序列预处理

序列预处理（共5篇）

序列预处理 篇1

展示空间综合了平面、立体空间以及时间等元素, 通过在特定的空间中组织有序关系, 加以实物陈列等一系列综合手段, 构成基于展示主题信息的传递和效应, 使观众随着空间与时间的变化交融感受到各种展示信息, 这就是展示空间的基本特征。

1 展示空间的序列

展示空间的序列包括各个空间顺序、流线及方向等因素, 每个因素的组合搭配都必须根据展示空间的实用功能和审美功能精心设计。一个有序的空间, 可以提示观众先看什么, 再看什么, 不同的展示空间序列给人以不同的印象, 或使人轻松愉快、或令人震撼、或让人兴奋, 一个杂乱无章的展示空间, 会令观众迷惑不解。

1.1 空间的导向性

指导观众行动方向的空间处理称为空间的导向性, 它引导观众行动的方向, 使观众进入空间后, 自然随展示空间的布置而行动。常见的设计手法是采用统一或者类似的设计元素进行导向, 设计时可运用各种韵律构图和具有方向性的形象作为空间导向的手法, 比如连续的界面装饰、界面材质的变化等, 通过此类手法暗示或者引导观众的行动和注意力。

1.2 制造视觉中心

导向性只是将观众引向高潮, 最终能给观众带来强烈视感的是展示空间中的展品。因此在展示空间里设计引起观众强烈注意的物体, 可以吸引观众的视线, 从而走向空间里浏览展示空间中的展品。可利用虚实对比、隔景、升降等手法将空间进行处理。

1.3 空间的序列与节奏

综合运用对比、重复、过渡、衔接、引导等一系列空间处理手法, 把个别的空间组织成为一个有变化、和谐统一完整的展示空间。

2 展示空间设计的形式法则、处理手法

2.1 形状与比例

我们在确定展示空间形状的时候, 不但要使空间的形状符合功能使用上的要求, 同时还要满足精神感受方面的需要。不同的几何形会使观众产生不同的感觉, 而依据几何形建设的空间也使不同形状的空间具有不同的感觉。展示空间中心与四周的高度不同, 也会产生不同的感觉。中间高、四周低的形状会产生向心力, 适合于有中心展台的展示空间;而中间低、四周高的形状则有离心力, 有扩散作用, 使注意力向外移动。还有一些不规则的空间形状通过绵延的曲线或是折线引领观众。

2.2 围与透

指的是空间密闭的程度。围合的空间使观众注意力集中, 不受外界一切干扰, 此类空间适合于艺术馆、音乐厅等。透的空间则具有开放性、多样性。两者结合的手法在展示空间设计当中运用广泛, 从某种意思上来讲, 围与透是对视觉的精心设计, “围”是视线的范围, “透”则是视线的亮点所在。

2.3 分割与联系

展示空间中的分割与联系是相对的, 采取什么样的分割方式, 既要根据该展示空间的特点和功能使用要求, 又要考虑到该展示空间的风格设计特点以及观众的心理要求。至于展示空间的联系, 不仅要看空间限定的程度, 同样的手法可以有不同的限定程度, 同样的限定程度也可以有不同的限定手法。

2.4 对比与统一

对比是将展示空间中的不同点加以放大, 给观众强烈的冲击感, 留下深刻的印象。如空间体量的对比、色彩的对比、材质的对比、展品的大小对比等。设计师可以通过强化其中一方面, 或综合其他方面的对比, 来突出展示效果。

统一就是为了整体展示效果, 融合展示空间中的不同点。这需要设计师具有统筹能力, 效果突出的展示设计既有大体的美感, 又有细节的精致, 在统一中体现和谐的美学水准。

2.5 重复与再现

在一个展示空间当中, 如果连续出现有规律重复的设计元素或展品, 这就是空间的重复。而再现指的是让相同的空间分散或者分割开来, 需要通过逐一的元素展现让观众感受到重复性。

2.6 界面的处理

展示空间包括顶面、地面和四周的墙面。在成熟的展示设计中, 设计师希望从视觉、听觉、嗅觉、触觉甚至还有味觉方面, 都希望给观众留下深刻的印象。

顶面除了作为灯光、线路、空调等的载体之外, 顶面还可以通过造型和面积以及高度等的处理, 起到确定空间的性格、突出展场主体的作用。在一些没有界定明确边界, 没有明显形状和范围的空间里, 顶的形状就可以这样得以明确。

地面主要用来承载设备和观众的活动, 材质的处理、颜色上的选择和搭配, 对整个展示空间设计起到了举足轻重的作用。不仅承重, 还可以起到导向、烘托、展示、指示作用, 有的地面可以直接成为展示空间设计中的一个组成部分。

展示中的立面不仅包括墙面也包括展示中用到的隔断。立面与观众的视线垂直立面的处理可以给观众最直接的印象, 因而立面的设计处理不可只把立面作为简单的墙体设计对待, 应结合整个空间其他界面, 将其作为一个设计整体, 制造出秩序感和美感。

2.7 其他布置方法

(1) 中心布置。

将主要的展品以居中的位置进行突出表现, 这种方法适合规则的场地。

(2) 靠墙布置。

靠墙布置多在开口少、深入的展厅, 展品也属于简单展示类型。

(3) 散点布置。

将多个展品以中心布置的方式多个布置在同一展厅的区域中。

(4) 网格布置。

在大型展场中, 特别是以销售为形式的展场, 常用标准的展柜或摊位形式。

(5) 混合布置。

混合布置时综合之前这几种布置方法的综合应用, 在展品呈现多类型时可以使用这种方法。

临墙布置网格布置。

散点布置。

混合布置。

参考文献

[1]朱曦, 苗岭, 周东海.展示空间设计[M].上海人民美术出版社.

[2]王峥.展示设计基础与创意[M].中国纺织出版社.

序列预处理 篇2

Visio Studio 2012 注册序列“- Microsoft Visual Studio Ultimate 2012 旗舰版 有效注册密钥：

YKCW6-BPFPF-BT8C9-7DCTH-QXGWC

- Microsoft Visual Studio Premium 2012 高级版 有效注册密钥：

MH2FR-BC9R2-84433-47M63-KQVWC

- Microsoft Visual Studio Professional 2012 专业版 有效注册密钥：

序列预处理 篇3

关键词：地铁隧道,变形监测,时间序列,数据预测

变形监测的目的之一就是对变形监测数据进行正确的处理,并建立合理的数学模型,从而对未来的变形量做 出准确预 测,以减少工 程事故的 发生。时间序列分析法的特征是选择合适的数学模型来近似模拟 动态数据,以达到控 制与预测 的目的。本文从时间序列分析基本方法和原理出发,对南京地铁某监测点的变形监测数据进行分析研究, 建立模型并进行数据预测,结果证明该方法具有较好的拟合和预报精度,很好地预测了变形监测点沉降的变化规律。

1时间序列模型的建立

1.1时间序列的基本模型

正态、平稳、零均值的时间 序列为 {xt},{xt} 的取值与前p步的xt-1,xt-2…xt-p值有关,也与前q步各干扰值at-1,at-2,…,at-q有关,根据多元线性回归思想可得 {xt}的自回归滑动平均模型,记为模型ARMA(p,q),其表达式为

式中:φi,θi为参数,{ai}为白噪声序列。

式(1)中,当θi=0时,原式为

式(2)称为p阶自回归模型,记为AR(p),当 φi=0时,原式变为

式(3)称为q阶自回归模型滑动平均模型,记为MA(q)。

1.2数据检验与预处理

数据的平稳性是时间序列模型建模的重要前 提,建模前首先要检验观测数据是否满足正态、平稳、零均值的要求,即是否为平稳性数据。对于不满足平稳性的数据要进行预处理,处理方法主要有差分法和提取趋势项两种。

1.3时间序列模型的识别

平稳性数据的主要特征是一阶和二阶统计性质不随时间改变而改变,即均值和方差为常数。可通过其自相关和偏相关函数的变化趋势来判断平稳、正态、零均值的时间序列采用何种模型。

自相关函数估值计算

偏相关函数的估值计算

模型识别的依据:根据样本的自相关函数及样本偏相关函 数的变化 趋势识别 模型类型。 如果 {xt}的样本自相关函数ρk在k>q后截尾,则判断 {xt}为MA(q)序列;如果偏相关函数φkk在k>q后截尾,则判断 {xt}为AR(p)序列。如果ρk和φkk都不截尾,只是按负指数衰减趋于0(即拖尾),则判断其为ARMA序列,但还不能判定阶次。

ρk和φkk截尾性的判断:理论的自相关ρk和偏相关φkk的截尾性是指从某个p或q值后全为0。 但由于参数估计的随机性,ρk和φkk都是随机变量, 即使 {xt}为MA或者AR模型,在k>p或k >q之后,ρk或φkk也不全为0,只会在0附近上下浮动。 因此,对于ρK或φKK的截尾性,只能凭借统计手段进行检验和判别。

1.4常用AIC时间序列定阶准则

AIC准则,即最佳准则 定阶法,AIC准则表示 方法为

其中:k为参数数量,l为似然函数。

假设条件是模型的误差,服从独立正态 分布。 AIC准则是对模型参数极大似然估计的计算,对模型的阶数和相应的参数给出的一组最佳估计,一般在给出不同模型的AIC计算公式基础 上,选取使AIC达到最小值时的阶数为最佳理想阶数。

1.5时间序列模型参数估计

模型的未 知参数包 括φ1,φ2,…,φp和 θ1, θ2,…,θq。模型的参数估计分为粗估计和精估计, 这里主要采用的是精确估计中的最小二乘参数估计法。对于时间序列Y = {y1,y2,…,yn}和未知参数β={β1,β2,…,βn},他们之间有线性关系:Y = Aβ+ε,其中ε= {ε1,ε2,…,εm}为观测噪声,其中A为可由Y计算得到的n×m维矩阵,此时,可求得β 的线性最小二乘估计β =(ATA)-1ATY。

1.6模型适用性检验

通常对残差平方和进行F检验,检验公式为

其中N为样本长度,r=p+q参数总个数,S为被检验参数个数,A0为ARMA(p,q)的残差平方和。A1为ARMA(p-1,q-1)的残差平方和。若F >Fa,则表示所选模式的不合适,应继续提高阶次建模,否则ARMA(p-1,q-1)为合适模 型AR(p)和MA(q),模型的F检验过程类似,只需改变S和r即可。

2实例分析

2.1概况

以南京市地铁某个变形监测点为实例,取等时间间隔一段时间内的30期沉降数据,用前25期沉降数据进行时间序列模拟与建模,后5期的数据进行验证模型预测的可靠性,观测数据如表1所示。

2.2建模

时间序列建立模型的基本条件是:正态、平稳、 零均值。经检验原数据不是平稳性数据,因此要先对数据进行平稳和零均值处理,然后计算出其自相关和偏相关函数(见表2)。

从自相关和偏相关的数据变化趋势,可以看到他们是拖尾的,因此可设为ARMA模型,由表2可知自相关1~5阶较显著,并且从第6阶开始大幅下降,数值也不显著,因此先设定q=5。偏相关1~3阶都显著从第4阶下降很大并变为不显著,因此先定p=3,计算p=1~3,q=2~5取值时AIC的值 (见表3)。

依据AIC准则,选取最小值所对应的阶数,表3中ARMA(2,3)取最值为0.653 984,所以ARMA (2,3)为最佳模型。使用最小二乘估计法对模型参数进行估计,得到该时间序列模型为:xt=-0.032 -0.827xt-1-0.248xt-2+at-0.491at-1-1.088at-2-0.804at-3。

2.3模型适用性检验

对模型的残差进行F检验,取s=1,p=2,q= 3,取样本长度N=15。可求得ARMA(2,3)模拟的残差平方和A=0.071 16,求得ARMA(3,4)的残差平方和A0= 0.104 289,根据公式可求得F = 3.731 705 9,取a=0.05,查表可得F0.05(2,8)= 19.37,比较得到F< Fa,所以认为ARMA(2,3) 为适合的模型。

2.4数据预测

预测模型曲线与实际曲线对比,如图1所示。

使用该模型对后5期数据进行预测,结果如表4所示。

表4中看到利用ARMA模型预测的5期数据, 预测误差均小于0.06mm,预测数据准确合理。

3结束语

序列预处理 篇4

DS-UWB是一种不需载波,利用脉冲传输数据的无线通信技术。由于是时域瞬态信号,功率谱密度低;并且通过伪随机序列调制了脉冲极性[1]。因此具有强隐蔽性,被广泛应用于军事通信领域。在非合作军事对抗中,为截获信息,需要估计超宽带的码序列参数。文献[2]给出了基于分段相关模值累加提取直扩信号伪码周期的方法。文献[3]提出了基于延时相关累加的盲PN码估计方法。然而,由于脉冲超宽带时域极窄特性,数字前端需要极高的采样率(几GHz甚至更高),实现难度较大。随着近年来基于压缩传感(CS)的非线性采样理论的提出,可以用远低于奈奎斯特速率对某些特殊信号进行处理分析[4]。超宽带作为一种时域稀疏信号,满足RIP准则[5],因此本文研究了一种较低采样率下的DS-UWB码序列估计算法。

1 DS-UWB信号模型

DS-UWB的原理与DS-CDMA相似。采用直接序列扩频;其应用最为广泛的调制方式是BPSK调制。采用BPSK调制的用户k发射的DS-UWB信号为:

$s{}^{(k)}(t)={\displaystyle \sum _{j=-\infty }^{\infty }{\displaystyle \sum _{n=0}^{{\rm N}{}_c-1}d}}{}_j^{k}p{}_n^{k}p(t-j{\rm T}{}_f-n{\rm T}{}_c)(1)$

式(1)中,p(t)表示发射的脉冲波形,Tf和Tc与PPM-TH-UWB中一样,分别表示帧重复周期和码片持续时间。DS-UWB与TH-UWB主要的区别在于扩频序列调制方式的不同。DS-UWB的扩频序列pkn∈{-1,+1}是周期为Nc的伪随机序列,帧周期Tf=NcTc,n表示码片的序数。d${}_j^k$表示用户k在第j帧时发射的数据符号[6]。

DS-UWB的一个实现如图1所示,图1中采用长度为7的PN码序列c(m)=[1 1 1 0 1 0 0],一个脉冲帧周期Tf=10 ns,则一个字符周期为Ts=7Tf=70 ns。

2 扩频码序列估计算法

假定r(t)由K个字符的数据构成,字符长度为Ts,采样率为fs,则每个字符周期包含样点数为:

${\rm N}{}_w={\rm T}{}_{s}f{}_s(2)$

即一个完整符号周期波形为h=[h1,…,hNw]T。把接收信号r(t)截断成K个互相不重叠的时间窗,窗长度与字符长度相同,对于第l个窗的接收信号,可以记为rl,l=1,2,…,K。当分段时窗的起始点和帧的起始点没有对齐时,记偏差值为N0个样点,因此每个时间窗中所含信号由当前符号的后段数据与下一个符号的前段数据拼接而成。

$r{}_l=a{}_{l}h{}_1+a{}_{l+1}h{}_2+n{}_l(3)$

式(3)中$h{}_1=[h{}_{{\rm N}{}_0+1},\cdots ,h{}_{{\rm N}{}_w},\underset{{\rm N}{}_0}{{\displaystyle 0,\cdots ,0}}]{}^{\text{Τ}}$表示时窗中包含当前符号的后段数据,$h{}_2=[\underset{{\rm N}{}_w-{\rm N}{}_0}{{\displaystyle 0,\cdots ,0}},h{}_1,\cdots ,h{}_{{\rm N}{}_0}]{}^{\text{Τ}}$表示时窗中包含的下一个符号的前段数据,nl表示第l段的噪声向量,服从均值为0,方差为σ${}_n^2$的正态分布。

采用贝努力矩阵对分段信号向量进行测量[7],得到原始信号的随机投影:

$y{}_l=\Phi r{}_l(4)$

求分段压缩测量信号的自相关矩阵的期望为:

R=E{yl(${}_l^y$)H}=E{Φrl(Φrl)H}=

ΦE{rl(${}_l^r$)H}ΦH=

Φ{E(${}_{l+1}^a$)2h2h2H+E(${}_l^a$)2h1h1H+

σ${}_n^2$In×n}ΦH (5)

式(5)中E(al)2是字符的方差,由于al为取值±1且等概率的随机分布,因此,

$\text{E}(a{}_l){}^2=\text{E}(a{}_{l+1}){}^2=1(6)$

令$v{}_1=\frac{h{}_1}{\parallel h{}_1\parallel }$,$v{}_2=\frac{h{}_2}{\parallel h{}_2\parallel }$,则

$R=\Phi \parallel h\parallel {}^2\left[\left(1-\frac{{\rm N}{}_0}{{\rm N}{}_w}\right)v{}_{2}v{}_2{}^{{\rm H}}+\frac{{\rm N}{}_0}{{\rm N}{}_w}v{}_{1}v{}_1{}^{{\rm H}}+\sigma {}_n^2{\rm I}{}_{n\times n}\right]\Phi {}^{{\rm H}}(7)$

式(7)中‖h‖2为整个符号的能量。信噪比可以表示为:$S{\rm N}R=\frac{\parallel h\parallel {}^2}{{\rm N}{}_w\sigma {}_n^2}(8)$

则

R=Φσ${}_n^2${SNR·(Nw-N0)v2v2H+

SNR·N0v1v1H+In×n}ΦH (9)

令p1=Φv1; p2=Φv2 (10)

则

$\begin{array}{l}R=\sigma {}_n^2[S{\rm N}R({\rm N}{}_w-{\rm N}{}_0)p{}_{2}p{}_2{}^{{\rm H}}+\begin{array}{l}\\ \end{array}\\ S{\rm N}R{\rm N}{}_{0}p{}_{1}p{}_1{}^{{\rm H}}+\frac{{\rm N}}{{\rm M}}{\rm I}{}_{m\times m}](11)\end{array}$

可以证明,p1和p2的l2范数约为1,由式(11)可以看出,自相关矩阵有两个较大特征值,对应的特征向量为p1和p2,但特征向量的极性不能够确定,因此不能通过两个特征向量的拼接恢复整个PN码序列波形。

由式(11)可以得到特征值:

$\begin{array}{l}\lambda {}_1=\sigma {}_n^2\left[\frac{{\rm N}}{{\rm M}}+S{\rm N}R({\rm N}{}_w-{\rm N}{}_0)\right](12)\\ \lambda {}_2=\sigma {}_n^2\left(\frac{{\rm N}}{{\rm M}}+S{\rm N}R{\rm N}{}_0\right)(13)\\ \lambda {}_i=\frac{{\rm N}}{{\rm M}}\sigma {}_n^2；(i=3,...,{\rm M})(14)\end{array}$

由式(14)知,可通过λi(i=3,...,K)估计噪声的方差,将估计出的噪声方差代入式(12)和式(13),则可以通过两个较大特征值得到时间偏差估计值及信噪比的估计值:

$\begin{array}{l}\widehat{\sigma }{}_n^2=\frac{{\rm M}}{({\rm K}-2){\rm N}}{\displaystyle \sum _{i=3}^{{\rm K}}\lambda }{}_i(15)\\ S\widehat{{\rm N}}R=\frac{1}{{\rm N}{}_w}[\frac{\lambda {}_1+\lambda {}_2}{\sigma {}_n^2}-\frac{2{\rm N}}{{\rm M}}](16)\\ \widehat{{\rm N}}{}_0={\rm N}{}_w\frac{{\rm M}\lambda {}_2-{\rm N}\sigma {}_n^2}{{\rm M}(\lambda {}_1+\lambda {}_2)-2{\rm N}\sigma {}_n^2}(17)\end{array}$

N0/fs即为信号非同步时延。根据非同步时延对接收信号重新截取,从而保证所截取时间窗与字符周期起点同步;即截取窗内的信号刚好为一个字符周期信号。此时,协方差矩阵R仅有一个较大特征值,式(9)可以改写为:

$R=\Phi \sigma {}_n^2\{S{\rm N}R\cdot {\rm N}{}_{w}vv{}^{{\rm H}}+{\rm I}{}_{n\times n}\}\Phi {}^{{\rm H}}(18)$

式(18)中$v=\frac{h}{\parallel h\parallel }(19)$

即为能量归一化的完整PN码序列波形,令

$p=\Phi v(20)$

则$R=\sigma {}_n^2\left\{S{\rm N}Rpp{}^{{\rm H}}+\frac{{\rm N}}{{\rm M}}{\rm I}{}_{m\times m}\right\}(21)$

由于脉冲宽度极窄,因此码序列波形v在时域具有稀疏表达。也就是说,可以先通过特征值分解得到特征向量p,再根据压缩传感原理,利用正交匹配追踪算法(OMP)算法[8],得到码序列估计值为:

$\widehat{v}=\text{a}\text{r}\text{g}\text{m}\text{i}\text{n}\parallel v\parallel {}_2；\text{s}.\text{t}.p=\Phi v(22)$

3 仿真实验与分析

仿真中所采用的超宽带脉冲为高斯二阶波形,脉冲宽度为700 ps,采样率为fs=20 GHz;为简化表达并不失一般性,采用长度为7的PN码序列c(m)=[1];一个脉冲帧周期Tf=10 ns,一个字符周期为Ts=7Tf=70 ns,则每个字符周期包含样点数Nw=Tsfs=1 400。假定时间偏差值N0=500,即偏差N0fs=25 ns。信噪比设为-10 dB,发送及接收到一个字符周期的超宽带信号如图2所示。

由图2可见,所发送超宽带信号已经完全淹没在噪声下。假定发送200个比特, 则积累时间窗个数K为200。采用M=N/4的贝努力矩阵对分段信号向量进行压缩测量,再利用分段相关积累的均值作为压缩后信号向量协方差矩阵的估计值。通过对其进行特征值分解得到特征值分布并按降序排列如图3所示:

由图3可见,由于采用了压缩传感矩阵对信号进行测量,特征值个数仅有Nw/4;由于存在同步偏差,因此有两个较大的特征值,其特征向量分别对应于PN码序列的前后两部分。由式(17)可得时间偏移估计值$\widehat{{\rm N}}{}_0=587$,信噪比估计值$S\widehat{{\rm N}}R=-9.7\text{d}\text{B}‚$与初始假设基本相同。根据所估计时间偏移量对接收信号重新截取,从而保证所截取时间窗与字符周期起点同步,再对消除时间偏差的接收信号向量进行压缩测量,通过自相关的平均累加得到协方差矩阵,对其进行特征值分解得到降序排列的特征值如图4所示。

由图4可见,由于此时同步偏差很小,所得特征值中仅有一个较大值,并得到相应特征向量。再根据压缩传感理论,利用OMP算法得到一个完整的PN码序列波形,如图5所示。

由图5可见,通过简单的门限判决可以得到PN码序列的估计为$\widehat{c}(m)=[1110100]$,与所发送PN码完全相同;由于特征向量存在极性模糊度,因此所得的PN码估计也有可能与所发送PN码完全相反,需要通过其他方法解决。

4 结 论

针对军事对抗中直接序列超宽带信号接收中的码序列估计问题,提出了一种低于奈奎斯特采样率的码序列盲估计算法。结合压缩传感理论和超宽带信号特点, 理论推导给出了适于工程实现的低采样率估计算法,通过压缩信号协方差矩阵的特征值分解得到码序列估计和同步偏差,仿真实验表明,该算法可以实现低信噪比低采样率下的码序列盲估计。

参考文献

[1] Win M Z,Scholtz R A.Impulse radio:how it works.Communica-tions Letters,IEEE,1998;2(2):36—38

[2]孙家旺,沈青峰,袁亮.分段相关模值累加提取直扩信号伪码周期.现代防御技术,2006;4(1):73—75

[3]谭满堂,朱德君.谱相关理论用于直接序列扩频信号的检测与估计.电子对抗,1995;4:53—59

[4] Donoho D L.Compressed Sensing.IEEE Transactions on informationtheory,2006;52(4):1289—1306

[5] Candes E J,Romberg J,Tao T.Robust uncertainty principles:exactsignal reconstruction from highly incomplete frequency information.Information Theory,IEEE Transactions on,2006;52(2):489—509

[6] Foerster J R.The performance of a direct-sequence spread ultrawide-band system in the presence of multipath,narrowband interference,and multiuser interference.Ultra Wideband Systems and Technolo-gies,IEEE conference on,2002:87—91

[7] Candes E J,Wakin M B.An introduction to compressive sampling.Signal Processing Magazine,IEEE,2008;25(2):21—30

序列预处理 篇5

1 资料与方法

1.1 一般资料

选择2012年7月—2014年7月我院收治的因头部创伤行头颅CT检查阴性, 然后行头颅SWI联合FLAIR检查的患者30例。创伤均有明确的打击或撞击伤, 其中男22例, 女8例;年龄7岁~50岁, 平均年龄26岁。

1.2 纳入与排除标准

患者此次有明确的打击或撞击伤, 而没有受到剪切伤, 创伤后意识清楚或短暂不清楚, 没有明确的神经系统定位。患者头部CT检查阴性, 但患者头昏、头痛持续1周以上。患者年龄在50岁以下, 既往没有高血压、糖尿病、高血脂病史。

1.3 检查方法

CT采用西门子SOMATOMspirit双排螺旋CT机, 从颅底到颅顶连续扫描, 准直:5 mm;层厚:5 mm;窗宽:80;窗位:35。磁共振采用西门子ESS ENZA1.5T超导磁共振, SWI序列:TR:49 ms;TE:40 ms;层厚:6 mm;偏转角20°;FLAIR序列:TR:7 000 ms;TE:84 ms;反转时间:2 500 ms;层厚:5 mm。

1.4 脑微出血的诊断

由2名CT医生采用双盲法阅CT片, 确定CT表现为阴性。由2名磁共振医生采用双盲法阅磁共振片, 对磁共振图像上发现的脑微出血灶进行计数, 对病灶最大面积测量其直径, 得出SWI与FLAIR联合检查结果。对有明显不同意见的病灶, 经商讨后得出一致性结论。

2 结果

2.1 病灶分布特点

其中额叶3个、顶叶3个、颞叶1个。病灶都出现在受伤部位对应的脑皮质或皮质下白质内, 2例患者出现2个病灶, 其余均为单发病灶。7个病灶有4个在脑皮质、3个在脑白质。

2.2 病灶形态特点

所有病灶在SWI序列上均表现为圆形极低信号影, 边缘清楚。在FLAIR序列上局部有轻微的脑组织水肿。

3 讨论

SWI是近年来利用组织间磁场敏感差异和BOLD效应成像的磁共振新技术, SWI对血液代谢产物如顺磁性的含铁血黄素、脑内静脉结构、铁蛋白的沉积高度敏感, 在出血性神经变性疾病的诊断中有较高的临床应用价值[3]。FLAIR是通过较长的反转时间来有效抑制脑脊液的信号, 使较小或靠近脑脊液呈现高信号或略高信号的病灶清楚显示。创伤性脑微出血要与脑血管病变引起的脑微出血和小的海绵状血管瘤区别, 前者主要是结合病史, 后者主要是FLAIR序列上区别, 海绵状血管瘤除了没有创伤史外, 局部没有脑组织水肿。较轻的脑创伤患者往往仅表现为头昏、头痛, 而没有明确神经功能定位征象, 预后也较好, 临床上常被忽视。磁共振SWI序列联合FLAIR序列能够清楚显示CT所不能显示的脑微出血灶, 具有重要的法医学意义。特别是因公受伤、车祸、被他人伤害时, 如能检查出受害者存在脑微出血, 对维护其合法权益具有重要意义。

摘要：目的 探讨磁敏感序列 (SWI) 联合黑水序列 (FLAIR) 对创伤性脑微出血的诊断价值。方法 对30例因创伤致头痛、头昏患者, CT检查阴性, 然后行磁共振SWI联合FLAIR检查。结果 30例CT扫描阴性者中, SWI联合FLAIR检查共检出5例7个微出血灶。结论 SWI联合FLAIR能显示CT不能显示的创伤性脑微出血病灶, 对创伤性脑微出血的诊断具有重要意义。

关键词：创伤,脑微出血,SWI,FLAIR

参考文献

[1]Koennecke HC.Cerebral microbleeds on MRI:prevalence, associations, and potential clinical implications[J].Neurology, 2006, 66 (2) :165-171.

[2]扬江华, 李凤琪, 沈健, 等.MRI-SWI序列对高血压性脑微出血的诊断价值[J].心脑血管病防治杂志, 2011, 11 (5) :372-374.