预测和检测（精选7篇）
预测和检测 篇1
摘要：早产目前已成为围产儿死亡和致残最重要的原因, 死亡率在发达国家与发展中国家有较大差异, 国内报道为12.7-20.8%, 早产约占分娩总数的5-15%, 75%以上围产儿死亡与早产有关, 约有1/4的存活早产儿会遗留智力障碍或神经系统后遗症, 因此, 防治早产是降低围产儿死亡率和患病率之间的关键。
关键词：超声检测,宫颈长度,早产预测,诊断治疗
目前对早产的预测和临床检测的指标主要有:经超声所测的宫颈结构, 即宫颈长度和内口开大情况、实验室生化指标。超声检测宫颈可以客观准确地反映宫颈的形态, 准确的测量宫颈的长度, 避免了传统的指检法的主观性和不全面性, 此方法简便实用。在临床工作中主要应用于早产的预测、诊断、先兆早产孕妇诊治过程中的监测和宫颈机能不全的诊断和术后监测等。现将宫颈的超声检测在早产预测和诊治中的应用介绍如下。
1 宫颈的超声检测
1.1 检测方法
目前宫颈的超声检测方法主要有三种, 即经腹、经会阴和经阴道三种方法。
1.1.1 经腹检查
患者适当充盈膀胱, 仰卧位, 探头置于下腹部, 即可探测宫颈。如果膀胱不充盈, 宫颈的显示率只有35%。但充盈膀胱, 会人为的增加宫颈的长度, 影响测量的准确性, 因此在早产的诊断和监测中不为首选的方法。
1.1.2 经会阴探查
患者无需膀胱充盈, 取膀胱截石位, 探头置于双侧大阴唇间进行。这种方法可以避免了探头置入阴道, 又无膀胱充盈造成的误差, 患者容易接受, 临床应用比较广泛。但是因一些因素的影响, 约20%的孕妇不能满意地显示宫颈内口的情况, 因此临床应用受到一定的限制。
1.1.3 经阴道探查
孕妇取膀胱截石位, 检查时无需膀胱充盈, 将阴道探头置于阴道内。阴道探头直接接触宫颈或距宫颈很近, 宫颈显像成功率可达100%, 并且非常清晰, 因此对宫颈的探测均优于经腹探查和经会阴探查。研究发现经阴道B超所测宫颈长度与标本宫颈长度无差异。是目前首选的宫颈探查方法。
1.2 妊娠期宫颈形态和宫颈长度的正常值
经阴道超声可清楚的显示宫颈的内口、外口、宫颈管黏膜。可以测量出宫颈的长度、宫颈的宽度、宫颈内口开大的程度。内口开大也称为宫颈内口漏斗的形成与否及程度是预测早产和诊断宫颈机能不全的一个重要参数。一般以漏斗的宽度及漏斗的开大程度、漏斗百分数=漏斗长度A/ (漏斗长度A+剩余宫颈长度B) 、宫颈指数 (=A+1/B) 等参数来反映内口开大的情况。根据形态将宫颈描述成为“T”型、“Y”型、“U”型或“V”型。正常无宫缩的宫颈形态为“T”型。
宫颈的长度为宫颈内口至外口的距离。正常情况下随着孕周的增加, 宫颈长度无明显的变化或仅有轻微的缩短, 不同种族、不同样本量和不同测量方法的所测结果 (均数) 不尽相同。经腹所测的结果为32-53mm, 经阴道为32-48mm, 经会阴为29-35mm。孕妇正常的宫颈长度应大于30mm。与妊娠23w时宫颈长度<15mm的发生率为1.7%。我院所测的正常妊娠16-35w的宫颈长度的均数为36mm, 均无宫颈内口开大, 即无漏斗形成。经产妇的宫颈长度一般长于初产妇。这些数据的获得大多是孕妇处在仰卧位或半卧位状态下。一些学者认为孕妇大多时候处在直立状态, 直立状态的宫颈情况可能对预测早产更有意义。直立状态时的宫颈长度和内口的情况与仰卧状态时确有不同。正常足月孕妇在妊娠晚期在仰卧位时均未观测到内口开大的状况, 而在直立状态下确观测到了内口开大的情况。但直力状态难以进行检查, 研究资料有限, 尚不能在临床广泛应用。
1.3 宫颈超声检测与传统指检法的比较
长期以来Bishop评分是临床评价宫颈、诊断宫颈机能不全和判断早产的常用方法, 但在宫颈未扩张情况下, 指检仅能触及宫颈阴道部, 不能准确测量宫颈长度, 更无法评价宫颈内口的改变, 且宫颈软硬、长短和宫颈外口开大程度的判断多带有主观性, 不同检查或同一检查者在不同时间对同一孕妇的检查结果存在较大的差异, 可重复性差。另外, 指检易引起子宫收缩, 且有致胎膜早破的风险, B超检查宫颈可以避免上述情况, 与指检Bishop评分相比, 宫颈的超声检测结果可以预测早产和诊断宫颈机能不全。
2 超声监测妊娠期宫颈对早产的预测意义
2.1 筛查早产高危孕妇
根据宫颈长度筛查出无症状的早产高危孕妇, 对发生早产的可能性进行预测。随着宫颈长度的缩短, 早产的危险增加。与妊娠24w时, 宫颈长度短于25mm时, 预测早产的特异性为92.2%, 阴性预测值为97%。但是主要问题是对无症状人群预测早产的敏感性不尽人意。因为早产的另一主要原因———早产胎膜早破不能通过宫颈长度缩短来预测。尽管如此, 与预测早产的其他指标如胎儿纤连蛋白、宫颈Bishop评分、早产宫缩等相比, 宫颈长度是一个比较可靠的预测早产方法。如果宫颈长度筛查与这些指标联合应用的话, 是否会增加预测价值目前尚无定论。此外, 宫颈内口“漏斗形成”对筛查早产高危孕妇也有一定的价值。正常孕妇孕期宫颈内口是关闭的, 超声检测到“漏斗”的出现, 则提示早产的危险性增加, 但“漏斗”的出现常常与宫颈的缩短同时发生。
2.2 对先兆早产孕妇预后的估计和监测
对于一个有先兆早产宫缩的孕妇来说, 精确地诊断早产是非常困难的。在临床实际工作中, 对于一个未足月有规律宫缩的孕妇, 为了防止早产的发生, 临床医生通过采用积极的处理手段, 即大量宫缩抑制剂的应用。这常常导致不必要的过度治疗。宫颈长度的超声测量可以用来对先兆早产孕妇的妊娠结局进行预测, 从而减少了不必要的干预, 并提高了早产诊断的准确性。多数研究者采用30mm为界值, 如宫颈长度≥30mm, 经过保胎治疗基本不会发生早产。在保胎治疗前, 如果宫颈长度<30mm, 尽管进行了积极的保胎治疗, 仍有约50%的孕妇会发生早产。此外, 如果宫颈长度≥30mm, 则不必采用大剂量的静脉宫缩抑制剂。国内研究显示以宫颈长度<26mm作为预测界值时, 敏感性和阴性预测值也达百分之百, 特异性为50%。此外, 漏斗形成对先兆早产孕妇发生早产也有一定的预测价值。
对于早产胎膜早破、尚未临产的孕妇, 可根据宫颈长度来预测可能的保胎时间。如宫颈长度>30mm, 48h内一般不会自然临产。对于此种情况, 虽然研究发现阴道探头不会增加羊膜绒毛膜炎和子宫内膜炎, 但是最好采用经会阴探查的方式。
3 对宫颈机能不全的诊断和监测
宫颈机能不全是反复晚期流产、早产的主要原因, 发生率约为1%。超声监测宫颈有助于发现宫颈机能不全, 并可对行宫颈环扎术后的孕妇进行治疗效果的观察和监测。
3.1 宫颈机能不全的诊断
宫颈机能不全病因不清, 与孕妇本人在胚胎期的雌激素暴露、子宫畸形、多次流产和宫颈锥切手术等有关。在超声应用以前, 宫颈机能不全的诊断主要根据多次晚期流产或早产的病史和非孕时无阻力通过“8”号扩张棒做出诊断。孕期除非孕囊掉入阴道, 否则难以做出诊断。对于一个临床明确诊断的病例如何处理也是一个难以确定和统一的问题。宫颈长度可以间接地反映宫颈的机能。宫颈机能不全有一个随着妊娠的继续而逐渐发生的过程, 而不是一个“全”或“无”的过程, 并且严重程度不同, 这就给超声诊断提供了机会。超声检测宫颈依据宫颈长度是目前较为理想的诊断手段。目前普遍采用的诊断标准为在妊娠15-20w时宫颈长度≤20mm, 既可做出诊断。对于高危孕妇, 开始筛查的孕周为15w, 一些病情严重的孕妇可以在15-19w做出诊断, 另一些孕妇则在20-24w可以做出诊断。动态监测的时间间隔为1-3w。根据宫颈缩短的速度可以及时诊断。正常孕妇的宫颈长度随孕周仅有极轻微的缩短 (0.03cm/w) 或不变。宫颈机能不正常的孕妇随着孕周的增加, 宫颈明显缩短, 缩短的幅度在0.4-0.8cm/w, 或同时伴随宫颈内口漏斗的形成。
宫颈应力实验 (cervical stress test) 或成为宫颈加压实验也可以帮助诊断。经宫底加压或孕妇站立一段时间使宫颈承受一定的压力后观察宫颈结构变化。如果宫颈明显缩短或出现漏斗则宫颈机能不全的可能性增加, 有助于无症状不典型的宫颈机能不全孕妇的早期诊断。但这一实验只用于高危而宫颈长度尚达不到诊断标准的孕妇。
应用超声这一诊断工具, 可以对宫颈机能不全进行早诊断, 进而早治疗, 根据诊断的孕周和孕妇的个体情况决定治疗方案, 及时进行宫颈环扎术, 改善妊娠结局。
3.2 宫颈环扎术治疗效果的观察
除了作为诊断工具, 宫颈的超声检测还可以对宫颈机能不全的妊娠结局进行预测和对宫颈环扎术后患者的监测。有些医生还将其用于术中的指示。可观测环扎线上、下段宫颈管长度及宫颈内口扩张情况, 从而对预后和疗效进行判断。
4 有关阴道B超检查的感染问题
阴道B超检查不会导致感染, 有报道即使在胎膜破裂的孕妇中应用阴道B超也不增加其感染率。有研究比较了妊娠晚期妇女阴道B超前及产后的体温、脉搏、血象的变化, 结果两者间无显著性差异。但对于有胎膜早破、阴道出血患者还应慎行阴道超声检查, 可先行经腹或经会阴探查, 如果必需行阴道超声检查时, 最好消毒外阴后再进行检查, 避免感染发生和诱发出血。
5 结束语
在妊娠中晚期经阴道超声可以较精确地了解妊娠时的宫颈情况, 准确地测量宫颈长度和检测宫颈内口有无开大, 客观的评价宫颈机能。可以筛查出无症状的早产高危孕妇, 预测先兆早产孕妇的妊娠结局并指导治疗, 从而一定程度地减少过度治疗, 对宫颈机能不全的早期诊断和治疗的监测有很大的临床价值。
参考文献
【1】Horn LC, Schnurrbusch Um Bilek K, et al.Risk ofprogression in com-plex and atypical endometrial hyperplasia:clinicopathologic analysis in cases with and without progestogen treatment.Int J Gynecol Cancer.2004, 14:348-353.
【2】Kurman RJ, Kaminski PF, NorrisHG.The behavior of endometrial hy-perplasia.A long-term study of untreated hyperplasia in170patients.Cancer, 1985, 42:537-541.
【3】曹泽毅.中华妇产科学.北京:人民卫生出版社, 1999, 1836-1844.
预测和检测 篇2
在上述场景,数据分发技术呈现出以下特点:在地震、海啸等灾害性事件发生后,系统中的节点大规模失效,这些大量失效的节点存在系统中成为虚假节点严重影响数据分发的可靠性与分发效率,这就要求应急场景下的数据分发方法在系统中大量节点失效时能够快速地检测出失效节点并将这些失效节点从系统中存活节点的邻居列表中剔除。当前的数据分发方法在节点大规模失效的情况下无法快速检测出所有的失效节点。
本文提出了一种基于邻居交换和失效区域预测的节点失效检测方法NEFAP。NEFAP基于邻居交换的方式通过逐步剔除邻居列表中“年龄”较大的邻居以达到检测失效节点的目的,为加快节点失效信息在系统中的扩散,NEFAP在交换邻居信息的同时交换失效节点信息,最后,NEFAP设计失效区域预测的算法,节点根据当前已知的失效节点网络坐标预测失效区域并通过对比节点坐标与失效区域边界坐标判断节点是否有较大概率失效,通过向具有较大失效概率的节点发送心跳消息快速检测节点存活状态。相对于已有方法,NEFAP在系统中节点大规模失效的情况下能够快速地检测出所有失效节点。
1相关研究
当前对大规模节点失效检测的研究可以分为集中式节点失效检测和分布式节点失效检测。
集中式节点失效检测是指系统采用一个或者多个节点作为中心节点。中心节点的作用主要有:(1)向系统中所有的节点发送探测消息测试并判断其是否失效;(2)收集系统中节点的失效情况,将系统中节点的失效信息发送给所有的未失效节点。典型的集中式的节点失效检测方法包括Gulfstream[3]、ISIS[4]。集中式的节点失效检测方法部署简单,由中心节点负责探测、收集、统计系统中的节点失效情况并传播失效消息,减少了失效消息同步的开销。但是,中心节点由于承担了检测节点失效和收集并传播失效消息的任务,往往会成为热点从而造成单点失效的问题,可扩展性不高,不适合大规模节点失效的检测。
与集中式节点失效检测相反,分布式节点失效检测方法中,失效检测模块分布式的部署在系统中。分布式的节点失效方法中各失效模块或独立检测节点失效情况或与其他失效模块间协作检测失效节点,各失效模块间需要同步失效信息以便快速准确地将失效信息扩散到系统中其他未失效节点上。分布式的节点失效检测方法按照失效模块间的通信策略的不同,可以分为基于层次化的节点失效检测方法,基于Gossip的节点失效检测方法和基于邻居交换的节点失效检测方法。其中,基于邻居交换的失效检测方法是一种全分布的节点失效检测方法,也即是系统中所有的节点都是失效检测模块。基于邻居交换的节点失效检测方法中每个节点既负责检测节点的失效又负责失效信息的传播。分布式的节点失效检测方法避免了集中式的节点失效检测方法的单点失效的问题,可扩展性较好,适合大规模节点的失效检测。但是,分布式的节点失效检测方法中各失效检测模块间存在异步的问题。为了提高节点失效的正确性,需要各失效检测模块间不断同步失效消息。
2 NEFAP
2.1 NEFAP基本思想
NEFAP的节点周期性交换携带年龄的邻居信息以检测失效节点,通过在邻居交换信息中附加节点已知的失效节点的随机采样信息以快速扩散节点失效信息,采用失效区域预测算法快速检测失效邻居节点。
图1为NEFAP的方法框架。首先,节点S的邻居交换模块从节点S的邻居节点列表和失效节点列表中各选择若干个条目发送给邻居节点D。节点S接收到D返回的邻居节点列表和失效节点列表Buffer。然后,节点S的失效区域预测模块判断Buffer中的邻居节点列表中是否有节点落在该模块已经预测的可能失效的区域内。若Buffer中的邻居节点列表中的节点X落在某个可能失效的区域内,则节点S的失效区域预测模块向节点X发送Heartbeat消息测试节点X是否失效。若超时,节点S的失效区域预测模块则判定节点X失效,将节点X从Buffer中邻居节点列表中删除,并将X加入到S的失效节点列表中;若节点X未失效,则返回Alive消息。最后,节点S的邻居交换模块将Buffer中邻居节点列表中剩余的邻居节点与节点S的邻居节点列表合并,将Buffer中失效节点列表与节点S的失效节点列表合并,启动节点S的失效区域预测模块更新失效区域。图2为NEFAP的算法表示。
2.2附带失效记录的邻居交换算法
为了实现节点失效信息的快速传播,基于CY-CLON[5]邻居交换算法提出附带失效记录的邻居交换算法。该算法的基本思想是:每个节点维护一个邻居节点列表和一个失效节点列表。为每个邻居节点维护一个Age,表示节点的年龄信息,Age越大,代表节点越久没有被更新。每隔一个周期,节点P将邻居列表中所有邻居节点的Age加1,并从中选择Age最大的节点Q作为交换节点,然后将邻居列表按照Age降序排序并选择前一个邻居发送给Q。P在向Q发送邻居列表的同时从失效节点列表中随机选择一个失效节点发送给Q。Q接收到来自节点P的邻居列表和失效节点列表后,首先将该邻居列表和失效节点列表存放在缓冲区内并从自己的邻居列表和失效节点列表中分别选择N个邻居和随机选择的M个失效节点返回给P。对于缓冲区内失效节点列表,Q将其直接与自身的失效节点列表合并;对于缓冲区的邻居列表,Q首先调用失效区域预测模块判断是否有失效节点,若有失效节点则加入到Q的失效节点列表中,并从缓冲区内的邻居列表中删除该节点。最后,Q对比缓冲区中剩余的邻居列表与自身的邻居列表,选择Age较小的节点作为自己的新的邻居。另外,节点P收到Q返回的邻居节点列表和失效节点后,采用与Q相同的操作。附带失效记录的邻居交换算法如图3所示。
附带失效记录的邻居交换算法通过在节点交换邻居的同时附带交换失效节点的信息以提高失效节点信息在网络的传播从而到达快速检测失效节点的目的。
2.3失效区域预测算法
失效区域预测的基本思想是:根据已知的失效节点的位置信息构造密闭的几何图形从而预测失效区域。为了使预测更加的精确,按照已知的失效节点的规模将失效节点按照其地理位置分为K个簇,其中K的大小随已知的失效节点规模变化。对于每个簇,分别用一个最小外接矩阵标记其边界。失效区域预测的示意图如图4所示。
图4中,总共有50个失效节点,将50个失效节点按照其地理位置信息进行分簇,共分为3个簇。其中椭圆形表示节点的分簇情况。每个簇都用一个最小的外接矩形表示,分别记录每个外接矩形的边界坐标。对于每个簇,其边界就可以用一个四元组,
失效区域预测算法通过对失效节点按照其网络坐标进行分簇并采用该簇的最小外界矩阵作为预测的失效区域。通过对比节点坐标与预测出的失效区域边界坐标即可快速判断节点是否具有较大失效概率,然后通过调用检测模块测试其存活状态。
3实验结果与分析
应急场景下的节点失效检测方法目标是在大规模节点区域性失效后,系统中活着的节点能够快速地检测到失效节点并将这些失效节点从节点的邻居列表中剔除。CYCLON[5]采用邻居交换方法检测失效节点,通过逐步剔除“年龄”大的节点以快速检测失效节点并具有较小的通信开销。为了验证NEFAP的有效性,通过模拟实验对比NEFAP与CYCLON的性能。
实验采用开源P2P模拟器Peer Sim[6]构建网络拓扑并模拟节点以不同概率随机失效。本实验中网络节点的规模为3 000,节点间的延迟通过King方法[7,8]在Planet Lab[9]上收集得到。测试的主要性能指标包括:
(1)时间开销:节点从失效到最终被系统中所有活着节点检测到的时间。也即失效节点从系统中所有活着节点的邻居列表中消失的时间。
(2)通信开销:失效节点最终被检测到的过程中系统中的消息量。
由图6—图8可以看出,在不同的节点失效规模下,NEFAP的检测完成时间都要比CYCLON短。这是因为NEFAP采用附带失效节点记录的方式加快了失效节点信息在系统中的传播速度,另外NE-FAP的失效区域预测算法使得节点能够快速检测到有较大概率失效节点状态,因而进一步提高了失效节点的检测速度。
3.1时间开销
对比在节点失效概率分别为1%,10%和50%时,NEFAP和CYCLON的检测完成时间。实验中,每个节点的邻居列表长度设置为20,每个周期交换的邻居列表长度为10,NEFAP每个周期交换失效节点列表长度为5。系统中的节点总数目为3 000,初始设置所有节点都在线,在实验的第20个周期分别设置30个节点,300个节点和1 500个节点失效,失效模型为随机失效。图中的检测周期0即表示了实验中的第20个周期。
3.2通信开销
为了对比NEFAP与CYCLON的通信开销,分别设计实验测试了在不同的节点失效概率下,NE-FAP与CYCLON的通信开销。实验中,NEFAP分别以概率P=0.1和P=0.5向“疑似”失效节点发送心跳测试消息探测节点状态。表1显示了在不同的节点失效概率下NEFAP与CYCLON的通信开销对比。从表1中,可以看出,在节点失效概率一定的情况下,NEFAP的通信开销要高于CYCLON并且随着NEFAP向“疑似”失效节点发送心跳消息的概率p的增大而增大。这是因为NEFAP在区域预测方法中会向“疑似”失效节点发送心跳测试消息,从而增大了通信开销并且通信开销随P的增大而增大。表1中还可以看出,随着节点失效的概率的增加,NEFAP相比CYCLON的通信开销增加量逐渐减少,这是因为虽然NEFAP引入心跳探测和失效节点列表增大了通信开销,但是随着节点失效概率的增加,CYCLON需要更多的检测周期来完成失效节点的检测从而增大通信开销。因此,随着节点失效概率的增大NEFAP与CYCLON的通信开销会逐渐缩小。
综上可知,相比CYCLON,NEFAP在提高失效节点检测速度的基础上并未增加过多的通信开销。
4结束语
在应急环境下,地震等一些灾害性天气发生后,会造成物理节点损害从而造成大量节点失效。这些大量失效的节点存在于节点的邻居列表中造成路由效率低,路由不可靠的问题。为了能够快速的检测出失效节点并将其从节点邻居列表中剔除,本章提出基于邻居交换和失效区域预测的节点失效检测方法—NEFAP。NEFAP基于邻居交换检测失效节点,通过交换邻居信息逐步剔除“年龄”较大的节点从而达到剔除失效节点的目的;通过在邻居交换中附带失效节点记录以加快节点失效记录在系统的扩散从而达到快速检测失效节点的目标;基于失效区域预测,通过向“疑似”失效节点发送心跳测试消息快速检测出有较大概率失效的节点的状态。实验结果表明,NEFAP在大规模节点区域性失效的情况下,可以快速地检测出失效节点。
参考文献
[1]黄建华,朱才连.战场警觉及数据分发系统研究.计算机应用与软件,2006;23(4):54—55
[2] Ibnkahla M R Q S A.High-speed satellite mobile communications:technologies and challenges.In:Proceedings of the IEEE,2004:312—339
[3] Fakhouri S A,Goldszmidt G S,Gupta I,et al.Gulfstream-a systemfor dynamic topology management in multi-domain server farms.Technical IBM T.J.Watson Research Center,2001
[4] Birman K P.The process group approach to reliable distributed com-puting.Communications of the ACM,1993;36(12):37—53
[5] Voulgaris S,Gavidia D,Van S,et al.Cyclon:Inexpensive member-ship management for unstructured p2p overlays.Journal of Networkand Systems Management,2005;13(2):197—217
[6] PeerSim.http://peersim.sourceforge.net
[7] Gummadi K P,Saroiu S D G S.King:estimating latency between ar-bitrary internet end hosts.In:Proc.ACM SIGCOMM Workshop on In-ternet measurment.2002:5—18
[8] Dabek F,Cox R,Kaashoek F,et al.Vivaldi:a decentralized net-work coordinate system.In:Proc.ACM SIGCOMM.Portland,Ore-gon:2004:15—26
预测和检测 篇3
关键词：N未端B型钠尿肽前体,定量检测,心衰诊断,疗效观察,预后判断
近年来, 高血压、心血管病的发病率增长迅速, 而心力衰竭是各种心脏病的终末期, 心力衰竭目前已成为是心血管疾病最常见的死亡原因, 因此, 诊断和评估心衰的预后就有着极为重要的意义。对于就诊时表现为呼吸困难的急性患者, 快速而正确地做出心衰的诊断尤为重要。虽然心衰的一个主要症状表现为呼吸困难, 但在相当多的呼吸道疾病也有相同症状, 另外在生理状态不良的老年或肥胖患者中也可能是非特异性的表现, 要做出适当的诊断, 常规实验室评估、心电图和X线都不够准确[1]。所以, 寻找一种有效的快速检测指标就尤为重要。另外, 心衰患者经治疗后, 症状会有所改善, 有的症状会完全消失。但是, 心衰患者的死亡率和再住院率是很高的, 因此, 评价治疗和预后非常重要, 这也就需要一个有效而快速的检测标准。目前, 血清N未端B型钠尿肽前体定量检测已在世界各地相继开展, 现已广泛应用于临床, 其在用于心脏功能衰竭程度诊治评价中已证实具有重要参考价值。本研究对86例以呼吸困难为主诉的患者进行血清NT-pro BNP浓度测定, 且对诊断为心衰的患者行治疗前、治疗后的NT-pro BNP浓度比较, 并对其水平与不同程度心力衰竭分级间的关系进行分析。现报告如下。
1 资料与方法
1.1 一般资料
选取2009年9月-2011年9月本院以急性呼吸困难为主诉的住院患者86例, 其中男46例, 女40例, 年龄39~90岁。均严格按照美国纽约心脏学会 (NYHA) 标准对心功能进行分级, 将心功能分为Ⅰ~Ⅳ级。经临床确诊为心衰52例, 非心衰34例。52例心衰患者按NYHA分级为Ⅰ级12例, Ⅱ级14例, Ⅲ级18例, Ⅳ级8例;按有无心衰症状分为:有心衰症状40例, 无心衰症状12例。正常对照组50例选自本院健康体检者, 男26例, 女24例。两组受检者年龄性别差异无统计学意义。
1.2 方法
应用深圳瑞莱生物工程有限公司的NT-pro BNP检测试剂及配套设备Re LIATMSSJ-2多功能免疫检测仪, 应用胶体金法检测血清NT-pro BNP水平。心衰患者于治疗前、治疗后均测定NT-pro BNP浓度。
1.3 统计学方法
应用SPSS12.0统计软件进行分析。计量资料用±s表示, 两组间数据比较采用t检验, P<0.05为差异有统计学意义。
2 结果
2.1 各组血清N未端B型钠尿肽前体 (NT-pro BNP) 水平比较, 见表1。
健康对照组与无症状心衰组比较有统计学意义 (P<0.01) , 健康对照组、非心衰组、无症状心衰组与有症状心衰组比较差异有统计学意义 (P<0.01) 。
2.2 52例心衰患者按NYHA分级的血清N未端B型钠尿肽前体浓度比较 (见表2) :
血清N未端B型钠尿肽前体浓度在组间比较有统计学意义的差异, 随着NYHA分级升高血清NT-pro BNP明显升高, 差异有统计学意义 (P<0.01) 。
2.3 心衰患者治疗后与治疗前NT-pro BNP浓度比较 (见表3) :
无症状心衰组与有症状心衰组治疗前、治疗后NT-pro BNP浓度比较差异均有统计学意义 (P<0.01) 。
3 讨论
B型钠尿肽 (BNP) 是由日本学者SUDOH等[2]首先从猪脑中发现的, 因此曾被命名为脑钠肽。人类的BNP主要分布在心脏组织中, 脑组织中含量较少。BNP主要由左心室分泌[3], 它是一种由心室肌细胞合成并分泌到血液中的心源性神经激素。右心室容量负荷过重、室壁压力增加、心室肌细胞发生损伤、心室肌细胞受牵拉等因素致B型钠尿肽 (BNP) 大量分泌。BNP初期分泌是以pre-pro BNP形式存在, 而后很快裂解为BNP和NT-pro BNP两种成分, 并以BNP发挥其利钠、利尿、扩张全身血管的生物学作用[4,5]。当心室肌细胞发生损伤或出现心脏衰竭时, 其循环中的BNP和NT-pro BNP大量分泌, 发挥其舒张全身血管, 保持血压在动态上处于平衡状态, 利尿并促进水钠排泄, 减轻钠水潴留, 拮抗肾素-醛固酮系统的作用, 激发心脏强大代偿功能、延缓疾病进程的作用[6]。NT-pro BNP的合成受基因表达水平调节, 其信使 (m RNA) 转换较快, 因此瞬间即可合成, 并且其产生的速度及量受左心室壁张力强度及牵拉大小的影响, 故而能根据其量的变化敏感地反映出心室功能的变化程度[7]。由于NT-pro BNP与BNP是以等摩尔的数量进行释放, 而它的半衰期要长得多, 是BNP的15倍, 因此在发生心力衰竭时NT-pro BNP的快速分泌且在血中存留较长使其可以很好地作为判断心功能不全程度的敏感指标。N未端B型钠尿肽前体 (NT-pro BNP) 作为一项新的心衰诊断标志物, 由于其稳定性好, 敏感度、特异度高, 在国内得到越来越广泛的应用。本实验中, 从表1可以看出, 无症状心衰组与健康对照组比较NT-pro BNP浓度有显著差异性;无症状心衰组与有症状心衰组比较N未端B型钠尿肽前体 (NT-pro BNP) 浓度有显著差异性。因此, 可以将N未端B型钠尿肽前体 (NT-pro BNP) 作为早期诊断筛查心衰的一个敏感而持异的指标, 且能区分各种原因的呼吸困难是否由心衰所致。
表2中可以看出, 52例心衰患者中N未端B型钠尿肽前体 (NT-pro BNP) 浓度均不同程度地升高, 且与心功能的恶化程度和根据NYHA分级的升高呈正相关关系, 提示N未端B型钠尿肽前体 (NT-pro BNP) 与NYHA分级有明显的正相关性, NYHAⅡ、Ⅲ、Ⅳ级的心功能升高尤为明显, 说明N未端B型钠尿肽前体 (NT-pro BNP) 浓度水平是反映患者心功能状态的强有力的客观指标。有研究表明, 升高的血清NT-pro BNP浓度与整个心衰人群的存活率以及再次住院率明确相关, 无论是否患有明确的心血管疾病, 均可通过测量血清N未端B型钠尿肽前体 (NT-pro BNP) 浓度对其死亡率进行预测。由表3可以看出, 心衰患者经治疗后N未端B型钠尿肽前体 (NT-pro BNP) 浓度降低, 经治疗后N未端B型钠尿肽前体 (NT-pro BNP) 下降越明显, 预后越好, 死亡率和再住院率下降, 这也说明了N未端B型钠尿肽前体 (NT-pro BNP) 水平是与心衰程度有关的。
综上所述, N未端B型钠尿肽前体 (NT-pro BNP) 在早期诊断和鉴别心衰有十分重要的临床价值, 也是对心衰进行评估预后、危险层次级别划分、判断治疗效果的良好指标。
参考文献
[1]Davie A P, Francisc M, Love M P, et al.Value of the electro-cardiogram in identifying heart failure due to left ventricular sys-tolic dysfunction[J].BMJ, 2010, 312:222.
[2]Sudoh T, Kangawa K, Minam juo N, et al.A new natriuretic peptide inbum an brain natwre[J].Clin Chim Acta, 2008:332.
[3]HarrisonA, Morrison Lk, Krishnaswany P, et al.B-Type na-triuretic peptide predicts future cardiac events in Patients pre-senting to the emergency department with dyspnea[J].Ann E-mergMed, 2009, 39:78.
[4]王兰兰, 蔡蓓, 刘兴斌, 等.N未端脑型钠尿肽定量检测在心力衰竭诊断中的价值[J].中华检验医学杂志, 2006, 29, (1) :37-38.
[5]Keare TJ, Hans E, Jan C, et al.Reanal effects of brain natrrureticpeptide in patients with congestive heart failure[J].ClinialScience, 1999, 95:5-15.
[6]Dao Q, Krishn Aswamy P, Kazanegm R, et al.Utility of B-typenatrruretic peptide (BNP) in the diagnosis of CHF in an urgent careSetting[J].J AMcell cardiol, 2001, 37:379-385.
预测和检测 篇4
1 材料与方法
1.1 标本来源
选取2009 年1 月30 日-2012 年4 月1 日在遵义医学院附院妇科病房住院行手术治疗,并经病理确诊的宫颈鳞癌患者60 例为研究组,年龄32~65岁,平均(45.00±3.28)岁。按照2009 年国际妇产科联盟(International Federation of Gynecology and Ob stetrics,FIGO)分期,其中ⅠA2期10 例,ⅠB1期13 例,ⅠB2期15 例,ⅡA期22 例。随机选取同期在本院妇科门诊和/ 或病房诊治后经病理确诊的宫颈上皮内瘤变(cervical intra-epithelial neoplasia,CIN)60 例为对照组1,慢性宫颈炎60 例为对照组2。所有入选患者均排除支气管囊肿、妊娠、牛皮癣、肺结核、湿疹及盆腔炎症。各组年龄比较差异无统计学意义(P =0.215)。
1.2 主要试剂与仪器
采用酶联免疫吸附法(enzyme-linked im munosorbent assay,ELISA)检测SCCAg和Cath-D水平,试剂由上海信裕生物科技有限公司提供,检测仪器为荷兰Wellscan MK2 酶标仪;全自动化学发光免疫分析法检测CA125 水平,仪器为Immulite 2000,试剂由西门子公司提供。所有操作严格按照说明书进行。
1.3 结果判断标准
选择体检健康女性60 例(均行妇科检查及宫颈刮片检测),检测SCCAg、Cath-D和CA125 水平确定参考值。取95%可信区间(confidence interval,CI),SCCAg为0.1 ~0.7 ng/ml,≥0.7 ng/ml为阳性;Cath-D为4.3~7.5 ng/L,≥7.5 ng/L为阳性;CA125 为2.1~8.9 u/ml,≥8.9 u/ml为阳性。
1.4 统计学方法
采用SPSS 18.0 统计软件进行数据分析,计量资料用均数±标准差(±s)表示,运用单因素方差分析(One-way ANOVA),两两比较用LSD法,检验水准为0.05。检测结果以敏感性为纵轴,以误诊率为横轴,绘制工作特征曲线(receiver operating characteristic curve,ROC),计算曲线下面积(area under curve,AUC)和标准误,ROC曲线下面积<0.70 表示准确性较低,0.70~0.90 为中等,>0.90 为较高。其中联合检测结果变量即预测概率由Logistic回归产生,P <0.05 为差异有统计学意义。
2 结果
2.1研究组与对照组的SCCAg、Cath-D和CA125 水平比较
宫颈鳞癌组SCCAg、Cath-D和CA125 水平升高。方差分析表明,各组间SCCAg、Cath-D和CA125水平比较,差异有统计学意义。见表1。
进一步两两比较结果表明,宫颈鳞癌组与CIN组和慢性宫颈炎组间差异有统计学意义(①SCCAg:宫颈鳞癌组vs CIN组,t =22.286,P =0.003;慢性宫颈炎组vs宫颈鳞癌组,t =20.333,P =0.005;②CathD:宫颈鳞癌组vs CIN组,t =17.385,P =0.000;慢性宫颈炎组vs宫颈鳞癌组,t =16.333,P =0.000;③CA125:宫颈鳞癌组vs CIN组t =16.887,P =0.000;慢性宫颈炎组vs宫颈鳞癌组,t =17.815,P =0.000);CIN组SCCAg、Cath-D、CA125 与慢性宫颈炎组比较,差异无统计学意义(t =1.952、1.052 和0.927,P =0.144、0.289 和0.493)。
2.2 SCCAg、Cath-D、CA125 与不同病理参数的相关性
宫颈鳞癌组血清SCCAg、Cath-D水平与临床分期、分化程度、间质浸润深度、肿瘤体积、阴道残端浸润、脉管癌栓、盆腔淋巴结转移有不同程度相关,差异有统计学意义(P <0.05),CA125 水平变化与宫颈癌间质浸润深度有关,差异有统计学意义(P <0.05)。见表2、3。
2.3 宫颈鳞癌诊断、预测转移的敏感性与特异性
应用ROC曲线,依据敏感性与特异性之和最大化原则,计算出血清SCCAg、Cath-D和CA125 诊断宫颈鳞癌的临界值分别为1.03 ng/ml、13.58 ng/L和8.16u/ml,预测转移临界值分别为3.21 ng/ml、21.20ng/L和12.45 u/ml。敏感性:Cath-D>SCCAg>CA125;特异性:SCCAg>Cath-D>CA125。3 项指标联合检测时敏感性(0.99)和特异性(0.98)均显著提高。见表4。
2.4 ROC曲线面积预测宫颈鳞癌转移
计算SCCAg、Cath-D和CA125 的ROC曲线下面积,分别为0.954、0.905 和0.718,从单项独立指标分析看出,预测宫颈鳞癌转移的准确性:SCCAg>Cath-D>CA125;联合检测的ROC曲线下面积增加到0.977,明显提高预测宫颈鳞癌转移的准确性。见表5。
(n=60,ng/ml,±s)
(±s)
(±s)
3 讨论
宫颈鳞癌的进展是一个从非典型增生到原位癌再到浸润癌的循序渐进过程[6],病因尚不完全明确[7],可能与多基因共同作用有关,系相关致癌因子激活原发基因使细胞增殖和凋亡紊乱所致。目前对宫颈鳞癌的早期诊断及预测转移尚无统一和规范的肿瘤标志物,韦羽梅等[8]研究显示,宫颈癌治疗效果与是否转移密切相关,因此寻找早期诊断和预测转移的指标是提高宫颈鳞癌诊疗效果的关键所在。SCCAg存在于鳞状细胞的胞浆内,是肿瘤相关抗原TA-4 的亚单位,作为一种肿瘤标志物与各种器官的鳞状细胞癌相关[9],当鳞状细胞异常增生时,就会被动表达SCCAg并释放到人体外周血中,诱导细胞毒性T细胞的免疫活性,激发机体对肿瘤的免疫应答[10];Cath-D是一种52 k D的含天冬氨酸的糖蛋白,属于木瓜蛋白酶家族,存在于细胞内溶酶体,有分解细胞内蛋白、激活细胞内酶原和激素的作用,当肿瘤组织细胞代谢加强时,随着肿瘤的发展,Cath-D也会明显升高[11]。有研究显示多种肿瘤患者体内均有Cath-D高表达[12];CA125 属于糖蛋白中的一种,在宫颈癌中的诊断价值曾有报道[13],但其敏感性和特异性均不高。
本文研究血清SCCAg、Cath-D和CA125 及联合检测对宫颈鳞癌诊断及预测转移的价值,结果显示,宫颈鳞癌组SCCAg、Cath-D和CA125 水平显著高于CIN组及慢性宫颈炎组,表明宫颈鳞癌与3 项指标密切相关,对宫颈鳞癌的诊断具有非常重要的价值,与赵倩颖[14]报道一致。血清SCCAg和Cath-D水平与宫颈鳞癌的临床分期、分化程度、瘤体大小、肿瘤浸润深度、脉管癌栓及盆腔淋巴结转移关系密切,可以作为独立预测转移的良好指标,与Gadducci等[15]报道一致。通过CA125 诊断宫颈鳞癌浸润有较好的临床意义。
通过研究结果分析SCCAg、Cath-D和CA125与宫颈鳞癌发病的原因,机制如下:①宫颈鳞癌侵犯鳞状细胞基底层,SCCAg通过血管、淋巴管进入外周血导致水平升高;②癌细胞通过抑制细胞凋亡途径,使机体相关细胞的自杀机制产生抵抗[16],肿瘤细胞恶性生长,鳞状细胞基因表达和调控失常,受到浸润生长及分化程度的影响,参与凋亡调控的细胞高表达SCCAg;③Cath-D水平升高,可能是宫颈鳞癌周围组织代谢加强,抑制自噬体的活性,使得Cath-D的表达随着肿瘤进展而不断增强[17],同时Cath-D刺激癌细胞的生长,降解基底膜和结缔组织[18],破坏宿主细胞外基质天然屏障,有利于肿瘤细胞侵袭[19];④Cath-D可诱导u PA介导肿瘤相关蛋白溶解的级联效应,促进肿瘤细胞增殖、局部扩散[20],特别是在肿瘤浸润和转移的过程中蛋白水解酶发挥重要的作用[6];⑤Cath-D纤溶酶原的水解片段还有抑制血管生成的作用,在缺氧条件下导致环氧化酶2 表达,血管密度增加[21],促使肿瘤的形成;⑥CA125 与宫颈鳞癌的间质浸润深度有直接关系,可能是因为肿瘤细胞的浸润,破坏正常组织细胞的基底膜,淋巴管侵袭导致CA125 水平升高。
应用ROC曲线计算SCCAg、Cath-D和CA125诊断宫颈鳞癌及预测其转移的临界值、敏感性、特异性和曲线下面积,结果显示SCCAg和Cath-D在宫颈鳞癌的发生、发展、分化、侵袭、转移等过程中具有相互调控、诱导或信息传递的协同作用,既可单独成为宫颈鳞癌诊断和预测转移的指标,也可以联合使用;SCCAg具有很高的特异性,而Cath-D有很好的敏感性。如将几项指标联合使用,可明显提高宫颈鳞癌的诊断和预测转移的敏感性和特异性,对宫颈鳞癌早期诊断、预测转移、治疗方案的制定有一定的临床价值。
摘要：目的 探讨血清鳞状细胞癌抗原(SCCAg)、组织蛋白酶D(Cath-D)、糖类抗原125(CA125)联合检测对宫颈鳞癌诊断及预测转移的临床应用价值。方法 酶联免疫吸附法(ELISA)检测血清中SCCAg和CathD水平,全自动化学发光免疫分析法检测CA125。收集2009年1月30日-2012年4月1日宫颈鳞癌患者(ⅠA2~ⅡA期)60例为研究组;宫颈上皮内瘤变组(CIN组)60例为对照组1;慢性宫颈炎组60例为对照组2。研究组在术前检测血清SCCAg、Cath-D、CA125水平,分析血清SCCAg、Cath-D、CA125水平与宫颈鳞癌、临床病理特征、转移及复发之间的相关性。结果 宫颈鳞癌组手术前的SCCAg、Cath-D和CA125水平分别为(1.41±0.26)ng/ml、(19.14±1.52)ng/L和(17.42±0.90)u/ml,明显高于CIN组和慢性宫颈炎组,差异有统计学意义(P=0.003、0.005、0.000、0.000、0.000和0.000);SCCAg、Cath-D水平与宫颈鳞癌临床分期、肿瘤体积、分化程度、间质浸润深度、脉管癌栓、宫旁转移、盆腔淋巴结转移有不同程度相关,差异有统计学意义(P<0.05),CA125水平变化与宫颈癌间质浸润深度密切相关,差异有统计学意义(P=0.007)。应用工作特征曲线(ROC)分析SCCAg、Cath-D和CA125诊断宫颈鳞癌的临界值分别为1.03 ng/ml、13.58 ng/L和8.16 u/ml,预测转移临界值分别为3.21 ng/ml、21.20 ng/L和12.45 u/ml,曲线下面积(AUC)分别为0.954、0.905和0.718。结论 血清SCCAg和Cath-D水平对宫颈鳞癌的诊断、临床分期、预判复发具有很高的临床诊断价值;SCCAg、Cath-D和CA125 3项指标联合使用,可明显提高预测宫颈鳞癌转移的临床价值。
预测和检测 篇5
随着无线传感器网络广泛应用于军事防备、环境监测、交通管制等重要领域,对于无线传感器网络安全防护的研究也具有很高的研究价值[1]。但是无线传感器网络由于其本身的特性,如节点的能量、存储能力和处理能力有限等,提高了对入侵检测系统的设计要求。如何设计出一个能耗低、误报警率低、检测率高、应用广泛的入侵检测系统成为一个重要的研究课题[2,3]。
本文通过对节点的流量进行预测后,计算出接收率的范围来检测攻击。目前国内外对于相关的入侵检测系统的研究,提出了很多种不同的检测方法。马立波等[4]提出了基于粒子滤波算法的入侵检测技术,该方法首先利用LEACH算法对网络节点进行分簇,然后通过粒子群滤波算法检测节点的流量情况来发现异常节点。但是该方法存在簇头节点能量消耗大的问题。
刘帅等[5]提出了一种基于统计异常的入侵检测技术,该系统首先在正常状态下利用某些系统特征为节点建立模型,通过统计观测值与模型的偏差程度来判断是否有入侵发生。但是该方案建立模型所需要的特征参数和特征值会根据应用场景发生变化,从而影响监测效果。韩志杰等[6]提出了基于Markov的无线传感器网络入侵检测机制。首先通过采用Markov模型,为每个节点建立流量预测模型来检测网络异常流量,同时也提出了一种报警评估机制,该系统可以有效地检测拒绝服务攻击,但是检测结果会受评估机制中参数的设定的影响。
曹晓梅等[7]设计了一种基于ARMA模型的无线传感器网络拒绝服务攻击检测方案TPDD( Traffic Prediction based DOS attack Detection) ,首先用ARMA模型对流量进行预测,通过计算实际流量和预测流量的差值是否超出了预定的阈值来看是否有异常,并且还设计了一种异常检测报警评估机制,当报警数目超过一定范围时,则证明有攻击发生。这种方法同样在评估机制中参数需要人为设置,这样就加大了系统的不确定性。本文主要是在TPDD上进行改进。
滕丽萍提出的基于Sinkhole攻击的入侵检测系统利用Sinkhole攻击的特点设计了一个基于规范的分布式入侵检测系统,该系统需要节点之间合作来检测,加大了网络的能量消耗。Ponomarchuk等[9]提出的一种基于流量分析的入侵检测技术,该方法通过计算出网络流量接收率PRR ( Packet Reception Rate) 和间隔时间两种流量特性来判断网络中是否有入侵发生。该方案在网络的参数设置中也有一些人为因素的影响,从而会影响检测结果。
肖政宏等[10]运用几种典型的流量预测模型设计了一种异常入侵检测方法。该系统通过网络中节点的预测流量序列和实际的流量序列的差值来检测是否存在入侵。由于其缺少一种合理的评估机制,导致系统的检测结果可能会因为其他的原因而发生变化。
从上面的例子可以看出,目前运用流量特性来设计入侵检测系统,对于特定的应用都可以达到一定的效果。但是普遍存在能量消耗过大、人为参与因素较大,从而会导致检测的不确定性增加。本文在文献[7]中TPDD技术的基础上进行了改进,因为该方法在报警评估机制中,评估有无风险的异常个数m的设置会直接影响到检测结果。m过大,会造成遗漏攻击,太小会增加误报警率。通过实验证明ARMA模型对流量的单步预测效果很好,所以本系统使用ARMA模型预测的流量值来计算得出流量接收率范围,通过比较实际流量接收率范围是否超出范围来判断有无攻击发生,用流量接收率来代替TPDD中的报警评估机制,这样就减少了人为因素的影响。通过实验表明,本系统相比于单独运用ARMA模型,具有更高的检测率和更低的误报警率,并且能量消耗更少。
1 ARMA模型的建立
1. 1 流量模型的选取
由于无线传感器网络入侵检测系统的设计与其应用场景密切相关,对于不同的应用,所要处理的数据类型也不同,所以为节点建立无线传感器网络流量模型必须与应用场景相联系。
之前,王海元等[11]结合基于移动Agent的中间技术,设计出了基于ARMA模型的无线传感器网络可信数据采集方法。此方法表明ARMA模型对于数据的采集具有高度可信度,并且可以减少网络的能量消耗。而本文的研究主要针对数据周期性采集型无线传感器网络。并且,为了使网络达到流量均衡,假设传感器网络已通过负载平衡技术[12]做了相应的处理,从而防止了因为漏斗效应导致的网络拥塞。
因为无线传感器网络节点的能源、存储能力、处理能力都非常有限,所以本文选取计算简单的ARMA( 2p,2p - 1) 模型来对流量进行分析和预测。因为p为阶数太大的话,就会增加计算量,所以我们采用ARMA( 2,1) 模型。
1. 2 ARMA( 2,1) 流量预测模型的建立
本系统需要利用平稳化的数据序列来建立ARMA模型。假设滑动时间窗的大小为n,那么节点采集到的数据流序列就为X'0,X'1,…,X'i,…,X'n。此序列是周期性的,但是不是需要的平稳序列,所以还需要对其进行取对数处理来得到平稳序列,处理后的序列为X0,X1,…,Xi,…,Xn。利用此平稳序列来建立ARMA模型,通过模型预测出第n + 1 个流量值。
得到平稳序列后,就是建立ARMA模型[13],即:
其中,B为后移算子,ai为白噪声,它是独立同分布的高斯随机变量,均值为零,方差为 σa2。
本文采用最小二乘估计方法求解,减少了节点的计算量。通过估计参数判断时间序列的稳定性,稳定性条件为:
如果满足上述条件,则说明此序列为平稳序列,从而得出ARMA拟合模型,如下所示:
然后利用逆函数法进行单步预测,ARMA的逆函数记为I1,I2,…,Ij,则有:
则单步预测模型为:
其中m为Xt之前m次观测,可以根据预算精度的要求取值。
2 流量接受率范围的估计
对于周期性传送数据的无线传感器网络,一般在没有攻击发生或者受到其他因素的影响时,包括软硬件的损坏、自然灾害等,它应该是以一定的速率定期在节点之间传送信息,因此,各节点的流量不会发生很大的波动,应该保持在一定的范围内。正因为这个原因,本文利用节点的PRR来作为是否有攻击发生的依据。当有攻击发生时,节点的PRR会超出我们预测的范围。相反,则不会超出。
下面给出一段时间间隔内传输失败的次数K的二项分布式为:
其中为二项式系数,k为传输失败的次数,n为在指定时间间隔内传输的总数,p为一次传输失败的概率。
假设网络中的信息传输是定期稳定的传输,利用前面已经预测的流量的样本,在一段时间窗口T内按照每小段时间Tw来分别提取预测样本值为N1,N2,…,Nm,其中m等于T/Tw。从而可以算出接受包的平均值和标准偏差为:
其中Ni,i = 1,2,…,m为样本值。
然后就可以算出一段时间间隔内接收率的范围。因为3 s和6 s的置信水平分别为99. 87% 和100%[14],所以这里计算出间隔时间为3 s和6 s的PRR范围为:
根据计算出来的流量的接受率的范围,就可以判断是否有攻击发生。当后面的流量接受率超出范围时,则说明网络中有内部攻击发生。在集中式检测系统中往往会因为“单点失败”造成检测效果不佳,而在本文中,系统没有通过基站来处理检测数据,而是节点单独完成检测,这样提高了系统的鲁棒性。
3 仿真实验
这里采用OMNET ++ 仿真软件对本实验进行仿真,因为它具有很好的系统兼容性,可以在Windows和各种UNIX操作系统下利用C ++ 进行编译,对无线传感器网络的仿真可以达到很好的效果。实验仿真分为两个部分,首先对ARMA模型能否精确的对流量进行单步预测进行验证,其次当节点受到不同强度的内部攻击时,对比本系统和单独使用ARMA模型,二者的检测准确度、误报警率。同时,还对系统节点的平均能量开销进行了仿真。
3. 1 ARMA模型预测精度仿真
图1 实线显示的某一个传感器网络中通过某个节点的真实网络流量。利用ARMA( 2,1) 模型预测流量,通过最小二乘法估计出模型参数如下:
从上面的参数中可以计算得到满足了序列平稳性条件,从而得到其拟和模型为:
令m = 3 ,得到单步预测模型为:
本实验从任意时间起,在250s内每秒采样数据流量一次,然后利用模型预测出流量,图1 中虚线部分就是利用ARMA模型预测流量状况。对比图中实线和虚线,可以看出ARMA模型对流量的单步预测效果很好,虚线和实线基本吻合,这说明利用ARMA( 2,1) 模型可以很好地对无线传感器网络流量进行单步预测。
3. 2 入侵检测方案的仿真
实验主要是通过分析入侵检测系统的检测准确度和误报警率以及平均能量开销三个指标来判别本系统的可行性。
检测准确度指系统检测到的恶意报文与全部报文的比值和系统检测到的非恶意报文与全部检测到的报文数量的比值。
误报警率具体指系统将恶意的报文当做正常的报文的数量与全部报文的比值和系统将正常的报文当做恶意报文的数量与全部报文的比值。
同时,为了检测网络节点的平均能量开销,本文分别在有攻击有检测、无攻击无检测和有攻击无检测三种情况下进行仿真实验,对比三种情况下节点的平均能量开销。
一个好的无线传感器网络入侵检测系统必须具备高的检测准确度和低的误报警率,同时还要有较低的能量开销。
下面是本实验的一些仿真参数的设定:
实验面积:50×50,200×200 m2
一个基站
节点数目: 100
节点均匀网络部署
信息发送率:包/1.5 s或者包/15 s
包大小:10~100 B
传输速率: 100 kbps,250 kbps
攻击行为分别丢包率为30% 、50% 、100%
图2 显示的是本文设计的入侵检测系统和单独使用ARMA模型以及单独使用PRR对检测准确性的对比,横坐标是报文重放率,纵坐标是检测率。从图中可以看到三种方案的检测率和报文重放率密切相关,当重放率低于10% 时,只有本方案的检测率超过了50% ,这是因为其他两种方案都可能因为人为设置的阈值不够精确而导致部分报文被忽略。然而当重放率达到40% 的时候三种方案的检测率都接近100% ,所以当攻击较为明显的时候三种方案都可以用来检测拒绝服务攻击,都可以达到很好的效果。然而攻击不明显时,本方案有更好的检测准确度。
图3 中显示的是上述三种方案的误报警率。横坐标是报文重放率,纵坐标是误报警率。从图中可以看出随着重放率的增加,三种方案的误报警率都维持在一个很低的水平,因为信道误码所导致的丢包在客观上降低了重放报文攻击的误报警率。但是当报文重放率低于20% 时,本方案相对于单独运用ARMA模型,前者误报警率明显低于后者。
图4 是评估本系统中节点的平均能量开销,这里分别统计了在800 s时间内,无攻击无检测、有攻击无检测和有攻击有检测三种情况下节点消耗的平均能量。节点初始能量为2 J,其中式( 14) 表示节点接收一个报文的能量消耗为[15]:
式( 15) 表示节点发送一个报文的能量消耗为:
其中l表示包信息的字节数,Eelec表示射频能耗系数,efs表示功率放大能耗系数,d为节点之间的通信距离。
从图4 可以看出当网络没有攻击发生时,网络中的能量消耗维持在一定的水平。当有攻击时,节点的能量被大量消耗,但是有检测和没有检测相比,由于前者及时对攻击作出了反应,使流量的路径改变了,从而保证了网络能量不会因为有攻击发生而大量消耗,所以加入入侵检测可以减少攻击所带来的能量消耗。
4 结语
实验结果表明,ARMA模型对周期性的无线传感器网络流量的单步预测,可以达到很好的效果。对于检测内部攻击,本方案相对于单独利用ARMA模型来说,减少了人为因素对检测的影响,有着更高的检测率和更低的误报警率。同时,在一定程度上本系统减少了网络节点的平均能量开销,从而延长了网络的生命周期。但是对于非周期性网络,该系统还存在一定的缺陷,不能达到较好的效果。后期在不断优化本系统的同时,还要更深入地研究本系统对于非周期性传感器网络的入侵检测技术。
摘要：在无线传感器网络(WSN),针对内部攻击严重威胁网络的安全和正常运行,如造成网络拥塞、能量的大量消耗等问题,提出基于流量预测的入侵检测技术。该技术首先利用自回归滑动平均模型ARMA(Autoregressive Moving Average)为节点建立ARMA(2,1)流量预测模型,然后利用预测的流量值来得到通过节点的流量接收率范围,最后通过比较实际流量接收率是否超出预测范围来达到检测的效果。实验结果表明,和单独使用ARMA模型相比,在相同报文重放率条件下,采用该技术有更高的检测率和更低的误报警率,同时减少了网络节点的能量消耗。
预测和检测 篇6
在现代化的高技术战争中, 能及时地发现目标, 实现迅速有效的攻击, 是机载武器系统发展的一个趋势。对于远距离目标, 且对比度较低的情况下, 要保证可靠、准确地检测并跟踪目标是很困难的。早期围绕背景预测的红外弱小目标检测技术使用较多的是中值滤波器和匹配滤波器, 到后来提出的形态学滤波器等, 但得到的作用效果有限。
目前, 提出了一些新的背景预测方法, 包括基本背景预测法、自适应背景预测法、分块背景预测法、基于神经网络的背景预测方法等。但当背景起伏较大, 图像信噪比较低时, 在背景的起伏边缘就会出现较多的虚警。为了尽可能地对边缘进行准确预测, 使残差图中边缘被极大抵消。
文献[1]和文献[2]提出了新的背景预测和小目标检测方法。但文献[1]需要设定阈值对亮暗点分类, 文献[2]需要在处理中使用公式, 增加了算法复杂度。鉴于此, 本文借鉴了多向梯度的思想, 结合云层的灰度特点, 提出了一种新的背景预测方法, 不仅减少了起伏背景对检测结果的影响, 并且降低了算法复杂度。
1背景预测原理
由于背景图像像素点间的灰度有较强的相关性, 任何一个点灰度值均可以用其邻域像素点的灰度值预测, 也就是说可以通过周围区域点灰度的线性或非线性的组合来预测。
将原始图像与预测图像相减可以得到预测差, 预测差图像的灰度值越小, 越能增加目标的对比度。基本的背景预测模型为:
预测差图像为:e (i, j) =f (i, j) -y (i, j) (2) 式中:f (i, j) 表示红外图像的灰度值;e (i, j) 表示图像中像素点坐标;y (i, j) 表示预测估计值。
2背景预测方法介绍
根据权值的不同取法, 目前的背景预测方法可以分为:基本背景预测方法, 分块背景预测方法, 基于边缘区域亮暗点分类的背景预测方法等。
2.1 基本背景预测方法
基本背景预测的权重为同定权值。按权值的取法可对应成如下的滤波器模板:
式中:h1, h2, h3模板均适用于点目标和弱小目标;h2, h3模板的兼容性更好一些。
但实际情况是, 整幅图像的背景往往不是单一的。如果用其周围的所有像素的灰度组合来进行预测会导致虚警率的增加, 不利于后续的阈值分割。为解决这一问题, 提出了分块背景预测的方法。
2.2 分块背景预测法
分块背景预测法是将像素点周围背景以该像素点为中心划分为4个区域, 分别以这4个区域中的最大值、最小值、均值、最相似值作为预测点的预测值, 获得预测图。依次称为区域最大化背景预测法、区域最小化背景预测法、区域均值背景预测法、区域最相似背景预测法。这4个区域的背景预测值分别为:
这里以最大值背景预测法为例进行说明。
当弱小目标灰度值较低, 且位于亮云层边缘时, 采用区域最大化背景预测法, 很难使目标灰度预测值远小于真实值, 残差图中的目标点与背景的对比度较低, 无法正确检测到目标。
2.3 基于边缘区域亮暗点分类背景预测法
当被预测点不是边缘点时, 直接进行滤波;当被预测点是边缘点时, 首先利用灰度图像的分割算法将预测窗口内的像素点以预测窗口均值为阈值分为亮点和暗点2类:若亮像素点为多数, 则根据亮像素点计算预测值;若暗像素点为多数, 则根据目标像素点计算预测值。上述方法的缺点是:若预测窗中暗像素点为多数, 则高亮云层边缘的预测值可能会大大减小, 这些边缘点的残差值较大, 从而产生预测误差和虚警。
3基于多向梯度的背景预测法
3.1 多向梯度的简要介绍
在分析上述算法的基础上, 本文借鉴了文献[3]提出的多向梯度的思想, 提出了基于多向梯度的背景预测法:
所谓多向梯度, 是指红外灰度图像在平面各个方向上所表现出的高梯度特性。图像可以看作是在具有空间相关性的红外背景中加入弱点目标而形成的, 所以, 弱点目标沿各个方向上的梯度均较高, 而背景部分的梯度由于其相关性不具有这一特, 且边缘仅在某些连续的方向上具有高梯度。
理论上, 多向梯度是指平面图像上的360°方向, 但为了便于分析和说明问题, 这里仅举出水平正向、水平负向、垂直正向以及垂直负向4个方向为例做介绍:
梯度中水平正向的定义:Δf (m, n) X+=|X (m+l, n) -X (m, n) | (7) 式中:l为梯度步长, 它与目标的大小有关。
同样, 可以给出 (m, n) 位置处沿水平负方向、垂直正方向和垂直负方向上的梯度 (分别用Δf (m, n) X-, Δf (m, n) Y+和Δf (m, n) Y-来表示) 的定义:Δf (m, n) X-=|X (m-l, n) -X (m, n) | (8)
Δf (m, n) Y+=|X (m, n+l) -X (m, n) | (9)
Δf (m, n) Y-=|X (m, n-l) -X (m, n) | (10)
3.2 弱小目标和复杂云层边缘的灰度特点分析
经过对大量复杂云层图像的观察和分析, 发现图像中的目标即使在整个图像中强度不是最强的, 但在它所处的小区域中与局域背景的差别较明显;而强度较高的背景中的像素, 虽然灰度值较大, 但在它所处的区域中与周围背景无明显差异。并且, 通过对红外图像中云层边缘区域的放大分析, 可以看到这些区域成像时在较大的分析尺度上都呈现出有规律的逐级过渡的纹理特点, 而弱小目标所在的区域在同样的分析尺度上却不具备这样的纹理分布特征[4]。也就是说, 弱小目标的灰度以中心点为最大, 向周围逐渐衰减扩散, 而云层边缘点并非是其邻域内的灰度最大点, 它呈现出由暗逐渐变亮过渡的特点。
3.3 算法的提出
基于上述分析, 假设目标所占像素区域为3×3, 可以得到, 在窗口中心点 (i, j) 处, 选取梯度步长l为3和5, 分别在其水平正方向、水平负方向、垂直正方向和垂直负方向、左上45°方向、右上45°方向、左下45°方向、右下45°方向分别取8个像素点。如图1灰色方框所示, 其中, 中心区域3×3部分代表目标所占区域。
分情况讨论如下:
(1) 选取梯度步长l为3对应的9个像素点, 若预测点为这9个像素点中灰度值最大的点, 则取梯度步长为5, 也在上述8个方向上取8个像素点。
① 若预测点仍为最大值, 则判断预测点为区域最大值点, 此时, 根据上述分析可知该预测点极有可能为目标点。且目标点有2种可能的位置:在较平缓背景处;距离边缘点较近处。因此选取梯度步长l为3对应的8个像素点中灰度值第6高的点, 将其值赋予被预测点。若目标点位于平缓背景中, 赋予的值不影响后续处理;若目标点位于边缘处, 赋予的值可以避免将高亮度的背景边缘像素点赋予预测点, 从而可以提高目标点在残差图像中的对比度, 方便后续的处理。
当然, 该预测点也可能是背景点中的局部最大值点, 考虑到背景的平缓性, 将梯度步长l为3对应的8个像素点中的灰度值第6高的点的灰度值赋予该点, 并不影响后续的处理。
② 若预测点不为最大值, 则此预测点也可能有2种位置:在较平缓背景处;位于云层背景边缘处。此时选取梯度步长l为3对应的8个像素点中的灰度值与被预测点最为接近的像素点的灰度值赋予被预测点。若预测点在较平缓背景处, 选择灰度值最为接近的点显然有利于后续的处理;若预测点在云层背景边缘处, 选择灰度值最为接近的点保证了云层边缘点灰度值预测的准确性。
(2) 若预测点灰度值不为梯度步l为3对应的9个像素点中灰度值最大的点, 则可判断此预测点位于平缓背景处, 也有部分可能位于云层的边缘处。此时选取与被预测点灰度值最为接近的像素点的灰度值赋予被预测点, 可以保证预测值的准确性。
基于上述讨论和分析, 设计算法如下:
(1) 在 (i, j) 像素点的7×7邻域上, 选取包括 (i, j) 在内的其他8个像素点: (i-3, j-3) , (i-3, j) , (i-3, j+3) , (i, j-3) , (i, j+3) , (i+3, j-3) , (i+3, j) ,
(i+3, j+3) , 对这9个点进行排序, 若 (i, j) 不是灰度最大点, 则选取灰度值最为接近的点, 将其值赋予 (i, j) 。若是最大值点, 则转入步骤 (2) 。
(2) 在 (i, j) 像素点的11×11邻域上, 选取包括 (i, j) 在内的其他8个像素点 (i-5, j-5) , (i-5, j) , (i-5, j+5) , (i, j-5) , (i, j+5) , (i+5, j-5) , (i+5, j) , (i+5, j+5) , 对这9个点进行排序, 若 (i, j) 不是灰度最大点, 则选取灰度值最为接近的点, 将其值赋予 (i, j) 。若是最大值点, 则转入步骤 (3) 。
(3) 选取 (i, j) 像素点的7×7邻域上9个像素点按大小排序后将第6大灰度值点赋予 (i, j) 。
(4) 遍历整幅图像。
4背景对消和阈值分割
图像经过背景预测后, 得到的残差图已去掉了大部分低频信息。但仍存在部分高频噪声和干扰点。所以需对图像进行分割, 去掉干扰, 只保留可能目标点。阈值选择对后续处理有重要影响:阈值过高, 可能会丢失真正的目标信息;阈值过低, 将造成较高的虚警率。这里采取自适应阈值分割图像, 取门限为:T=m+kσ (11) 式中:m为图像的均值;σ为图像的均方差;k为权重系数, 根据经验值获得, 一般取5～15。
5仿真实验结果和分析
本文采用的红外弱小目标图像是大小为244×280的具有复杂云层背景的天空图像, 随机加入位于云层边缘的信杂比SCNR为3.0左右的弱点目标。SCNR= (GI-Gb) /σb (12) 式中:GI为目标平均灰度;Gb为背景平均灰度;σb为背景标准差。通过采用基本背景预测法、频域背景预测法、基于边缘区域亮暗点分类背景预测法、区域最大值背景预测法和本文提出的算法在Matlab 7.1平台上进行仿真实验, 并对结果进行分析。
5.1 几种算法的背景预测图效果对比分析
几种算法的背景预测图效果对比分析如图2所示。图2 (c) 为采用基本背景预测法得到的图像。可以看出, 云层边缘部分不仅较暗, 而且存在模糊现象。说明在图像背景相对复杂的情况下, 用其周围的所有像素的灰度组合来进行预测会产生较大偏差。图2 (d) 为采用butterworth频域背景预测法得到的图像, 可以看出, 云层边缘部分同样存在着较为昏暗和模糊的现象。图2 (e) 为采用基于边缘区域亮暗点分类背景预测法得到的图像, 可以看到云层边缘的预测值有较大幅度的降低, 这使其背景残差较大。图2 (f) 为采用基于区域最大值背景预测法得到的图像, 可以看到此时目标灰度预测值较大, 这在后续的处理中使得目标点与背景的对比度降低。图2 (b) 为采用本文算法得到的背景预测图像, 可以看出预测的背景边缘很好地反映了原图的情况, 并且目标区域灰度值很小, 提高了对比度, 易于后续的处理。
5.2 背景对消和阈值分割后几种算法的检测图效果对比分析
背景对消和阈值分割后几种算法的检测图效果对比分析如图3所示。
通过第5.1节的讨论可得到, 采用本文算法预测的背景更为接近真实背景图像, 而且经过背景对消后, 目标点与剩余点灰度值的对比度较大, 鉴于此, 选取权重系数k为15, 得到阈值分割后的效果图如图3 (b) 所示。图3 (c) , (d) 为选取权重系数k为7得到的效果图。图3 (e) , (f) 为选取权重系数k为6得到的效果图。
这里在高亮云层边缘处随机取100个点进行仿真实验, 可以得到在权重系数k为15的条件下, 检测概率可达到98%, 而虚警点个数小于26。由于本文讨论的其他算法得到的残差图像的对比度较低, 在权重系数k为15的条件下, 基本上检测不到目标, 所以不做统计。
6结语
针对传统的背景预测算法存在的不足, 本文借鉴了文献[3]中的多向梯度思想, 并将它运用到了背景的预测中, 提出了基于多向梯度的背景预测算法。实验结果表明:在图像背景起伏较大、信噪比较低的情况下, 该算法能够很好地抑制背景, 特别是能够抑制复杂边缘对检测结果的影响, 有效地检测到红外弱小目标。
摘要：为解决复杂空中背景下红外弱小目标的检测, 提出一种新的基于多向梯度的背景预测方法。该方法根据云层边缘区域、平缓背景区域及弱小目标所呈现的不同梯度特点, 采取不同方法分别进行预测;基本保留云层边缘区域和平缓背景区域的点, 而对弱小目标区域采用邻域低灰度值点进行预测。然后经过背景消除和阈值分割, 将弱小目标检测出来。仿真结果表明, 该算法对复杂空中背景预测有很高的准确性, 能够更加有效地抑制云层边缘引起的虚警, 将红外弱小目标点检测出来。
关键词：背景预测,多向梯度,阈值,弱小目标
参考文献
[1]杨丽萍, 冯小毅.一种新的背景预测方法在红外弱小目标检测中的应用[J].电子技术应用, 2007 (8) :72-75.
[2]杨丽萍, 冯小毅.一种基于背景预测的红外弱小目标检测方法[J].红外技术, 2007, 29 (7) :404-408.
[3]马治国, 王江安, 宗思光.海天线附近红外弱点目标检测算法研究[J].激光与红外, 2004, 34 (5) :389-391.
[4]郭伟, 赵亦工, 谢振华, 等.基于非参数统计的云层背景描述与红外弱小目标检测[J].红外与毫米波学报, 2008, 27 (5) :383-388.
[5]朱斌, 樊祥, 马东辉, 等.窗口大小和权值模板对固定权值背景预测算法的影响[J].红外与激光工程, 2006 (35) :179-184.
[6]朱红, 赵亦工.基于背景自适应预测的红外弱小运动目标检测[J].红外与毫米波学报, 1999, 18 (4) :305-310.
[7]余小英, 李凡生, 邵晓鹏.基于背景抑制的4种红外小目标检测算法比较[J].红外技术, 2009, 31 (5) :287-290.
[8]DENNEY B S, FIGUEIREDO R J P.Optimal point targetdetection using adaptive auto regressive background predic-tion[C].Proc.SPIE.[S.l.]:[s.n.], 2000, 4048:46-57.
[9]TOET A, WU Tirui.mall maritime a target detectionthrough false color fusion[C]//SPIE-The lntemational Soci-ety for Photo-Optical Instrumentation Engineers.USA:[s.n.], 2000, 6945:9450-9459.
预测和检测 篇7
红外弱目标检测,在军事、民用上有广泛用途;而由于目标微弱,在图像上所能显示的是几个像素组成的目标,无结构信息和形状信息[1]。加上背景复杂,目标的领域信噪比很小,对它的检测和跟踪十分困难[2]。国内外学者和研究人员进行了广泛而深入的研究[3],提出了许多有实际意义的检测算法和处理机体系结构[4]。在分析红外点目标、噪声及杂波模型的基础上,参考文献[5]提出了基于二次滤波的复杂背景下红外点目标的检测算法;该算法由二阶滤波器组成。根据点目标的模型特点,通过选择合适的高通滤波器,可有效地增强信噪比抑制噪声。参考文献[6]分析了移动背景下探测和跟踪亚像元的空间差及空间滤波。参考文献[7]采用一组时间上的高阶差分来抑制背景干扰,并得到目标的运动轨迹。以上文献都在红外点目标、噪声及杂波模型方面有所研究。从理论上讲,上述各种目标检测方法都能取得较好的效果,但大多数算法计算量大,在工程实现上还存在着这样那样的不足,难以达到实用的要求。
本文分析了在红外弱小目标中,边缘和目标点的统计特征,通过构建一种非参数秩方法,对自适应背景预测后的残差图像进行了进一步处理,降低了图像中边缘处容易形成虚警的现象,提高了信噪比。
1 红外弱小目标检测模型
一幅含有小目标的红外图像主要包括三部分:背景图像、噪声图像和目标图像。因此包含有小目标的红外场景图像S(I,j)可以描述为:
S(i,j)=ST(i,j)+SB(i,j)+SN(i,j) (1)
式(1)中S(i,j)为红外图像的灰度值; ST(i,j)为小目标图像的灰度值,SB(i,j)背景图像的灰度值;SN(i,j)为噪声图像的灰度值。小目标ST(i,j)亮度较周围背景高,与背景不相关,是图像中的孤立亮斑,在灰度分布上表现出奇异性,是图像中的高频部分。
背景图像SB(i,j)通常都有较长的相关长度,它占据了场景图像中的低频信息。同时,由于场景和传感器内部热分布的不均匀性,背景图像是一个非平稳过程,图像中局部灰度均值可能会有较大的变化。另外也包含部分空间频率域中的高频分量,它们主要分布在背景中各个同质区的边缘处。噪声图像SN(i,j)是传感器及电路产生的各类噪声的总和,可描述为零均值的高斯白噪声,它与背景像素不相关,在空间频率域表现有和小目标类似的高频特征,但它在空间分布是随机的,帧间的空间分布没有相关性。从上面的分析可得出,背景图像SB(i,j)在单帧图像目标检测阶段就表现出与小目标图像和噪声图像不同的特点,因此可利用其相关长度长的特点,抑制在图像灰度分布统计中占主要成分的背景图像的作用,提高目标与背景的信噪比。
2 基于非参数秩的背景预测算法
2.1 背景预测算法
通过上面从空域角度对红外弱小目标图像中的目标与背景特征的分析可知,对红外弱小目标的检测可以从两个方面入手进行: (1)可以利用红外弱小目标表现出来的灰度奇异性特征对目标进行检测; (2)可以利用背景图像主要分布在低频区域且表现出高度相关性特征,从而进行背景估计与背景抑制的方法来对红外弱小目标进行检测。数学上的奇异函数分解,根据背景图像的相关性,预测背景,原图像响应得到差值图像。
经典的背景预测算法如下:设S(i,j)为红外弱小目标原始图像,那么根据(i,j)点附近区域内的像素灰度值对(i,j)点的像素灰度值S(i,j)进行线性预测估计,得到估计值Sp(i,j)。
式(2)中,w(m,n)为预测权值矩阵,S为预测域。将预测图像与原始图像相减,得到预测残差图像,也就是背景抑制后的图像:
在预测残差图像上进行门限分割,在单幅图像上获取候选目标。
2.2 改进的背景预测算法
在背景起伏平缓的图像上,背景预测算法效果良好,但是对于背景有起伏的图像,特别是云层边缘处信号变化强烈,简单的预测算法会得到大量的虚假目标。
对于远距离红外检测和跟踪系统中,由于光学成像系统和大气的干扰,目标所成的像近似点目标,仅占几个像素。从光学的角度看,目标大小可模型化为一个在二维空间的离散高斯脉冲。点目标可以用光学点扩散函数表示,其数学模型可以描述为:
式(4)中ST(i,j)为目标点的灰度值,t为目标的灰度幅值,δx,δy分别为目标所在x和y方向的宽度。
起伏背景中的云层边缘可以用梯度函数来描述,在边缘处,由于像素点的灰度有一个明显的突变,并且在边缘两侧,灰度具有一致性,根据S图像灰度值的显著变化可以用梯度来表示,以边缘检测Sobel算子为例:
Sobel算子利用像素点上下、左右邻点的灰度加权算法,根据在边缘点处达到极值这一现象进行边缘的检测。
在非参数统计中,虽然不知道样本分布的形式,但总可以把数据按照大小排队而使每个数据都有自己的“地位”,称之为样本的秩,n个样本就产生n个秩。
定义1 设x1,…,xn为样本,其值两两不同,称
为Xi在样本x1,…,xn中的秩(rank),记R=(R1,R2,…,Rn)i=1,…,n,为秩统计量。
对云层边缘、平坦背景,以及小目标处在秩统计特征方面有明显的不同。对云层边缘位置的样本区域而言,如果该点处于过渡带的中心区域,在这个过渡带上,总是至少有一个方向呈现递增变化的灰度趋势。同时,至少有一个方向呈现递减变化的灰度趋势。对弱小目标位置样本而言:沿四个扫描方向进行扫描。四个方向上的样本灰度,沿扫描方向总是呈现灰度递减的阶梯变化。也就是说,按这种方式得到的云层边缘位置样本的秩特征矢量至少有一个呈现出递增变化。而以同样方式得到的目标区域中心样本的秩特征矢量,则总是呈现递减变化。根据点目标以及云层边缘在图像中的不同模型,统计中的非参数秩方法可以构建一个弱小目标的检测增强算法
对以(I,j)为中心点的区域,我们按照四个方向扫描获取分析样本,得到与扫描方向相对应的秩特征矢量,并得到与C相关的特征量。分别记为RL, RR. RU,RD。并得到单个像素点处的相关值:
得到关于图像中每个像素点的秩相关模板的特征量后,将陷波图像与第一次背景抑制后的图像相乘,实现对小目标的增强和对残留云层边缘的抑制。
3 实验分析
选用了两幅典型的红外小目标图像,采用自适应滤波作为背景预测算法,并在处理后的残差图像上,与非参数陷波图像进行相乘,对处理后的图像进行对比,利用信噪比SNR作为度量特征:
式(10)中: μ=E(G), σ=D(G)。
在选取的两幅红外图像中,图1目标点位于边缘处,容易被边缘产生的虚警遮盖,经过本文算法处理后,明显减少了虚警的影响。图2中云层变化强烈,形成了大量的虚假目标,本文算法在提高信噪比的同时,有效降低了边缘处的虚警现象。
4 结束语
本文通过对红外小目标图像检测中的边缘特性和小目标模型进行了分析,并根据非参数秩构建了一个滤波模板,对背景预测后的图像进行了进一步处理,增强了小目标信号并对云层边缘进行了抑制,经过仿真验证,该算法改进了背景预测算法,有效提高了检测率,并降低了虚警。
摘要：在红外弱小目标检测中,提出了一种改进的背景预测算法。根据小目标在图像中的非参数秩描述,构建了一种非参数秩模板。该模板更好的对背景进行预测,提高了小目标在局部区域的信噪比。经过试验验证,在低信噪比的红外弱小目标图像检测中进一步提高检测率。
关键词：弱小目标,背景抑制,非参数秩
参考文献
[1] Caefer C E,Silverman J,Mooney J M.Optimization of point targettracking filters.IEEE Trans.on Aerospace and Electronic Systems,2008;36(1):15—25
[2] Fechner T,Hach R,Rockinger O,et al.Detection and tracking ofsmall targets in aerial image sequences and unknown sensormotion.SPIE,2010;5374:259—266
[3]韩客松.复杂背景下红外点目标检测的预处理.红外技术,1999;21:36—39
[4]李吉成.红外起伏背景条件下的小目标检测技术研究.长沙:国防科技大学工学博士学位论文,1998
[5]张弘,赵保军,毛二可,等.复杂背景下红外点目标的检测.红外与激光工程,2001;30(2):96—98
[6] Cassasent D.Subpixel target detection and tracking.Proc of theSPIE,1986;726:1206—1210
【预测和检测】推荐阅读：
分析和预测11-04
预测和推理能力06-27
市场调研和销售预测08-26
高考作文预测:诗和远方11-07
2023房地产市场总结和2024年预测08-26
基于灰色模型和指数平滑法的地面沉降预测08-02
检测和定位08-04
检测和保护09-13
成像测井资料在构造裂缝预测和评价中的应用05-27
质量检测中心检测设施、环境控制和维护程序07-20