技术领域
本发明实施例涉及通信的技术领域，尤其涉及一种血缘频谱成像的方法及装置。
背景技术
超声多普勒血流成像技术是实现血管疾病无损诊断的重要手段，对超声多普勒血流回波信号的成像分析可以为疾病诊断提供重要的参数依据。超声多普勒血流频谱成像技术是通过对血液中超声散射体的多普勒频移的估计成像，达到检测血流速度、血流方向和血容量等医学信息的目的。因此，超声多普勒血流成像在诊断评估心血管疾病、手术实时监护、药物治疗效果评价等许多方面都具有重要的临床应用价值，是临床上不可或缺的重要的诊断手段之一。
超声多普勒信号是随时间变化的非平稳随机信号，信号的频移与血流的速度是直接相关的。研究表明，血管疾病的存在会导致血流速度的波形，如多普勒信号最大频率曲线或平均频率发生变化，从而影响信号的时频分布也发生变化。
目前，在国内外市场上的超声血流多普勒检测仪器中，主流的频谱成像方法是基于经典谱估计的短时傅里叶变换(Short-time Fourier transform，STFT)。该方法的实现，是通过对解调后的超声回波慢时信号进行加窗截短，对每一个短时间内的信号进行快速傅立叶变换(Fast Fourier Transformation，FFT)，实现对频谱的估计。但是该方法具有很多固有缺陷，算法方差性能差；分辨率由数据长度决定导致时间分辨率和频率分辨率 需要折中；加窗平滑但是增大估计误差等等。
发明内容
本发明实施例的目的在于提出一种血缘频谱成像的方法及装置，旨在解决如何将复数卡尔曼滤波估计应用于血流频谱成像。
为达此目的，本发明实施例采用以下技术方案：
第一方面，一种血缘频谱成像的方法，所述方法包括：
通过卡尔曼滤波算法建立系统的状态空间模型，所述状态空间模型包括状态方程和测量方程；
根据所述状态空间模型和线性预测系统构建动态转移方程，并对所述动态转移方程进行自适应卡尔曼滤波循环迭代过程；
在所述自适应卡尔曼滤波循环迭代过程中生成血缘频谱。
优选地，所述通过卡尔曼滤波算法建立系统的状态空间模型，包括：
分别建立信号与噪声的状态空间模型，利用前一时刻的状态变量估计值对现在时刻进行初步估计，并结合现在时刻的观测值修正估计参数；
更新所述状态变量估计值，求解出现在时刻的最优状态变量估计值。
优选地，所述分别建立信号与噪声的状态空间模型，利用前一时刻的状态变量估计值对现在时刻进行初步估计，并结合现在时刻的观测值修正估计参数，包括：
通过所述卡尔曼滤波算法建立状态方程xk+1＝Axk+Buk+wk和测量方程zk＝Hkxk+vk；
其中，所述x和z是输入和输出，所述A和B是系统参数，所述xk是k时刻的状态矢量，所述uk是k时刻对系统的控制量，所述zk是k时刻的 测量矩阵或输出矩阵，所述H是测量系统的参数，所述wk和vk分别表示过程噪声和测量噪声，所述过程噪声的标准差为R，所述测量噪声的标准差为Q。
优选地，所述所述wd为血流多普勒频移，所述φt为回波信号的相位变化，所述nk为随机噪声，所述Amp为信号的幅度；
所述所述h对应估计的频率响应点，h＝e-jwt＝cos(wt)-j sin(wt)，所述A为单位矩阵；所述uk不存在的情况下，所述B为0。
优选地，所述根据所述状态空间模型和线性预测系统构建动态转移方程，并对所述动态转移方程进行自适应卡尔曼滤波循环迭代过程，包括：
初始化复数卡尔曼
计算K时刻的复数卡尔曼增益
最优估计修正
更新协方差矩阵
向前预测
其中，所述I为单位矩阵，所述Gk和所述Pk为K时刻下的卡尔曼增益和协方差矩阵，上标^为估计值，上标-为先验值，p0初始值反比于测量过程的信噪比SNR，x0为0或者第一个数据点。
第二方面，一种血缘频谱成像的装置，所述装置包括：
建立模块，用于通过卡尔曼滤波算法建立系统的状态空间模型，所述状态空间模型包括状态方程和测量方程；
构建迭代模块，用于根据所述状态空间模型和线性预测系统构建动态转移方程，并对所述动态转移方程进行自适应卡尔曼滤波循环迭代过程；
生成模块，用于在所述自适应卡尔曼滤波循环迭代过程中生成血缘频谱。
优选地，所述建立模块，具体用于：
分别建立信号与噪声的状态空间模型，利用前一时刻的状态变量估计值对现在时刻进行初步估计，并结合现在时刻的观测值修正估计参数；
更新所述状态变量估计值，求解出现在时刻的最优状态变量估计值。
优选地，所述建立模块，还具体用于：
通过所述卡尔曼滤波算法建立状态方程xk+1＝Axk+Buk+wk和测量方程zk＝Hkxk+vk；
其中，所述x和z是输入和输出，所述A和B是系统参数，所述xk是k时刻的状态矢量，所述uk是k时刻对系统的控制量，所述zk是k时刻的测量矩阵或输出矩阵，所述H是测量系统的参数，所述wk和vk分别表示过程噪声和测量噪声，所述过程噪声的标准差为R，所述测量噪声的标准差为Q。
优选地，所述所述wd为血流多普勒频移，所述φt为回波信号的相位变化，所述nk为随机噪声，所述Amp为信号的幅度；
所述所述h对应估计的频率响应点，h＝e-jwt＝cos(wt)-j sin(wt)，所述A为单位矩阵；所述uk不存在的情况下，所述B为0。
优选地，所述构建迭代模块，具体用于：
初始化复数卡尔曼
计算K时刻的复数卡尔曼增益
最优估计修正
更新协方差矩阵
向前预测
其中，所述I为单位矩阵，所述Gk和所述Pk为K时刻下的卡尔曼增益和协方差矩阵，上标^为估计值，上标-为先验值，p0初始值反比于测量过程的信噪比SNR，x0为0或者第一个数据点。
本发明实施例提供的一种血缘频谱成像的方法及装置，通过卡尔曼滤波算法建立系统的状态空间模型，所述状态空间模型包括状态方程和测量方程；根据所述状态空间模型和线性预测系统构建动态转移方程，并对所述动态转移方程进行自适应卡尔曼滤波循环迭代过程；在所述自适应卡尔曼滤波循环迭代过程中生成血缘频谱。本发明将谱估计的金标准算法(复数卡尔曼滤波估计)应用于血流频谱成像，卡尔曼滤波谱估计算法具有准确的速度估计和方向估计能力，方差性能最佳；对卡尔曼滤波谱估计参数模型的灵活可调性设置，可以实现任意频率成分估计，不受数据长度影响，且对任意频率成分滤波或补偿，使用方式更加灵活可变；卡尔曼滤波谱估计算法的自适应循环具有极佳的鲁棒性，具有消除抑制高斯或其非高斯噪声的能力，其结构还可以实现单点输入频谱输出的成像方式，成像的延时极小；在血流频谱成像中，可以充分运用先验知识，以参数设置出最佳的频谱分辨率、时间分辨率的方式实现实时成像。
附图说明
图1是本发明实施例提供一种血缘频谱成像的方法的流程示意图；
图2是本发明实施例提供的一种状态变量的估计方式示意图；
图3是本发明实施例提供的一种运用卡尔曼滤波算法实现谱估计的方法示意图；
图4是本发明实施例提供的一种不同R值下的频率带宽响应的方法示意图；
图5是本发明实施例提供的一种系统的状态转移图示意图；
图6是本发明实施例提供的一种血流频谱成像示意图；
图7是本发明实施例提供的一种血缘频谱成像的装置的功能模块示意图。
具体实施方式
下面结合附图和实施例对本发明实施例作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明实施例，而非对本发明实施例的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明实施例相关的部分而非全部结构。
参考图1，图1是本发明实施例提供一种血缘频谱成像的方法的流程示意图。
如图1所示，所述血缘频谱成像的方法包括：
步骤101，通过卡尔曼滤波算法建立系统的状态空间模型，所述状态空间模型包括状态方程和测量方程；
具体的，卡尔曼滤波是基于状态估计的滤波器，将系统测量问题转化为状态估计和状态更新，即可从现有观测值估计出原先不可测或难测变量的估计值。算法具有处理非平稳信号的能力，更符合动态谱估计的需求，并且结合了谱估计模型，利用线性预测系数构成了动态转移方程，自适应滤波得到更准确的估计信息。滤波算法是以递推(Iteration)估计的形式进行的，其基本思想是：分别建立信号与噪声的状态空间模型，利用前一时刻的估计值实现对现在时刻的初步估计，结合现在时刻的观测值修正估计参数，并更新 对状态变量的估计，求解出现在时刻的最优估计值，如图2所示。
优选地，所述通过卡尔曼滤波算法建立系统的状态空间模型，包括：
分别建立信号与噪声的状态空间模型，利用前一时刻的状态变量估计值对现在时刻进行初步估计，并结合现在时刻的观测值修正估计参数；
更新所述状态变量估计值，求解出现在时刻的最优状态变量估计值。
优选地，所述分别建立信号与噪声的状态空间模型，利用前一时刻的状态变量估计值对现在时刻进行初步估计，并结合现在时刻的观测值修正估计参数，包括：
通过所述卡尔曼滤波算法建立状态方程xk+1＝Axk+Buk+wk和测量方程zk＝Hkxk+vk；
其中，所述x和z是输入和输出，所述A和B是系统参数，所述xk是k时刻的状态矢量，所述uk是k时刻对系统的控制量，所述zk是k时刻的测量矩阵或输出矩阵，所述H是测量系统的参数，所述wk和vk分别表示过程噪声和测量噪声，所述过程噪声的标准差为R，所述测量噪声的标准差为Q。
优选地，所述所述wd为血流多普勒频移，所述φt为回波信号的相位变化，所述nk为随机噪声，所述Amp为信号的幅度；
所述所述h对应估计的频率响应点，h＝e-jwt＝cos(wt)-j sin(wt)，所述A为单位矩阵；所述uk不存在的情况下，所述B为0。
具体的，运用卡尔曼滤波算法实现谱估计，需要建立系统的状态空间模型，以状态方程和测量方程进行描述，如图3所示：
状态方程：xk+1＝Axk+Buk+wk
测量方程：zk＝Hkxk+vk
所述x和z是输入和输出，所述A和B是系统参数，所述xk是k时刻的状态矢量，所述uk是k时刻对系统的控制量，所述zk是k时刻的测量矩阵或输出矩阵，所述H是测量系统的参数，所述wk和vk分别表示过程噪声和测量噪声，所述过程噪声的标准差为R，所述测量噪声的标准差为Q。
对于正交相位(in-phase&quadrature)解调后的超声多普勒回波信号，状态矢量可以表示为：
wd为血流多普勒频移，所述φt为回波信号的相位变化，所述nk为随机噪声，所述Amp为信号的幅度。
设计参数模型实现谱估计，以确定系统的观测矩阵，状态矢量，控制矢量，噪声标准差参数等等。在多普勒频谱估计中，观测矩阵为零至奈奎斯特频率fn的全面观测：
每一个h即对应所估计的频率响应点，可以通过ω实现任意频率估计设置：
h＝e-jwt＝cos(wt)-j sin(wt)
此外，A为单位矩阵；所述uk不存在的情况下，所述B为0；通过参数R的设置，可以任意调节频率响应带宽，如图4所示，而参数Q的设置，则影响滤波器的互谱优化过程。
步骤102，根据所述状态空间模型和线性预测系统构建动态转移方程，并对所述动态转移方程进行自适应卡尔曼滤波循环迭代过程；
具体的，在确定系统状态空间，参数设置之后，即可进入自适应卡尔曼滤波循环迭代过程。
复数卡尔曼初始化：
k时刻的复数卡尔曼增益计算：
最优估计修正:
协方差矩阵更新:
向前预测:
其中，所述I为单位矩阵，所述Gk和所述Pk为K时刻下的卡尔曼增益和协方差矩阵，上标^为估计值，上标-为先验值，p0初始值反比于测量过程的信噪比SNR，x0为0或者第一个数据点,其差异在算法收敛的前提下并不大。综上所述，可以得到系统的状态转移图，如图5所示。
优选地，所述根据所述状态空间模型和线性预测系统构建动态转移方程，并对所述动态转移方程进行自适应卡尔曼滤波循环迭代过程，包括：
初始化复数卡尔曼
计算K时刻的复数卡尔曼增益
最优估计修正
更新协方差矩阵
向前预测
其中，所述I为单位矩阵，所述Gk和所述Pk为K时刻下的卡尔曼增益和协方差矩阵，上标^为估计值，上标-为先验值，p0初始值反比于测量过程的信噪比SNR，x0为0或者第一个数据点。
步骤103，在所述自适应卡尔曼滤波循环迭代过程中生成血缘频谱。
具体的，算法可以实现更加准确的频谱估计，应用于血流多普勒频谱成像中，参数设置可以做到对任意频率估计，频率响应补偿，使得血流频谱成像细节比STFT算法更加饱满与连贯，如图6所示。
本发明实施例提供的一种血缘频谱成像的方法，通过卡尔曼滤波算法建立系统的状态空间模型，所述状态空间模型包括状态方程和测量方程；根据所述状态空间模型和线性预测系统构建动态转移方程，并对所述动态转移方程进行自适应卡尔曼滤波循环迭代过程；在所述自适应卡尔曼滤波循环迭代过程中生成血缘频谱。本发明将谱估计的金标准算法(复数卡尔曼滤波估计)应用于血流频谱成像，卡尔曼滤波谱估计算法具有准确的速度估计和方向估计能力，方差性能最佳；对卡尔曼滤波谱估计参数模型的灵活可调性设置，可以实现任意频率成分估计，不受数据长度影响，且对任意频率成分滤波或补偿，使用方式更加灵活可变；卡尔曼滤波谱估计算法的自适应循环具有极佳的鲁棒性，具有消除抑制高斯或其非高斯噪声的能力，其结构还可以实现单点输入频谱输出的成像方式，成像的延时极小；在血流频谱成像中，可以充分运用先验知识，以参数设置出最佳的频谱分辨率、时间分辨率的方式实现实时成像。
参考图7，图7是本发明实施例提供的一种血缘频谱成像的装置的功能 模块示意图。
如图7所示，所述装置包括：
建立模块701，用于通过卡尔曼滤波算法建立系统的状态空间模型，所述状态空间模型包括状态方程和测量方程；
构建迭代模块702，用于根据所述状态空间模型和线性预测系统构建动态转移方程，并对所述动态转移方程进行自适应卡尔曼滤波循环迭代过程；
生成模块703，用于在所述自适应卡尔曼滤波循环迭代过程中生成血缘频谱。
优选地，所述建立模块701，具体用于：
分别建立信号与噪声的状态空间模型，利用前一时刻的状态变量估计值对现在时刻进行初步估计，并结合现在时刻的观测值修正估计参数；
更新所述状态变量估计值，求解出现在时刻的最优状态变量估计值。
优选地，所述建立模块701，还具体用于：
通过所述卡尔曼滤波算法建立状态方程xk+1＝Axk+Buk+wk和测量方程zk＝Hkxk+vk；
其中，所述x和z是输入和输出，所述A和B是系统参数，所述xk是k时刻的状态矢量，所述uk是k时刻对系统的控制量，所述zk是k时刻的测量矩阵或输出矩阵，所述H是测量系统的参数，所述wk和vk分别表示过程噪声和测量噪声，所述过程噪声的标准差为R，所述测量噪声的标准差为Q。
优选地，所述所述所述wd为血流多普勒频移，所述φt为回波信号的相位变化，所述nk为随机噪声，所述Amp为信号的幅度；
所述所述h对应估计的频率响应点，h＝e-jwt＝cos(wt)-j sin(wt)，所述A为单位矩阵；所述uk不存在的情况下，所述B为0。
优选地，所述构建迭代模块702，具体用于：
初始化复数卡尔曼
计算K时刻的复数卡尔曼增益
最优估计修正
更新协方差矩阵
向前预测
其中，所述I为单位矩阵，所述Gk和所述Pk为K时刻下的卡尔曼增益和协方差矩阵，上标^为估计值，上标-为先验值，p0初始值反比于测量过程的信噪比SNR，x0为0或者第一个数据点。
本发明实施例提供的一种血缘频谱成像的装置，通过卡尔曼滤波算法建立系统的状态空间模型，所述状态空间模型包括状态方程和测量方程；根据所述状态空间模型和线性预测系统构建动态转移方程，并对所述动态转移方程进行自适应卡尔曼滤波循环迭代过程；在所述自适应卡尔曼滤波循环迭代过程中生成血缘频谱。本发明将谱估计的金标准算法(复数卡尔曼滤波估计)应用于血流频谱成像，卡尔曼滤波谱估计算法具有准确的速度估计和方向估计能力，方差性能最佳；对卡尔曼滤波谱估计参数模型的灵活可调性设置，可以实现任意频率成分估计，不受数据长度影响，且对任意频率成分滤波或补偿，使用方式更加灵活可变；卡尔曼滤波谱估计算法的自适应循环具有极佳的鲁棒性，具有消除抑制高斯或其非高斯噪声的能力，其结构还可以实现单点输入频谱输出的成像方式，成像的延时极小；在血流频谱成像中，可以 充分运用先验知识，以参数设置出最佳的频谱分辨率、时间分辨率的方式实现实时成像。
以上结合具体实施例描述了本发明实施例的技术原理。这些描述只是为了解释本发明实施例的原理，而不能以任何方式解释为对本发明实施例保护范围的限制。基于此处的解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明实施例的其它具体实施方式，这些方式都将落入本发明实施例的保护范围之内。