《Biomedical Signal Processing and Control》：A comprehensive approach for high intensity blood flow signal classification using multi-scale spectrogram fusion and tunable Q-factor wavelet analysis
編輯推薦：
為解決經顱多普勒（TCD）超聲檢測微栓子信號（ME）時面臨的與偽影、多普勒散斑信號區分難題，研究人員提出融合多尺度 spectrogram 與可調 Q 因子小波變換（TQWT）特征，結合 DenseNet201 卷積神經網絡的自動分類方法，實現 94.42% 準確率與 94.36% F1-Score，為早期卒中診斷提供新方案。
在人體血液循環的精密網絡中，血管暢通如同生命河流的清澈航道，一旦血栓脫落形成微栓子（emboli），就像混入河流的 “暗礁”，可能引發缺血性卒中、心力衰竭等致命危機。經顱多普勒超聲（TCD）雖能捕捉微栓子信號（ME），卻面臨著與偽影（artifact）、多普勒散斑（Doppler speckle）信號難以精準區分的挑戰 —— 這三種高強度信號如同 “三胞胎”，傳統檢測方法因固定閾值局限、時頻分析能力不足，常陷入 “誤判漩渦”。如何從復雜的血流信號中揪出真正的 “健康威脅者”，成為早期卒中預警領域亟待突破的關鍵科學問題。
來自國外研究機構的科研團隊聚焦這一難題，在《Biomedical Signal Processing and Control》發表研究成果，提出一種融合多維度特征的自動化分類新方案。該研究通過創新的技術組合，為血流信號分析開辟了新思路，有望顯著提升微栓子檢測的效率與準確性，為臨床早期干預贏得寶貴時間。
研究采用的核心技術方法包括：①多尺度 spectrogram 生成，基于梅爾（Mel）、等效矩形帶寬（ERB）、巴克（Bark）三種模擬人耳基底膜特性的尺度，將一維血流信號轉化為二維時頻圖像，模仿人類聽覺系統對頻率的感知機制；②可調 Q 因子小波變換（TQWT），通過調節 Q 因子和分解層數（J），實現對非平穩多普勒信號的自適應時頻分析，提取各子帶的統計特征（如均值、方差等）；③深度卷積神經網絡 DenseNet201，對多尺度 spectrogram 圖像進行特征提取，并通過特征級融合技術，將 CNN 特征與 TQWT 特征聯合，增強分類模型的判別能力。研究樣本來自 35 例癥狀性頸動脈狹窄患者的患側大腦中動脈多普勒信號，包含 200 個微栓子信號、100 個多普勒散斑信號和 100 個偽影信號。
研究結果
多尺度 spectrogram 的特征提取效能
基于 Mel、ERB、Bark 尺度生成的 spectrogram 圖像，能夠有效捕捉信號的時頻分布差異。其中，高 Q 值（如 Q=2.82）結合增加分解層數（J）的 TQWT 處理，可清晰凸顯微栓子信號的瞬態振蕩特性，而偽影信號主要集中于低頻帶，多普勒散斑則呈現高頻振蕩模式。DenseNet201 網絡通過卷積層堆疊，自動學習到不同尺度圖像中與信號類別相關的關鍵特征，如頻率梯度、能量分布模式等。
特征融合提升分類性能
單獨使用 CNN 特征或 TQWT 特征時，分類準確率分別為 91.2% 和 89.5%，而通過特征級融合后，模型在測試集上實現了 94.42% 的準確率和 94.36% 的 F1-Score�；煜仃嚪治霰砻�，該方法顯著降低了微栓子信號與偽影、散斑信號的誤分類率，尤其在區分低頻偽影與高頻微栓子方面表現優異。
與傳統方法的對比優勢
相較于基于固定閾值的短時傅里葉變換（STFT）、經驗模態分解（EMD）等傳統方法，該研究提出的融合方案通過自適應時頻分析與深度特征學習的結合，克服了非平穩信號分析中時間 - 頻率分辨率不可調的缺陷，展現出更強的泛化能力和魯棒性。
研究結論與討論
本研究構建的多尺度 spectrogram 融合與 TQWT 特征聯合分析框架，成功突破了傳統微栓子檢測的技術瓶頸。通過模擬人耳基底膜的多尺度時頻表征，結合可調 Q 因子小波變換的自適應分解能力，實現了對三種高強度血流信號的精細刻畫；而 DenseNet201 與特征融合策略的引入，則為復雜醫學信號的自動化分類提供了高效的解決方案。實驗結果表明，該方法在微栓子信號識別中達到了目前同類研究的先進水平，為開發實時、無創的卒中早期預警系統奠定了重要基礎。
值得注意的是，可調 Q 因子小波變換的參數優化（如 Q 值與 J 值的協同調節）是提升性能的關鍵因素之一，其在不同病理背景下的普適性仍需更大樣本隊列驗證。未來研究可進一步探索跨模態數據融合（如結合超聲圖像紋理特征），并推動算法向便攜式設備的轉化，以加速其臨床應用進程。該研究不僅為血流動力學信號分析提供了新范式，也為其他非平穩生物醫學信號（如腦電、肌電）的智能處理提供了重要借鑒。
