。所以在一般情况下,对生物组织的电磁特性的讨论也主要是就其电特性而言。电特性确定了组织与外加辐射场相互作用的程度和性质,并且和电磁波的频率有关。图2.2表示的是生物组织的介电特性随着电磁波信号变化的曲线图2.2生物组织的介电常数随频率变化的曲线由图2.2可以看出,生物组织的介电常数,随着电磁场频率的增加明显减小。2.2微波检测基本原理微波检测原理的实质上就是研究微波与被检测物质之间的相互作用,通过改变微波的物理特性(如反射、透射、散射、衍射等)以及被检测物质的电磁特性,测量微波基本参数的变化,实现对缺陷、故障及非电量的检测[55]。微波检测算法和其他检测算法一样,微波检测成像算法也是通过测量物体得到物体介质的“投影”信息,逆推和反演目标几何、介质特征。微波检测的主要任务是模拟电磁场在进入和通过介质的散射和衍射问题,通过测量收集被测量物体介质外部的电磁场散射数据,通过智能算法重建被测物体介质内部的介电和几何特征。收集的被测物体介质的外部散射场内部包含了大量有关物体介质本身的信息,利用关于散射目标的先验知识,经过适当的数学处理之后可以提出散射体外部测量得到的散射场推断散射体的特性,从而不必破坏散射体本身即可得到我们所感兴趣的有关信息,因而,在无损检测领域,极具有实用价值。如图2.3所示,微波信号进入人体介质内部后,穿越人体介质的时候,在由小的介电参数遇到大的介电参数介质后,一部分的信息会发生散射。图2.3a就是在正常或者差异较小的介质中传播的情况和图2.3b反映了微波信号再一种介质进入另一种介质的时候,发生的散射情况。当然由于脑部结构的复杂性,信号的散射反射情况比下图复杂的多。图2.3a单一介质的入射和反射图图2.3b不同介质的入射和反射在脑中风检测中,主要是空间波法[55]。空间波法是微波进过同轴线或者波导传送至天线的发射端,天线的发射信号穿过被测物体后,经天线接收在传入同轴线或波导。在这个过程中,根据接收天线的不同又分为空间透射法和空间反射法两种,空间透射法是发射天线和接收天线不同,由发送天线发射信号,接受天线接收信号,空间反射法就是由原天线的接收端返回至同轴线或波导。空间波法的突出优点是被检测的物质可以不与装置接触,可以实现真正意义上的无损检测。因此,常用于要求被检测物质不与检测装置接触的场合,空间波法的两种类型如图2.4a和2.4b所示,图中以喇叭的形式表示接收和发射天线。图2.4a透射法图2.4b反射法图2.4a所示的是空间透射波法[59]。在自由空间中,或者在线性、各向同性的均匀的理想介质中传播时,电磁波应该是一个平面波,但是在实际的情况中,电磁波并不是理想的平面波,主要是被检测的物质是不均匀、各向异性的,当微波进入被测物质时,就有可能出现反射和绕射的现象,这将导致检测结果的不确定性和数据的丢失。因此,在实际应用时,要求被测物质足够大,距离发送和接收的天线装置尽可能近些,或者在被测物质的周围放些吸收的物质,以减少微波绕射和反射引起的误差,保证只有穿过被测物质后的微波能量才能进入天线的接收端。图2.4b是空间反射波法[59]。如图所示,只有一个天线,该天线既作发射,又作接收作用,接收的是微波碰到被测物质后反射回来的反射波。这种装置的优点是简单、易于安装,但其分辨率不高。适用于相对介电常数较低的物质的检测,但为了提高检测的灵敏度,需要调节检测物质在空间的位置,如采用空间阵列的方法。2.3时域有限差分法理论基础本章主要介绍时域有限差分法(FDTD)的基本理论,时域有限差分法可以用来模拟电磁波的辐射,是模拟电磁波反演问题正过程的主要工具,也是必不可少的,具有非常强大的适用性和实时性。与此同时,我们利用脑部的MRI图像建立了二维的脑部成像模型,具有主流的八种脑部介电模型,在此模型的基础上,我们完成了天线信号的选择,和一些主要参数的设计。2.3.1时域有限差分法算法基础FDTD法由有限差分法发展而来,是一种对电磁场直接模拟的研究方法[38]。1966年首次提出了时域有限差分法的基本思想,时域有限差分法最突出的优点是节省计算机的存储空间和CPU时间。对电磁场E、H分量在空间和时间上采取交替抽样的离散方式,每一个E或H分量周围有四个H或E分量环绕维情况下,应用这种离散方式,因而时域有限差分方程具有“显式”格式,按照“蛙跃”方式随时间步推进,在模拟区域内模拟电磁波传播及与结构的相互作用过程。FDTD方法是把Maxwell方程式在时间和空间领域上进行差分化。利用蛙跳式(Leapfrogalgorithm)计算方法实现在空间领域内的电场和磁场进行交替计算,通过在时间领域上的更新,来模拟电磁场的变化,从而达到对模拟介质的数值计算目的。该算法能够直接模拟电磁场的分布,精度比较高,它在解决复杂外形、非均匀介质、时域、宽带散射和辐射系统的电磁问题时具有独特的优越性,是目前使用比较多的数值模拟的方法之一。时域有限差分法由Maxwell方程组演化而来,从Maxwell方程组,可以推论出电磁波在真空中以光速传播,对电磁线性介质中Maxwell旋度方程为:∇×E=-∂B∂t-Jm ∇×H=-∂D∂t+J B=μH (2.10)D=εE (2.11)J=σE (2.12)式中,B为磁通量密度(单位Wb/m2),D为电通量密度(单位C/m2),电流密度J(单位A/m2),磁流密度(单位V/在直角坐标系中,把Maxwell方程式在时间和空间领域上进行差分化,利用蛙跳式(Leapfrogalgorithm)--空间领域内的电场和磁场进行交替计算,这就是Yee元胞。Yee元胞是计算中的最小单元,其单元网格与场方向如图2.5所示,相邻电、磁场分量空间间距为半个步长,并在时间上以半步为间隔交替取值。因此,时域有限差分法可以把电磁场在时域上的叠加,推演为各个时刻空间场强分布。在直角坐标系中,以TE波为例,利用上述本构关系(式2.8~2.12)写为:∂EX∂t=1ε∂Hx∂Ey∂t=1ε(∂H∂Hz∂t=1μ(∂H图2.5Yee元胞假设独立变量x有很小的增量,并等间隔离散,有∆x=∆y=∆z。 对空间离散: (2.16)对时间离散: (2.17)利用一阶导数的二阶中心差分近似,式2.13可以表示为:E(2.18) 采用中心差分近似,令:E(2.19) 将式2.19代入2.18可得到:E(2.20)其中系数ca(2.21)cb(2.22)同理,可知电磁场的迭代公式:H(2.23)其中da(2.24)db(2.25)由式2.20和2.23知,只要给定了所有空间点上电磁场的初值,就可以一步一步地求出任意时刻所有空间点上的电磁场值。数值稳定性要求由于FDTD在推导的过程中,采用了二阶差分近似,因此,计算中每一步都是有误差的,随着时间步进,误差会不断积累。如果误差的积累不会造成总误差的增加,就成FDTD法是稳定的,否则成为不稳定的。数值不稳定性会造成计算结果随时间步进无限增加。如果时间步长设置的不合理(一般过大),就会出现数值稳定性问题,或者可以说时间步长设置没有遵循电磁传播关系,会造成数值解与解析解的差达不到有界的条件[39][40]。数值解是否稳定主要取决于时间步长∆t与空间步长(∆x,∆y,∆z)间的关系,首先考察场随时间变化时离散对时间间隔∆t的要求。麦克斯韦方程∂f∂t=jωf (其稳态解fx,y,z,t=f0∙exp(jωt) 用差分近似代替上式2.26左端的一阶导数fx,y,z,当∆t足够小时,定义数值增长因子qq=fx,y,z,n+12∆tfx,y,z,n∆t 代入式2.28q=jω∆t2±(1-(ω 根据数值稳定性要求,当n接近无穷大且∆t接近于零时,要求|p|≤1,由上述公式2.30可知ω∆t2≤1 (即∆t≤ 另外一方面,考虑Courant稳定性要求,以三维情况为例,可得c(2.32)当∆x=∆y=∆z=δ时,有c∆t≤δ3 即时间步长应小于等于电磁波通过Yee元胞1/3对角线长度所需的时间。 而且,即使介质本身没有发生色散现象,但是对于电磁波的波动方程采用中心差分近似的做法也会引入电磁波的色散,这种现象叫做数值色散,在采用FDTD进行计算的时候,会发现波的传播速度与传播方向相关,也是由数值离散引起的,称为各向异性,离散化平面波的传播速度可以得到 (2.34) 式中,只有当k∆x2→0时,函数才能回到线性关系。三角函数定理中,只有当角度小于150时,可以近似sin (2.35) 可将色散减到很小。上式中是无色散介质中波长。同理,对于时间间隔只要满足 (2.36)完美匹配层吸收边界的设置理想情况下,电磁辐射模拟需要在无限大的自由空间中进行,但是由于实际的计算量和存储空间的限制,计算只能在有限的区域进行。FDTD模拟的是一个开域过程,为防止电磁波到达边界发生反射,设置一个吸收边界条件是非常有必要的,使电磁波在截断边界处被完全吸收,消除反射波。为了能够完整的模拟电磁传播过程,在计算电磁波的区域的边界处必须给定边界吸收条件。如果对FDTD吸收边界条件设置精度过高,则影响FDTD的计算效率,过低则影响数值计算结果的精确度。因此,必须选择一个合适的边界条件。完全匹配(PML)是较常用的吸收边界,通过在区域截断边界处设置一种特殊的介质层,该层介质的波阻伉与相邻介质波阻抗完全匹配,因而入射波将无反射地穿过分界面而进入PML层。计算已经证明,对入射波有很好的吸收效果[41]这里以TE波为例,无电场z方向的分量和磁场的x,y方向分量,这时PML介质与真空阻抗完全匹配的条件为 (2.37)在PML边界,将麦克斯韦方程中的分解为x,y两个方向,分解后方程组如下所示 (2.38) (2.39) (2.40) (2.41)假设方向的和都等于0,则PML只能吸收方向的电磁波。在网格Yee元胞的划分方式上,PML与常规的FDTD还是有区别的,区别主要是PML介质的Yee网格差分形式为指数差分,主要是因为在PML介质中电磁波衰减很大,常规的差分格式不使用。以为例,可以表示为 (2.42)2.4粒子群优化算法本章主要介绍粒子群优化算法(PSO),粒子群优化算法是目前广泛使用的一种优化方法,在微波检测中也有所应用。对粒子群优化算法的起源、基本原理、和算法流程都有所介绍,最后将粒子群优化算法应用到我们的头部中风检测模型中,对脑中风进行检测。2.4.1粒子群算法介绍粒子群算法,也粒子群优化算法(ParticleSwarmOptimization),是近年来发展起来的一种新的进化算法(EvolutionaryAlgorithm-EA)。1995年由Eberhart博士和kennedy博士提出,源于对鸟群捕食的行为研究。该算法受到飞鸟集群活动的规律性启发,利用群体智能建立的一个简化模型。粒子群算法在对鸟群活动行为观察基础上,利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程,从而获得最优解。同遗传算法一样,粒子群算法也是基于群体的智能优化算法,首先生成一组初始解,然后通过迭代来搜寻待优化问题的最优值,粒子在迭代过程中追踪个体极值和群体极值。与遗传算法的不同之处在于粒子群优化算法没有遗传算法的交叉和变异操作,这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视,并且在解决实际问题中展示了其优越性。粒子群算法是一种并行算法。作为一种分布式的优化算法,粒子群优化算法的搜索过程通过模拟群体的仿生运动,个体按照设定的规则进行运动,个体行为的涌现表现为群体行为。为提高粒子群优化算法的性能,种群中的个体之间需要采用一定的信息交流和信息共享机制,Boyd和Richerson提出的个体学习和文化传递的概念来源于人类决策过程的研究[44],其研究结果表明人类的决策是根据自身的经验和他人的经验来进行的,说明在人类决策过程中有两种信息来源,一种是来自自身的经验,另一种是他人的经验。粒子群优化算法中的个体就是通过比较个体极值和全局极值进行迭代,在整体上使种群不断地接近最优解从而实现最优化的目标。2.4.2粒子群算法原理PSO模拟鸟群的捕食行为。设想这样一个场景:一群鸟在随机搜索食物。在这个区域里只有一块食物。所有的鸟都不知道食物在那里。但是他们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢。最简单有效的就是搜寻目前离食物最近的鸟的周围区域。PSO从这种模型中得到启示并用于解决优化问题。PSO中,每个优化问题的解都是搜索空间中的一只鸟。我们称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值(fitnessvalue),每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。PSO初始化为一群随机粒子(随机解)。然后通过迭代找到最优解。在每一次迭代中,粒子通过跟踪两个"极值"来更新自己。第一个就是粒子本身所找到的最优解,这个解叫做个体极值pBest。另一个极值是整个种群目前找到的最优解,这个极值是全局极值gBest。另外也可以不用整个种群而只是用其中一部分作为粒子的邻居,那么在所有邻居中的极值就是局部极值。在基本粒子群算法中,粒子群由n个粒子组成,每个粒子的位置代表优化问题在N维搜索空间中潜在的解。粒子在搜索空间中以一定的速度飞行,这个速度根据它本身的飞行经验和同伴的飞行经验来动态调整下一步飞行方向和距离。所有的粒子都有一个被目标函数决定的适应值,并且知道自己到目前为止发现的最好位置(个体极值)和当前的位置()。除此之外,每个粒子还知道到目前为止整个群体中所有粒子发现的最好位置(全局极值)。粒子群算法的数学描述如下:每个粒子i包含为一个N维的位置向量和速度向量,粒子i搜索解空间时,保存其搜索到的最优经历位置。在每次迭代开始时,粒子根据自身惯性和经验及群体最优经历位置来调整自己的速度向量以调整自身位置。是正常数,称之为加速因子;为[0,1]中均匀分布的随机数,d为N维中的维数;是惯性权重因子。其中,每个粒子的位置和速度更新按下式 (2.43) (2.44)式(2.43)由三部分组成,第一部分是粒子原来的速度,其值越大,越利于全局搜索,其值小则利于局部搜索能力,具有平衡全局和局部搜索的能力;第二部分是粒子本身的思考,表明粒子自身经验对当前搜索倾向的吸引程度,受到的随机调整,是对粒子所积累经验的利用,使粒子有了足够强的全局搜索能力,避免局部极小;第三部分是粒子学习其他粒子经验的过程,表明粒子间信息的共享和社会协作,受到的随机调整,并与的位置和种群的领域拓扑结构直接相关。在这三部分的共同作用下,粒子根据自己的经验并利用信息共享机制不断调整自己的速度与位置,从而有效地到达最好位置[60]。粒子位置在每一代的上述更新方式可用图2.6来描述图2.6粒子群更新流程由于粒子群算法具有高效的搜索能力,有利于得到多目标意义下的最优解;通过代表整个解集种群,按并行方式同时搜索多个非劣解,也即搜索到多个Pareto最优解;同时,粒子群算法的通用性比较好,适合处理多种类型的目标函数和约束,并且容易与传统的优化方法结合,从而改进自身的局限性,更高效地解决问题。因此,将粒子群算法应用于解决多目标优化问题上具有很大的优势。2.4.3算法流程粒子群算法思想描述如下:初始化种群后,种群的大小记为N。基于适应度支配的思想,将种群划分成两个子群,一个称为非支配子集A,另一个称为支配子集B,两个子集的基数分别为n1、n2,满足两个子群基数之和为N。外部精英集用来存放每代产生的非劣解子集A,每次迭代过程只对B中的粒子进行速度和位置的更新,并对更新后的B中的粒子基于适应度支配思想与A中的粒子进行比较,若,任意,使得支配,则删除,使加入A更新外部精英集;且精英集的规模要利用一些技术维持在一个上限范围内,如密度评估技术、分散度技术等。最后,算法终止的准则可以是最大迭代次数、计算精度或最优解的最大凝滞步数等。具体步骤如图2.7所示:图2.7粒子群迭代流程图中,t是迭代的代数,是第i个粒子的位置坐标,是第i个粒子的速度,是粒子的个体极值,是粒子群的全局极值。粒子群算法是一种新兴起的优化算法,其每个粒子根据自身的最优位置和群体全局的最优位置更新自己的速度和位置,各粒子由于群体全局的最优位置的影响,很快收敛到全局最优位置附近,这已显示出它的快速性、有效性和鲁棒性等多种优点。2.5小结首先,概述了脑部的复杂结构,包括脑部的物理结构和脑部介电结构,并对于脑部物理结构和介电结构进行详细的描述,描述了脑部的各个组织器官在脑部的物理分布,然后详细描述了脑部各个组织的介电常数情况和各个组织的极化特性。其次,我们扼要的介绍了微波检测的基本原理,描述了微波信号进入不同生物组织结构的衍射情况。然后,根据微波演变情况,我们重点研究了微波信号的时域有限差分法,对时域有限差分法的基本原理,数值稳定性和边界设置条件进行了推导演进。最后,我们对粒子群优化算法的背景,原理和整个算法流程进行了介绍。第三章基于微波的脑中风检测系统设计电磁波测量方法是当前无损检测的热门领域,微波检测相对于其他常规检测具有安全性好,分辨率高等优点,其中微波相对于高频电磁波具有更高的稳定性[56]。本章主要介绍微波脑中风检测系统的整体设计以及算法框架,系统设计基于完整的脑部模型,和介电分布。3.1微波脑中风检测系统设计微波检测技术的应用范围十分广泛,由于检测对象的不同,要求也各不相同。因此在设计微波检测系统时都必须适合微波检测的特点和被测对象的特性,能把检测到的微波信号与所测的数据相互关联起来。常规的微波检测系统一般包括是三个主要组成部分:微波信号源,微波天线和数据采集处理系统。本文主要是为了实现头部中风的准确检测,同时要体现其非接触,无损高效的性能。在通过比较现有的一些方法理论,结合脑部特性,本文的系统设计如图3.1所示。本文的微波检测系统包含了四个基本部分:可穿戴微波天线阵列、微波信号源、微波信号采集电路和微波信号处理分析模块。可穿戴微波天线阵列主要是利用具有可穿戴性的天线设计的微波天线组成一个微波天线阵列,作为脑部信号的发射和采集系统;微波信号源主要是为脑中风检测选择合适的微波信号;微波信号采集主要脑部微波信号设计发射和接收系统,保证信号的高效发射和接收;微波信号处理模块主要针对脑中风微波信号的算法处理和识别。图3.1微波检测系统框图3.1.1可穿戴微波天线阵列微波信号的发射和接收天线一般采用两种方式,即单发射-单接收或单发射多接收。如果是单天线情况,一根单一的反式接收天线被用来发送脉冲和接收反向散射信号,而在单发射多接收方式下,需使用一对天线(一个发送一个接受)或者一个天线发射多个天线接收信号。在这种情况下,运用一个具有单发多收的天线阵列,其中每根发射天线轮流发射脉冲信号,所有接收天线则接受反向散射信号。天线阵列采用的耦合媒质可以提高检测对象的匹配度,从而提高信号检测的分辨率[56]。在二维情况下,微波天线放置在脑部周围,均匀环绕着N个超宽带天线,如图3.2所示。我们通过部署在脑部周围的天线阵列扫描头部,得到综合完整的微波扫描信号,天线工作在单发射单接收方式,发射天线轮流发射脉冲信号,并接收反向散射信号。脑中风部位所引起的改变的微波信息,通过记录沿不同路径穿越脑部的多条微波散射信号获得。图3.2微波天线阵列微波脑中风检测要求天线具有的阻抗匹配度和低耦合,且具有良好的可穿戴性,论文采用的超宽带微带天线,因其具有平面结构,可以做的很薄(最薄可达0.4mm),很容易制作成共形天线,成本很低,且非常适于组合,容易制作成天线阵列。本文采用的超宽带微带天线结构如图3.3。该天线设计分为三层结构,包括上下两层辐射片,中间为介质层。所用的介质基板为FR4,相对介电常数为4.4,介电损耗为0.002。天线结构的几何参数为:40*40*0.6mm,采用的馈电方式是微带馈电,馈线长为20.39mm,宽为0.51mm;其中接地板由二分之一圆和楼梯形多边形构成,上面的贴片由二分之一圆构成,半圆上开矩形槽。图3.3微带天线仿真及实测的性能结果图3.4所示:图3.4微带天线的回波损耗从图3.4中可以看出,天线的工作频段是0.8-5GHZ,(一般情况,S11值小于-10dB,近场下S11可以小于-7dB),所以该天线的有效带宽达到4GHZ以上。3.1.2头部模型为了仿真验证脑中风检测算法,在参考了脑部物理结构和介电结构(见第二章)的基础上,我们利用MRI扫描图像,确定了脑部介电参数分布,建立完整的脑部模型[25]。该脑部模型包含八种主要的脑部介质都包含在里面,皮肤、头骨、脂肪、血液、脑脊液、硬脑(脊)膜、灰质、白质。这个头部模型参考了脑部的内部结构(见第2.2节),对脑部的介质进行看统一的划分,把在脑部占有比例较低的介质如基地神经节,下丘脑等进行了分类,这个分类主要哪种组织的介电特性划分(见第2.2节),把相邻相近的介质同一话,这样既保证了模型的准确性和可靠性,又对模型进行了简化分类。脑部的介电常数和导电率属性见表2.1。图3.5显示了一个包含32个天线阵列的正常脑部仿真模型,有完整的脑部介电分布。图3.6是一个中风的脑部模型。图3.5正常脑部的介电模型图3.6中风脑部的介电模型3.1.3微波信号源模块微波信号源是微波检测系统中的重要组成部分,其性质与被检测对象有密切的关系。频率选择,采用一个频段在1GHz到4GHz的超宽带天线保证微波信号对脑部有足够散射深度[25],同时也保证了对信号的接收。信号源的波形选取,应该将所有感兴趣的频谱包含在内,并且保证波形在时域中,开始与结束应足够的平滑,这样才能保证式无用的高频分量尽可能小,减小其频谱干扰。高斯信号属于多频信号,其时域脉冲集中分布在感兴趣的频段,能极大减小其他频段的干扰,提高检测的分辨率,而且可以根据仿真模型设置相应的频段(最高频率)。本文采用余弦调制高斯信号,其高斯波形的频率分量是以零频为中心对称分布,且合成简单,只需要将频率为的余弦函数乘以所在频段的高斯波形即可,如式3.1所示 (3.1)傅里叶变换为 (3.2)式中,如果要构造一个频带宽度为、中心频率为的余弦调制高斯波形,则 (3.3)中心频率为2GHz,相对带宽为0.6的余弦高斯调制信号如图3.7所示。图3.7高斯信号源图中为电磁波经过0.5mm距离所用的时间。3.1.4微波信号采集电路微波信号采集电路模型如图3.8所示。图3.8微波信号采集电路微波信号源提供各个频段微波信号,微波信号在进入波导系统后,会经过一系列的处理(如混频,检波,滤波等),由发射天线发出。电磁波的发射能力由天线的性能确定[57]。由于接收天线接收的信号一般比较微弱,而检波器往往需要比较大的输入才可以正常工作,因此需要有足够大的高频增益把输入信号放大。超外差式接收机就是采用固定频率的中频信号将信号放大,其工作原理如下:假设微波信号源1产生微波信号,其频率为,系统将信号划分为两部分和,给发射天线发射到检测空间,将和中频信号一起进入混频器,其中中频信号的频率为,则混频器输出信号为: (3.1)式中和是和的振幅。输出信号包含了高频和低频两个频段的信号,通过一个带通滤波器将高频部分滤掉,输出低频段的信号,称为本机振荡信号。 (3.2)由发射天线发送的微波信号,经过检测区域(脑部)由接收天线接收,通过检波器得到接收信号,由于在传输过程中信号会产生相位和振幅的变化,因袭可以表示为 (3.3)式中和分布表示信号的振幅和相位。接收信号和本机振荡信号经过混频器 (3.4)其中 (3.5)就是接收信号。3.1.5微波信号的处理分析模块数据处理和分析是系统的核心部分,将从微波信号采集电路中采集的信号,进行数据分析,算法处理。本文的使用了两个算法对接收信号进行处理:第一个算法是利用信号相似度算法结合二分查找算法分析脑部的微波信号中是否包含了异物,中风血块所在位置和大小范围信息(具体步骤详见第四章),算法可以快速有效的即脑中风存在性进行判断,但是不能对脑部中风中风血块进行准确的判断,只能获取中风血块的大致范围;第二个算法是在信号相似度算法的基础上采用了粒子群群优化算法,对接收信号进行处理,通过相似度算法可以直接获取中风血块的存在下信息和中风血块所在的大致范围,可以大大减小粒子群搜索的时间和范围,通过寻优算法可以确定中风血块的大小、位置(具体步骤详见第四章)。对数据处理的结果,进行性能评估,结果验证,并给定结论。性能评估主要在以下几个方面:首先,对结果进行分析判断是否准确,检测结果误差判决;其次,在结果大致准确的情况下,对正确的结果进行统计分析,给定其结果误差的最大范围。最后,主要是对算法的结构和运行时间进行统计分析,给定算法的检测时间。这三个方面也是后面算法的优化方向。3.2微波脑中风检测系统算法设计3.2.1算法模型微波成像技术一般包含两部分[58]:一部分是前向数值计算,即通过数值计算给定模型的电磁场分布,可以采用各种数值方法进行求解;另一部分是逆向计算,即根基给定的电磁场测量值重构电磁场分布。其中,前向计算是解决逆向计算的基础。微波检测算法的总体流程如图3.9所示。图3.9算法流程其算法流程如下:初始化测量介质从电场分布;通过前向计算获取给定场的信号输出;计算模拟场和实际场的信号误差;判断误差是否满足终止条件,若满足输出结果,如不满足,更新场分布,进入步骤2;前向计算的主要任务是在给定激励和己知各种电参数的情况下分析和计算包含散射体的散射场。常见的有矩量法(MOM)、时域有限差分法(FDTD)、有限元法(finiteelementmethod)及混合算法(hybridalgorithm)等。矩量法的基本思想是将待求得积分方程问题转化为一个矩阵方程问题,借助于计算机,求得其数值解,从而在所得激励源分布的数值解基础上,即可算出辐射场的分布及其波阻抗的特性参数。对开放式电磁问题时,不需考虑截断边界,不需设置吸收边界条件,能够较精确的计算空问任意区域内的电磁场强度值,常被用于低频问题的研究,缺点是,精度低,计算复杂度高,且需要耗用大量的计算机内存资源。有限元法是以条件变分问题为对象来求解电磁场问题。在求解过程中,将场的求解区域剖分成有限个单元,因此在单元中构造出插值函数,将插值函数代入能量泛函的积分式,再把泛函离散化成多元函数。通过多元函数求极值方法得到一个代数方程组,最后由此方程组求解得到数值解。原理简单、实现方便,缺点是对于复杂的多介质问题,精度较低。时域有限差分法直接从Maxwell方程出发,不需要任何导出方程避免了使用更多的数学工具,近年来在处理吸收边界条件构建非均匀网格和不规则网格等方面的研究成果使得这一方法能够适应复杂的边界条件并便于实施。FDTD由于通用性和瞬态性以及它在计算非均匀介质目标时,具有矩量法无法比拟的优点。物理概念清晰,结果直观,网格剖分简单。很容易实现对非均匀介质场的建模分析,适用于各种形状和结构都很复杂的系统。经过对比,最终选取原理简单、计算精度高、适用领域广泛的时域有限差分算法对脑部进行前向的数值计算。3.2.1基于FDTD前向算法模型己知媒质的电磁参数和散射体对电磁波的响应,求解电磁的时空分布,称为正散射问题。数值算法是目前分析和求解电磁散射问题的主要方法。。时域有限差分法直接从Maxwell方程出发,不需要任何导出方程避免了使用更多的数学工具,近年来在处理吸收边界条件构建非均匀网格和不规则网格等方面的研究成果使得这一方法能够适应复杂的边界条件并便于实施。FDTD由于通用性和瞬态性以及它在计算非均匀介质目标时,具有矩量法无法比拟的优点,物理概念清晰,结果直观,网格剖分简单。很容易实现对非均匀介质场的建模分析,适用于各种形状和结构都很复杂的系统,且能够直接模拟场的分布,精度比较高,它在解决复杂外形、非均匀介质、时域、宽带散射和辐射系统的电磁问题时具有独特的优越性由于脑部介质的分布和介电常数高度复杂和对算法精确度的要求,在时间复杂度、模型建立的基础上综合分析,建立了一个基于FDTD的脑部模型的前向算法网格模型。FDTD利用蛙跳式计算算法,对空间领域内的电场和磁场进行交替计算,通过时间领域上更新来模仿电磁场在脑部模型中的变化,达到数值计算的目的。该算法的基本流程如下:图3.4FDTD仿真流程图3.2.2逆向算法模型在微波检测中,己知(实测或者仿真获得)散射体外部的散射场的时空分布,求解(也叫重建或重构或反演)被测目标、媒质的电参数的空间分布,则称为逆散射问题。解决逆散射问题的逆向重建算法一般遵循两个基本思路:一是通过反演,计算所在的域(空间)的电磁分布情况,如共轭梯度算法、N-K(Newton-Kantorovitch)算法,但是在反演计算中,描述电磁散射的算子方程不仅是一个复杂的非线性方程,求解困难,而且属于病态方程,求解是不稳定的,微小的误差就会造成计算结果的巨大偏差。另一种是通过迭代计算,在迭代过程中是否需要调用正向算法,无须反演计算,亦无须人为地选择正则化参数,反演过程稳定,但是时间复杂度相对较高。人脑中风微波检测应用,脑部散射体不规则,结构复杂,介电性质差异小,散射场与散射体之间呈非线性关系,电磁逆散射问题的解具有非唯一性和不稳定性等特征,,存在算法复杂,易受干扰等缺点,很难得到电磁逆散射问题的解析解,基于反演的逆向重建算法难以用于脑部中风的检测。基于微波信号的物体内部异常检测方法,常采用共焦微波成像方法,但对于脑中风检测这种复杂结构尤其是中风区域的信号反射无法清晰获取的情况下,难以获得有效的检测效果。本文首先采用基于信号相似度的二分定位迭代搜索法,进行中风血块的检测和定位,算法简单容易实现,但算法的可靠性不高。近年来出现了很多全局优化迭代计算,如遗传算法,蚁群算法等,具有较高的可靠性。粒子群寻优是目前广泛使用的一种优化方法,在微波检测中也有所应用。粒子群算法同遗传算法类似,也是一种基于群体的迭代优化算法。系统通过初始化一组随机解,在迭代的过程中搜索最优值。粒子群算法同遗传算法等其他进化算法不同之处在于,它不是通过采用群体解的竞争机制来迭代产生最优解,而是采用群体解的合作机制来迭代产生最优解。此外,粒子群算法概念简单、容易实现,需要调节的参数偏少。因此,粒子群算法越来越受到人们的关注,其研究成为国内外的热点,尤其应用粒子群算法对工程技术问题的优化文献呈指数增加。本论文采用粒子群算法优化重建被测区域的介电常数

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论