编辑推荐：
为解决经颅多普勒（TCD）超声检测微栓子信号（ME）时面临的与伪影、多普勒散斑信号区分难题，研究人员提出融合多尺度 spectrogram 与可调 Q 因子小波变换（TQWT）特征，结合 DenseNet201 卷积神经网络的自动分类方法，实现 94.42% 准确率与 94.36% F1-Score，为早期卒中诊断提供新方案。
在人体血液循环的精密网络中，血管畅通如同生命河流的清澈航道，一旦血栓脱落形成微栓子（emboli），就像混入河流的 “暗礁”，可能引发缺血性卒中、心力衰竭等致命危机。经颅多普勒超声（TCD）虽能捕捉微栓子信号（ME），却面临着与伪影（artifact）、多普勒散斑（Doppler speckle）信号难以精准区分的挑战 —— 这三种高强度信号如同 “三胞胎”，传统检测方法因固定阈值局限、时频分析能力不足，常陷入 “误判漩涡”。如何从复杂的血流信号中揪出真正的 “健康威胁者”，成为早期卒中预警领域亟待突破的关键科学问题。
来自国外研究机构的科研团队聚焦这一难题，在《Biomedical Signal Processing and Control》发表研究成果，提出一种融合多维度特征的自动化分类新方案。该研究通过创新的技术组合，为血流信号分析开辟了新思路，有望显著提升微栓子检测的效率与准确性，为临床早期干预赢得宝贵时间。
研究采用的核心技术方法包括：①多尺度 spectrogram 生成，基于梅尔（Mel）、等效矩形带宽（ERB）、巴克（Bark）三种模拟人耳基底膜特性的尺度，将一维血流信号转化为二维时频图像，模仿人类听觉系统对频率的感知机制；②可调 Q 因子小波变换（TQWT），通过调节 Q 因子和分解层数（J），实现对非平稳多普勒信号的自适应时频分析，提取各子带的统计特征（如均值、方差等）；③深度卷积神经网络 DenseNet201，对多尺度 spectrogram 图像进行特征提取，并通过特征级融合技术，将 CNN 特征与 TQWT 特征联合，增强分类模型的判别能力。研究样本来自 35 例症状性颈动脉狭窄患者的患侧大脑中动脉多普勒信号，包含 200 个微栓子信号、100 个多普勒散斑信号和 100 个伪影信号。
研究结果
多尺度 spectrogram 的特征提取效能
基于 Mel、ERB、Bark 尺度生成的 spectrogram 图像，能够有效捕捉信号的时频分布差异。其中，高 Q 值（如 Q=2.82）结合增加分解层数（J）的 TQWT 处理，可清晰凸显微栓子信号的瞬态振荡特性，而伪影信号主要集中于低频带，多普勒散斑则呈现高频振荡模式。DenseNet201 网络通过卷积层堆叠，自动学习到不同尺度图像中与信号类别相关的关键特征，如频率梯度、能量分布模式等。
特征融合提升分类性能
单独使用 CNN 特征或 TQWT 特征时，分类准确率分别为 91.2% 和 89.5%，而通过特征级融合后，模型在测试集上实现了 94.42% 的准确率和 94.36% 的 F1-Score。混淆矩阵分析表明，该方法显著降低了微栓子信号与伪影、散斑信号的误分类率，尤其在区分低频伪影与高频微栓子方面表现优异。
与传统方法的对比优势
相较于基于固定阈值的短时傅里叶变换（STFT）、经验模态分解（EMD）等传统方法，该研究提出的融合方案通过自适应时频分析与深度特征学习的结合，克服了非平稳信号分析中时间 - 频率分辨率不可调的缺陷，展现出更强的泛化能力和鲁棒性。
研究结论与讨论
本研究构建的多尺度 spectrogram 融合与 TQWT 特征联合分析框架，成功突破了传统微栓子检测的技术瓶颈。通过模拟人耳基底膜的多尺度时频表征，结合可调 Q 因子小波变换的自适应分解能力，实现了对三种高强度血流信号的精细刻画；而 DenseNet201 与特征融合策略的引入，则为复杂医学信号的自动化分类提供了高效的解决方案。实验结果表明，该方法在微栓子信号识别中达到了目前同类研究的先进水平，为开发实时、无创的卒中早期预警系统奠定了重要基础。
值得注意的是，可调 Q 因子小波变换的参数优化（如 Q 值与 J 值的协同调节）是提升性能的关键因素之一，其在不同病理背景下的普适性仍需更大样本队列验证。未来研究可进一步探索跨模态数据融合（如结合超声图像纹理特征），并推动算法向便携式设备的转化，以加速其临床应用进程。该研究不仅为血流动力学信号分析提供了新范式，也为其他非平稳生物医学信号（如脑电、肌电）的智能处理提供了重要借鉴。
