Page 23 - 《应用声学）》2023年第5期

第 42 卷 第 5 期 张皓宇等： 基于超声射频信号的支持向量机双参量 B 线识别方法 915

列熵的分类结果进行处理，显著改善B线识别效果，
3 讨论 平均灵敏度达到 95.23%，平均特异性为 97.22%，平

均准确率为96.88%，实现了对B线的较准确识别。
本研究基于超声 RF 数据进行肺超声特殊征象
本文提出的这种基于超声 RF 数据 SVM 双参
B 线的识别，选取了 RF 数据的 5 种特征参数，包括
数(信息熵和排列熵)B线识别方法相较于Cristiana
信息熵、排列熵、包络峰度、偏度和 RF 信号能量。
等 [8] 提出的基于卷积神经网络的深度学习算法对
为了确定对于 B 线分类效果最好的特征参量以及
计算机算力的要求更低，计算速度更快，有利于对
最好的 B 线识别效果，对各个参数进行了独立样
B线的实时快速识别。Cristiana等 [8] 分析识别效果
本 t 检验，采用单参数贝叶斯分类器与双参数非线
时计算的灵敏度、特异性等指标是以某超声图像是
性 SVM，并选择了 4 种不同的特征参数组合输入
否存在 B 线为标准，比较模型识别与专家判断结果
SVM，对100帧 RF 数据进行了分类识别实验，进行
是否一致为依据，若模型识别与专家判断某超声图
了各特征参数的统计学分析，比较了各个参数单参
像中存在 B 线则认为识别正确，而本文是将超声图
数分类的效果、不同参数组合输入非线性 SVM 的
像的每条扫描线包含的所有 RF 数据作为一个最小
识别效果以及单参数与双参数的识别效果，最后在
的识别对象，分析识别效果时计算的灵敏度、特异性
信息熵与排列熵双参数 SVM 识别的基础上提出并
与准确率是以每一条扫描线是否属于 B 线为标准，
采用了一种后处理算法，并对后处理算法的效果进
比较模型识别与专家判断结果是否一致，识别结果
行了比较分析。
不仅包含被识别的图像中是否存在 B 线的信息，并
结果显示 B 线与非 B 线的所有特征参数之间
且指明了 B 线的具体位置与范围，可以为定量研究
均具有显著差异，但不同特征参数对于 B 线识别的
B线与肺病变严重程度的关系提供重要依据。
相关性差别较大，根据单参数贝叶斯分类结果，标准
本研究选用的超声 RF 数据来自油酸致肺损伤
差较小的排列熵和信息熵相关性较高，而标准差较
动物模型实验，实验中出现 B 线的具体病理可能并
大的峰度、偏度和信号能量相关度较低，说明对于
不统一，具有一定的局限性。在后续研究中会与相
两种类别 RF 信号的特征参数，具有显著差异性且
关医院超声科合作，获得可供研究的具体病例的
标准差较小的特征参数更有利于B线的识别。
RF 数据，将 B 线识别与产生 B 线的具体病理特征
与单参数贝叶斯分类相比，双参数 SVM 分类
结合起来，以提高B线识别的可靠性与特异性。
的识别灵敏度、特异性、准确率以及 AUC 均有显著
的提高，且单参数分类效果好的特征参数作为双特
4 结论
征参数输入组合的一部分时，分类准确率也高于那
些含有单参数分类效果较差的特征参数的参数组 本文提出了一种基于超声 RF 信号的肺脏超声
合，说明多参数输入分类器时会提供各自对于分类 特殊征象 B 线的识别方法，提取肺超声 RF 数据的
识别的能力，并且参数组合不仅仅包含单参数分类 信息熵、排列熵、峰度、偏度和能量作为特征参数，利
能力，还会由于参数间隐含的相关关系，使得参数 用单参数贝叶斯分类器以及非线性 SVM，获得并比

组合与分类的相关度更高，进一步提高识别准确率。 较了不同参数以及不同参数组合对于 B 线识别的
但本研究并未比较双参数组合与更高维度的特征 效果，并将识别效果最好的信息熵加排列熵参数组
参数组合输入 SVM 时的分类效果，后期研究会采 合的识别结果输入后处理算法，最终得到 B 线识别
用更高维度的特征参数组合，探究更高维特征空间 平均灵敏度为 95.23%，平均特异性为 97.22%，平均
对于B线识别的能力。 准确率为 96.88%，能够以较高的灵敏度、特异性和
4 种输入非线性 SVM 的特征参数组合中，信 准确率实现对肺超声 B 线的识别。与基于图像的 B
息熵加排列熵的分类效果最好，平均灵敏度为 线识别方法相比，本文提出的基于 RF 数据的 B 线
90.521%，平均特异性为 98.106%，平均准确率达到 识别方法受到超声仪器参数调整的影响更小，可以
96.328%，AUC达到 0.95，均大于其他 3 种输入特征 适用于多种不同超声仪器，普适性较强，应用场景较
参数的组合。进一步采用后处理算法对信息熵加排 广。同时，基于RF数据提取的特征参量包含更多组