Page 20 - 《应用声学）》2023年第5期

912 2023 年 9 月

2.2 单参数分析 和标准差并使用独立样本 t 检验判断其是否有显著
本文共选取 100 帧 RF 原始数据，依据 B 线从 差异性，如表 1 所示。最后将各个参数随机平均分
胸膜线产生并延伸至屏幕底部、与肺滑行同步运 为10份，轮流取其中9份作为训练集，剩下1份作为
动、呈现离散、激光样垂直高回声的伪影表现的特 测试集输入贝叶斯分类器，得到单参数分类的平均
征，对所有识别对象标定 B 线或非 B 线标签。分别 灵敏度、特异性、准确率和曲线下面积 (Area under
统计 B 线区域与非 B 线区域各个特征参量的均值 curve, AUC)如表2所示。

表 1 特征参数统计特征
Table 1 Statistical characteristics of characteristic parameters

B 线 非 B 线 独立样本 t 检验
特征参数
均值 标准差 均值 标准差 P 显著性
信息熵 8.589 0.2253 8.134 0.443 <0.05 是
排列熵 1.974 0.119 2.454 0.287 <0.05 是
峰度 28.373 15.786 45.908 22.384 <0.05 是
偏度 −5.067 × 10 −5 6.755 × 10 −4 2.392 × 10 −4 1.22 × 10 −3 <0.05 是
能量 6.142×10 8 4.35×10 8 4.668 × 10 8 4.087 × 10 8 <0.05 是

表 2 特征参数单参数贝叶斯分类 复规律性，这使得表 1 中数据显示与非 B 线区域相
Table 2 Bayesian classification results of 比，信息熵显示 B 线区域信号混乱程度更高而排列
single characteristic parameters 熵却显示其更具有规律性。
表 2 中单参数的贝叶斯分类器分类结果显示
特征参数 灵敏度/% 特异性/% 准确率/% AUC
信息熵 (灵敏度 72.547%，特异性 91.337%，准确率
信息熵 72.547 91.337 85.074 0.91
85.074%，AUC= 0.91) 和排列熵 (灵敏度 89.953%，
排列熵 89.953 78.303 82.186 0.90
特异性 78.303%，准确率 82.186%， AUC= 0.90) 的
峰度 26.384 96.203 72.930 0.72
识别效果最好，峰度、偏度和能量3 个参数识别特异
偏度 3.283 96.895 65.691 0.60
能量 8.228 92.484 64.399 0.61 性较高，灵敏度较低且与信息熵和排列熵相比差距
较大。表明排列熵与信息熵对于判断 RF 信号是否
由表 1 可见，对本文提取的 5 个特征参数分 为B线的能力较上述其他特征参数更高。贝叶斯分
别进行独立样本 t 检验后，结果显示 B 线与非 B 类灵敏度较低的3个特征参数(峰度、偏度、能量) 其
线的上述所有特征参数之间均具有显著差异性 标准差较大，B 线与非 B 线相应特征参数数值重合

(P < 0.05)。可以发现，B 线排列熵均值 (1.974) 显 区间内识别对象数量较多，导致大多数 B 线数据被
著低于非 B 线排列熵均值 (2.454)；B 线信息熵均值 分类为非 B 线，从而使得分类模型表现出灵敏度非
(8.589) 显著高于非 B 线信息熵均值 (8.134)。这是 常低而特异性非常高的特点。
因为信息熵与排列熵分别从两个不同方面反映了
信号的复杂程度，信息熵从信号幅值出现的概率密 2.3 基于非线性SVM的双参数B线识别
度评估信号在宏观上的混乱程度，排列熵却并不关 由2.2 节可知，基于 B 线和非B 线RF 数据提取
注信号具体幅值，而是分析信号重构分量内数据升 的特征参数虽然有显著差异性，但其数值均有一
序排列顺序出现的概率，排列熵侧重于被分析信号 定程度上的重合，而这样线性不可分的性质对贝
内相似片段的重复性，而对相似片段内信号幅值较 叶斯分类器有较差的影响。为了获得更好的分类
小的波动变化以及异常点并不敏感，相比于信息熵， 效果并且寻找上述参数中识别效果最好的双参数
排列熵弱化了 B 线信号衰减等其他因素导致的信 组合，选择单参数贝叶斯分类中识别效果前三的参
号幅值变化的影响，突出了 B 线信号在微观上的重 数 (信息熵、排列熵和峰度) 组成 3 组双特征参数组