Robuste Pulsdetektion für die Ultraschall-Computertomographie ...
Robuste Pulsdetektion für die Ultraschall-Computertomographie ...
Robuste Pulsdetektion für die Ultraschall-Computertomographie ...
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
<strong>Robuste</strong> <strong>Pulsdetektion</strong> <strong>für</strong> <strong>die</strong><br />
<strong>Ultraschall</strong>-<strong>Computertomographie</strong><br />
Masterarbeit im Fach Informationstechnik<br />
angefertigt am<br />
Forschungszentrum Karlsruhe (FZK)<br />
Institut <strong>für</strong> Prozessdatenverarbeitung und Elektronik (IPE)<br />
eingereicht an der<br />
Hochschule Mannheim<br />
Fakultät Informationstechnik<br />
Institut <strong>für</strong> digitale Signalverarbeitung<br />
vorgelegt von<br />
Dipl.– Ing. (FH) Marc Weber<br />
Karlsruhe, 31. August 2006<br />
Erstkorrektor: Prof. Dr.– Ing. Stefan Feldes<br />
Zweitkorrektor: Dipl.– Inform. Gregor Schwarzenberg<br />
Betreuer: Dipl.– Inform. Gregor Schwarzenberg
Ich versichere, dass ich <strong>die</strong>se Arbeit selbständig und nur mit den angegebenen<br />
Hilfsmitteln verfasst habe.<br />
(Marc Weber)<br />
Karlsruhe, den 31. August 2006
Danksagung<br />
Zunächst möchte ich mich bei Herrn Prof. Dr.–Ing. Feldes bedanken, der bereit<br />
war <strong>die</strong>se Arbeit an der Hochschule Mannheim zu betreuen und zu bewerten.<br />
Besonderer Dank geht an meinen Betreuer Herrn Dipl.–Inform. Gregor Schwarzenberg<br />
<strong>für</strong> seine kontinuierliche Unterstützung während der Anfertigung <strong>die</strong>ser<br />
Arbeit und <strong>die</strong> Möglichkeit <strong>die</strong>se am Forschungszentrum Karlsruhe durchzuführen.<br />
Ein großes Dankeschön geht auch an alle Mitarbeiter der IPE-Softwaregruppe<br />
und insbesondere den IPE-Container <strong>für</strong> das tolle Arbeitsklima und <strong>die</strong> vielfältige<br />
Unterstützung in allen Belangen.<br />
Mein größter Dank gilt meinen Eltern <strong>für</strong> Ihre Unterstützung und ihr Vertrauen,<br />
besonders während des Studiums.
Zusammenfassung<br />
Am Forschungszentrum Karlsruhe wird aktuell ein <strong>Ultraschall</strong>-Computertomo-<br />
graph zur Brustkrebsfrüherkennung entwickelt. Bei einer Messung wird ein Puls<br />
gesendet und von vielen Empfängern gleichzeitig aufgezeichnet. Die genaue An-<br />
kunftszeit (Time-of-arrival, TOA) des Pulses ist Voraussetzung <strong>für</strong> eine exakte<br />
Lokalisierung eines gemessenen Objektes.<br />
Die Detektion der Pulse und besonders <strong>die</strong> Bestimmung deren TOA konnte mit<br />
herkömmlichen Verfahren nur ungenau durchgeführt werden und so wurde ein<br />
Ansatz, der auf der kontinuierlichen Wavelet-Transformation (CWT) basiert, im-<br />
plementiert und getestet. Erwartet wurde eine genauere und robustere Schätzung<br />
der TOA. Weiterhin können zusätzliche Pulsparameter wie Amplitude, Frequenz,<br />
Bandbreite und Phase bestimmt werden.<br />
Zur Beschleunigung der Parameterschätzung wurde eine zusätzliche Vorauswahl<br />
von Pulsen entwickelt. Dazu fand eine Anpassung eines Wavelets an <strong>die</strong> verwende-<br />
te Signalform statt (Matched-Wavelet). So konnte auf Basis von Trainingsdaten<br />
ein Klassifikator mit dem Data-Mining-Tool WEKA erstellt werden.<br />
Mit der implementierten Signaldetektion konnte eine wesentliche Verbesserung im<br />
Vergleich zu anderen Verfahren erreicht werden. Dies zeigt sich an einem höheren<br />
Signal-Rausch-Verhältnis (SNR) zu Rauschen und Artefakten in Bildrekonstruk-<br />
tionen. Durch <strong>die</strong> genauere Schätzung der TOA konnten Objekte schärfer dar-<br />
gestellt werden. Das Verfahren kann selbst Pulse bei sehr niedrigen SNR-Werten<br />
von −2dB erkennen und deren Parameter mit einem akzeptablen Fehler von we-<br />
niger als 10% schätzen. Ebenso war <strong>die</strong> sichere Trennung zweier Pulse mit einem<br />
Abstand von ca. zwei Wellenlängen möglich.<br />
Nachteil der Detektion ist <strong>die</strong> hohe Laufzeit, <strong>die</strong> eventuell durch eine Optimier-<br />
ung des Algorithmus verbessert werden kann. Allerdings kann das Verfahren<br />
selbst Pulse unterhalb der Rauschamplitude detektieren und deren Parameter<br />
mit geringem Fehler schätzen, was in wesentlich schärferen Bilder mit geringerem<br />
Rauschen resultiert. Dadurch sollte auch <strong>die</strong> Verbesserung der Abbildung sehr<br />
komplexer Experimente (z.B. Brust) möglich sein.
Inhaltsverzeichnis<br />
1 Einleitung 1<br />
1.1 Brustkrebs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1<br />
1.2 <strong>Ultraschall</strong>-<strong>Computertomographie</strong> (USCT) . . . . . . . . . . . . . 1<br />
1.3 Aufgabenstellung und Ziele . . . . . . . . . . . . . . . . . . . . . 2<br />
2 Allgemeine Grundlagen 4<br />
2.1 USCT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4<br />
2.1.1 <strong>Ultraschall</strong>-Computertomograph . . . . . . . . . . . . . . . 4<br />
2.1.2 <strong>Ultraschall</strong>wandler . . . . . . . . . . . . . . . . . . . . . . 4<br />
2.1.3 Bildrekonstruktion . . . . . . . . . . . . . . . . . . . . . . 6<br />
2.2 Waveletgrundlagen . . . . . . . . . . . . . . . . . . . . . . . . . . 7<br />
2.2.1 Fourier- und Fenster-Fourier-Transformation . . . . . . . . 7<br />
2.2.2 Wavelet-Transformation . . . . . . . . . . . . . . . . . . . 8<br />
2.3 Stand der Forschung . . . . . . . . . . . . . . . . . . . . . . . . . 10<br />
2.3.1 Parameterschätzung . . . . . . . . . . . . . . . . . . . . . 10<br />
2.3.2 Signaldetektion . . . . . . . . . . . . . . . . . . . . . . . . 12<br />
3 Verwendete Methoden 14<br />
3.1 Matched-Wavelet . . . . . . . . . . . . . . . . . . . . . . . . . . . 14<br />
3.1.1 Einführung . . . . . . . . . . . . . . . . . . . . . . . . . . 14<br />
3.1.2 Spektrum-Anpassung . . . . . . . . . . . . . . . . . . . . . 17
INHALTSVERZEICHNIS<br />
3.2 Parameterschätzung . . . . . . . . . . . . . . . . . . . . . . . . . 19<br />
3.2.1 Einführung . . . . . . . . . . . . . . . . . . . . . . . . . . 19<br />
3.2.2 Algorithmus . . . . . . . . . . . . . . . . . . . . . . . . . . 20<br />
4 Entwicklung der Signaldetektion 23<br />
4.1 Einführung in das Verfahren . . . . . . . . . . . . . . . . . . . . . 23<br />
4.2 Klassifikation <strong>für</strong> <strong>die</strong> Parameterschätzung . . . . . . . . . . . . . . 24<br />
4.2.1 Einführung . . . . . . . . . . . . . . . . . . . . . . . . . . 24<br />
4.2.2 WEKA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24<br />
4.2.3 Matched-Wavelet . . . . . . . . . . . . . . . . . . . . . . . 25<br />
4.2.4 Trainingsdatensatz . . . . . . . . . . . . . . . . . . . . . . 25<br />
4.2.5 Klassifikator . . . . . . . . . . . . . . . . . . . . . . . . . . 27<br />
4.2.6 Pulsauswahl . . . . . . . . . . . . . . . . . . . . . . . . . . 29<br />
4.3 Schätzen der Pulsparameter . . . . . . . . . . . . . . . . . . . . . 31<br />
4.3.1 Implementierung . . . . . . . . . . . . . . . . . . . . . . . 31<br />
4.3.2 Fehlerberechnung . . . . . . . . . . . . . . . . . . . . . . . 37<br />
4.4 Weiterverarbeitung . . . . . . . . . . . . . . . . . . . . . . . . . . 38<br />
4.4.1 Durchlauf von Experimenten . . . . . . . . . . . . . . . . . 38<br />
4.4.2 Datenformat . . . . . . . . . . . . . . . . . . . . . . . . . . 39<br />
5 Evaluierung 43<br />
II<br />
5.1 Wavelet zur Detektion . . . . . . . . . . . . . . . . . . . . . . . . 43<br />
5.2 Fehler der Parameterschätzung . . . . . . . . . . . . . . . . . . . 47<br />
5.2.1 Einführung . . . . . . . . . . . . . . . . . . . . . . . . . . 47<br />
5.2.2 Synthetische Pulse . . . . . . . . . . . . . . . . . . . . . . 48<br />
5.2.3 Ankunftszeit (Time of arrival) . . . . . . . . . . . . . . . 55<br />
5.2.4 Überlagerte Pulse . . . . . . . . . . . . . . . . . . . . . . . 58<br />
5.2.5 Reale Pulse . . . . . . . . . . . . . . . . . . . . . . . . . . 62
INHALTSVERZEICHNIS<br />
5.3 Bildrekonstruktionen . . . . . . . . . . . . . . . . . . . . . . . . . 64<br />
6 Diskussion und Ausblick 70<br />
6.1 Diskussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70<br />
6.2 Ausblick . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73<br />
III
Kapitel 1<br />
Einleitung<br />
1.1 Brustkrebs<br />
Brustkrebs - eine bösartige Neubildung der Brustdrüse(Mamma) - ist in Deutsch-<br />
land <strong>die</strong> häufigste Krebserkrankung bei Frauen. Im Jahre 2004 starben daran<br />
knapp 18000 Patientinnen, was ca. vier Prozent aller Todesursachen bei Frauen<br />
entspricht[1]. Die<br />
Überlebenswahrscheinlichkeit steigt mit der frühzeitigen Er-<br />
kennung eines Mammakarzinoms(Tumor der Brustdrüse). Durch <strong>die</strong> heutigen<br />
bildgebenden Verfahren werden Karzinome meist erst ab einer Größe von ca.<br />
einem Zentimeter sicher erkannt. In <strong>die</strong>sem Stadium ist eine Metastasierung be-<br />
reits mit einer Wahrscheinlichkeit von 30% eingetreten und <strong>die</strong> Mortalität steigt<br />
drastisch.<br />
Neben der Mammographie werden zur Abklärung oder weiterführenden Diagnos-<br />
tik auch andere Verfahren wie <strong>die</strong> Sonographie(<strong>Ultraschall</strong>) und <strong>die</strong> Magnet-<br />
resonanztomographie(MRT) eingesetzt. Die Mammographie ist allerdings <strong>die</strong><br />
Standard-Untersuchung der Brust. Die MRT wird meist nur bei Risikopatienten<br />
eingesetzt, da <strong>die</strong> Sensitivität zwar hoch ist, aber auch das Maß der als fälsch-<br />
licherweise krank befundenen Patienten höher ist als bei der Mammographie[2].<br />
1.2 <strong>Ultraschall</strong>-<strong>Computertomographie</strong> (USCT)<br />
Am Forschungszentrum Karlsruhe wird aktuell ein bildgebendes Verfahren zur<br />
Brustkrebsfrüherkennung entwickelt, was auf der <strong>Ultraschall</strong>diagnostik basiert.
KAPITEL 1. EINLEITUNG<br />
Diese Untersuchungsmethode ermöglicht es, dreidimensionale Volumenbilder ei-<br />
ner Brust zu erstellen. Erste Untersuchungen mit einem Demonstrator in 2D<br />
konnten zeigen, dass <strong>die</strong>se Methode eine bessere Auflösung, einen höheren Kon-<br />
trast und wesentlich weniger Speckle-Rauschen bietet als herkömmliche Verfah-<br />
ren, <strong>die</strong> auf <strong>Ultraschall</strong> basieren. Die momentane Entwicklung wird mit einem ex-<br />
perimentellen 3D-<strong>Ultraschall</strong>-Computertomographen fortgeführt, wobei das 3D-<br />
Volumen über <strong>die</strong> empfangenen Reflexionen und Streuungen des Gewebes im Zy-<br />
linder rekonstruiert wird. Dazu wird ein mit Wasser als Koppelmedium gefüllter<br />
Zylinder eingesetzt, der mit ca. 2000 <strong>Ultraschall</strong>wandlern besetzt ist. Angestrebt<br />
ist eine neue Früherkennungsmethode <strong>für</strong> Brustkrebs, <strong>die</strong> bessere Qualität als<br />
andere Verfahren bietet und ohne schädliche Strahlenbelastung auskommt.<br />
1.3 Aufgabenstellung und Ziele<br />
Einer der wesentlichen Punkte während der Entwicklung <strong>die</strong>ses Verfahrens ist<br />
<strong>die</strong> Verbesserung der Abbildungsqualität. Im Zuge dessen soll <strong>die</strong> Detektion der<br />
reflektierten und gestreuten <strong>Ultraschall</strong>pulse präzisiert werden. Vor allen Din-<br />
gen muss <strong>die</strong> Ankunftszeit der Pulse genauer bestimmt werden, um Objekte ei-<br />
ner Messung besser zu lokalisieren. Dies würde in einer schärferen Abbildung<br />
resultieren und gleichzeitig den Einfluss von Rauschen reduzieren. Da <strong>die</strong> Ultra-<br />
schallsender eine bestimmte Abstrahlcharakteristik aufweisen und außerdem <strong>die</strong><br />
Pulsform in Abhängigkeit vom Sende- und Empfangswinkel variieren kann, muss<br />
<strong>die</strong>se Detektion so robust wie möglich sein. Das bedeutet, dass auch <strong>Ultraschall</strong>-<br />
pulse detektiert werden sollen, wenn sich deren Parameter, wie beispielsweise <strong>die</strong><br />
Frequenz oder <strong>die</strong> Bandbreite, verändert haben. Andere Verfahren wie <strong>die</strong> De-<br />
convolution und der Einsatz eines Matched-Filters sind nicht optimal <strong>für</strong> solche<br />
Bedingungen geeignet, da <strong>die</strong>se auf ein Referenzsignal zur Detektion angewiesen<br />
sind.<br />
Ein Ansatz, um einer Veränderung der Pulsparameter zu begegnen und <strong>die</strong>se<br />
zu schätzen, basiert auf der kontinuierlichen Wavelet-Transformation (CWT -<br />
Continuous Wavelet Transform). Dadurch sollen wichtige Werte wie Ankunfts-<br />
zeitpunkt, Mittenfrequenz, Amplitude, Bandbreite und Phase bestimmt werden<br />
2
1.3. AUFGABENSTELLUNG UND ZIELE<br />
können, <strong>die</strong> zur weiteren Verarbeitung herangezogen werden können.<br />
Die Implementierung <strong>die</strong>ses Ansatzes soll unter MATLAB erfolgen, um eine In-<br />
tegration in den bereits bestehenden Rekonstruktionsalgorithmus zu ermöglich-<br />
en. Ebenso stehen viele experimentelle Daten <strong>für</strong> <strong>die</strong> spätere Evaluierung zur<br />
Verfügung, um <strong>die</strong> Funktion des Verfahrens zu testen und zu visualisieren.<br />
Ziel der Arbeit ist es, durch <strong>die</strong> Detektion von Pulsen und Schätzung derer Para-<br />
meter <strong>die</strong> Bildrekonstruktion zu verbessern. Wichtigster Punkt dabei ist <strong>die</strong> Ver-<br />
besserung der Ankunftszeitschätzung (Time-of-arrival, TOA), da <strong>die</strong>s der zentra-<br />
le Parameter der Signalverarbeitung ist. Dieser Parameter ist essentiell <strong>für</strong> <strong>die</strong><br />
genaue Lokalisierung von Objekten und auch <strong>die</strong> präzise Detektion von Trans-<br />
missionssignalen <strong>für</strong> <strong>die</strong> Kalibrierung und Temperaturbestimmung. Ein weiterer<br />
Nutzen kann <strong>die</strong> Komprimierung der Signale bieten, um einerseits Speicherplatz<br />
zu sparen und andererseits <strong>die</strong> Rekonstruktion zu beschleunigen.<br />
Da das Verfahren neben der TOA noch weitere Parameter liefert, <strong>die</strong> momentan<br />
noch keine Verwendung finden, muss deren Nutzen in weiteren Arbeiten unter-<br />
sucht werden. So könnten <strong>die</strong> mit <strong>die</strong>sem Verfahren gewonnene Daten beispiels-<br />
weise <strong>für</strong> <strong>die</strong> Gewebecharakterisierung aufgrund der frequenzabhängigen Absorp-<br />
tion verwendet werden.<br />
3
Kapitel 2<br />
Allgemeine Grundlagen<br />
2.1 USCT<br />
2.1.1 <strong>Ultraschall</strong>-Computertomograph<br />
Der bestehende experimentelle Aufbau des Tomographen ist als Zylinder mit<br />
einem Durchmesser von 20cm und einer Höhe von 23cm realisiert. Die Innenseite<br />
<strong>die</strong>ses Zylinders ist mit ca. 2000 <strong>Ultraschall</strong>wandlern <strong>für</strong> <strong>die</strong> Messung besetzt.<br />
Weitere Positionen von virtuellen Sendern und Empfänger können durch eine<br />
Drehung des Zylinders mit Hilfe eines Schrittmotors aufgenommen werden (siehe<br />
Abbildung 2.1).<br />
Während einer Messung emittiert jeder Sendewandler sequentiell einen Puls, der<br />
von allen Empfängern aufgenommen wird. Diese Signale werden mit 10 MHz ab-<br />
getastet, einer Auflösung von 12Bit quantisiert und über <strong>die</strong> Daten-Aquisitions-<br />
Hardware an einen Rechner zur Sicherung und Weiterverarbeitung geleitet.<br />
2.1.2 <strong>Ultraschall</strong>wandler<br />
Über <strong>die</strong> verwendeten <strong>Ultraschall</strong>wandler wird ein Puls mit einer Mittenfrequenz<br />
von 2, 4 MHz gesendet, um menschliches Gewebe auf der durch den Zylinder-<br />
durchmesser vorgegeben Strecke durchdringen zu können. Als Sendesignal <strong>die</strong>nt<br />
eine mit einer Gauß-Kurve gewichtete Sinusfunktion. Theoretisch kann durch <strong>die</strong><br />
Vorgabe eines Sendepulses (coded excitation) nahezu jedes beliebige Signal ausge-<br />
sendet werden. Die Wandler haben eine Grundfläche von 1,4mm 2 und werden mit
2.1. USCT<br />
Abbildung 2.1: USCT-Aufbau: Aufbau des 3D-Demonstrators mit angeschlossener<br />
Elektronik.<br />
einer Wafersäge in neun Teilbereiche gegliedert, um transversale Schwingungsein-<br />
flüsse in den Wandlern zu vermindern (siehe Abbildung 2.2).<br />
Abbildung 2.2: <strong>Ultraschall</strong>-Wandler: Wandleroberfläche in Rohform. Die vier<br />
Abschnitte enthalten jeweils fünf Wandler (in gelb dargestellt), wobei der mittlere<br />
der Sendewandler ist.<br />
Zusätzlich haben <strong>die</strong> Wandler eine bestimmte Abstrahlcharakteristik, <strong>die</strong> von<br />
der Wandlerform und Größe abhängt. Somit ergibt sich eine Hauptabstrahlrich-<br />
tung mit einem berechenbaren Öffnungswinkel. Diese so genannte Hauptkeule der<br />
Sendewandler hat bei der verwendeten Anregungsfrequenz von 2,4 MHz einen<br />
Öffnungswinkel von ca. 35 ◦ . Durch <strong>die</strong> winkelabhängige Abstrahlcharakteristik<br />
5
KAPITEL 2. ALLGEMEINE GRUNDLAGEN<br />
ergeben sich unterschiedliche Pulsformen, <strong>die</strong> durch Interferenzen während der<br />
Aussendung und des Empfangs entstehen. Dies stellt ein Problem <strong>für</strong> <strong>die</strong> Signal-<br />
detektion dar, da sich <strong>die</strong> empfangenen Pulse teilweise stark untereinander und<br />
von der eingestrahlten Pulsform unterscheiden können.<br />
2.1.3 Bildrekonstruktion<br />
Um ein dreidimensionales Bild aus den Messdaten zu konstruieren, werden <strong>die</strong><br />
empfangenen Signale über einen Rekonstruktions-Algorithmus der auf der Re-<br />
flexionstomographie basiert weiterverarbeitet. Dabei werden <strong>die</strong> gestreuten und<br />
reflektierten Signale des vermessenen Volumens ausgewertet und das Bild berech-<br />
net.<br />
Der momentan verwendete Algorithmus basiert zusätzlich auf der Annahme, dass<br />
<strong>die</strong> Schallgeschwindigkeiten innerhalb des Messzylinders konstant sind, um <strong>die</strong><br />
Rekonstruktion zu vereinfachen. Für <strong>die</strong>ses Problem bestehen bereits Lösungs-<br />
ansätze, bei denen <strong>die</strong> Schallgeschwindigkeit über eine gefilterte Rückprojektion<br />
bestimmt wird [3], <strong>die</strong> in naher Zukunft eingesetzt werden sollen. Dadurch soll<br />
eine wesentliche Verbesserung der Abbildungsqualität erreicht werden, insbeson-<br />
dere bei Objekten mit großen Schallgeschwindigkeitsdifferenzen.<br />
Im weiteren Verfahren wird jeder Abtastpunkt eines Signals in eine Zeit umge-<br />
rechnet, <strong>die</strong> seit dem Aufnahmezeitpunkt zurückgelegt wurde. Bezieht sich <strong>die</strong><br />
Berechnung <strong>die</strong>ser Laufzeit auf eine einzelne Sender-Empfänger-Kombination, so<br />
liegt der mögliche Ursprung <strong>die</strong>ses Punktes im zweidimensionalen Fall auf einer<br />
Ellipse und im dreidimensionalen Fall auf einem Ellipsoid. Alle Verbindungen<br />
zwischen Sender und Empfänger über <strong>die</strong>se Geometrie haben <strong>die</strong> gleiche Länge<br />
und somit <strong>die</strong> gleiche Laufzeit. Im Folgenden soll der Einfachheit halber nur der<br />
zweidimensionale Fall betrachtet werden.<br />
Werden nun mehrere Sende- und auch Empfangspositionen hinzugezogen, schnei-<br />
den sich <strong>die</strong> durch <strong>die</strong> Laufzeit bestimmten Ellipsen an der Position des Streuers,<br />
ad<strong>die</strong>ren sich auf und verstärken so dessen Intensität im Bild (siehe Abbildung<br />
2.3). Dadurch werden Stellen, an denen sich ein Streuer befand, mit höherer In-<br />
tensität dargestellt.<br />
6
2.2. WAVELETGRUNDLAGEN<br />
Abbildung 2.3: Prinzip einer Rekonstruktion[4]: Der vom Sender emittierte<br />
Puls wird an den Empfängern zu einem gewissen Zeitpunkt registriert. Für jede<br />
Sender-Empfänger-Kombination kann <strong>für</strong> jeden Abtastpunkt eine von der Laufzeit<br />
abhängige Ellipse eingezeichnet werden. Ist ein Streuer im Volumen, schneiden<br />
sich <strong>die</strong> Ellipsen hoher Amplitudenwerte in <strong>die</strong>sem Punkt und erhöhen <strong>die</strong><br />
Intensität.<br />
Die aktuelle Version Bildrekonstruktion verwendet <strong>die</strong> Einhüllende des Signals<br />
. Durch <strong>die</strong> Verwendung der Originalsignale mit zugehöriger Phaseninformati-<br />
on könnten zwar wesentlich schärfere und durch <strong>die</strong> Ausmittelung rauschärmere<br />
Bilder erzeugt werden[4], was jedoch aufgrund der zu ungenauen zeitlichen Zu-<br />
ordnung des Pulsbeginns noch nicht möglich ist.<br />
Über <strong>die</strong> Einhüllende wird so<br />
durch <strong>die</strong> gegebene Pulsbreite eine Unschärfe in den Bildern eingeführt und der<br />
Einfluss des Rauschens wird größer.<br />
2.2 Waveletgrundlagen<br />
2.2.1 Fourier- und Fenster-Fourier-Transformation<br />
Im <strong>die</strong>sem Abschnitt sollen <strong>die</strong> wesentlichen Eigenschaften der Fourier- bzw. der<br />
Fenster-Fourier-Transformation mit den zugehörigen Vor- und Nachteilen dar-<br />
gestellt werden. Dies soll der<br />
Überleitung von den bekannten Grundlagen der<br />
Fourier-Transformation auf <strong>die</strong> Wavelet-Transformation <strong>die</strong>nen.<br />
7
KAPITEL 2. ALLGEMEINE GRUNDLAGEN<br />
Verwendet man <strong>die</strong> Fourier-Transformation zur Signalanalyse, so werden alle<br />
Frequenzanteile des Signals angezeigt. Durch <strong>die</strong> Berechnung über das gesam-<br />
te Signal, ist allerdings keine zeitliche Auflösung möglich. Die Fenster-Fourier-<br />
Transformation oder auch Short-Time-Fourier-Transform (STFT) behilft sich in<br />
<strong>die</strong>sem Punkt mit einer zusätzlichen Fensterfunktion g(t) und der zeitlichen Ver-<br />
schiebung <strong>die</strong>ses Fensters über das zu analysierende Signal. So erhält man zusätz-<br />
lich eine zeitliche Auflösung der Signalanteile (siehe Formel 2.1).<br />
F(ω, τ) =<br />
∞<br />
−∞<br />
f(t)g(t − τ)e −iωt dt (2.1)<br />
Durch <strong>die</strong> verwendete Fensterfunktion ergibt sich eine Festlegung der zeitlichen<br />
Auflösung der STFT, als auch der Frequenzauflösung. Der Zusammenhang kann<br />
über <strong>die</strong> beiden Standardabweichungen σg, <strong>für</strong> <strong>die</strong> Ortsunschärfe f(t) um τ0 und<br />
σG, <strong>für</strong> <strong>die</strong> Frequenzunschärfe F(ω) um ω0 hergestellt werden (siehe Formel 2.2).<br />
σ 2 g · σ2 G<br />
≥ π<br />
2<br />
(2.2)<br />
Der Nachteil der STFT ist, dass keine Möglichkeit besteht <strong>die</strong> Ortsauflösung<br />
entsprechend des betrachteten Frequenzbereichs zu ändern. Dieser Nachteil wird<br />
durch <strong>die</strong> Verwendung der Wavelet-Transformation vermieden [5].<br />
2.2.2 Wavelet-Transformation<br />
Die Wavelet-Transformation be<strong>die</strong>nt sich im Vergleich zur STFT eines adapti-<br />
ven Fensters, um eine Variation der zeitlichen Auflösung in Abhängigkeit zum<br />
betrachteten Frequenzbereich zu ermöglichen. Hierzu <strong>die</strong>nen, im Gegensatz zur<br />
Fourier-Transformation keine Sinus- und Cosinusschwingungen, sondern so ge-<br />
nannte Mother-Wavelets (ψ), <strong>die</strong> als Funktion zur Berechnung von orthonormalen<br />
Basen herangezogen werden (siehe Formel 2.3).<br />
ψa,b(t) = 1<br />
|a| ψ<br />
<br />
t − b<br />
a<br />
(2.3)<br />
Die Berechnung <strong>die</strong>ser Basen erfolgt durch Translation (Faktor b) und Skalierung<br />
(Faktor a) der Basisfunktion ψ. Der Vorfaktor <strong>die</strong>nt dabei lediglich der Normier-<br />
8
2.2. WAVELETGRUNDLAGEN<br />
ung des Mother-Wavelets. Es gibt verschiedene Mother-Wavelets, <strong>die</strong> als Basis-<br />
funktion <strong>die</strong>nen können. Erwähnt seien hier <strong>die</strong> Wavelets der Daubechies-Familie,<br />
das Haar-Wavelet (beide in Abbildung 2.4) und das häufig <strong>für</strong> <strong>die</strong> Untersuchung<br />
von <strong>Ultraschall</strong>signalen verwendete Morlet-Wavelet, auf das in Kapitel 3.2 näher<br />
eingegangen wird.<br />
Amplitude<br />
1<br />
0.5<br />
0<br />
-0.5<br />
-1<br />
Haar-Wavelet<br />
Haar-Wavelet<br />
Haar-Wavelet<br />
0 1000 2000 3000 4000<br />
Abtastpunkt<br />
Amplitude<br />
2<br />
1.5<br />
1<br />
0.5<br />
0<br />
-0.5<br />
-1<br />
Daubechies2-Wavelet<br />
Daubechies2-Wavelet<br />
-1.5<br />
0 2000 4000 6000 8000 10000 12000<br />
Abtastpunkt<br />
Abbildung 2.4: Haar- und Db2-Wavelet<br />
Die eigentliche Transformation eines Signals f(t) erfolgt dabei nach (2.4).<br />
F(a, b) = ∞<br />
|a| f(t) ψ<br />
−∞<br />
t − b<br />
a<br />
<br />
dt (2.4)<br />
Die zur STFT und Wavelet-Transformation gehörigen Zeit-Frequenzbilder (Ab-<br />
bildung 2.5) zeigen <strong>die</strong> unterschiedlichen Orts- und Frequenzauflösungen der bei-<br />
den Verfahren. Wo <strong>die</strong> Fenstergröße bei der STFT immer konstant ist, ändert<br />
sich <strong>die</strong>se bei der Wavelet-Transformation in Abhängigkeit zur betrachteten Ska-<br />
lierung der Basisfunktion ψ. Der Faktor b bestimmt <strong>die</strong> Position τn und der Faktor<br />
a <strong>die</strong> Skalierung und somit <strong>die</strong> Frequenz ωn des Wavelets im Zeit-Frequenz-Raum.<br />
Im Zuge <strong>die</strong>ser Skalierung spricht man bei der Wavelet-Transformation im Ge-<br />
gensatz zur Fourier-Transformation nicht von einer Zeit-Frequenz-Darstellung,<br />
sondern von einer Zeit-Skalen-Darstellung. Dies soll der Unterscheidbarkeit der<br />
Transformationen <strong>die</strong>nen, wobei <strong>die</strong> Skalierungen des Wavelets ψ <strong>für</strong> <strong>die</strong> einzel-<br />
nen Skalen wieder in zugehörige Frequenzen umgerechnet werden können. Mit<br />
einer Veränderung der Mittenfrequenz und der Bandbreite des Wavelets, kann<br />
<strong>die</strong> Frequenz- bzw. Ortsunschärfe beeinflusst werden und so zu Gunsten einer<br />
9
KAPITEL 2. ALLGEMEINE GRUNDLAGEN<br />
(a) (b)<br />
Abbildung 2.5: Vergleich der Auflösung von STFT und Wavelet-<br />
Transformation : (a) - STFT mit konstantem Fenster im Zeit-Frequenz-Raum<br />
und (b) - Wavelet-Transformation mit variablem Fenster (aus [5])<br />
besseren Frequenz- oder Ortsauflösung verändert werden. Die Auflösungsgrenze<br />
ist allerdings <strong>die</strong> gleiche wie bei der STFT in (2.2).<br />
Die zugehörige Rücktransformation soll hier nicht näher erläutert werden, da sie<br />
keine Verwendung in <strong>die</strong>ser Arbeit findet.<br />
2.3 Stand der Forschung<br />
2.3.1 Parameterschätzung<br />
Um Parameter wie <strong>die</strong> Mittenfrequenz, Amplitude oder Ankunftszeit von Si-<br />
gnalen zu schätzen, bedarf es eines Algorithmus der nach einem entwickelten<br />
Modell eine optimale Lösung ermöglicht. Für <strong>die</strong>se Arbeit war ein Ansatz, der<br />
auf der kontinuierlichen Wavelet-Transformation (CWT) basiert, als mögliche<br />
Lösung gegeben. Cardoso et al. entwickelten in [6] einen Algorithmus, der über<br />
eine angepasste Wavelet-Transformation eine sukzessive Parameterschätzung von<br />
<strong>Ultraschall</strong>signalen erlaubt. Eigentlicher Fokus <strong>die</strong>ser Parameterschätzung ist <strong>die</strong><br />
Kompression der <strong>Ultraschall</strong>daten, welche im aktuellen Kontext jedoch nicht<br />
das Hauptziel der Arbeit darstellt. Durch <strong>die</strong> Wavelet-Transformation wird <strong>die</strong><br />
10
2.3. STAND DER FORSCHUNG<br />
Schätzung in den Frequenzbereich verlagert, was das Verfahren robuster gegen<br />
störende Einflüsse von Rauschen macht, da nur der interessierende Frequenz-<br />
bereich betrachtet und Einflüsse außerhalb <strong>die</strong>ses Bereichs nicht berücksichtigt<br />
werden. Prinzipiell entspricht das einer Bandpasscharakteristik. Die Pulse werden<br />
dabei als gauß’sche Echos mit einem zugehörigen Parametervektor modelliert, da<br />
<strong>die</strong>s <strong>die</strong> beste Annäherung an <strong>die</strong> Pulsform ermöglicht.<br />
Durch das Verfahren soll auch eine Trennung von überlagerten Pulsen möglich<br />
sein, da <strong>die</strong>se nach der Schätzung vom Signal subtrahiert werden können und so<br />
<strong>die</strong> Erkennung eines zweiten Pulses, der eventuell überlagert wurde, möglich ist.<br />
Die durch das Verfahren gewonnenen Parameter (Amplitude, Ankunftszeit, Mit-<br />
tenfrequenz, Phase, Bandbreite) können weiterverarbeitet werden, um <strong>die</strong> Bild-<br />
qualität des Abbildungsverfahrens zu verbessern. Ein weiterer wichtiger Punkt<br />
ist <strong>die</strong> Unterdrückung von Rauschen, welches nicht modelliert werden sollte. Zur<br />
Auswahl der Pulse wird allerdings nur ein Ansatz mit einer Fensterung im Fre-<br />
quenzbereich erläutert, der <strong>für</strong> den vorgesehenen Zweck der Anwendung jedoch<br />
nicht optimal ist. Dies resultiert daraus, dass <strong>die</strong> verwendeten Signale alle um <strong>die</strong><br />
Mittenfrequenz von 2,4 MHz angesiedelt sind und eine Trennung im Frequenzbe-<br />
reich unmöglich ist. Die Recherche zur Detektion und Auswahl der Signale wird<br />
im nächsten Abschnitt dargestellt. Zu erwähnen bleibt noch <strong>die</strong> hohe Komple-<br />
xität des Algorithmus im Vergleich zu anderen Denoising-Verfahren, wie auf der<br />
Discrete-Wavelet-Transform (DWT) basierende. Dies liegt an der zweistufigen<br />
kontinuierlichen Wavelet-Analyse des Signals. Allerdings können dadurch <strong>die</strong> Pa-<br />
rameter der Pulse gewonnen werden, was zusätzlich eine viel höhere Kompression<br />
der Signale ermöglicht.<br />
Andere Ansätze der Parameterschätzung verwenden oft eine Expectation-Maxi-<br />
mization-Methode (EM), was einer Maximum-Likelihood-Suche mit statistischen<br />
Ansätzen entspricht. Demirli et al. [7] haben gezeigt, dass <strong>die</strong>ser Ansatz eine gu-<br />
te Schätzung von Pulsparametern ermöglicht, aber auch einige Nachteile birgt.<br />
Die Schätzung findet zum einen im Zeitbereich des Signals statt, so dass in ver-<br />
rauschten Umgebungen ein zusätzliches Modell zur Rauschunterdrückung einge-<br />
setzt werden muss, um das Verfahren robuster zu gestalten. Ein weiterer Nachteil<br />
gegenüber der CWT-Methode ist <strong>die</strong> initiale Vorgabe von Schätzparametern, da<br />
11
KAPITEL 2. ALLGEMEINE GRUNDLAGEN<br />
der Algorithmus das globale Minimum auf einer Fehlerfläche finden soll. Schlech-<br />
te Vorgaben resultieren möglicherweise in einem lokalen Minimum und damit in<br />
einer suboptimalen Lösung.<br />
2.3.2 Signaldetektion<br />
Da der gewählte Ansatz der Parameterschätzung mit der erwähnten Fensterme-<br />
thode keine geeignete Vorauswahl der Pulse zur Verfügung stellt, wurden ver-<br />
schiedene Verfahren untersucht, um eine adäquate Lösung zur Verfügung stel-<br />
len zu können. Dadurch sollen Bereiche, in denen möglicherweise Pulse enthalten<br />
sind, markiert werden, um eine nachfolgende Schätzung der Pulsparameter durch-<br />
zuführen.<br />
Ein häufig verwendeter Ansatz ist <strong>die</strong> Verwendung eines Matched-Filters mit ei-<br />
ner Schwellwerterkennung. Dabei wird das Anregungssignal mit dem Empfangs-<br />
signal korreliert, um ein Maximum zum Ankunftszeitpunkt des Signals zu erhal-<br />
ten. Das Problem des Verfahrens (cross-correlation oder cross-power-spectrum<br />
im Frequenzbereich) ist, dass sich <strong>die</strong> Form des eingestrahlten Pulses durch <strong>die</strong><br />
Interaktion im gemessenen Volumen verändert hat. So kann das Signal disper-<br />
gieren [7], wodurch <strong>die</strong> Korrelationsmethode zu unpräzise wird. Ebenso ist <strong>die</strong><br />
Impulsantwort der Sendewandler nicht bekannt, sodass <strong>für</strong> <strong>die</strong> Korrelation ein<br />
Referenzsignal benutzt wird. Dies bringt einen zusätzlichen Fehler ein, da <strong>die</strong><br />
Wandler nicht identisch sind und zudem eine unterschiedliche Abstrahlcharakte-<br />
ristik aufweisen.<br />
Die Entfaltung (Deconvolution) der Signale findet ebenfalls häufig Verwendung<br />
in der Signaldetektion. Wie bei der Korrelation ist das Auftreten unterschiedli-<br />
cher Pulsformen das große Problem der Entfaltung. Ein am Forschungszentrum<br />
untersuchter Ansatz mit der Blind-Deconvolution konnte dabei keine zufrieden-<br />
stellenden Ergebnisse liefern, da <strong>die</strong> unterschiedlichen Wandlereigenschaften keine<br />
Bestimmung einer universellen<br />
Detektion zu ermöglichen [8].<br />
Übertragungsfunktion zuließen, um eine robuste<br />
Da <strong>die</strong> Schätzung der Parameter auf der Wavelet-Transformation basiert, wurde<br />
<strong>die</strong>se Methode ebenfalls <strong>für</strong> <strong>die</strong>se Aufgabe untersucht. Signaldetektion mit der<br />
Wavelet-Transformation legt nahe, dass man ein zum Signal passendes Wavelet<br />
12
2.3. STAND DER FORSCHUNG<br />
verwendet, um maximale Koeffizienten bei der Transformation zu erhalten. Die<br />
sich unterscheidenden Formen der Sendepulse, durch den Wandlereinfluss und<br />
<strong>die</strong> Interaktion der Pulse im Volumen, stellt ein Problem bei der Wahl eines<br />
Wavelets dar. Die erste Möglichkeit ist <strong>die</strong> Verwendung eines Standard-Wavelets<br />
(bspw. das Morlet-Wavelet), wobei hier eher ein Kompromiss eingegangen wird,<br />
da <strong>die</strong> Form des Eingangspulses nicht direkt mit dem Wavelet übereinstimmt.<br />
Die Erstellung eines eigenen Wavelets (Matched-Wavelet) birgt aber verschiedene<br />
Probleme, zu denen es mehrere Ansätze gibt. Mallat et al. [9] generierten nicht-<br />
orthonormale Wavelets auf Basis einer existierenden Wavelet-Bibliothek und einer<br />
Fehler-Berechnung. Beschränkt durch <strong>die</strong> Wavelet-Bibliothek liefert <strong>die</strong>ser Ansatz<br />
keine optimale Lösung <strong>für</strong> ein Matched-Wavelet. Sweldens [10] stellte mit dem<br />
Lifting-Scheme eine andere Möglichkeit vor, biorthogonale Wavelets zu erstellen.<br />
Um dem Signal angepasste Wavelets ohne Einschränkung der Orthonormalität<br />
zu erstellen, stellten Chapa und Rao [11] einen Algorithmus vor, der zunächst ein<br />
Matched-Wavelet <strong>für</strong> ein gegebenes Signal generiert und danach <strong>die</strong> Möglichkeit<br />
einräumt, eine zugehörige Skalierungsfunktion zu bestimmen. So wird zunächst<br />
das Spektrum an das des Vorgabesignals angepasst und unabhängig davon <strong>die</strong><br />
Phase. Dies stellt zwar eine nicht ganz optimale Anpassung dar, aber <strong>die</strong> Ergeb-<br />
nisse des Algorithmus sind dennoch sehr gut. Wenn das Wavelet, wie im vorlie-<br />
genden Fall, nur zur Signalanalyse gebraucht wird, besteht zudem <strong>die</strong> Möglichkeit<br />
auf <strong>die</strong> Berechnung der Skalierungsfunktion zu verzichten und ein Wavelet zu er-<br />
stellen, bei dem <strong>die</strong> Phase des Originalsignals übernommen wird und nur eine<br />
Anpassung des Spektrums stattfindet.<br />
Immer noch besteht das Problem, dass <strong>die</strong> angepasste Signalform nie optimal <strong>für</strong><br />
alle auftretenden Pulse ist. Dazu bestehen in verschiedenen Veröffentlichungen<br />
Lösungen, <strong>die</strong> neuronale Netze verwenden und mit den auftretenden Pulsformen<br />
trainieren. Da jedoch auch andere Klassifikationsmethoden <strong>für</strong> eine möglichst ef-<br />
fektive Vorauswahl in Frage kommen, wurde ein Data-Mining-Tool (WEKA) ver-<br />
wendet. Anhand von Trainingsdatensätzen können damit statistische Abhängig-<br />
keiten untersucht und verschiedene Klassifikatoren getestet werden. Dies soll im<br />
Zusammenspiel mit dem angepassten Wavelet eine adäquate Basis <strong>für</strong> eine Vor-<br />
auswahl bieten, um danach eine Schätzung der Parameter zu ermöglichen.<br />
13
Kapitel 3<br />
Verwendete Methoden<br />
3.1 Matched-Wavelet<br />
3.1.1 Einführung<br />
Im folgenden Abschnitt wird <strong>die</strong> Vorgehensweise der zuvor genannten Wavelet-<br />
anpassung erläutert. Da <strong>die</strong> kontinuierliche Form der Wavelet-Transformation<br />
bereits eingeführt wurde (2.2.2), findet eine Beschränkung auf <strong>die</strong> diskrete Signal-<br />
analyse statt. Diese liefert <strong>die</strong> theoretische Basis <strong>für</strong> <strong>die</strong> Erstellung eines Matched-<br />
Wavelets. Ebenso wird auf Beweise und weiterführende Betrachtungen, <strong>die</strong> nicht<br />
in <strong>die</strong>ser Arbeit verwendet werden, verzichtet. Diese sind in einer Veröffentlich-<br />
ung von Chapa et al.[11] und ausführlicher in der zugehörigen Dissertation[12]<br />
zu finden.<br />
Die diskrete Analyse teilt ein Signal f(x) in eine gegebene Zahl von Detailfunk-<br />
tionen auf. Dazu wird das Signal f(x) ∈ V−1 im ersten Schritt auf zwei orthogo-<br />
nale Unterräume V0 und W0 projiziert. Die Projektion auf V0 stellt eine niedrig<br />
aufgelöste Approximation des Signals dar, wohingegen W0 <strong>die</strong> Detailinformation<br />
enthält. Die weitere Analyse wiederholt <strong>die</strong>s mit der jeweiligen niedriger auf-<br />
gelösten Projektion. Die orthonormalen Basen von Wj und Vj sind durch ein<br />
Mother-Wavelet ψ und der zugehörigen Skalierungsfunktion Φ gegeben (siehe<br />
Formel 3.1).<br />
ψj,k = 2 −j/2 ψ(2 −j x − k) , ψ ∈ Wj
3.1. MATCHED-WAVELET<br />
Φj,k = 2 −j/2 Φ(2 −j x − k) (3.1)<br />
Diese beiden Basen müssen zusätzlich <strong>die</strong> Bedingungen in (3.2) erfüllen. Das<br />
Wavelet darf keinen Gleichanteil besitzen, da es als Bandpassfilter fungiert, wo-<br />
hingegen <strong>die</strong> Skalierungsfunktion als Tiefpass gesehen werden kann.<br />
<br />
<br />
ψ(x)dx = 0 ⇐⇒ Ψ(0) = 0<br />
Φ(x)dx = 1 ⇐⇒ Φ(0) = 1 (3.2)<br />
Die zugehörigen Projektionsgleichungen sind mit (3.3) <strong>für</strong> <strong>die</strong> hochauflösende<br />
Projektion gj(x) und (3.4) <strong>für</strong> <strong>die</strong> niedrig aufgelöste Projektion fj(x) gegeben. d j<br />
k<br />
und c j<br />
k sind <strong>die</strong> zugehörigen Projektionskoeffizienten und 〈., .〉 das Skalarprodukt<br />
im Hilbertraum L 2 .<br />
gj(x) =<br />
∞<br />
k=−∞<br />
d j<br />
k 2−(j/2) ψ(2 −j x − k)<br />
d j<br />
k = 〈fj−1(x), ψj,k〉 (3.3)<br />
fj(x) =<br />
∞<br />
k=−∞<br />
c j<br />
k 2−(j/2) Φ(2 −j x − k)<br />
c j<br />
k = 〈fj−1(x), Φj,k〉 (3.4)<br />
Um <strong>die</strong> Bedingung der Orthonormalität zu erfüllen, müssen ψj,k und Φj,k ortho-<br />
normale Basen von Wj und Vj sein. Also gilt Wj ⊥ Wk <strong>für</strong> j = k und Wj ⊥ Vj,<br />
was zu den Bedingungen in (3.5-3.7) führt.<br />
〈φj,k, φj,m〉 = δk,m , δ = Kronecker Delta (3.5)<br />
〈φj,k, ψj,m〉 = 0 (3.6)<br />
〈ψj,k, ψl,m〉 = δj,l · δk,m (3.7)<br />
15
KAPITEL 3. VERWENDETE METHODEN<br />
Die Fourier-Transformierte von 3.5 ergibt <strong>die</strong> Poisson’sche Summengleichung<br />
(3.8), welche 1 <strong>für</strong> alle ω ergibt.<br />
∞<br />
m=−∞<br />
|Φ(ω + 2πm)| = 1 (3.8)<br />
Betrachtet man den Unterraum V−1 als Basis von V0 und W0, dann sind ψj,k und<br />
Φj,k Elemente <strong>die</strong>ser Basis und können demzufolge als Linearkombination daraus<br />
dargestellt werden (3.9-3.10). Die beiden neu eingeführten Folgen hk und gk sind<br />
im Falle einer Multiskalenanalyse (Aufteilung des Signals in <strong>die</strong> Unterräume Vj<br />
und Wj) <strong>die</strong> Impulsantworten zweier Quadrature-Mirror-Filter (QMF). Die QMF<br />
stellen zwei zueinander konjugiert komplexe Filter dar, <strong>die</strong> einerseits <strong>die</strong> Skalie-<br />
rungsfunktion und andererseits <strong>die</strong> Wavelet-Funktion beschreiben. Bedingungen<br />
an <strong>die</strong>se beiden Filter sind in (3.12-3.13) angegeben.<br />
Φ = 2<br />
ψ = 2<br />
∞<br />
k=−∞<br />
∞<br />
k=−∞<br />
hk Φ(2x − k) (3.9)<br />
gk Φ(2x − k) (3.10)<br />
Über <strong>die</strong> Fourier-Transformierten von (3.9-3.10) ergibt sich <strong>die</strong> Darstellung in<br />
(3.11).<br />
<br />
ω<br />
<br />
ω<br />
<br />
Φ = H Φ<br />
2 2<br />
ω<br />
<br />
ω<br />
<br />
Ψ = G Φ<br />
2 2<br />
(3.11)<br />
|H(ω)| 2 + |G(ω)| 2 = 1 (3.12)<br />
H(ω) H(ω + π) + G(ω) G(ω + π) = 0 (3.13)<br />
Bevor nun <strong>die</strong> Anpassung eines Wavelets erfolgen kann, muss noch sichergestellt<br />
werden, dass aus dem gewonnenen Wavelet eine passende Skalierungsfunktion<br />
berechnet werden kann, <strong>die</strong> eine orthonormale Multiskalenanalyse garantiert.<br />
16
3.1. MATCHED-WAVELET<br />
Es besteht eine Lösung, ein Wavelet anhand einer Skalierungsfunktion zu be-<br />
rechnen (siehe (3.10)), jedoch gilt <strong>die</strong>s nicht <strong>für</strong> den umgekehrten Fall. Ziel ist<br />
es, einen Ausdruck <strong>für</strong> |Φ| über das Spektrum |Ψ| zu bestimmen. Die Bedin-<br />
gungen <strong>für</strong> eine orthonormale Multiskalenanalyse sind in (3.2), (3.5) und (3.11)<br />
beschrieben, wobei auch <strong>die</strong> Gleichungen (3.5-3.13) erfüllt sein müssen.<br />
Betrachtet man (3.11) und (3.12), ergibt sich der Zusammenhang wie in Gleichung<br />
(3.14) gezeigt.<br />
|Φ(ω)| 2 = |Ψ(2ω)| 2 + |Φ(2ω)| 2<br />
(3.14)<br />
Durch wiederholte Substitution von Φ(2 k ω) 2 <strong>für</strong> k ≥ 1 in (3.14) ergibt sich<br />
eine geschlossene Form, <strong>die</strong> es ermöglicht, das Spektrum der Skalierungsfunktion<br />
direkt aus dem des Wavelets zu berechnen (3.15).<br />
|Φ(ω)| 2 =<br />
∞ <br />
j 2<br />
Ψ(2 ω) <br />
j=1<br />
3.1.2 Spektrum-Anpassung<br />
<strong>für</strong> ω = 0 (3.15)<br />
Mit den vorgestellten Grundlagen soll nun <strong>die</strong> Anpassung des diskreten Spek-<br />
trums erläutert werden. Zunächst ist ein Übergang der Gleichung (3.15) in eine<br />
diskrete Form vonnöten (3.16).<br />
<br />
<br />
<br />
Φ <br />
πk<br />
2l 2 <br />
=<br />
l<br />
<br />
<br />
<br />
Ψ <br />
2πk<br />
2p 2 <br />
p=0<br />
<strong>für</strong> k = 0 (3.16)<br />
Zusätzlich soll erwähnt werden, dass das Spektrum von Skalierungsfunktion und<br />
Wavelet bandbegrenzt sein müssen, um <strong>die</strong> Orthonormalität der Multiskalenana-<br />
lyse zu wahren. Die Bandbegrenzung des Wavelets liegt zwischen der Untergrenze<br />
bei |ω| ∈ [π, 2π] und der Obergrenze mit |ω| ∈ [2π/3, 8π/3] ([12], Seite 53).<br />
Wird nun <strong>die</strong> diskrete Form <strong>für</strong> <strong>die</strong> Skalierungsfunktion aus (3.16) in <strong>die</strong> Pois-<br />
son’sche Summengleichung (3.8) eingesetzt, so ergibt sich <strong>die</strong> benötigte Bedin-<br />
gung (3.17) <strong>für</strong> das Waveletspektrum Y (k) = |Ψ(k△ω)| im bandbegrenzten Be-<br />
reich, der durch (3.18) vorgegeben wird.<br />
17
l<br />
∞<br />
p=0 m=−∞<br />
Y<br />
KAPITEL 3. VERWENDETE METHODEN<br />
l 2<br />
2p(k + 2l+1 <br />
m) = 1 (3.17)<br />
2l−1 3 <<br />
<br />
<br />
<br />
2<br />
<br />
l<br />
2p(k + 2l+1 <br />
<br />
m) <br />
<br />
< 2l+2<br />
3<br />
(3.18)<br />
Für <strong>die</strong> Bedingungsgleichung und <strong>die</strong> bandbegrenzende Einschränkung kann nun<br />
<strong>für</strong> den Faktor l und über <strong>die</strong> Werte von m ein Satz von L linearen Bedingungs-<br />
gleichungen aufgestellt werden. Es ergeben sich jeweils Abtastpunkte von Y , <strong>die</strong><br />
in ihrer Summe 1 ergeben müssen. Der Faktor l ist eine Startbedingung des Algo-<br />
rithmus und gibt an, wie viele Abtastpunkte des Originalspektrums <strong>für</strong> <strong>die</strong> Anpas-<br />
sung verwendet werden (2 l Abtastpunkte). Eine Umsetzung <strong>die</strong>ses Gleichungs-<br />
systems in Vektornotation erlaubt eine kompakte Darstellung (3.19), wobei A<br />
eine L × 2 l -Matrix ist und 1 ein L × 1-Vektor der Form 1 T = [11...1].<br />
AY = 1 (3.19)<br />
Mit Y und W als Wavelet- und Signalspektrum im Bandpassbereich, kann deren<br />
Abweichung über (3.20) angeben. Dies beschreibt somit den Fehler zwischen dem<br />
Wavelet- und Signalsprektrum, welcher minimiert werden soll.<br />
E = (W − aY)T (W − aY)<br />
W T W<br />
(3.20)<br />
Mit der Kenntnis <strong>die</strong>ses Fehlers (3.20) lässt sich <strong>die</strong> optimale Lösung <strong>für</strong> das<br />
zu bestimmende Spektrum Y finden. Das Spektrum <strong>für</strong> das Wavelet, welches<br />
eine orthonormale Multiskalenanalyse gewährleistet, kann über (3.21) berechnet<br />
werden.<br />
18<br />
Y = 1<br />
a W + AT (AA T ) −1<br />
<br />
1 − 1<br />
a AW<br />
<br />
a = 1T (AA T ) −1 AW<br />
1 T (AA T ) −1 1<br />
(3.21)
3.2. PARAMETERSCH ÄTZUNG<br />
Zum Abschluss der Spektrenanpassung soll noch <strong>die</strong> Berechnung des Anpassungs-<br />
fehlers über (3.22) angegeben werden. Da im Zuge <strong>die</strong>ser Arbeit nur ein analyti-<br />
sches Wavelet und keine zugehörige Skalierungsfunktion benötigt wird, wird auf<br />
<strong>die</strong> Beschreibung der Eigenschaften und der Anpassung der Phase des Signals<br />
verzichtet. Für das verwendete Wavelet wurde lediglich eine Spektrenanpassung<br />
durchgeführt und <strong>die</strong> Phase des Originalsignals übernommen.<br />
E =<br />
3.2 Parameterschätzung<br />
3.2.1 Einführung<br />
1 − 1<br />
a AW T (AA T ) −1 1 − 1<br />
a AW<br />
1<br />
a 2W T W<br />
(3.22)<br />
Wie bereits erwähnt basiert <strong>die</strong> verwendete Parameterschätzung der <strong>Ultraschall</strong>-<br />
signale auf der kontinuierlichen Wavelet-Transformation (CWT) und der Model-<br />
lierung der Pulse als gauß’sche Echos [6]. Die Modellgleichung eines einzelnen<br />
Pulses ist mit (3.23) angegeben. Der zugehörige Parametervektor Θ enthält da-<br />
bei <strong>die</strong> Bandbreite α, <strong>die</strong> Amplitude β, <strong>die</strong> Mittenfrequenz fc, <strong>die</strong> Phase Λ und<br />
<strong>die</strong> Ankunftszeit des Pulsmaximums τ.<br />
fΘ(t) = βe −α(t−τ)2<br />
cos(2πfc(t − τ) + Λ) (3.23)<br />
Während der Entwicklung des Algorithmus mit dem Morlet-Wavelet (Abbildung<br />
3.1), welches häufig <strong>für</strong> <strong>die</strong> Analyse von <strong>Ultraschall</strong>signalen zum Einsatz kommt,<br />
zeigte sich, dass <strong>die</strong> Ankunftszeit τ der Pulse bestimmt werden kann. Das Pro-<br />
blem lag in der Schätzung der Mittenfrequenz fc, <strong>die</strong> nur über einen Faktor zu<br />
bestimmen wäre, welcher aber im Vorfeld nicht bekannt ist [6].<br />
Um <strong>die</strong>sem Problem zu begegnen, wurde im weiteren Verlauf das Morlet-Wavelet<br />
erweitert, um eine modifizierte Version der CWT zu verwenden. Das erweiter-<br />
te Morlet-Wavelet (3.24) bietet einen zusätzlichen Phasenfaktor θ, welcher dem<br />
Parametervektor der Schätzung ˆ Θ mit den Werten der Bandbreite γ, der Ampli-<br />
tude ˆ β, der Mittenfrequenz ω0 , der Phase θ und der Ankunftszeit b angehört.<br />
2πa<br />
Der Einsatz des generierten Matched-Wavelets <strong>für</strong> <strong>die</strong> Schätzung wurde nicht in<br />
19
KAPITEL 3. VERWENDETE METHODEN<br />
Erwägung gezogen, da <strong>die</strong>ses Wavelet nur in numerischer Form vorliegt und somit<br />
keine mathematische Lösung <strong>die</strong>ses Problems ermöglicht.<br />
Amplitude<br />
1<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
0<br />
-0.2<br />
-0.4<br />
-0.6<br />
-0.8<br />
3.2.2 Algorithmus<br />
-1<br />
0 100 200 300 400 500 600 700 800 900 1000<br />
Abtastpunkt<br />
Abbildung 3.1: Morlet-Wavelet<br />
ψˆΘ (t) = 1 √ ε e −γ(t−b)2 +iω0( t−b<br />
a )+iθ<br />
ε =<br />
π<br />
2γ<br />
, Normierungsfaktor<br />
(3.24)<br />
Mit dem erweiterten Wavelet und dem Modell <strong>für</strong> <strong>die</strong> <strong>Ultraschall</strong>signale kann <strong>die</strong><br />
nun modifizierte Transformation (MCWT) wie in (3.25) gelöst werden.<br />
20<br />
MCWT( ˆ Θ) =<br />
=<br />
∞<br />
fΘ(t)ψ<br />
t=−∞<br />
∗ Θ ˆ(t)dt (3.25)<br />
<br />
β π<br />
√<br />
ε α + γ eue v<br />
u = −(ωc − ω0<br />
a )2 − 4αγ(b − τ) 2<br />
4(α + γ)
3.2. PARAMETERSCH ÄTZUNG<br />
v = i[4(αω0<br />
a + γωc)(b − τ) + 4(α + γ)(Λ − θ)]<br />
4(α + γ)<br />
Für <strong>die</strong> Schätzung der Ankunftszeit τ, der Amplitude β und der Mittenfrequenz<br />
ωc wird auf den Absolutwert von (3.25) zurückgegriffen und das Maximum der<br />
Transformation gesucht. Dazu muss <strong>die</strong> erste Ableitung nach a und b bestimmt<br />
und gleich Null gesetzt werden, wobei hier exemplarisch nur <strong>die</strong> Ableitung nach<br />
a angeführt werden soll (3.26).<br />
<br />
<br />
∂ MCWT( ˆ <br />
<br />
Θ) <br />
∂a<br />
= β <br />
π<br />
√<br />
ε α + γ eu<br />
<br />
ω0( ωo − ωc) a<br />
2a2 <br />
= 0 (3.26)<br />
(α + γ)<br />
u = siehe (3.25)<br />
Es ist zu erkennen, dass der Wert der Transformation maximal ist, wenn <strong>die</strong><br />
beiden Mittenfrequenzen von Wavelet ω0<br />
a und <strong>die</strong> des Pulses ωc übereinstimmen.<br />
Das Gleiche gilt <strong>für</strong> <strong>die</strong> Ableitung von (3.25) nach b. Hierbei ergibt sich das<br />
Transformations-Maximum, wenn <strong>die</strong> beiden Ankunftszeiten von Wavelet b und<br />
Puls τ übereinstimmen. Der Wert des maximalen Koeffizienten ist proportional<br />
zur Amplitude β und führt so zur Schätzung ˆ β.<br />
Nach der Schätzung der Ankunftszeit τ, der Amplitude β und der Mittenfrequenz<br />
ωc kann mit der Schätzung der Phase Λ und Bandbreite α fortgefahren werden.<br />
Der erste Teil der Schätzung ist zusätzlich unabhängig von Phase und Bandbreite,<br />
was einen wünschenswerten Effekt darstellt. Für <strong>die</strong> Schätzung der verbleibenden<br />
Parameter, wird auf den Realteil der MCWT des Einzelpulses zurückgegriffen.<br />
Dieser kann durch das Einsetzen der bereits geschätzten Parameter vereinfacht<br />
werden und es ergibt sich Gleichung (3.27).<br />
<br />
Re MCWT( ˆ <br />
Θ)<br />
| b=τ<br />
ω0 =ωc a = β <br />
π<br />
√<br />
ε α + γ<br />
cos(Λ − θ) (3.27)<br />
Über <strong>die</strong> partiellen Ableitungen nach der Phase Λ und der Bandbreite γ tritt <strong>die</strong><br />
Maximierung des Realteils an den Stellen ein, wo <strong>die</strong> Schätzung mit dem Signal-<br />
wert übereinstimmt, also bei θ = Λ ± 2πk und γ = α. Dieses Ergebnis bestätigt<br />
21
KAPITEL 3. VERWENDETE METHODEN<br />
wiederum, dass <strong>die</strong> Schätzung im zweiten Schritt ebenfalls <strong>die</strong> Bandbreite α und<br />
<strong>die</strong> Phase Λ bestimmen kann.<br />
Durch <strong>die</strong> geschätzten Parameter kann der <strong>Ultraschall</strong>puls modelliert werden.<br />
Die Qualität der Schätzung ist zusätzlich abhängig von der Signal-to-Noise-Ratio<br />
(SNR) des Ausgangssignals. Der Algorithmus arbeitet, wie beschrieben, bei der<br />
Schätzung iterativ, indem zunächst <strong>die</strong> Ankunftszeit τ und <strong>die</strong> Mittenfrequenz<br />
ωc geschätzt werden und im Anschluss <strong>die</strong> Bestimmung von Bandbreite α und<br />
Phase Λ stattfindet.<br />
Zu erwähnen bleibt, dass <strong>die</strong> Ankunftszeit τ das Pulsmaximum beschreibt. Wich-<br />
tig <strong>für</strong> <strong>die</strong> Weiterverarbeitung im Rahmen <strong>die</strong>ser Arbeit ist allerdings <strong>die</strong> An-<br />
kunftszeit des ersten Puls-Samples, da <strong>die</strong> Aufnahme mit dem Aussenden des<br />
Pulses beginnt. Um <strong>die</strong>sen zu bestimmen wird <strong>die</strong> Bandbreite der Schätzung<br />
verwendet, da sie <strong>die</strong> Form der Einhüllenden des Pulses vorgibt. In Abbildung<br />
3.2 ist ein exemplarischer Puls mit seiner Einhüllenden dargestellt. Durch ex-<br />
perimentelle Untersuchung wurde <strong>die</strong> Ankunftszeit des Pulsbeginns bei einem<br />
Amplitudenabfall auf 2 % des Pulsmaximums festgelegt.<br />
Amplitude<br />
1<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
0<br />
-0.2<br />
-0.4<br />
-0.6<br />
-0.8<br />
-1<br />
TOA<br />
0 50 100 150 200 250 300<br />
Abtastpunkt<br />
Abbildung 3.2: Puls mit Einhüllender und markierter Time-of-arrival<br />
(TOA)<br />
22
Kapitel 4<br />
Entwicklung der Signaldetektion<br />
4.1 Einführung in das Verfahren<br />
Auf Basis der vorgestellten Grundlagen und Methoden soll im folgenden Kapitel<br />
<strong>die</strong> Entwicklung des Algorithmus zur Signaldetektion beschrieben werden. Die<br />
allgemeine Vorgehensweise bei der Detektion ist in Abbildung4.1 dargestellt.<br />
Start Stop<br />
Klassifikation Selektion<br />
Parameterschätzung<br />
nein<br />
weiter?<br />
Abbildung 4.1: Prinzip der Signaldetektion<br />
Im ersten Schritt erfolgt eine Klassifikation des gesamten Signals, welches mehrere<br />
Pulse enthalten kann. Hier werden Bereiche festgelegt, in denen <strong>Ultraschall</strong>pulse<br />
erkannt wurden, um sie der Parameterschätzung zuzuführen. Zuvor erfolgt eine<br />
weitere Selektion, mit der potentielle Einzelpulse getrennt werden sollen, um <strong>die</strong><br />
Schätzung der Parameter nicht zu verfälschen.<br />
Mit jeder Iteration des Algorithmus wird das Signal auf <strong>die</strong> gleiche Weise durch-<br />
laufen und Pulse erkannt, geschätzt und subtrahiert. Dies ermöglicht <strong>die</strong> Detek-<br />
ja
KAPITEL 4. ENTWICKLUNG DER SIGNALDETEKTION<br />
tion von überlagerten oder auch sehr schwachen Pulsen.<br />
Im weiteren Verlauf soll nun <strong>die</strong> Funktionsweise der einzelnen Blöcke aus Ab-<br />
bildung4.1 im Detail erläutert werden. Zusätzlich werden auch <strong>die</strong> benötigten<br />
Voraussetzungen <strong>für</strong> deren Funktion beschrieben.<br />
4.2 Klassifikation <strong>für</strong> <strong>die</strong> Parameterschätzung<br />
4.2.1 Einführung<br />
Aus dem bestehenden Ansatz <strong>für</strong> <strong>die</strong> Parameterschätzung von Cardoso et al.[6]<br />
ergab sich <strong>die</strong> Notwendigkeit einer vorherigen Klassifikation eines gegebenen Ul-<br />
traschallsignals. Dadurch sollten nicht relevante Bereiche bereits im Vorfeld aus-<br />
genommen werden, um <strong>die</strong> Laufzeit zu begrenzen. Die von Cardoso verwendete<br />
gefensterte Auswahl der Pulse im Frequenzbereich konnte nicht angewendet wer-<br />
den, da <strong>die</strong> Pulse alle <strong>die</strong> gleiche Mittenfrequenz haben und somit nicht über den<br />
Frequenzbereich getrennt werden können. Eine Trennung im Zeitbereich ist so <strong>die</strong><br />
einzige Alternative und spart zudem eine Transformation in den Frequenzbereich.<br />
Der verwendete Algorithmus zur Detektion basiert, wie erwähnt, auf einer konti-<br />
nuierlichen Wavelet-Transformation mit einem an das Signal angepassten Wave-<br />
let. Über das Data-Mining-Tool WEKA [13] wurde mit einem generierten Trai-<br />
ningsdatensatz ein Klassifikator zur Signaldetektion erstellt, welcher eine robuste<br />
Pulserkennung ermöglicht.<br />
4.2.2 WEKA<br />
Es gibt verschiedene Ansätze große Datenmengen im Zuge einer Klassifikation<br />
zu verarbeiten. Vielen Detektionsaufgaben wurde in Veröffentlichungen beispiels-<br />
weise mit einer Kombination der Wavelettheorie und Fuzzy-Ansätzen [14] oder<br />
auch mit neuronalen Netzen [15] begegnet. Aus <strong>die</strong>sem Grund kam das Data-<br />
Mining-Tool WEKA der Universität Waikato in Neuseeland in Frage [13], da es<br />
ein mächtiges Werkzeug zur Auswertung großer Datenmengen ist. Neben der op-<br />
tionalen Datenvorverarbeitung (bspw. Principal Component Analysis) wird <strong>die</strong><br />
Möglichkeit geboten mehrere Klassifikatoren auf ein Problem, also einen Trai-<br />
24
4.2. KLASSIFIKATION FÜR DIE PARAMETERSCHÄTZUNG<br />
ningsdatensatz, anzuwenden und deren Eignung zu prüfen. Alle Vorgänge lassen<br />
sich dabei komfortabel über eine grafische Nutzerschnittstelle steuern (Abbildung<br />
4.2).<br />
4.2.3 Matched-Wavelet<br />
Abbildung 4.2: WEKA Oberfläche<br />
Die Daten <strong>für</strong> das Data-Mining-Tool WEKA wurden durch <strong>die</strong> Wavelet-Trans-<br />
formation des Signals mit einem angepassten Wavelet gewonnen. Dieses Wave-<br />
let wurde nach dem Algorithmus aus Kapitel 3.1 an das zur Anregung der Ul-<br />
traschallwandler verwendete Signal angepasst. Die Abbildung 4.3 (a) zeigt <strong>die</strong><br />
momentan verwendete Pulsform (coded excitation) und in (b) das zugehörige<br />
angepasste Wavelet. Das hohe Maß an<br />
Übereinstimmung ist deutlich zu erken-<br />
nen und so sollte das Matched-Wavelet eine bessere Detektion ermöglichen als<br />
Standard-Wavelets, <strong>die</strong> nicht an <strong>die</strong> Signalform angepasst sind.<br />
4.2.4 Trainingsdatensatz<br />
Um eine Auswertung der Signaldaten überhaupt erst zu ermöglichen, musste<br />
zunächst entschieden werden, welche Daten verwendet, wie sie gewonnen werden<br />
25
Amplitude<br />
1<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
0<br />
-0.2<br />
-0.4<br />
-0.6<br />
-0.8<br />
KAPITEL 4. ENTWICKLUNG DER SIGNALDETEKTION<br />
-1<br />
0 50 100 150 200 250 300 350 400 450 500<br />
Abtastpunkt<br />
Amplitude<br />
1<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
0<br />
-0.2<br />
-0.4<br />
-0.6<br />
-0.8<br />
-1<br />
0 50 100 150 200 250 300 350 400 450 500<br />
Abtastpunkt<br />
(a) (b)<br />
Abbildung 4.3: Anpassung des Wavelets : (a) - Anregungssignal (mit 40 MHz<br />
abgetastet) (b) - Angepasstes Wavelet<br />
und wie viele Datensätze zur Verfügung stehen sollen. Da <strong>die</strong> Detektion aufgrund<br />
der nachfolgenden Parameterschätzung nur als Vorauswahl fungieren soll, genügt<br />
es hier <strong>die</strong> beiden Klassen Puls und Nicht-Puls einzuführen. Eine genauere Klas-<br />
sifizierung, wie der genaue Ankunftszeitpunkt eines Pulses, erübrigt sich, da <strong>die</strong><br />
Schätzung in jedem Fall genauer sein sollte.<br />
Der einfachste Weg, um Pulsdaten <strong>für</strong> den Trainingsdatensatz zu gewinnen ist<br />
<strong>die</strong> Verwendung von Transmissionsignalen. Bei <strong>die</strong>sen auf direktem Weg zwischen<br />
Sender und Empfänger übertragenen Pulsen, ist mit bekannter Temperatur eine<br />
Bestimmung des genauen Ankunftszeitpunktes möglich. Hierzu wurde eine Leer-<br />
messung in der USCT-Geometrie verwendet und mit Kenntnis der Temperatur<br />
und somit der Schallgeschwindigkeit in Wasser, <strong>die</strong> Transmissionssignale mit einer<br />
Länge von 30 Abtastpunkten (3µs) aus den Signalen extrahiert. Um zusätzlich<br />
Rauschen als Nicht-Puls-Datensatz aus dem gleichen Signal zu erhalten, wurde<br />
ein weiterer Bereich (ebenfalls 30 Abtastpunkte) mit einem festen Abstand zum<br />
Transmissionssignal ausgewählt.<br />
Als Merkmalsvektor <strong>für</strong> <strong>die</strong> Klassifizierung wurde ein Bereich im Zeit-Skalen-<br />
Raum der Wavelet-Transformierten des Signalausschnitts gewählt. Zu den 30<br />
Abtastpunkten kommen jeweils <strong>die</strong> Koeffizienten von 30 zugehörigen Skalen aus<br />
der Transformation hinzu. Ausgewählt wurden <strong>die</strong> Skalen mit maximalen Koef-<br />
fizienten beim Auftreten eines Pulses, um <strong>die</strong> beste Klassifizierung zu erhalten.<br />
26
4.2. KLASSIFIKATION FÜR DIE PARAMETERSCHÄTZUNG<br />
Die maximalen Koeffizienten konnten mit einem Referenzsignal bestimmt werden,<br />
welches viele Pulse enthielt. Nach einer Summation der Koeffizienten jeder Skala<br />
konnte ein deutliches Maximum ausgemacht werden, welches als Ausgangspunkt<br />
<strong>für</strong> <strong>die</strong> Selektion <strong>die</strong>nte.<br />
Um genügend Merkmalsvektoren zum Training des Klassifikators bereitzustellen,<br />
wurden um den Faktor zehn mehr Trainingsdatensätze als <strong>die</strong> Zahl der Attribute<br />
des Merkmalsvektors zur Verfügung gestellt. Für <strong>die</strong> hier gewählten 30 × 30<br />
Attribute wurden über 9000 Merkmalsvektoren generiert.<br />
Die Auswahl <strong>die</strong>ser großen Menge an Merkmalsvektoren konnte halbautomatisch<br />
über eine grafische Oberfläche erfolgen (Abbildung 4.4). Um den Klassifikator<br />
möglichst effektiv zu trainieren, sollten falsche Merkmalsvektoren vermieden wer-<br />
den. So kann es vorkommen, dass eine Sender-Empfänger-Kombination keine Da-<br />
ten aufzeichnete oder aber ein Puls im Bereich eines Nicht-Puls-Datensatzes liegt.<br />
Diesem Problem wurde mit einem Schwellwert im Frequenzbereich des jeweiligen<br />
Ausschnitts begegnet, um <strong>die</strong>se Fälle gleich zu verwerfen oder im Falle der Gültig-<br />
keit anzunehmen. Bei einer unsicheren Auswahl muss der Benutzer eingreifen und<br />
manuell Signalausschnitte annehmen oder verwerfen. Nach der Auswahl wird der<br />
entsprechende Signalausschnitt transformiert und <strong>die</strong> relevanten Daten in das<br />
WEKA-konforme ARFF-Format überführt [16] und gespeichert. So können ver-<br />
schiedene Trainingsdatensätze mit relativ geringem Aufwand generiert werden.<br />
Die Oberfläche zeigt dazu jeweils einen Teil des Signals mit markiertem Aus-<br />
schnitt im Zeitbereich und <strong>die</strong> zugehörige Darstellung im Frequenzbereich, um<br />
pulsrelevante Spektrenanteile zu erkennen. Im rechten Bereich kann zusätzlich<br />
<strong>die</strong> momentane Anzahl an Merkmalsvektoren, sowohl Pulse, als auch Nicht-Pulse,<br />
überwacht werden.<br />
4.2.5 Klassifikator<br />
Mit den erstellten Trainingsdatensätzen konnte <strong>die</strong> Suche nach einem geeigneten<br />
Klassifikator <strong>für</strong> das vorliegende Problem beginnen. Eine am Forschungszentrum<br />
Karlsruhe angefertigte Dissertation beschäftigte sich genau mit der Fragestellung<br />
nach dem möglicherweise besten Klassifikator <strong>für</strong> eine gegebenes Problem [17].<br />
Das während Dissertation entstandene Programm ICE (Integrated Component<br />
27
KAPITEL 4. ENTWICKLUNG DER SIGNALDETEKTION<br />
Abbildung 4.4: Auswahl der Signalausschnitte<br />
Environment) kann mit den erstellten Trainingsdatensätzen im ARFF-Format<br />
umgehen und bietet eine Suche nach einem geeigneten Klassifikator. Diese Suche<br />
nennt sich Bubble Synthesis (Blasensynthese), bei der der beste Klassifikator<br />
einer Liste nach dem Testen wie eine Luftblase nach oben steigt. Der Algorithmus<br />
verfährt dabei iterativ, um <strong>die</strong> Suche zu beschleunigen.<br />
Das Ergebnis der Suche konnte je nach gewähltem Trainingsdatensatz variieren,<br />
wobei der beste Klassifikator meist ein Entscheidungsbaum (Decision tree) war.<br />
Hinzu kommt <strong>die</strong> Möglichkeit der sehr einfachen Implementierung eines Ent-<br />
scheidungsbaums, der zusätzlich kaum Ressourcen benötigt. So wurde <strong>für</strong> <strong>die</strong><br />
Aufgabenstellung stets ein alternierender Entscheidungsbaum (Alternating Deci-<br />
sion Tree) verwendet, dessen Regelsatz sehr einfach in MATLAB umzusetzen war<br />
und kaum Rechenzeit in Anspruch nahm. Mit genau <strong>die</strong>sen Eigenschaften konnte<br />
28
4.2. KLASSIFIKATION FÜR DIE PARAMETERSCHÄTZUNG<br />
eine schnelle und effiziente Pulsauswahl ermöglicht werden. Eine exemplarische<br />
Darstellung eines solchen Entscheidungsbaumes ist in Abbildung 4.5 zu sehen.<br />
Durch <strong>die</strong> einzelnen Entscheidungsrichtungen wird ein Faktor gewichtet und im<br />
Anschluss nach einer Schwellwertmethode ausgewertet.<br />
Abbildung 4.5: Alternierender Entscheidungsbaum<br />
4.2.6 Pulsauswahl<br />
Nach erfolgter Klassifikation des gesamten Signals wird ein bool’scher Vektor<br />
mit der Länge des Signals zurückgeliefert, der <strong>die</strong> Bereiche in denen Pulse de-<br />
tektiert wurden, angibt. Bei einem detektierten Puls, wird ein Fenster mit 25<br />
Abtastpunkten als Fundstelle markiert. Der weitere Teil des Algorithmus (Selek-<br />
tion) löscht grundsätzlich Bereiche, <strong>die</strong> kleiner als <strong>die</strong> angenommene Pulslänge<br />
von 30 Abtastpunkten sind. Dies bedeutet, dass im Falle von direkt aufeinander<br />
folgenden Detektionen mindestens fünf Abtastpunkte als Puls detektiert werden<br />
müssen, um den Bereich <strong>für</strong> <strong>die</strong> Parameterschätzung zu markieren. Dadurch wird<br />
verhindert, dass jede Detektion zu einer Parameterschätzung führt, da <strong>die</strong>se im<br />
Vergleich zur Klassifikation zeitaufwendiger ist.<br />
Durch <strong>die</strong>ses Vorgehen kann es vorkommen, dass im Bereich vieler Pulse ein<br />
sehr großer zusammenhängender Suchbereich entsteht. Aus Effizienzgründen wird<br />
<strong>die</strong>ser allerdings nicht direkt der Parameterschätzung übergeben, sondern zuvor<br />
nochmals unterteilt. Zu <strong>die</strong>sem Zweck werden Bereiche, <strong>die</strong> größer als 90 Ab-<br />
tastpunkte sind, in Teilbereiche aufgeteilt. Die Grenze von 90 Abtastpunkten<br />
29
KAPITEL 4. ENTWICKLUNG DER SIGNALDETEKTION<br />
ergibt sich aus der gewählten Teilbereichsgröße von 45 Abtastpunkten. Da <strong>die</strong><br />
Pulsbreite variieren kann wurde hier ein Toleranzbereich von 15 Abtastpunkten<br />
geschaffen. Ein Bereich von 90 Abtastpunkten würde so in zwei Teilbereiche auf-<br />
geteilt. Darunter wäre keine sinnvolle Trennung mit gegebener Teilbereichsgröße<br />
möglich.<br />
Mit <strong>die</strong>ser Teilbereichsgröße von 45 Samples werden nun grob <strong>die</strong> Grenzen <strong>für</strong><br />
<strong>die</strong> Aufteilung in dem zusammenhängenden Suchbereich festgelegt. An <strong>die</strong>sen<br />
Grenzen wird wiederum ein Fenster von 30 Samples Breite (15 Abtastpunkte<br />
links und 15 rechts) angenommen, um <strong>die</strong> Feinabgrenzung zu vollziehen. Durch<br />
eine Wavelet-Transformation <strong>die</strong>ses Bereichs wird über eine ausgewählte Skala,<br />
<strong>die</strong> eine sehr hohe Zeitauflösung ermöglicht, der Abtastpunkt mit minimalem<br />
Koeffizient als Abgrenzung festgelegt. Dadurch soll verhindert werden, dass ein<br />
Einzelpuls durch <strong>die</strong> Selektion getrennt wird und nicht erkannt werden kann. Der<br />
Vorgang ist in Abbildung 4.6 dargestellt, wo <strong>die</strong> Bereiche <strong>für</strong> <strong>die</strong> Grenzauswahl<br />
(gelb) und <strong>die</strong> Detektionsbereiche (grün) dargestellt sind.<br />
Amplitude<br />
1<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
0<br />
-0.2<br />
-0.4<br />
-0.6<br />
-0.8<br />
-1<br />
2350 2400 2450 2500 2550 2600 2650<br />
Abtastpunkt<br />
Abbildung 4.6: Signaldetektion und Pulsauswahl: Der bool’sche Vektor, der<br />
<strong>die</strong> Detektionsbereiche anzeigt, ist in grün dargestellt, <strong>die</strong> Grenzbereiche zur Pulsauswahl<br />
in gelb.<br />
30
4.3. SCHÄTZEN DER PULSPARAMETER<br />
Die Trennung von Pulsen ermöglicht eine wesentlich effizientere Schätzung der<br />
Parameter, da das Fehlerpotential, aufgrund des geringeren Einflusses von Rau-<br />
schen und anderen Pulsen im Auswahlbereich niedriger ist als bei größeren über-<br />
gebenen Bereichen. Die Beschleunigung der Schätzung durch <strong>die</strong>se Vorauswahl<br />
ist abhängig von der Anzahl enthaltener Pulse. Sind wenige Pulse vorhanden,<br />
werden der Schätzung auch weniger Bereiche zur Verarbeitung übergeben.<br />
4.3 Schätzen der Pulsparameter<br />
4.3.1 Implementierung<br />
Nach Beschreibung der benötigten Vorauswahl der Pulse, soll nun <strong>die</strong> Funktions-<br />
weise der darauf folgenden Parameterschätzung vorgestellt werden. Durch <strong>die</strong><br />
Vorverarbeitung und Klassifikation werden potentielle Einzelpulse an den Schätz-<br />
algorithmus übergeben. Wie in den verwendeten Methoden gezeigt, wird <strong>die</strong><br />
kontinuierliche Wavelet-Transformation (CWT) mit einem modifizierten Morlet-<br />
Wavelet <strong>für</strong> <strong>die</strong> Schätzung verwendet. Diese erfolgt in zwei aufeinander folgenden<br />
Schritten, bei denen zunächst <strong>die</strong> Ankunftszeit τ, Amplitude β und Mittenfre-<br />
quenz fc bestimmt werden und im Anschluss daran <strong>die</strong> Phase Λ und <strong>die</strong> Bandbrei-<br />
te α des Pulses. Das Matched-Wavelet wurde hierbei nicht eingesetzt, da damit<br />
keine mathematische Lösung wie im Verfahren nach Cardoso [6] möglich ist.<br />
Im ersten Schritt wird das übergebene Signal über <strong>die</strong> CWT in den Zeit-Skalen-<br />
Bereich transformiert. Dazu wird das bereits beschriebene erweiterte Morlet-<br />
Wavelet mit initialen Parametern <strong>für</strong> Bandbreite, Mittenfrequenz und Phase ver-<br />
wendet [6]. Abbildung 4.7 zeigt beispielhaft einen erstellten Puls (a) mit dem<br />
zugehörigen Ausschnitt des Absolutwerts der Wavelet-Transformation (b). Über<br />
eine Maximalwertsuche auf der erhaltenen Fläche kann <strong>die</strong> Ankunftszeit τ und<br />
<strong>die</strong> Mittenfrequenz fc bestimmt werden.<br />
Das Verfahren verwendet dabei erst das mit 10 MHz abgetastete Originalsignal,<br />
um den Berechnungsaufwand <strong>für</strong> <strong>die</strong> CWT zu minimieren. Anhand der erhalte-<br />
nen groben Abschätzung von Ankunftszeit τ und Frequenz fc wird mit einem<br />
auf 100 MHz interpolierten Signal weitergearbeitet, um <strong>die</strong> Schätzung zu verbes-<br />
sern, da sich hierbei eine Abweichung um einen Abtastpunkt in geringerem Maße<br />
31
Amplitude<br />
1000<br />
500<br />
0<br />
-500<br />
-1000<br />
KAPITEL 4. ENTWICKLUNG DER SIGNALDETEKTION<br />
0 50 100 150 200 250 300 350<br />
Abtastpunkt<br />
6000<br />
4000<br />
2000<br />
0<br />
60<br />
50<br />
40<br />
30<br />
Skala<br />
(a) (b)<br />
Koeffizient<br />
20<br />
10<br />
0<br />
0<br />
50<br />
100<br />
150<br />
200<br />
250<br />
Abtastpunkt<br />
Abbildung 4.7: Puls und zugehörige Zeit-Skalen-Darstellung : (a) - <strong>Ultraschall</strong>puls<br />
mit 100 MHz abgetastet (b) - Absolutwert der Wavelet-Transformation<br />
des Pulses<br />
auswirkt. Dazu wird ein Fenster um <strong>die</strong> grob geschätzte Ankunftszeit und <strong>die</strong><br />
Frequenz gelegt, wobei nicht alle in Frage kommenden Koeffizienten der CWT<br />
berechnet werden. Im ersten Schritt wird mit dem grob bestimmten Punkt im<br />
Zeit-Skalen-Raum im Bereich von ±15 Abtastpunkten um <strong>die</strong> bestimmte An-<br />
kunftszeit nach dem maximalen Koeffizienten gesucht. Mit der daraus erhalte-<br />
nen Ankunftszeit τ erfolgt das gleiche Vorgehen mit ±10 Skalen um <strong>die</strong> grob<br />
geschätzte Frequenz. Der gefundene maximale Skalenwert wird <strong>für</strong> <strong>die</strong> Berech-<br />
nung der Mittenfrequenz fc nach Formel(4.1) herangezogen. Um den Aufwand<br />
weiter zu reduzieren, liegen <strong>die</strong> Grenzen der Schätzung zwischen 2,07 MHz und<br />
2,73 MHz, was auf Grund der Mittenfrequenz des verwendeten Sendesignals von<br />
2,4 MHz festgelegt wurde.<br />
fc =<br />
Fw<br />
△ · scale<br />
fc = Mittenfrequenz [Hz]<br />
Fw = Wavelet Mittenfrequenz [Hz]<br />
△ = Abtastperiode [s]<br />
300<br />
350<br />
400<br />
(4.1)<br />
Auch wenn <strong>die</strong> Ankunftszeit des Pulsmaximums theoretisch schon im vorher<br />
32
4.3. SCHÄTZEN DER PULSPARAMETER<br />
beschriebenen Vorgehen bestimmt wurde, wird <strong>die</strong>se auf einem anderen Wege<br />
geschätzt, um <strong>die</strong> Ortsauflösung noch zu verbessern. Basis <strong>die</strong>ser Schätzung ist<br />
<strong>die</strong> Skala der CWT <strong>die</strong> zuvor bestimmt wurde. Dazu wird das Signal nur auf <strong>die</strong>ser<br />
Skala transformiert. Der Puls, sowie der Verlauf der Koeffizienten der Transfor-<br />
mation sind in Abbildung4.8 zu sehen (Puls in blau und CWT-Skala in grün).<br />
Hierbei ist deutlich zu erkennen, dass <strong>die</strong> Phase des Pulses einen nicht zu ver-<br />
nachlässigenden Einfluss auf den Koeffizientenverlauf der CWT-Skala hat. Dieser<br />
Phaseneinfluss würde zu Problemen bei einer Maximalwertsuche auf <strong>die</strong>ser Ska-<br />
la führen. Aus <strong>die</strong>sem Grund wird auf <strong>die</strong> Transformierte ein Mittelwertfilter in<br />
Form eines Hanning-Fensters der Länge 50 angewendet (rote Kurve in Abbil-<br />
dung4.8), wodurch der Phaseneinfluss minimiert wird. In der folgenden Bestim-<br />
mung des Maximalwerts wird zudem auch der Wert der Amplitude festgelegt,<br />
welcher allerdings mit einem Faktor beaufschlagt ist, was einen weiteren Bear-<br />
beitungsschritt nach sich zieht.<br />
Amplitude<br />
1<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
0<br />
-0.2<br />
-0.4<br />
-0.6<br />
Signal<br />
CW T - Hauptskala<br />
Moving Average<br />
Hohe Skala<br />
-0.8<br />
100 150 200 250 300 350<br />
Abtastpunkt<br />
400 450 500 550 600<br />
Abbildung 4.8: Ankunftszeitschätzung am Beispiel eines Pulses: Vorgehen<br />
zur Schätzung der Ankunftszeit des Pulsmaximums am Beispiel eines synthetischen<br />
Pulses mit zugehörigen Skalen der Wavelet-Transformation.<br />
Auffällig ist, dass <strong>die</strong> Kurve der Transformation im Vergleich zum Puls rela-<br />
tiv breit ist, was eine Einschränkung der Ortsauflösung darstellt. Dies würde<br />
insbesondere bei Pulsen mit geringem zeitlichen Abstand zu Fehlern in der An-<br />
kunftszeitschätzung führen. Durch <strong>die</strong>sen Umstand fiel bei den Transformationen<br />
33
KAPITEL 4. ENTWICKLUNG DER SIGNALDETEKTION<br />
der mit 10 MHz abgetasteten Signale auf, dass eine Skala im höheren Frequenz-<br />
bereich und somit besserer Ortsauflösung ebenfalls mit den Pulsen korrespon-<br />
<strong>die</strong>rt. Nach einer Interpolation <strong>die</strong>ser berechneten Skala (Kurve in türkis) und<br />
Beaufschlagung der zuvor berechneten CWT-Skala kann der Ankunftszeitpunkt<br />
des Pulsmaximums über eine Maximalwertsuche genauer bestimmt werden. Be-<br />
sondere Vorteile bringt <strong>die</strong>s bei der Trennung mehrerer Pulse im übergebenen<br />
Signalausschnitt.<br />
Exemplarisch soll der Zusammenhang mit der höheren Skala der CWT von zwei<br />
Pulsen gezeigt werden. In Abbildung 4.9 ist hierzu <strong>die</strong> Zeit-Skalen-Analyse dar-<br />
gestellt. Die beiden Pulse können nicht über <strong>die</strong> Skala der größten Koeffizienten<br />
getrennt werden, wohl aber über <strong>die</strong> zeitlich hochauflösenden Skala der Wavelet-<br />
Transformation (rot markiert). Die <strong>die</strong>ser Skala zugehörige Frequenz beträgt 7,5<br />
MHz, was ungefähr dem Dreifachen der Pulsmittenfrequenz entspricht.<br />
Amplitude<br />
800<br />
600<br />
400<br />
200<br />
0<br />
-200<br />
-400<br />
-600<br />
-800<br />
0 20 40 60 80<br />
Abtastpunkt<br />
Skala<br />
2<br />
4<br />
6<br />
8<br />
10<br />
12<br />
14<br />
16<br />
18<br />
20<br />
20 40 60 80<br />
Abtastpunkt<br />
Abbildung 4.9: Zeit-Skalen Analyse zweier Pulse: Die korrespon<strong>die</strong>rende<br />
Skala <strong>für</strong> <strong>die</strong> höhere zeitliche Auflösung (4) ist rot markiert.<br />
Wie erwähnt, ist der Wert der Amplitude β abhängig von einem zusätzlichen<br />
Faktor und kann nicht direkt über den maximalen Koeffizienten berechnet wer-<br />
den. Bei genauerer Untersuchung stellte sich heraus, dass <strong>die</strong>ser Faktor zudem<br />
bandbreitenabhängig ist, da <strong>die</strong> CWT nur mit festen Initialwerten <strong>für</strong> das Morlet-<br />
Wavelet durchgeführt wird. Die geschätzte Amplitude wird mit steigender Band-<br />
breite immer kleiner als <strong>die</strong> Vorgabe und muss abhängig von der Bandbreite mit<br />
einem Faktor beaufschlagt werden. Dies liegt an den kleiner werdenden Koef-<br />
fizienten der CWT, da <strong>die</strong> Transformation im eigentlichen Sinne eine Faltung<br />
mit dem Wavelet darstellt und bei höherer<br />
Übereinstimmung der Signale auch<br />
höhere Werte <strong>für</strong> <strong>die</strong> Koeffizienten liefert. Da der Initialwert <strong>für</strong> <strong>die</strong> Bandbrei-<br />
34<br />
700<br />
600<br />
500<br />
400<br />
300<br />
200<br />
100
4.3. SCHÄTZEN DER PULSPARAMETER<br />
te des Wavelets bei 1 MHz liegt, sind bei größeren Bandbreiten eine geringere<br />
Übereinstimmung und damit geringere Werte der Koeffizienten <strong>die</strong> Folge.<br />
Um dem zu begegnen wurden unter Vorgabe eines festen Amplitudenwertes <strong>die</strong><br />
relevanten Bandbreiten durch <strong>die</strong> Schätzung verarbeitet und der jeweilige Korrek-<br />
turfaktor ermittelt. Danach wurde <strong>die</strong>se Kurve durch ein kubisches Polynom an-<br />
genähert, um den bandbreitenabhängigen Korrekturfaktor berechnen zu können.<br />
Die Kurven sind in Abbildung 4.10 zu sehen. Während der Verarbeitung wird<br />
nach Schätzung der Bandbreite auf den entsprechenden Funktionswert zur Kor-<br />
rektur der Amplitude zurückgegriffen.<br />
Korrekturfaktor<br />
0.024<br />
0.022<br />
0.02<br />
0.018<br />
0.016<br />
0.014<br />
0.012<br />
0.01<br />
0.008<br />
Korrekturfaktor polynome<br />
0.006<br />
1 3 5.5 8 10.5 13 15.5 18<br />
Bandbreite [MHz]²<br />
Abbildung 4.10: Amplitudenkorrektur-Faktor und angenähertes Polynom:<br />
Über <strong>die</strong> Bandbreite aufgetragener Korrekturfaktor <strong>für</strong> <strong>die</strong> geschätzte Amplitude<br />
und das angenäherte kubische Polynom.<br />
Im Anschluss folgt nun <strong>die</strong> Schätzung von Bandbreite und Phase. Das Verfahren<br />
sieht vor mit der geschätzten Frequenz fc und der zugehörigen Ankunftszeit τ als<br />
feste Parameter den zugehörigen Koeffizient der CWT mit einem in der Phase<br />
und Bandbreite variierenden Morlet-Wavelet zu berechnen. Somit würde <strong>für</strong> den<br />
gegebenen Abtastpunkt und der zugehörigen Skala aus der Schätzung eine Ebene<br />
über Bandbreite und Phase der Transformation aufgespannt.<br />
Das Problem liegt in der benutzten Implementierung der Transformation, <strong>die</strong><br />
35
KAPITEL 4. ENTWICKLUNG DER SIGNALDETEKTION<br />
keinen einzelnen Koeffizienten <strong>für</strong> einen vorgegebenen Abtastpunkt bestimmen<br />
kann, sondern immer das komplette Zeitsignal transformiert. Somit wäre <strong>für</strong><br />
jede Kombination von Phase und Bandbreite eine komplette Transformation<br />
des Signals vonnöten gewesen, was in einer nicht akzeptablen Berechnungszeit<br />
von ca. 30s je Puls resultieren würde. Aus <strong>die</strong>sem Grund wurde eine Wavelet-<br />
Transformation <strong>für</strong> einen einzelnen Abtastpunkt implementiert, um <strong>für</strong> <strong>die</strong> Be-<br />
rechnung des Koeffizienten nur noch das auf der Bandbreiten-Phasen-Fläche zu-<br />
gehörige Wavelet bestimmen zu müssen. Die aufgespannte Fläche ist in Abbildung<br />
4.11 zu sehen.<br />
Koeffizient<br />
10<br />
5<br />
0<br />
-5<br />
-10<br />
3.14<br />
1.85<br />
0.85<br />
-0.14<br />
Phase [rad]<br />
-1.15<br />
-2.14<br />
-3.14<br />
0.1<br />
3.08<br />
6.06<br />
9.04<br />
12.02<br />
15<br />
Bandbreite<br />
[MHz]²<br />
Abbildung 4.11: Suchraum über Bandbreite und Phase: Koeffizient <strong>für</strong> den<br />
geschätzten Abtastpunkt der CWT über <strong>die</strong> Phase und Bandbreite berechnet.<br />
Über eine Suche nach dem globalen Maximum kann <strong>die</strong> zugehörige Bandbreite α<br />
und <strong>die</strong> Phase Λ des Pulses bestimmt werden. Dazu wird <strong>die</strong> gezeigte Fläche nicht<br />
komplett berechnet, sondern ein Gra<strong>die</strong>ntenverfahren verwendet. Der Startpunkt<br />
wird in den Mittelpunkt des Bandbreiten-Phasen-Suchraums gelegt und <strong>die</strong> Ebe-<br />
ne von dort in horizontaler und vertikaler Richtung hin zur größten Steigung<br />
durchlaufen. Die Schrittweite wird dabei vom Wert der Steigung beeinflusst, um<br />
das Verfahren zu beschleunigen. Für jeden Schritt müssen so nur vier umliegende<br />
Punkte berechnet werden und auch <strong>die</strong> Schrittweite wird mit kleiner werden-<br />
der Steigung genauer, um <strong>die</strong> Schätzung zu verbessern. Die Suche wird beendet,<br />
36
4.3. SCHÄTZEN DER PULSPARAMETER<br />
sobald ein Schritt in <strong>die</strong> entgegengesetzte Richtung erfolgt, da dort das globale<br />
Maximum angenommen werden kann. Ebenfalls beendet wird <strong>die</strong> Suche beim Er-<br />
reichen einer Grenze des Suchraums. Dieser wird in Phasenrichtung zwischen π<br />
und −π aufgespannt und in Bandbreitenrichtung zwischen 5 MHz 2 und 12 MHz 2 .<br />
Das Anregungssignal hat dabei eine Bandbreite von 2,8 MHz was 7,88 MHz 2 ent-<br />
spricht. Der durch <strong>die</strong>se Beschleunigung eingeführte Fehler soll Bestandteil der<br />
späteren Auswertung sein.<br />
4.3.2 Fehlerberechnung<br />
Probleme des Algorithmus liegen nun noch in den durch Störeinflüsse verursach-<br />
ten nicht optimalen Parameterschätzungen von Pulsen oder aber der Rekonstruk-<br />
tion von Rauschen. Da beide Effekte soweit möglich vermieden werden sollen,<br />
musste eine Fehlerberechnung eingeführt werden, um <strong>die</strong> Qualität der Schätzung<br />
überprüfen zu können. Auf Basis dessen lässt sich entscheiden, ob der Puls an-<br />
genommen oder verworfen wird. Pulse, deren Abweichung zu hoch ist, sollen so<br />
nicht in <strong>die</strong> spätere Bildrekonstruktion eingehen.<br />
Nach der Schätzung der Pulsparameter wird hierzu ein künstlicher Puls mit <strong>die</strong>sen<br />
Parametern generiert. Für das reale Signal und das synthetische gilt es nun zu<br />
prüfen, ob <strong>die</strong> Schätzung hinreichend gut ist. Das zugehörige Modell, um den<br />
synthetischen Puls zu generieren, wurde mit der Formel (3.23) angegeben. Da<br />
es sich bei <strong>die</strong>sem Modell um einen mit einer Gauß-Glocke gewichteten Cosinus<br />
handelt, können über <strong>die</strong>se Gewichtungsfunktion <strong>die</strong> Punkte der Glocke an denen<br />
<strong>die</strong> Amplitude auf 2% des Maximalwerts abgefallen ist berechnet werden. Diese<br />
werden dann als Ankunftszeitpunkt, sowie als Endpunkt verwendet.<br />
Im nächsten Schritt werden sowohl der reale, als auch der synthetische Puls noch-<br />
mals mit einer Gauß-Glocke unter Verwendung des erhaltenen Ankunfts- und<br />
Endpunktes gewichtet. Durch <strong>die</strong>se Maßnahme sollen Effekte von benachbarten<br />
Pulsen minimiert werden, <strong>die</strong> ansonsten <strong>die</strong> Fehlerberechnung stark beeinflussen<br />
könnten. Die Berechnung des Fehlers wird danach im Frequenzbereich vorgenom-<br />
men. Dazu wird das zur Signaldetektion verwendete Wavelet mit den zugehöri-<br />
gen Skalen verwendet. Mit den beiden Transformierten freal(a, b) des realen und<br />
fest(a, b) des synthetischen Pulses findet <strong>die</strong> Fehlerberechnung nach Formel (4.2)<br />
37
statt.<br />
KAPITEL 4. ENTWICKLUNG DER SIGNALDETEKTION<br />
ferr =<br />
<br />
a<br />
<br />
b |fest(a, b) − freal(a, b)|<br />
<br />
a<br />
<br />
b |freal(a, b)|<br />
(4.2)<br />
Das Ergebnis ist der relative Fehler im Frequenzbereich und damit <strong>die</strong> prozentua-<br />
le Abweichung. Durch <strong>die</strong> Transformation wird zudem der Einfluss von störendem<br />
Rauschen gemindert. Toleriert wird eine Maximalabweichung von 50% gegenüber<br />
dem realen Puls. Höhere Abweichungen führen erfahrungsgemäß zu sehr schlech-<br />
ten Schätzungen, <strong>die</strong> keinen sinnvollen Beitrag zur Messung liefern.<br />
4.4 Weiterverarbeitung<br />
4.4.1 Durchlauf von Experimenten<br />
Die Vorauswahl und <strong>die</strong> Schätzung der Parameter ist <strong>die</strong> Voraussetzung, um auch<br />
komplette Scans einer Messung zu verarbeiten. Die durch <strong>die</strong> Signaldetektion vor-<br />
ausgewählten Blöcke werden der Parameterschätzung übergeben und synthetische<br />
Signale können generiert werden. Wird ein neuer Puls erkannt und liegt der Fehler<br />
im Toleranzbereich, so wird er vom Originalsignal abgezogen und <strong>die</strong> Verarbei-<br />
tung benutzt den nächsten Block. Blöcke <strong>die</strong> bearbeitet wurden, werden <strong>für</strong> den<br />
weiteren Verlauf der aktuellen Iteration des Algorithmus nicht mehr berücksich-<br />
tigt. Die Anzahl an Iterationen kann der Benutzer vorgeben, um gegebenenfalls<br />
überlagerte oder eng beieinander liegende Pulse trennen zu können.<br />
Innerhalb einer Iteration wird nur der durch den Klassifikator erstellte Vek-<br />
tor, der <strong>die</strong> Pulsbereiche angibt, abgearbeitet. Sequentiell werden <strong>die</strong> Blöcke der<br />
Schätzung übergeben und dann aus dem Vektor entfernt, bis alle gegebenen Berei-<br />
che bearbeitet wurden. Waren in einem <strong>die</strong>ser Bereiche mehrere Pulse, so wurde<br />
nur der mit den höheren Koeffizienten seiner Wavelet-Transformierten erkannt.<br />
Jede weitere Iteration verwendet das resultierende Signal und führt wiederum<br />
eine erneute Klassifikation aus. Da <strong>die</strong> erste Iteration bereits Pulse erkannt und<br />
subtrahiert hat, werden mit jeder Weiteren weniger Bereiche als Fundstelle mar-<br />
kiert und der Schätzung zugeführt. Wie sich in Experimenten gezeigt hat, reicht<br />
gewöhnlich eine weitere Iteration aus, um genügend Informationen zu erhalten<br />
38
4.4. WEITERVERARBEITUNG<br />
und auch <strong>die</strong> Laufzeit der Detektion zu begrenzen.<br />
Der nächste Schritt ist <strong>die</strong> sequentielle Verarbeitung der Scans einer ganzen Mes-<br />
sung oder eines selektierbaren Teils. Unter Angabe der Schichten, in <strong>die</strong> <strong>die</strong> Sender<br />
und Empfänger eingeteilt sind, kann ein Teilbereich einer Messung <strong>für</strong> <strong>die</strong> De-<br />
tektion verwendet werden. Danach werden alle zugehörigen Scans nacheinander<br />
abgearbeitet und <strong>die</strong> Detektionsdaten hinterlegt.<br />
Für <strong>die</strong> Verarbeitung einer Messung können neben der Angabe an Iterations-<br />
schritten noch weitere Parameter übergeben werden. Dazu gehört zum einen das<br />
Ausschalten der Klassifikation, um beispielsweise Transmissionssignale in einem<br />
bestimmten Bereich zu suchen oder nur <strong>die</strong> Parameterschätzung ohne Vorauswahl<br />
anzuwenden. Die feste Vorgabe eines Suchbereichs <strong>für</strong> einen Scan ist eine weitere<br />
verfügbare Option des Algorithmus. Dies kann dann sinnvoll sein, wenn der zu<br />
durchsuchende Bereich so begrenzt werden soll, dass im Scan nicht vor den eigent-<br />
lichen Transmissionssignalen gesucht wird, aber auch nicht hinter den Pulsen der<br />
auftretenden Rückwandreflexion. Der Hauptnutzen <strong>die</strong>ser Einschränkung ist <strong>die</strong><br />
Möglichkeit das Verfahren zu beschleunigen und Messungen schneller bearbeiten<br />
zu können.<br />
4.4.2 Datenformat<br />
Die durch den Algorithmus gewonnenen Daten müssen natürlich der späteren<br />
Weiterverarbeitung zur Verfügung stehen. Der Zugriff darauf soll möglichst trans-<br />
parent und strukturiert erfolgen können. Während der momentanen Entwicklung<br />
des USCT hat sich das Datenformat der Messungen bisher zweimal geändert.<br />
Bei den ersten Messungen mit dem 3D-Demonstrator wurde jedes einzelne Em-<br />
pfangssignal in einer Datei hinterlegt, was bei einer kompletten Messung mit allen<br />
verfügbaren Positionen des Schrittmotors zu über 3,5 Mio. Einzeldateien führte.<br />
Die Dateien wurden wie in Abbildung 4.12 gezeigt in einer Verzeichnisstruktur<br />
abgelegt. Die übergeordnete Ebene stellt <strong>die</strong> jeweilige Senderschicht dar, gefolgt<br />
von der Sendernummer. Dem Verzeichnis der Sendernummer sind nun alle vor-<br />
handenen Scans, der zugehörigen Empfängerschicht nach, untergeordnet.<br />
Der Nachfolger <strong>die</strong>ses Formats kommt mit wesentlich weniger Dateien aus. Dazu<br />
wurden alle Scans, <strong>die</strong> einem Sender zugeordnet werden können, in einer Datei<br />
39
KAPITEL 4. ENTWICKLUNG DER SIGNALDETEKTION<br />
Senderschicht<br />
Sendernummer<br />
Empfängerschicht<br />
Abbildung 4.12: Datenstruktur <strong>für</strong> USCT-Messungen: Scans wurden auf<br />
der untersten Verzeichnisebene der Empfängerschichten gespeichert. Mittlerweile<br />
ist <strong>die</strong>se entfallen und <strong>die</strong> Daten sind den Sendernummern zugeordnet. (aus [18])<br />
data.mat zusammengefasst und jeweils als Variable unter Angabe der Empfänger-<br />
schicht und der Empfängernummer hinterlegt. Betrachtet man nochmals Abbil-<br />
dung 4.12, so entfällt <strong>die</strong> unterste Verzeichnisebene der Empfängerschicht, da <strong>die</strong><br />
Daten nun direkt der Sendernummer zugeordnet sind.<br />
Index 1 2 3 4<br />
Empfängerschicht 12 12 13 13<br />
Empfängernr. 181 182 3 4<br />
Scan Nr. Samples Abtastpunkt<br />
Scan 1 1 2 3 4 5 6 7 8 9 …<br />
Scan 2 1 2 3 4 5 6 7 8 9 …<br />
Scan 3 1 2 3 4 5 6 7 8 9 …<br />
Scan 4 1 2 3 4 5 6 7 8 9 …<br />
Scan 5 1 2 3 4 5 6 7 8 9 …<br />
Abbildung 4.13: Neues Dateiformat: Gezeigt ist der Zugriff über <strong>die</strong> Indexdatei<br />
mit neuem Dateiformat. Bei Zugriff auf Empfängerschicht 13 und Empfängernr.<br />
3 ergibt sich Index 3. Darüber kann der richtige Scan aus dem unten dargestellten<br />
Vektor ausgelesen werden.<br />
Die aktuelle Version fasst <strong>die</strong> zu einem Sender gehörigen Scans in einem Vektor<br />
zusammen, auf den über <strong>die</strong> Indexvariable Map zugegriffen werden kann. Diese<br />
enthält <strong>die</strong> verfügbaren Empfängerschichten und Empfängernummern. Mit einem<br />
40
4.4. WEITERVERARBEITUNG<br />
Vergleich der gesuchten Kombination erhält man <strong>die</strong> Position in <strong>die</strong>ser Indexva-<br />
riable und somit den Index <strong>für</strong> den Zugriff auf den Vektor der <strong>die</strong> Scans enthält<br />
(siehe Abbildung 4.13).<br />
Da zukünftig nur noch das aktuelle Dateiformat Verwendung finden soll, hinter-<br />
legt der Algorithmus <strong>die</strong> Detektionsdaten nach <strong>die</strong>ser Vorgabe. Werden Daten<br />
in den älteren Formaten bearbeitet, so wird der bearbeitete Teil der Messung in<br />
das neue Datenformat konvertiert. Hierzu baut <strong>die</strong> Detektion <strong>die</strong> Indexdatei und<br />
den entsprechenden Vektor mit den Scans selbst auf und speichert <strong>die</strong>se Daten<br />
im zugehörigen Verzeichnis.<br />
Die Detektionsdaten liegen nach der Bearbeitung in einer eigenen Datenstruk-<br />
tur Det Scans, welche als MATLAB-Variable des Typs Struct aufgebaut ist. Der<br />
Zugriff auf <strong>die</strong> Daten eines gewünschten Scans erfolgt genau wie auf den Scan<br />
selbst über <strong>die</strong> Indexvariable Map. Bei der beispielhaften Suche aus Abbildung<br />
4.13 würde sich der Zugriff auf den Index 3 der Variable ergeben (Det Scans(3)).<br />
Die Daten zu den Pulsen sind unter Det Scans(n).pulses verfügbar. Diese sind<br />
mit jeweils acht Parametern in einer 8×m-Matrix hinterlegt. Mit m lässt sich <strong>die</strong><br />
Anzahl erkannter Pulse eines Scans ermitteln. Die Pulsparameter sind in Tabelle<br />
4.1 angegeben. Wird kein Puls im bearbeiteten Scan erkannt oder aufgrund des<br />
zu hohen Fehlers verworfen, so befindet sich in jedem Wert der Pulsparameter<br />
der Wert −1, um <strong>die</strong>s anzuzeigen. Durch <strong>die</strong> Indexierung sind auch nicht bear-<br />
beitete Scans in Det Scans enthalten. Dort ist dann eine leere Matrix anstatt der<br />
Pulsparameter vorzufinden.<br />
Tabelle 4.1: Gespeicherte Pulsparameter<br />
Index Wert Erklärung<br />
1 AMP Amplitude<br />
2 FRQ Frequenz [MHz]<br />
3 TOA Time-of-arrival [s]<br />
4 TOA M T-o-a des Maximums [s]<br />
5 TOA SAMPLE T-o-a als Abtastpunkt<br />
6 BW Bandbreite [MHz 2 ]<br />
7 PH Phase [rad]<br />
8 ERROR Relativer Fehler<br />
41
KAPITEL 4. ENTWICKLUNG DER SIGNALDETEKTION<br />
Liegt eine Messung <strong>die</strong> bearbeitet werden soll bereits im neuen Datenformat<br />
vor, so werden <strong>die</strong> enthaltenen Scans nicht überschrieben, sondern lediglich <strong>die</strong><br />
Detektionsdaten <strong>für</strong> den ausgewählten Teil der Messung hinzugefügt.<br />
42
Kapitel 5<br />
Evaluierung<br />
5.1 Wavelet zur Detektion<br />
Für <strong>die</strong> Evaluierung des Algorithmus sollte zunächst das Wavelet zur Klassifika-<br />
tion der Signale untersucht werden. Das verwendete Matched-Wavelet wird hierzu<br />
mit dem <strong>für</strong> <strong>die</strong> Parameterschätzung erweiterten Morlet-Wavelet verglichen. Mit<br />
beiden Wavelets erfolgte <strong>die</strong> Erstellung von Klassifikatoren, <strong>die</strong> anhand verschie-<br />
dener Datensätze trainiert und getestet wurden.<br />
Als Basis <strong>die</strong>nten zwei generierte Trainingsdatensätze aus Leermessungen des<br />
USCT, <strong>die</strong> beide über 9000 Merkmalsvektoren enthielten. Wie bei der Beschrei-<br />
bung der Implementierung erwähnt, wurden <strong>für</strong> jedes Wavelet <strong>die</strong> Skalen mit<br />
maximalen Koeffizienten im Pulsbereich gewählt, um <strong>die</strong> Transformationsdaten<br />
zu generieren und mit WEKA auszuwerten.<br />
Die initialen Parameter <strong>für</strong> das Morlet-Wavelet sollten mit der Bandbreite γ =<br />
1 Hz 2 , Mittenfrequenz f0 = 3 Hz und Phase θ = 0 rad der Vorgabe aus dem<br />
Schätzalgorithmus entsprechen. Die ausgewählten Skalen im Bereich von 3 bis 17<br />
entsprechen 15 Merkmalen. Beim Matched-Wavelet wurde jeder zweite Wert im<br />
Skalenbereich zwischen 121 und 180 ausgewählt, was insgesamt 30 Merkmalen<br />
entspricht.<br />
Ausgangspunkt der folgenden Tests sind <strong>die</strong> mit den beiden Wavelets trainierten<br />
Entscheidungsbäume. Ein wichtiger Punkt der Untersuchung ist <strong>die</strong> Generalisie-<br />
rung des Klassifikators. Diese sollte gegeben sein, da der Klassifikator nach de<br />
Training auf unbekannte Daten angewendet wird und dort gute Resultate erzie-
KAPITEL 5. EVALUIERUNG<br />
len soll. Erwartet wurde eine bessere Generalisierung des Matched-Wavelets, da<br />
es aufgrund der Anpassung an den Sendepuls besser mit <strong>die</strong>sem übereinstimmt<br />
und <strong>die</strong> höheren Werte <strong>für</strong> <strong>die</strong> Koeffizienten im Merkmalsbereich liefern sollte.<br />
Die Entscheidungsbäume wurden im Folgenden auf dem <strong>für</strong> das Training verwen-<br />
deten Datensatz selbst, sowie auf dem Zweiten getestet. Die Prüfung auf dem<br />
Trainingsdatensatz erfolgte anhand einer Vergleichsprüfung (cross-validation).<br />
Der komplette Datensatz wird bei <strong>die</strong>ser Art der Prüfung zunächst in n Blöcke<br />
(n-Fold) gleicher Größe aufgeteilt. Dies resultiert in n Prüfdurchgängen, wobei<br />
immer einer der n Blöcke weggelassen wird und nach dem Training mit dem ver-<br />
bliebenen Datensatz als Testdatensatz fungiert. Diese Methode wird zur Bestim-<br />
mung des Generalisierungsfehlers auf nur einem vorhandenen Datensatz genutzt.<br />
Da <strong>die</strong>ser Fehler aber nur auf eine Messung bezogen ist, mit der auch trainiert<br />
wurde, wird er als nicht hinreichend betrachtet und der Generalisierungsfehler bei<br />
Prüfung mit dem zweiten Satz von Merkmalsvektoren als aussagekräftiger ange-<br />
sehen. Trainiert wird der Entscheidungsbaum dabei auf einem der vorhandenen<br />
Datensätze und <strong>die</strong> Klassifikation wird unter Verwendung des anderen Datensat-<br />
zes getestet.<br />
Bei der Auswertung lag das Augenmerk auf den korrekt klassifizierten Merkmals-<br />
vektoren. Je höher <strong>die</strong> Zahl der erkannten Pulse bzw. Nicht-Pulse, desto besser<br />
<strong>die</strong> Klassifikation. Die erhaltenen prozentualen Werte <strong>für</strong> beide Wavelets sind in<br />
Tabelle5.1 aufgelistet.<br />
Tabelle 5.1: Evaluierung der Klassifikation<br />
Wavelet Trainings-Set Test-Set korrekte Klass. Fehler<br />
Matched-Wavelet Set-1 Set-2 95,29% 4,71%<br />
Morlet-Wavelet Set-1 Set-2 49,86% 50,14%<br />
Matched-Wavelet Set-2 Set-1 94,28% 5,72%<br />
Morlet-Wavelet Set-2 Set-1 92,89% 7,11%<br />
Matched-Wavelet Set-1 10-Fold 93,12% 6,88%<br />
Morlet-Wavelet Set-1 10-Fold 99,95% 0,05%<br />
Matched-Wavelet Set-2 10-Fold 96,27% 3,73%<br />
Morlet-Wavelet Set-2 10-Fold 86,97% 13,03%<br />
Das Ergebnis der Untersuchung zeigt, dass der Generalisierungsfehler des Standard-<br />
44
5.1. WAVELET ZUR DETEKTION<br />
Wavelets höher ist als der des Matched-Wavelets. Selbst bei der Vergleichsprüfung<br />
auf einem einzelnen Datensatz kann das Matched-Wavelet mit einer besseren Er-<br />
kennungsrate überzeugen. Die hohe Rate korrekter Klassifikationen des Morlet-<br />
Wavelets im 10-Fold-Test auf Trainings-Set 1 und der einhergehende hohe Fehler<br />
beim Test mit Set 2 weist auf eine zu starke Spezialisierung hin, bei der eine Art<br />
erlernter Automatismus keine Abweichungen von dem zum Training verwendeten<br />
Datensatz toleriert. Die Verwendung des Matched-Wavelets weist <strong>die</strong>se Tendenz<br />
nicht auf und ist daher definitiv <strong>die</strong> bessere Wahl <strong>für</strong> <strong>die</strong> Klassifikation.<br />
Amplitude<br />
Amplitude<br />
Amplitude<br />
Amplitude<br />
1<br />
0<br />
-1<br />
1<br />
0<br />
-1<br />
1<br />
0<br />
-1<br />
1<br />
0<br />
-1<br />
Originalsignal<br />
2000 2100 2200 2300 2400 2500 2600<br />
Rauschen mit Standardabweichung = 20<br />
2000 2100 2200 2300 2400 2500 2600<br />
Rauschen mit Standardabweichung = 30<br />
2000 2100 2200 2300 2400 2500 2600<br />
Rauschen mit Standardabweichung = 40<br />
2000 2100 2200 2300<br />
Abtastpunkt<br />
2400 2500 2600<br />
Abbildung 5.1: Klassifikation unter Rauscheinfluss: Gezeigt ist ein Signalausschnitt<br />
mit den selektierten Bereichen der Klassifikation (blau). Gegenüber<br />
dem obersten Signal wurde den anderen weißes Rauschen mit unterschiedlicher<br />
Standardabweichung hinzugefügt.<br />
Zu beachten sind noch mögliche externe Einflüsse auf den Klassifikator. Bei Tests<br />
stellte sich heraus, dass <strong>die</strong>ser stark von Veränderungen des Rauschens im Signal<br />
beeinflusst wird. Bei der zusätzlichen Addition von weißem Rauschen, werden<br />
zunehmend mehr Bereiche eines Signals <strong>für</strong> <strong>die</strong> Parameterschätzung selektiert.<br />
Die ursprünglichen Bereiche der Selektion bleiben dabei erhalten. Für <strong>die</strong> Unter-<br />
suchung wurde der MATLAB-Befehl randn verwendet, der eine Zufallsfolge mit<br />
dem Mittelwert null und einer Standardabweichung von eins erzeugt. Mit einem<br />
Multiplikator wurde das Rauschsignal verstärkt, um verschiedene Intensitäten zu<br />
45
KAPITEL 5. EVALUIERUNG<br />
simulieren. Beispielhaft ist <strong>die</strong>s anhand eines Signalausschnitts in Abbildung 5.1<br />
dargestellt.<br />
Der Grund <strong>für</strong> <strong>die</strong> starke Beeinflussung des Rauschens liegt in der Verteilung sei-<br />
ner Energie im Spektrum. Bei weißem Rauschen ist <strong>die</strong> Energie auf das komplet-<br />
te Frequenzspektrum verteilt. Somit klassifiziert der mit einem anderen Rausch-<br />
verhältnis trainierte Entscheidungsbaum Bereiche als Pulse, in denen zuvor nichts<br />
erkannt wurde. Dies liegt an der vom Rauschen abhängigen Beeinflussung der re-<br />
levanten Wavelet-Skalen.<br />
Power<br />
x 107<br />
2.5<br />
2<br />
1.5<br />
1<br />
0.5<br />
0<br />
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5<br />
Frequenz [MHz]<br />
Abbildung 5.2: Power-Spektrum USCT-Rauschen: Power-Spektrum des<br />
USCT-Rauschens aus einer Leermessung.<br />
Die Störsignale des USCT, im weiteren als USCT-Rauschen bezeichnet, werden<br />
zusätzlich durch <strong>die</strong> in der Aufnahmeelektronik eingestellte Verstärkung beein-<br />
flusst. Das USCT-Rauschen ist bandbegrenzt und dessen Energie im Spektrum<br />
nicht gleichverteilt (Abbildung 5.2). Dieser Umstand kommt der Detektion zu-<br />
gute, da <strong>die</strong> Auswahl der relevanten Skalen wie ein Bandpassfilter wirkt und<br />
somit der Störungseinfluss vermindert wird. Die größte Energie des Rauschens<br />
liegt zudem im Bereich unterhalb von 1, 5 MHz. Bei der Puls-Mittenfrequenz von<br />
2, 4 MHz und einer Bandbreite von ca. 1 MHz ist <strong>die</strong>s kein Bestandteil des re-<br />
levanten Signalspektrums, was in <strong>die</strong>sem Fall von Vorteil ist. Die Beeinflussung<br />
der Klassifikation durch <strong>die</strong>se Störungen sollte jedoch nicht überbewertet werden,<br />
46<br />
x 10 6
5.2. FEHLER DER PARAMETERSCH ÄTZUNG<br />
da <strong>die</strong>se sich bei gleicher Konfiguration der Messung nicht ändern und bei einer<br />
eventuellen Erhöhung des Verstärkungsfaktors ein neuer Klassifikator trainiert<br />
werden kann.<br />
5.2 Fehler der Parameterschätzung<br />
5.2.1 Einführung<br />
Die weitere Auswertung beschäftigt sich mit der Schätzung der Pulsparameter.<br />
Zunächst sollten Abhängigkeiten des Schätzfehlers zwischen den verschiedenen<br />
Parametern (Bandbreite α, Amplitude β, Mittenfrequenz fc, Phase Λ, Ankunfts-<br />
zeit τ) untersucht werden. Die Auswertung fand anhand synthetischer Pulse oh-<br />
ne Rauschen mit einer Abtastrate von 10 MHz statt, was auch der im USCT-<br />
Demonstrator verwendeten Abtastrate entspricht. Zusätzlich wurde das Verhal-<br />
ten der Schätzung untersucht, wenn Rauschen einer echten Messung zu den syn-<br />
thetischen Pulsen ad<strong>die</strong>rt wird.<br />
Die weitergehende Betrachtung bezieht sich auf sehr nah beieinander liegende<br />
Pulse. Damit sollte untersucht werden bis zu welchem Abstand zwei Pulse noch<br />
sicher von der Schätzung getrennt werden können und welche Fehler dabei auf-<br />
treten.<br />
Auch <strong>die</strong> Verarbeitung realer Signale war ein Bestandteil der Auswertung, wobei<br />
hier keine Abweichung von Vorgabeparametern angegeben werden kann, sondern<br />
<strong>die</strong> beispielhafte Verarbeitung realer Signale unterschiedlicher Komplexität ge-<br />
zeigt wird.<br />
Besondere Beachtung in <strong>die</strong>ser Auswertung sollte <strong>die</strong> Schätzung der Ankunftszeit<br />
τ der Pulse finden. Diese ist der wichtigste Parameter der Schätzung, da <strong>die</strong><br />
Genauigkeit der Ortsbestimmung von Objekten bei der Bildrekonstruktion davon<br />
abhängt. Untersucht wird <strong>die</strong> Abweichung der Schätzung bei Veränderung der<br />
anderen Pulsparameter, sowie <strong>die</strong> Abweichung bei synthetischen Signalen mit<br />
zusätzlichem Rauschen.<br />
47
5.2.2 Synthetische Pulse<br />
KAPITEL 5. EVALUIERUNG<br />
Bei der Verwendung von synthetischen Signalen liegt der Vorteil in der einfachen<br />
Bestimmung des Fehlers. Die Abweichung des Schätzwertes von der Vorgabe kann<br />
direkt berechnet werden. Da <strong>die</strong> Signale in den realen Messungen mit 10 MHz<br />
abgetastet werden, wurde auch <strong>die</strong> Untersuchung des Schätzfehlers mit syntheti-<br />
schen Pulsen gleicher Abtastrate, jedoch ohne Rauschen, durchgeführt, um den<br />
direkten Vergleich zu ermöglichen. Durch <strong>die</strong> Untersuchung der berechneten Pulse<br />
sollten Abhängigkeiten des Schätzfehlers von Parametervorgaben gezeigt und an-<br />
schließend begründet werden. Mit Ausnahme der separat untersuchten Ankunfts-<br />
zeit τ, wurden alle Parameter in den vorgegebenen Suchbereichen (siehe Tabelle<br />
5.2) variiert und untereinander kombiniert. Dazu wurde <strong>die</strong> jeweilige prozentuale<br />
Abweichung vom Vorgabewert hinterlegt, um <strong>die</strong> Informationen zu visualisieren.<br />
Tabelle 5.2: Suchbereiche der Parameterschätzung<br />
Parameter Untergrenze Obergrenze<br />
Mittenfrequenz fc 2,07 MHz 2,73 MHz<br />
Bandbreite α 5 MHz 2 12MHz 2<br />
Phase Λ −π +π<br />
Anzumerken ist, dass eine Veränderung der Amplitude β keinerlei Auswirkun-<br />
gen auf <strong>die</strong> Schätzung eines anderen Parameters hatte und somit vernachlässigt<br />
werden konnte. Abhängigkeiten zwischen den Parametern kamen bei der Mitten-<br />
frequenz fc, der Bandbreite α und der Phase Λ vor.<br />
In Abbildung5.3 wurde hierzu der prozentuale Fehler der Schätzung bei Verände-<br />
rung von Frequenz und Bandbreite im gegebenen Suchbereich <strong>für</strong> beide Parame-<br />
ter aufgetragen. Der Fehler liegt bei beiden meist weit unter sechs Prozent. Bei<br />
den Abweichungen fällt auf, dass <strong>die</strong> Schätzung im Bereich kleinerer Bandbreiten<br />
besser arbeitet, weil das zur Transformation verwendete Wavelet mit der initialen<br />
Bandbreite von 1MHz besser mit den generierten Pulsen korrespon<strong>die</strong>rt. Da das<br />
Wavelet mit endlicher Genauigkeit generiert wird und <strong>für</strong> <strong>die</strong> einzelnen Skalen<br />
eine unterabgetastete Version verwendet wird, ist ein zusätzlicher Fehler bei der<br />
Berechnung der Koeffizienten auf <strong>die</strong>se Diskretisierung zurückzuführen.<br />
48
5.2. FEHLER DER PARAMETERSCH ÄTZUNG<br />
Der Fehler der Frequenzschätzung nimmt mit zunehmender Bandbreite und ab-<br />
nehmender Frequenz zu, was mit der verwendeten Mittenfrequenz des Wavelets<br />
von 3Hz zu begründen ist. Dadurch ist das Wavelet im Bereich höherer Frequenz-<br />
en nahe 3MHz besser zur Schätzung geeignet.<br />
Der Bandbreitenfehler verhält sich umgekehrt und nimmt im Bereich hoher Band-<br />
breite und Frequenz zu. Dies wird durch <strong>die</strong> schlechtere Approximation des Wave-<br />
lets auf hohen Skalen der Transformation hervorgerufen, da <strong>die</strong> Zahl der Abtast-<br />
punkte konstant bleibt. Durch eine höhere Bandbreite werden <strong>die</strong> Pulse schmaler<br />
im Zeitbereich, sodass <strong>die</strong> Transformation zusätzlich beeinflusst wird.<br />
Frequenz [Hz]<br />
x 106<br />
2.7<br />
2.6<br />
2.5<br />
2.4<br />
2.3<br />
2.2<br />
Schätzfehler Frequenz [%]<br />
2.1<br />
5 6 7 8 9 10 11 12<br />
Bandbreite [MHz]²<br />
5.5<br />
5<br />
4.5<br />
4<br />
3.5<br />
3<br />
2.5<br />
2<br />
1.5<br />
1<br />
Frequenz [Hz]<br />
x 106<br />
2.7<br />
2.6<br />
2.5<br />
2.4<br />
2.3<br />
2.2<br />
Schätzfehler Bandbreite [%]<br />
2.1<br />
5 6 7 8 9 10 11 12<br />
Bandbreite [MHz]²<br />
Abbildung 5.3: Schätzfehler von Frequenz und Bandbreite<br />
Zwischen Frequenz- und Phasenschätzung besteht keinerlei Abhängigkeit, womit<br />
zuletzt <strong>die</strong> Abhängigkeit von Bandbreite und Phasenschätzung untersucht wer-<br />
den sollte. In Abbildung5.4 ist hierzu wieder der Schätzfehler von Bandbreite<br />
und Phase in Abhängigkeit beider Parameter aufgetragen. Der Schätzfehler der<br />
Bandbreite ist, wie in der vorherigen Betrachtung, prozentual angegeben. Der<br />
Fehler der Phasenschätzung hingegen als Winkeldifferenz zum Vorgabewert. Ei-<br />
ne prozentuale Angabe wäre nicht sinnvoll, da bei einer Phasenvorgabe nahe<br />
null sehr hohe Abweichungen <strong>die</strong> Folge gewesen wären. Der Fehler der Bandbrei-<br />
tenschätzung liegt im Suchbereich der beiden Parameter unter drei Prozent, was<br />
bei verwendetem Gra<strong>die</strong>ntenverfahren mit steigungsabhängiger Schrittweite to-<br />
lerierbar ist. Ebenso ist <strong>die</strong> Phasenschätzung mit einer Abweichung von weniger<br />
als 0,2 rad akzeptabel.<br />
6<br />
5<br />
4<br />
3<br />
2<br />
1<br />
49
Bandbreite [MHz]²<br />
12<br />
11<br />
10<br />
9<br />
8<br />
7<br />
6<br />
Schätzfehler Bandbreite [%]<br />
5<br />
−3 −2 −1 0 1 2 3<br />
Phase [rad]<br />
2.5<br />
2<br />
1.5<br />
1<br />
0.5<br />
Bandbreite [MHz]²<br />
12<br />
11<br />
10<br />
9<br />
8<br />
7<br />
6<br />
KAPITEL 5. EVALUIERUNG<br />
Schätzfehler Phase [Differenz]<br />
5<br />
−3 −2 −1 0 1 2 3<br />
Phase [rad]<br />
Abbildung 5.4: Schätzfehler von Bandbreite und Phase<br />
Beispielhaft soll noch ein synthetischer Puls und dessen Schätzung dargestellt<br />
werden (Abbildung 5.5). Dieser wurde mit den Werten der Anregungsfunktion<br />
vorgegeben und durch den Algorithmus verarbeitet. Die<br />
0.2<br />
0.18<br />
0.16<br />
0.14<br />
0.12<br />
0.1<br />
0.08<br />
0.06<br />
0.04<br />
Übereinstimmung der<br />
beiden Pulse ist bei synthetischer Pulsvorgabe und ohne Rauschen erwartungs-<br />
gemäß sehr hoch.<br />
Amplitude<br />
1<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
0<br />
-0.2<br />
-0.4<br />
-0.6<br />
-0.8<br />
-1<br />
0 100 200 300 400 500 600 700<br />
Abtastpunkt<br />
Puls<br />
Schätzung<br />
Abbildung 5.5: Synthetischer Puls mit Schätzung<br />
Nachdem <strong>die</strong> Abhängigkeiten der Parameter gezeigt wurden, soll der Einfluss<br />
von Rauschen auf <strong>die</strong> Schätzung untersucht werden. Um möglichst realistische<br />
Bedingungen zu erhalten, wurden hierzu Rauschsignale einer Messung, bei der<br />
50
5.2. FEHLER DER PARAMETERSCH ÄTZUNG<br />
kein Puls ausgesendet wurde, verwendet. Dadurch konnte mit dem original Rau-<br />
schen und nicht mit synthetischem weißen Rauschen gearbeitet werden. Durch<br />
<strong>die</strong> synthetische Pulsvorgabe und dem vorhandenen Rauschsignal konnte darüber<br />
hinaus ohne Probleme das Signal-Rausch-Verhältnis (SNR) bestimmt werden, da<br />
<strong>die</strong> beiden Signale getrennt vorlagen.<br />
Die Definition des SNR soll mit Formel (5.1) gegeben sein, wobei <strong>die</strong> Leistung<br />
des Signals x mit seinem Spektrum X über (5.2) definiert ist.<br />
SNR = 10 log PNutz<br />
Px =<br />
∞<br />
n=−∞<br />
PRausch<br />
|Xn| 2<br />
dB (5.1)<br />
(5.2)<br />
Mit <strong>die</strong>sen Vorgaben wurden <strong>für</strong> verschiedene SNR-Werte jeweils 100 synthetische<br />
Pulse mit einem zufällig gewählten Rauschsignal verarbeitet und <strong>die</strong> Abweichung<br />
der geschätzten Parameter von der Vorgabe untersucht. In <strong>die</strong>sem Abschnitt<br />
entfällt wieder <strong>die</strong> Betrachtung der Ankunftszeit-Schätzung, da <strong>die</strong>se wegen ihrer<br />
zentralen Bedeutung gesondert untersucht wurde (siehe Abschnitt 5.2.3).<br />
Tabelle 5.3: Untersuchte SNR-Werte mit Angabe der Amplitude und<br />
des Leistungsverhältnis<br />
Amplitude median SNR Leistungsverhältnis<br />
18 -10 dB 0,1<br />
28 -6 dB 0,25<br />
48 -2 dB 0,63<br />
80 3 dB 2<br />
130 7 dB 5,01<br />
200 10 dB 10<br />
Durch <strong>die</strong> Verwendung von zufälligen Rauschsignalen konnte kein festes SNR <strong>für</strong><br />
<strong>die</strong> 100 Pulse festgelegt werden. So wurde mit einer bestimmten Amplitudenvor-<br />
gabe der Pulse der Median der Signal-Rausch-Verhältnisse <strong>für</strong> jeweils 100 Pulse<br />
bestimmt, um den Einfluss von Ausreißern zu mindern. Die Werte <strong>für</strong> das mitt-<br />
lere SNR, sowie das zugehörige Leistungsverhältnis und <strong>die</strong> Vorgabeamplitude<br />
sind in Tabelle 5.3 angegeben.<br />
51
KAPITEL 5. EVALUIERUNG<br />
Um <strong>die</strong> Verhältnisse der Pulse zum Rauschen in Abhängigkeit der verwendeten<br />
Werte des SNR zu zeigen, ist in Abbildung 5.6 <strong>für</strong> jede Stufe exemplarisch das<br />
verrauschte Signal mit überlagertem Vorgabepuls, sowie dem geschätzten Puls<br />
dargestellt. Erwartet wurde eine zu größeren SNR-Werten hin besser werdende<br />
Schätzung. Dies sollte in der Angleichung von Mittelwert und Median (weniger<br />
Ausreißer) und einer kleiner werdenden Standardabweichung resultieren.<br />
SNR SNR [dB] [dB]<br />
-10 dB<br />
-6 dB<br />
-2 dB<br />
3 dB<br />
7 dB<br />
10 dB<br />
50<br />
Vorgabepuls Vorgabepuls Vorgabepuls und und verrauschtes verrauschtes Signal<br />
Signal<br />
0<br />
-50<br />
0 10 20 30 40 50 60 70<br />
50<br />
0<br />
-50<br />
0 10 20 30 40 50 60 70<br />
50<br />
0<br />
-50<br />
0 10 20 30 40 50 60 70<br />
100<br />
0<br />
-100<br />
0 10 20 30 40 50 60 70<br />
200<br />
0<br />
-200<br />
0 10 20 30 40 50 60 70<br />
200<br />
0<br />
-200<br />
0 10 20 30 40 50 60 70<br />
Abtastpunkt<br />
Verrauschtes Verrauschtes Verrauschtes Signal Signal und und und geschätzter geschätzter Puls<br />
Puls<br />
50<br />
0<br />
-50<br />
0 10 20 30 40 50 60 70<br />
50<br />
0<br />
-50<br />
0 10 20 30 40 50 60 70<br />
50<br />
0<br />
-50<br />
0 10 20 30 40 50 60 70<br />
100<br />
0<br />
-100<br />
0 10 20 30 40 50 60 70<br />
200<br />
0<br />
-200<br />
0 10 20 30 40 50 60 70<br />
200<br />
0<br />
-200<br />
0 10 20 30 40 50 60 70<br />
Abtastpunkt<br />
Abbildung 5.6: Verrauschte Pulse der SNR-Werte Die verrauschten Pulse<br />
sind in blau dargestellt. Auf der linken Seite zusätzlich der Vorgabepuls (grün)<br />
und rechts <strong>die</strong> zugehörige Schätzung (rot).<br />
Durch <strong>die</strong> große Zahl der durchgeführten Schätzungen ließ sich eine statistische<br />
Untersuchung der Parameterschätzung durchführen. Hierzu wurde jeweils das<br />
arithmetische Mittel, der Median, sowie <strong>die</strong> Standardabweichung σ der Schätz-<br />
werte bestimmt. Die Anzahl der nicht detektierten Pulse <strong>die</strong>nt ebenfalls als Zu-<br />
satzinformation. Dies ist insofern wichtig, da <strong>die</strong>se nicht in <strong>die</strong> Untersuchung mit<br />
52
5.2. FEHLER DER PARAMETERSCH ÄTZUNG<br />
eingingen. Alle genannten Werte <strong>für</strong> der SNR-Untersuchungen sind in Tabelle 5.4<br />
aufgeführt.<br />
Tabelle 5.4: SNR-Auswertung der Schätzung<br />
SNR<br />
Parameter<br />
Vorgabe<br />
Amplitude<br />
sh. SNR<br />
Frequenz<br />
2,4 [MHz]<br />
Bandbreite<br />
7,8 [MHz<br />
Phase Fehl-<br />
2 ] -0.35 [rad] Detekt.<br />
-10 dB Mean 26,39 2,25 8,97 -0,17<br />
Ampl. Median 25,10 2,26 10,65 -0,31 26<br />
= 18 σ ± 6,29 ± 0,3 ± 3,20 ± 1,50<br />
-6 dB Mean 34,50 2,28 8,36 0,07<br />
Ampl. Median 33,81 2,33 7,78 -0,01 6<br />
= 28 σ ± 8.05 ± 0,28 ± 3,06 ± 1,34<br />
-2 dB Mean 53,17 2,39 8,73 -0,32<br />
Ampl. Median 53,53 2,44 8,29 -0,35 0<br />
= 48 σ ± 9,53 ± 0,24 ± 2,61 ± 0,77<br />
3 dB Mean 83,38 2,43 8,50 -0,22<br />
Ampl. Median 82,94 2,44 8,05 -0,30 0<br />
= 80 σ ± 9.55 ± 0,15 ± 2,24 ± 0,45<br />
7 dB Mean 128,88 2,45 7,78 -0,23<br />
Ampl. Median 128,43 2,48 7,67 -0,17 0<br />
= 130 σ ± 9.20 ± 0,10 ± 1,38 ± 0,32<br />
10 dB Mean 201,09 2,46 7,83 -0,22<br />
Ampl. Median 201,65 2,46 7,78 -0,18 0<br />
= 200 σ ± 10.45 ± 0,049 ± 0,89 ± 0,19<br />
Wie zu erwarten lieferte <strong>die</strong> Parameterschätzung <strong>für</strong> das höchste SNR, <strong>die</strong> besten<br />
Ergebnisse mit den geringsten Abweichungen zwischen Median und Mittelwert<br />
(Mean) und niedrigen Standardabweichungen. Dennoch sind <strong>die</strong> Abweichungen<br />
bei SNR = −10dB mit unter 40 % durchaus akzeptabel, wenn man das Verhält-<br />
nis der Leistungen von Rauschen und Puls berücksichtigt. Die verworfenen Pulse,<br />
<strong>die</strong> einem Viertel der Gesamtzahl entsprechen, sind in <strong>die</strong>sem Zuge allerdings<br />
zu erwähnen, da deren Fehler nicht berücksichtigt wurde. Wesentlich bessere<br />
Schätzungen waren ab der nächsten Stufe mit SNR = −6dB möglich, wo nur<br />
noch sechs Pulse aufgrund zu hoher Abweichungen verworfen wurden.<br />
Bestätigt hat sich auch <strong>die</strong> Vermutung, dass sich Median und Mittelwert auf-<br />
53
KAPITEL 5. EVALUIERUNG<br />
grund besser werdender Schätzungen und somit weniger Ausreißern annähern.<br />
Dies wird vom Verlauf der Standardabweichung ebenfalls bestätigt, welche zwar<br />
bei der Amplitudenschätzung ansteigt, was auf den größer werdenden Vorgabe-<br />
wert zurückzuführen ist.<br />
Aufschlussreicher, als <strong>die</strong> Betrachtung der Mittelwerte und der Standardabwei-<br />
chung, ist der prozentuale Fehler der Schätzung gegenüber der Vorgabe. Das<br />
Liniendiagramm in Abbildung 5.7 zeigt den Verlauf des prozentualen Fehlers <strong>für</strong><br />
alle untersuchten Parameter in Abhängigkeit des SNR. Die Phase ist, wie in den<br />
Untersuchungen zuvor, als Winkeldifferenz zum Vorgabewert aufgetragen, um <strong>die</strong><br />
Darstellung im Kontext der anderen Parameter zu ermöglichen.<br />
Amplitude<br />
Frequenz<br />
Bandbreite<br />
Phase<br />
Fehler [%]<br />
45<br />
40<br />
35<br />
30<br />
25<br />
20<br />
15<br />
10<br />
5<br />
0<br />
-10 -6 -2 3 7 10<br />
SNR [dB]<br />
Abbildung 5.7: Prozentualer Schätzfehler in Abhängigkeit zum SNR<br />
Durchaus gute Schätzungen ergaben sich bei einem SNR von −2dB, wo <strong>die</strong> Lei-<br />
stung des Pulses etwas mehr als der Hälfte der Rauschleistung entspricht. Hierbei<br />
wurden keine Pulse mehr verworfen und der Fehler der Schätzung lag zudem, bis<br />
auf <strong>die</strong> Amplitude, unter zehn Prozent. Dies bedeutet, dass mit dem Verfahren<br />
Pulse unterhalb der Rauschamplitude detektiert und deren Parameter mit einem<br />
geringen Fehler geschätzt werden können.<br />
Zusätzlich zur Untersuchung der Parameterabweichung soll der Verlauf des Schätz-<br />
fehlers über den SNR-Bereich von −15 bis 12dB angegeben werden (Abbildung<br />
54<br />
0,16<br />
0,14<br />
0,12<br />
0,1<br />
0,08<br />
0,06<br />
0,04<br />
0,02<br />
0<br />
Winkeldifferenz Phase [rad]
5.2. FEHLER DER PARAMETERSCH ÄTZUNG<br />
5.8). Hierbei handelt es sich um den Fehler den <strong>die</strong> Parameterschätzung im Fre-<br />
quenzbereich bestimmt, um <strong>die</strong> Qualität der Schätzung zu überprüfen. Dieser<br />
gibt <strong>die</strong> prozentuale Abweichung der Schätzung vom Vorgabepuls im signifikan-<br />
ten Bereich der Wavelet-Transformierten an. Für <strong>die</strong> Auswertung wurden Am-<br />
plituden zwischen 10 und 200 vorgegeben und jeweils mit fünf unterschiedlichen<br />
Rauschsignalen geschätzt, <strong>die</strong> in verschiedenen SNR-Werten resultierten.<br />
Fehler [%]<br />
70<br />
60<br />
50<br />
40<br />
30<br />
20<br />
10<br />
0<br />
-15 -10 -5 0 5 10<br />
SNR [dB]<br />
Abbildung 5.8: Verlauf des Fehlers<br />
Sichtbar wird ein erwartetes Abfallen des Fehlers hin zu größeren SNR-Werten.<br />
Ein Fehler unter 50% wird bei einem SNR von ca. −12dB erreicht, wo das Lei-<br />
stungsverhältnis zwischen Puls und Rauschen 0, 0625 beträgt. Dies bezeichnet<br />
Pulse, <strong>die</strong> gerade noch vom Algorithmus akzeptiert werden. Bessere Werte <strong>für</strong><br />
den Fehler von kleiner 20 % werden <strong>für</strong> SNR-Werte zwischen -5 und 0 dB er-<br />
reicht, was durchaus <strong>für</strong> eine gute Detektion sehr schwacher Signale spricht.<br />
5.2.3 Ankunftszeit (Time of arrival)<br />
Die Schätzung der TOA sollte so genau und robust wie möglich sein, da <strong>die</strong>se der<br />
wichtigste Parameter <strong>für</strong> <strong>die</strong> Bildrekonstruktion ist. Bezogen auf <strong>die</strong> Abtastfre-<br />
quenz von 10 MHz wäre eine ideale Schätzung genauer als ein Abtastpunkt und<br />
damit 100ns Abweichung von der Vorgabe. Unterschieden werden muss zwischen<br />
der TOA des Pulsmaximums und der TOA des Pulsbeginns, wobei letztere der<br />
55
KAPITEL 5. EVALUIERUNG<br />
wichtigere Parameter ist. Der Grund liegt darin, dass über den Ankunftszeitpunkt<br />
des Pulsbeginns, <strong>die</strong> genaue Position eines Objektes bestimmt werden kann, an<br />
dem <strong>die</strong>ser reflektiert wurde.<br />
Da <strong>die</strong> TOA des Pulsbeginns abhängig von der Bandbreite ist, welche <strong>die</strong> Puls-<br />
breite im Zeitbereich beeinflusst, ist deren Schätzung nicht so genau und robust,<br />
wie <strong>die</strong> Schätzung der TOA des Pulsmaximums. Die alleinige Verwendung der<br />
TOA des Pulsmaximums birgt aber den Nachteil, dass <strong>die</strong> ankommenden Pulse in<br />
ihrer Länge variieren und sich somit auch der eigentliche Pulsbeginn verschiebt.<br />
In der aktuellen Bildrekonstruktion wird <strong>für</strong> <strong>die</strong>ses Problem ein fester Offset <strong>für</strong><br />
den Abstand von Maximum zum Pulsbeginn angenommen, was keine adäquate<br />
Lösung darstellt.<br />
Im Folgenden soll mit TOA nur noch <strong>die</strong> Ankunft des Pulsbeginns bezeich-<br />
net werden. Um <strong>die</strong> Genauigkeit der TOA-Schätzung zu gewährleisten, wurden<br />
Abhängigkeiten zu den anderen Pulsparametern ausgewertet und nicht nur <strong>die</strong><br />
bekannte Korrespondenz zur Bandbreite untersucht.<br />
Analog zur Untersuchung der anderen Parameterabhängigkeiten war <strong>die</strong> Schätz-<br />
ung der TOA unabhängig von der Amplitude. Die Abweichung lag bei 6 ns, was<br />
im Vergleich zu einer Abtastperiode von 100 ns sehr gering ist. Ähnlich verhält<br />
sich <strong>die</strong> Schätzung gegenüber einer Frequenzänderung, bei der nur ein minimaler<br />
Einfluss auf <strong>die</strong> TOA-Schätzung zum Tragen kam. Dieser Einfluss resultiert aber<br />
aus der Erhöhung des Fehlers der Bandbreitenschätzung hervorgerufen durch <strong>die</strong><br />
Erhöhung der Frequenz, wobei <strong>die</strong> Abweichung mit max. 14 ns vernachlässigbar<br />
ist. Eine ebenfalls geringe Abweichung von max. 8 ns ergab sich bei Untersuchung<br />
der Phasenabhängigkeit, welche durch <strong>die</strong> zuvor gezeigte Abhängigkeit zwischen<br />
Phasen- und Bandbreitenschätzung hervorgerufen wurde.<br />
Für das durchgeführte Experiment und im Vorgabebereich der Bandbreite variiert<br />
<strong>die</strong> TOA zwischen 2, 115 und 2, 429 µs und damit um maximal 312 ns, was drei<br />
Abtastpunkten entsprechen würde (Abbildung 5.9). Die maximale Abweichung<br />
des Schätzwerts von der Vorgabe beträgt dabei wieder zu vernachlässigende 8 ns.<br />
Dies führt zu dem Schluss, dass <strong>die</strong> Schätzung der TOA zumindest unter idealen<br />
Bedingungen nicht durch <strong>die</strong> anderen Parameter beeinflusst wird. Natürlich ist<br />
<strong>die</strong>s ein wünschenswerter Umstand, da <strong>die</strong> TOA der wichtigste Parameter der<br />
56
5.2. FEHLER DER PARAMETERSCH ÄTZUNG<br />
Schätzung ist.<br />
TOA [s]<br />
x 10-6<br />
2.45<br />
2.4<br />
2.35<br />
2.3<br />
2.25<br />
2.2<br />
2.15<br />
2.1<br />
5 6 7 8 9 10 11 12<br />
Bandbreite [MHz]²<br />
Abbildung 5.9: Abhängigkeit Bandbreite und TOA: Vorgabe <strong>für</strong> <strong>die</strong> TOA<br />
(blau), Schätzung der TOA (grün).<br />
Die weitere Untersuchung sollte den Einfluss von Rauschen auf <strong>die</strong> Schätzung<br />
zeigen. Die Schätzung der TOA wurde gleichzeitig mit der Untersuchung der<br />
anderen Parametern in Abhängigkeit zum SNR durchgeführt, so dass <strong>die</strong> gleichen<br />
Bedingungen wie im Abschnitt zuvor herrschen (100 geschätzte Pulse je SNR-<br />
Wert). In Tabelle 5.5 ist <strong>für</strong> <strong>die</strong> SNR-Stufen das arithmetische Mittel, der Median,<br />
sowie <strong>die</strong> prozentuale Abweichung und <strong>die</strong> Standardabweichung der Schätzung<br />
gegeben. Die prozentuale Abweichung basiert auf dem Median der geschätzten<br />
TOA. Als weiterführende Information ist zusätzlich <strong>die</strong> Standardabweichung in<br />
Abtastpunkten angegeben.<br />
Tabelle 5.5: SNR-Einfluss auf <strong>die</strong> TOA-Schätzung<br />
SNR -10 dB -6 dB -2 dB 3 dB 7 dB 10 dB<br />
Vorgabe [µs] 2,792 2,792 2,792 2,792 2,792 2,792<br />
Mean [µs] 2,785 2,777 2,805 2,809 2,788 2,795<br />
Median [µs] 2,849 2,842 2,839 2,799 2,786 2,794<br />
% 2,04 1,80 1,70 0,27 0,20 0,071<br />
σ [ns] ± 774,9 ± 301,6 ± 121,4 ± 96,0 ± 62,5 ± 41,3<br />
Abtastpunkte 7,8 3,0 1,2 0,96 0,62 0,41<br />
57
KAPITEL 5. EVALUIERUNG<br />
Bei niedrigen SNR-Werten fällt <strong>die</strong> relativ hohe Abweichung von der Vorgabe auf,<br />
was aber durch <strong>die</strong> hohe Zahl an Ausreißern in den 100 gemessenen Pulsen hervor-<br />
gerufen wird. Ab −2dB wird <strong>die</strong>s bedeutend besser und so liegt <strong>die</strong> Abweichung<br />
nur bei knapp über einem Abtastpunkt, was <strong>für</strong> <strong>die</strong>ses Signal-Rauschverhältnis<br />
akzeptabel ist. Auffällig ist wiederum <strong>die</strong> Annäherung von Mittelwert und Me-<br />
dian hin zu höheren Werten des SNR. Ebenso sinkt <strong>die</strong> prozentuale Abweichung<br />
und <strong>die</strong> Standardabweichung.<br />
Die Untersuchung der TOA des Pulsbeginns hat gezeigt, dass <strong>die</strong> Standardabwei-<br />
chung der Schätzung bei einem Signal-Rausch-Verhältnis von −2dB nur knapp<br />
über einem Abtastpunkt liegt. Ideale Schätzungen, bei der <strong>die</strong> Standardabwei-<br />
chung unter dem Wert von einem halben Abtastpunkt liegt, werden ab einem<br />
SNR von 10dB erreicht. Ebenso fiel auf, dass durch eine fehlerhafte Schätzung<br />
der Bandbreite im Suchbereich eine maximale Abweichung von drei Abtastpunk-<br />
ten hervorgerufen werden kann. Dadurch ist <strong>die</strong> Genauigkeit der TOA-Schätzung<br />
auch von der korrekten Schätzung der Bandbreite abhängig. Das sich <strong>die</strong> Ge-<br />
nauigkeit ab einem SNR von größer −2dB im Rahmen von ±1 Abtastpunkt<br />
bewegt, zeigt auch <strong>die</strong> Robustheit der Schätzung. Diese ist in der Lage, Pulse mit<br />
geringerer Leistung als <strong>die</strong> des hinzugefügten Rauschsignals sicher zu erkennen.<br />
5.2.4 Überlagerte Pulse<br />
In <strong>die</strong>sem Abschnitt wurde der Algorithmus auf seine Leistungsfähigkeit hinsicht-<br />
lich der Trennung von sich überlagernden Pulsen untersucht. Dazu <strong>die</strong>nten zwei<br />
synthetische Pulse mit identischen Parametern, da <strong>die</strong>se schwerer zu trennen sind<br />
als Pulse mit unterschiedlicher Mittenfrequenz. Gesucht wurde der Minimalab-<br />
stand zwischen den Pulsmaxima, bei dem noch eine getrennte Detektion möglich<br />
ist.<br />
Die nachfolgende Untersuchung gliedert sich in zwei Teilbereiche, wobei der De-<br />
tektion zunächst rauschfreie Signale zugeführt und im Anschluss mit ad<strong>die</strong>rtem<br />
USCT-Rauschen geschätzt wurde. So erfolgte zuerst eine Untersuchung unter<br />
idealen Bedingungen und daraufhin unter Einfluss von Rauschen.<br />
Abbildung 5.10 zeigt zwei Pulse mit dem ermittelten Minimalabstand von neun<br />
Abtastpunkten <strong>für</strong> den rauschfreien Fall. Hier war <strong>die</strong> Trennung noch eindeutig,<br />
58
5.2. FEHLER DER PARAMETERSCH ÄTZUNG<br />
da <strong>die</strong> zeitlich hochauflösende Skala der Wavelet-Transformation (grün) eine Dif-<br />
ferenzierung der beiden Pulse ermöglichte. Das Signal entspricht einem <strong>für</strong> <strong>die</strong><br />
Darstellung auf 100MHz interpolierten 10MHz-Signal.<br />
Amplitude<br />
1<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
0<br />
-0.2<br />
-0.4<br />
-0.6<br />
-0.8<br />
50 100 150 200 250 300 350 400 450 500<br />
Abtastpunkt<br />
Signal<br />
Hohe Skala<br />
Moving Average<br />
Abbildung 5.10: Zwei überlagerte Pulse: Zwei Pulse mit den während der<br />
Detektion verwendeten Wavelet-Skalen.<br />
In Tabelle 5.6 sind <strong>die</strong> Daten des Experiments zusammengefasst. Zwei Pulse wur-<br />
den mit unterschiedlichem zeitlichen Abstand durch <strong>die</strong> Parameterschätzung ver-<br />
arbeitet. Nach Erkennung des ersten Pulses wurde <strong>die</strong>ser vom Signal subtrahiert<br />
und wieder eine Parameterschätzung durchgeführt. Die Tabelle listet jeweils <strong>die</strong><br />
Vorgabe der Pulsparameter und <strong>die</strong> Ergebnisse der Schätzung <strong>für</strong> <strong>die</strong> verschiede-<br />
nen Pulsabstände auf.<br />
Um den Pulsabstand zu regulieren wurde <strong>für</strong> einen der Pulse eine feste TOA vor-<br />
gegeben und <strong>die</strong> Ankunftszeit des anderen verändert. Mit TOA ist in <strong>die</strong>sem Fall<br />
wieder der Pulsbeginn gemeint und nicht <strong>die</strong> TOA des Maximums. Die Messung<br />
erfolgte <strong>für</strong> vier verschiedene Abstände der Pulse, bis eine Trennung nicht mehr<br />
möglich war und <strong>die</strong> Schätzung nur noch einen Einzelpuls erkannte.<br />
Das Experiment hat gezeigt, dass der minimale Abstand zweier Pulse nicht unter<br />
0,9µs und damit neun Abtastpunkten liegen darf (Abtastrate 10MHz), um sie<br />
im rauschfreien Fall sicher trennen zu können. Wie an den geschätzten Werten<br />
zu sehen ist, wird <strong>die</strong> Schätzung von dem benachbarten Puls im Signalausschnitt<br />
beeinflusst und <strong>die</strong> Abweichungen sind hier größer als bei der Verarbeitung von<br />
59
KAPITEL 5. EVALUIERUNG<br />
Tabelle 5.6: Trennung zweier überlagerter Pulse<br />
Puls<br />
TOA [µs]<br />
1<br />
2,49<br />
2<br />
1,09<br />
1<br />
2,49<br />
2<br />
1,29<br />
1<br />
2,49<br />
2<br />
1,49<br />
1<br />
2,49<br />
2<br />
1,59<br />
Vorgabe<br />
Schätzung<br />
TOA [µs] 2,52 1,16 2,26 1,37 2,55 1,55 2,27 1,73 -<br />
Amplitude 1,09 1,44 1,32 1,11 1,14 1,53 1,39 1,21 1<br />
Freq. [MHz] 2,48 2,16 2,50 2,10 2,42 2,07 2,27 2,68 2,4<br />
Bandbr. [MHz] 2 7,60 8,29 5,18 8,84 8,14 9,07 5,02 10,82 7,8<br />
Phase [rad] -0,60 0,40 -1,37 -0,27 0,61 0,18 -1,00 -0,38 -0,35<br />
Abw. TOA [ns] 30 73 230 80 60 60 220 14 -<br />
Einzelpulsen. So kommen Abweichung der Frequenz von bis zu 0, 33MHz vor,<br />
<strong>die</strong> meist beim ersten erkannten Puls auftreten, da hier der Einfluss des zweiten<br />
Pulses sehr deutlich ist. Auch <strong>die</strong> Bandbreiten- und Phasenschätzung ist nicht<br />
mehr so exakt, wobei <strong>die</strong> Bestimmung der Bandbreite besser ist als <strong>die</strong> der Phase.<br />
Da sich <strong>die</strong> Bandbreitenschätzung auf <strong>die</strong> TOA-Schätzung auswirkt ist <strong>die</strong>s von<br />
Vorteil.<br />
Da <strong>die</strong> Ankunftszeit der wichtigste Parameter bleibt, rufen <strong>die</strong>sbezügliche Abwei-<br />
chungen wesentlich schlechtere Schätzungen hervor. Bei Untersuchung der TOA-<br />
Schätzung wird deutlich, dass <strong>die</strong> maximale Abweichung meist unter einem Ab-<br />
tastpunkt liegt. Nur bei zwei der geschätzten Pulse, wo <strong>die</strong> Bandbreitenschätzung<br />
sehr fehlerhaft ausfällt, beträgt <strong>die</strong> Abweichung mehr als zwei Abtastpunkte. Hier<br />
zeigt sich der Effekt der TOA-Beeinflussung durch <strong>die</strong> Schätzung der Bandbreite<br />
des Pulses, welche <strong>die</strong> TOA um bis zu drei Abtastpunkte verändern kann.<br />
Für <strong>die</strong> Auswertung der überlagerten und verrauschten Pulse sollten mehrere<br />
Stufen <strong>für</strong> das SNR durchlaufen werden. Der Abstand der beiden Pulse wurde<br />
dabei bis auf 0,8 µs und damit acht Abtastpunkte reduziert, um den oben er-<br />
mittelten Minimalabstand zu unterschreiten und den Effekt festzustellen. Dabei<br />
sollen nicht mehr alle Parameter angegeben werden, sondern nur noch <strong>die</strong> TOA-<br />
Abweichung des jeweiligen Pulses, um <strong>die</strong> Menge der Daten einzuschränken. In<br />
Tabelle 5.7 ist zu jeder Stufe des SNR und den Pulsabständen das arithmetische<br />
Mittel, der Median und <strong>die</strong> Standardabweichung der TOA angegeben.<br />
60
5.2. FEHLER DER PARAMETERSCH ÄTZUNG<br />
Tabelle 5.7: TOA überlagerter Pulse mit Rauschen<br />
Puls 1 2 1 2 1 2 1 2<br />
SNR TOA [µs] 2,49 1,29 2,49 1,49 2,49 1,59 2,49 1,69<br />
-6 Mean 2,48 1,35 2,51 1,48 2,43 1,61 2,53 1,66<br />
bis Med. 2,52 1,36 2,53 1,50 2,41 1,58 2,53 1,71<br />
-3 dB σ 0,19 0,19 0,14 0,20 0,20 0,25 0,46 0,27<br />
-3 Mean 2,51 1,30 2,56 1,51 2,43 1,61 2,46 1,71<br />
bis Med. 2,53 1,29 2,59 1,54 2,37 1,62 2,35 1,73<br />
0 dB σ 0,18 0,13 0,13 0,14 0,19 0,14 0,42 0,31<br />
0 Mean 2,50 1,32 2,54 1,55 2,47 1,57 2,37 1,75<br />
bis Med. 2,52 1,31 2,58 1,60 2,37 1,51 2,27 1,76<br />
3 dB σ 0,18 0,12 0,13 0,12 0,21 0,13 0,32 0,20<br />
3 Mean 2,45 1,33 2,52 1,52 2,47 1,56 2,34 1,80<br />
bis Med. 2,46 1,34 2,55 1,54 2,51 1,51 2,27 1,84<br />
6 dB σ 0,17 0,10 0,11 0,12 0,19 0,12 0,31 0,20<br />
Selbst unter Einfluss von starkem Rauschen bei einem SNR von −6 bis −3dB<br />
ist <strong>die</strong> Trennung der beiden Pulse möglich und <strong>die</strong> Abweichung der TOA liegt<br />
beim geringsten Abstand der Pulse unter einem Abtastpunkt. Lediglich <strong>die</strong> Stan-<br />
dardabweichung steigt mit geringerer Distanz etwas an. Die Möglichkeit nahe<br />
beieinander Pulse zu trennen besteht also, wenn sie sich nicht an allen Stellen<br />
konstruktiv überlagern. Kommt es zu Einbrüchen bei der Pulsüberlagerung, kann<br />
durch <strong>die</strong> zeitlich hochauflösende Skala der Wavelet-Transformation eine Tren-<br />
nung erfolgen. Da <strong>die</strong>ser Effekt aber eher durch eine zufällige Lage der Pulse und<br />
das Rauschen zustande kommt, wurden geringere Pulsdistanzen, als <strong>die</strong> Ermit-<br />
telte, nicht näher untersucht. Bei steigendem SNR fällt auf, dass <strong>die</strong> Trennung<br />
der Pulse bei neun Abtastpunkten Abstand noch gute Resultate liefert. Die Ab-<br />
weichung bei einem Abstand von acht Abtastpunkten ist allerdings zu hoch, um<br />
von einer sicheren Trennung zu sprechen.<br />
Der Nachteil der Pulstrennung ist, dass <strong>die</strong>se nur im Zeitbereich erfolgen kann, da<br />
<strong>die</strong> Mittenfrequenz der Pulse gleich ist oder sich nur minimal durch <strong>die</strong> Interaktion<br />
in Gewebe oder Objekten unterscheidet. In der dem Schätzalgorithmus zugrunde<br />
liegenden Arbeit [6] wurde <strong>die</strong> Trennung von Pulsen mit sehr unterschiedlicher<br />
Mittenfrequenz gezeigt, was viel einfacher zu bewerkstelligen ist. Somit liegt <strong>die</strong><br />
61
KAPITEL 5. EVALUIERUNG<br />
Grenze <strong>für</strong> <strong>die</strong> sichere Unterscheidung zweier Pulse bei neun Abtastpunkten, was<br />
bei der verwendeten Mittenfrequenz von 2,4 MHz einem Abstand von ca. zwei<br />
Wellenlängen entspricht. Bei einer Schallgeschwindigkeit von 1500 m<br />
s<br />
eine räumliche Distanz von 0,625 mm.<br />
5.2.5 Reale Pulse<br />
wäre <strong>die</strong>s<br />
Nach der Untersuchung von synthetischen Signalen unter verschiedenen Aspek-<br />
ten, wurde auch <strong>die</strong> Verarbeitung realer Signale betrachtet. Das Problem <strong>die</strong>ser<br />
Art von Auswertung ist, dass keine genaue Vorgabe der Pulsparameter erfolgen<br />
kann, da <strong>die</strong> genaue Übertragungsfunktion der Wandler unbekannt ist und <strong>die</strong>se<br />
auch von Wandler zu Wandler leicht variiert. Da <strong>die</strong> Untersuchung der Detektion<br />
von stark verrauschten synthetischen Signalen sehr gute Resultate liefern konn-<br />
te, ist anzunehmen, dass auch eine Erkennung realer Pulse möglich ist. Um eine<br />
gewisse Toleranz gegenüber Veränderungen der Pulsparameter zu wahren, wird<br />
<strong>die</strong> Suche in festgelegten Suchbereichen (siehe 5.2) durchgeführt.<br />
Amplitude<br />
Amplitude<br />
Amplitude<br />
500<br />
0<br />
-500<br />
500<br />
0<br />
-500<br />
500<br />
0<br />
-500<br />
0 20 40 60 80 100 120<br />
0 20 40 60 80 100 120<br />
0 20 40 60 80 100 120<br />
Abtastpunkt<br />
Abbildung 5.11: Detektion von zwei Pulsen: Die obere Abbildung zeigt zwei<br />
Pulse und deren Schätzung um mittleren Bild. Die untere Abbildung zeigt das<br />
ursprüngliche Signal nach Abzug der beiden erkannten Pulse.<br />
Ein weiteres Problem ist <strong>die</strong> fehlende Kenntnis über <strong>die</strong> genaue Anzahl von Pulsen<br />
im Signal. Da der Algorithmus auch reines Rauschen schätzen kann, soll <strong>die</strong>ser<br />
Fall mit der Vorauswahl über den trainierten Klassifikator vermieden werden. Die<br />
Detektion ist somit bei jedem Signal nach einer bestimmten Anzahl an Iterationen<br />
62
5.2. FEHLER DER PARAMETERSCH ÄTZUNG<br />
zu Ende, da <strong>die</strong> Klassifikation keine Pulsbereiche mehr markiert.<br />
Für <strong>die</strong> nachfolgende Untersuchung wurde zunächst eine relativ unkomplizierte<br />
Schätzung eines realen Signals durchgeführt. Hierzu <strong>die</strong>nte ein Signalausschnitt<br />
mit zwei gut erkennbaren Pulsen (siehe Abbildung 5.11). Die beiden Pulse des<br />
Originalsignals (obere Abbildung) wurden anschließend durch den Algorithmus<br />
verarbeitet und das Ergebnis im mittleren Bild dargestellt.<br />
Für <strong>die</strong>se relativ starken Pulse wird sichtlich eine hohe<br />
Übereinstimmung der<br />
Schätzung erreicht und es wurde aufgrund nur eines Iterationsschrittes auch kein<br />
Rauschen oder anderweitige Pulse detektiert. Nach Abzug der erkannten Pulse<br />
ergab sich das Restsignal, was im unteren Bild gezeigt ist. Die Pulse sind nun<br />
entfernt und das Signal enthält keine relevanten Informationen mehr. Die nach<br />
5.2 bestimmte Leistung des Restsignals entsprach nur noch 16% der Leistung<br />
des ursprünglichen Signals. Diese Schätzung sollte nur beispielhaft <strong>die</strong> Funktion<br />
des Algorithmus zeigen, da auch keine Kenntnis über <strong>die</strong> im Signal enthaltenen<br />
Pulse vorhanden war. Im Anschluss wurde daher <strong>die</strong> Komplexität gesteigert und<br />
ein Signal mit wesentlich mehr enthaltenen Pulsen verwendet.<br />
An gewähltem Signal kann zudem der Einfluss der Iterationen des Verfahrens<br />
gezeigt werden. Aufgrund der hohen Anzahl an Pulsen werden mit jedem weite-<br />
ren Schritt mehr Pulse detektiert, <strong>die</strong> zuvor nicht erkannt wurden. In Abbildung<br />
5.12 ist das Signal in blau dreimal untereinander abgebildet, wobei <strong>die</strong> jeweilige<br />
Schätzung in rot überlagert ist. Das oberste Bild entspricht dem ersten Durch-<br />
lauf des Algorithmus und <strong>die</strong> darunter liegenden je einer weiteren Iteration. Um<br />
den Vorgang zu verdeutlichen ist im rechten Bereich ein Ausschnitt aus dem Si-<br />
gnal vergrößert dargestellt. Hier sind <strong>die</strong> mit jedem Schritt neu erkannten Pulse<br />
markiert.<br />
Im ersten Schritt wurden im gegebenen Signal 16 Pulse gefunden. Der zwei-<br />
te Durchlauf erkannte sieben Pulse mehr und <strong>die</strong> letzte durchgeführte Iteration<br />
nochmals vier weitere Pulse. Mit jeder Iteration war eine Steigerung der Anzahl<br />
an detektierten Pulsen möglich, so dass eventuell noch mehr Pulse im Signal<br />
enthalten sind und weitere Iterationen durchgeführt werden könnten.<br />
Die Untersuchungen zeigten, dass <strong>die</strong> Detektion auch mit realen Daten sehr gut<br />
funktioniert. Dies konnte anhand eines Signalausschnitts und einem komplexen<br />
63
Amplitude<br />
Amplitude<br />
Amplitude<br />
500<br />
0<br />
-500<br />
500<br />
0<br />
-500<br />
500<br />
0<br />
-500<br />
Scan<br />
Scan<br />
0 500 1000 1500 2000 2500 3000<br />
0 500 1000 1500 2000 2500 3000<br />
0 500 1000 1500 2000 2500 3000<br />
Abtastpunkt<br />
KAPITEL 5. EVALUIERUNG<br />
200<br />
0<br />
-200<br />
200<br />
-200<br />
Ausschnitt<br />
Ausschnitt<br />
900 920 940 960 980 1000<br />
0<br />
200<br />
-200<br />
900 920 940 960 980 1000<br />
0<br />
900 920 940 960 980 1000<br />
Abtastpunkt<br />
Abbildung 5.12: Drei Iterationen mit realem Scan: Drei Iterationen des Algorithmus.<br />
1. Bild: Eine Iteration (16 Pulse), 2. Bild: Zwei Iterationen (23 Pulse),<br />
3. Bild: Drei Iterationen (27 Pulse); Ausschnittsvergrößerung mit markierten<br />
Pulsen im rechten Bereich.<br />
Signal mit vielen enthaltenen Pulsen belegt werden. Auch der Einfluss der Itera-<br />
tionen wurde entsprechend dargestellt.<br />
5.3 Bildrekonstruktionen<br />
Auf <strong>die</strong> theoretischen Untersuchungen über das Verhalten des Verfahrens bei<br />
Parameteränderungen, Rauschen und überlagerten Pulsen, sollen im folgenden<br />
Abschnitt durchgeführte Rekonstruktion unter Verwendung der Signaldetektion<br />
gezeigt werden. Herangezogen wird hierzu <strong>die</strong> Standardrekonstruktion mit der<br />
Einhüllenden der Pulse, aber auch Ansätze mit einem Matched-Filter und der<br />
Cross-Power-Spectrum-Density (CPSD) [19], um einen Vergleich zur implemen-<br />
tierten Signaldetektion auf Wavelet-Basis durchzuführen.<br />
Die Messung zur ersten untersuchten Rekonstruktion wurde mit einem zylindri-<br />
schen Gelatine-Phantom durchgeführt. In das Phantom wurde dezentral zusätz-<br />
lich ein Nylonfaden eingebracht. Die Rekonstruktion <strong>die</strong>ses Bildes musste mit<br />
64
5.3. BILDREKONSTRUKTIONEN<br />
einer zusätzlichen Schallgeschwindigkeitskorrektur erfolgen, da <strong>die</strong> Geschwindig-<br />
keitsdifferenz zwischen Wasser und Gelatine doppelte Kanten und Ringartefak-<br />
te hervorrufen würde. Dieser Umstand ist auf den Rekonstruktionsalgorithmus<br />
zurückzuführen, der im gemessenen Volumen eine konstante Schallgeschwindig-<br />
keit annimmt.<br />
Der Durchmesser des Phantoms lag bei 6,4 cm und der Durchmesser des ein-<br />
gebrachten Nylonfadens bei 0,2 mm. Die rekonstruierten Bilder mit und ohne<br />
Verwendung der Signaldetektion sind in Abbildung 5.13 dargestellt. Sie wurden<br />
mit einer Auflösung von 4096 Pixeln pro Seite berechnet, wonach <strong>die</strong> maximale<br />
Auflösung 0,45 µm beträgt. Gezeigt ist der interessierende Ausschnitt, der das<br />
Gelatine-Phantom mit dem eingeschlossenen Nylonfaden enthält.<br />
Y [cm]<br />
5.5<br />
6<br />
6.5<br />
7<br />
7.5<br />
8<br />
8.5<br />
9<br />
9.5<br />
Standardrekonstruktion<br />
Standardrekonstruktion<br />
6 6.5 7 7.5 8 8.5 9 9.5 10<br />
X [cm]<br />
Y [cm]<br />
5.5<br />
6<br />
6.5<br />
7<br />
7.5<br />
8<br />
8.5<br />
9<br />
9.5<br />
Signaldetektion<br />
Signaldetektion<br />
6 6.5 7 7.5 8 8.5 9 9.5 10<br />
X [cm]<br />
Abbildung 5.13: Bildrekonstruktionen des Gelatine-Phantoms mit Nylonfaden<br />
Die Rekonstruktion auf Basis der Signaldetektion zeigt im Vergleich zur norma-<br />
len Rekonstruktion deutlich weniger Rauschen und eine Reduktion von Artefak-<br />
ten. Auch der Rand des Gelatine-Zylinders wird schärfer abgebildet als mit der<br />
Standardrekonstruktion. Durch <strong>die</strong> Detektion der <strong>Ultraschall</strong>pulse wird folglich<br />
der Kontrast des Bildes erhöht und Strukturen sind deutlicher zu erkennen und<br />
schärfer abgebildet. Eine Vermessung des abgebildeten Nylonfadens sollte zusätz-<br />
lich Aufschluss über <strong>die</strong> Qualität der Abbildungen geben und <strong>die</strong> Verbesserung<br />
durch <strong>die</strong> Signaldetektion zeigen.<br />
65
KAPITEL 5. EVALUIERUNG<br />
Dazu wurde der Faden über dessen Halbwertsbreite (Full-Width-Half-Maximum,<br />
FWHM) vermessen. Hierbei wurden <strong>die</strong> Bereiche des Bildes, <strong>die</strong> den Nylonfa-<br />
den enthielten, ausgeschnitten und der maximale Wert der Amplitude (0dB)<br />
bestimmt. Bei einem Abfall von 6dB wurde <strong>die</strong> zugehörige Breite berechnet. Da<br />
der Faden, bedingt durch <strong>die</strong> Rekonstruktion, nicht als Kreis abgebildet wird,<br />
wird dessen mittlere Breite berechnet. Die Ausschnitte aus den Bildern mit dem<br />
zugehörigen Amplitudenabfall sind in Abbildung 5.14 dargestellt. Die rote Linie<br />
zeigt den 6dB Abfall der Maximalamplitude.<br />
Amplitude<br />
7<br />
6<br />
5<br />
4<br />
3<br />
2<br />
1<br />
x 10 4<br />
2.7<br />
1.8<br />
Y [mm]<br />
0.9<br />
0 dB<br />
-6 dB<br />
0.9<br />
1.8<br />
X [mm]<br />
2.7<br />
600<br />
500<br />
400<br />
300<br />
200<br />
100<br />
0<br />
2.7<br />
1.8<br />
Y [mm]<br />
(a) (b)<br />
Amplitude<br />
0.9<br />
0 dB<br />
-6 dB<br />
0.9<br />
1.8<br />
X [mm]<br />
Abbildung 5.14: Halbwertsbreite des Nylonfadens im Gelatine-Phantom :<br />
(a) - Standardrekonstruktion (b) - Rekonstruktion mit der Signaldetektion.<br />
In den Abbildungen ist zu erkennen, dass der Abstand von Signalmaximum zum<br />
Hintergrundrauschen bei Verwendung der Signaldetektion größer ist als bei der<br />
Standardrekonstruktion. Dies ist das Resultat der Rauschreduktion in den Si-<br />
gnalen, wodurch sich der Faden deutlich besser vom Hintergrund abhebt. Die<br />
bestimmten Werte <strong>für</strong> <strong>die</strong> mittlere, sowie <strong>die</strong> maximale und minimale Breite der<br />
Peaks beider Rekonstruktion sind in Tabelle 5.8 aufgeführt.<br />
Die Signaldetektion ermöglicht im Vergleich zur normalen Rekonstruktion eine<br />
bessere Annäherung an <strong>die</strong> reale Breite des Nylonfadens von 0,2 mm. Die Ergeb-<br />
nisse zur Abbildung 5.14(b) sind allesamt um ca. 0,2 mm besser als <strong>die</strong> Werte der<br />
FWHM aus 5.14(a). Die mittlere Breite des Nylonfadens mit der Signaldetektion<br />
beträgt dennoch mehr als das Doppelte der realen Breite.<br />
66<br />
2.7
5.3. BILDREKONSTRUKTIONEN<br />
Tabelle 5.8: FWHM-Auswertung<br />
FWHM Standard Detektion Differenz<br />
Mean [mm] 0,747 0,564 0,183<br />
Max. [mm] 0,857 0,646 0,211<br />
Min. [mm] 0,669 0,491 0,178<br />
In den weiteren Bildrekonstruktionen sollen zwei andere Ansätze der Signalde-<br />
tektion mit der Implementierten verglichen werden. Es handelt sich um einen<br />
Matched-Filter-Ansatz und eine Cross-Power-Spectrum-Density-Schwellwertde-<br />
tektion (CPSD). Bei der CPSD-Detektion wird, wie beim Matched-Filter ein<br />
Referenzpuls des Sendepulses zur Detektion verwendet. Mit einer festgelegten<br />
Fensterbreite wird das Spektrum des Vorgabesignals berechnet und mit dem<br />
Spektrum des Referenzpulses korreliert [19]. Die erhaltene Matrix beschreibt <strong>die</strong><br />
statistische Abhängigkeit zwischen den beiden Spektren. Anhand <strong>die</strong>ses Ergebnis-<br />
ses kann eine Schwellwertdetektion erfolgen und mögliche Positionen von Pulsen<br />
markiert werden.<br />
Y [cm]<br />
6<br />
7<br />
8<br />
9<br />
10<br />
11<br />
Standardrekonstruktion<br />
Standardrekonstruktion<br />
Standardrekonstruktion<br />
6 7 8 9 10 11 12<br />
X [cm]<br />
Y [cm]<br />
6<br />
7<br />
8<br />
9<br />
10<br />
11<br />
Signaldetektion<br />
Signaldetektion<br />
6 7 8 9 10 11 12<br />
X [cm]<br />
Abbildung 5.15: Bildrekonstruktionen des Nylonfaden-Phantoms (Standard<br />
und mit Signaldetektion)<br />
Die zur Auswertung verwendete Messung enthielt vier Nylonfäden mit einem<br />
67
KAPITEL 5. EVALUIERUNG<br />
Durchmesser von 0,2 mm. Da nur Wasser als Medium zum Einsatz kam, musste<br />
auch keine Schallgeschwindigkeitskorrektur eingesetzt werden, was das Experi-<br />
ment zusätzlich beeinflusst hätte. In Abbildung 5.15 soll zunächst der entspre-<br />
chende Ausschnitt der Standardrekonstruktion und <strong>die</strong> Rekonstruktion mit den<br />
Detektionsdaten gezeigt werden.<br />
Beim Vergleich der Rekonstruktionen fällt <strong>die</strong> schärfere Abbildung der Nylonfäden<br />
mit der Signaldetektion auf. Ebenso ist der Einfluss von Störsignalen wesent-<br />
lich geringer, sodass eine Erhöhung des Kontrasts <strong>die</strong> Folge ist. In Abbildung<br />
5.16 sind <strong>die</strong> Rekonstruktionen mit dem Matched-Filter-Ansatz und der CPSD-<br />
Schwellwertdetektion zu sehen.<br />
Y [cm]<br />
6<br />
7<br />
8<br />
9<br />
10<br />
11<br />
Matched Matched Matched Filter<br />
Filter<br />
6 7 8 9 10 11 12<br />
X [cm]<br />
Y [cm]<br />
6<br />
7<br />
8<br />
9<br />
10<br />
11<br />
CPSD<br />
CPSD<br />
6 7 8 9 10 11 12<br />
X [cm]<br />
Abbildung 5.16: Bildrekonstruktionen des Nylonfaden-Phantoms<br />
(Matched-Filter und CPSD-Schwellwertdetektion)<br />
Beide Abbildungen zeigen ebenfalls eine Verbesserung gegenüber der Standardre-<br />
konstruktion. Die Fäden sind auch hier schärfer abgebildet. Um einen Vergleich<br />
der untersuchten Verfahren zu ermöglichen, wurde <strong>die</strong> FWHM der Nylonfäden<br />
bestimmt, um deren Breite zu berechnen. In Tabelle 5.9 sind <strong>die</strong> Werte <strong>für</strong> <strong>die</strong><br />
einzelnen Rekonstruktionen aufgeführt, wobei jeweils der Mittelwert über alle<br />
vier Nylonfäden berechnet wurde. Eine Auswertung des CPSD-Verfahrens war<br />
aufgrund zu geringer Amplitude der Fäden leider nicht möglich. Hier hatte keine<br />
68
5.3. BILDREKONSTRUKTIONEN<br />
hinreichende Überschneidung in der Bildrekonstruktion stattgefunden.<br />
Tabelle 5.9: FWHM-Auswertung<br />
FWHM Standard Wavelet-Det. Matched-Filter<br />
Mean [mm] 3,045 0,956 1,573<br />
Max. [mm] 5,158 1,675 3,057<br />
Min. [mm] 0,831 0,268 0,291<br />
Zu sehen ist, dass <strong>die</strong> beiden zum Vergleich verbliebenen Verfahren beide bes-<br />
ser als <strong>die</strong> Standardrekonstruktion sind. Die mittlere Breite der Fäden beläuft<br />
sich bei der normalen Rekonstruktion auf 3,045 mm. Der Matched-Filter-Ansatz<br />
ermöglicht eine Bestimmung der mittleren Breite von 1,573 mm und damit et-<br />
wa der Hälfte der vorherigen Betrachtung. Die berechnete mittlere Breite unter<br />
Verwendung der Wavelet-Detektion liegt mit 0,956 mm noch näher an der Vorga-<br />
be. Im Vergleich zum Matched-Filter ist <strong>die</strong>ser Wert um 0,617 mm geringer. Die<br />
mittlere minimale Breite der Fäden beläuft sich auf 0,268 mm und liegt damit<br />
knapp über der Auflösungsgrenze des Systems. Diese wurde in Anbetracht des<br />
verwendeten Rekonstruktionsalgorithmus mit 0,2 mm bestimmt.<br />
69
Kapitel 6<br />
Diskussion und Ausblick<br />
6.1 Diskussion<br />
In <strong>die</strong>ser Arbeit wurde ein Ansatz <strong>für</strong> eine Parameterschätzung von <strong>Ultraschall</strong>-<br />
pulsen auf Basis der Wavelet-Transformation implementiert [6]. Um <strong>die</strong> Schätzung<br />
zu beschleunigen wurde der Algorithmus über Ansätze mit Gra<strong>die</strong>ntenverfahren<br />
optimiert. Eine Vorauswahl, <strong>die</strong> <strong>die</strong> Klassifikation von Signalen ermöglicht, konnte<br />
mit einem auf <strong>die</strong> verwendete Signalform angepassten Matched-Wavelet realisiert<br />
werden [11]. Zudem besteht <strong>die</strong> Möglichkeit <strong>für</strong> zukünftige Signalformen ein neu-<br />
es Wavelet zu generieren und einen neuen Klassifikator zu erstellen. Im Anschluss<br />
wurde <strong>die</strong> Funktion <strong>die</strong>ser Detektion unter verschiedenen Aspekten evaluiert.<br />
Die Untersuchungen haben gezeigt, dass <strong>die</strong> Klassifikation auf Basis eines an <strong>die</strong><br />
Signalform angepassten Wavelets besser funktioniert als mit dem Morlet-Wavelet,<br />
welches häufig <strong>für</strong> <strong>Ultraschall</strong>signale verwendet wird. Nach der Erstellung eines<br />
Entscheidungsbaumes mit WEKA konnten hier wesentlich mehr korrekt klassi-<br />
fizierte Merkmalsvektoren erreicht werden. Auffällig war, dass <strong>die</strong> Klassifikati-<br />
on vom spezifischen Rauschen des USCT bei den Messungen beeinflusst wird.<br />
Dies stellt jedoch kein Problem dar, da <strong>die</strong>ser Einfluss mit einer<br />
Änderung des<br />
Verstärkungsfaktors der Elektronik einhergeht und ansonsten konstant bleibt.<br />
Sollte eine Änderung der Konfiguration erfolgen, kann ein neuer Klassifikator nach<br />
Vorgabe eines Trainingsdatensatzes erstellt werden. Ebenso besteht <strong>die</strong> Möglich-<br />
keit ein Wavelet auf eine neue Signalform anzupassen und <strong>für</strong> <strong>die</strong> Klassifikation<br />
zu verwenden.
6.1. DISKUSSION<br />
Die auf <strong>die</strong> Klassifikation der Signale folgende Parameterschätzung wurde auf<br />
verschiedene Belange hin geprüft. Während der Untersuchung von Abhängig-<br />
keiten zwischen den einzelnen Parametern (Amplitude, Frequenz, Ankunftszeit,<br />
Bandbreite, Phase), konnte eine gegenseitige Beeinflussung festgestellt werden,<br />
<strong>die</strong> einerseits auf den initialen Parametern des zur Untersuchung benutzten Wa-<br />
velets beruhen, andererseits durch <strong>die</strong> zur Beschleunigung implementierten Gra-<br />
<strong>die</strong>ntenverfahren hervorgerufen werden. Die Abweichung der einzelnen Parameter<br />
von der Vorgabe lag bei der Verwendung synthetischer Signale ohne Rauschen<br />
weit unter sechs Prozent.<br />
Nach der Betrachtung des rauschfreien Falls wurden synthetische Pulse unter<br />
Einfluss des gemessenen USCT-Rauschens verarbeitet. Für ein Signal-Rausch-<br />
Verhältnis (SNR) von −10dB betrug <strong>die</strong> Abweichung von der Vorgabe ca. 40%,<br />
wobei <strong>die</strong> Schätzung ein Viertel aller Pulse aufgrund eines zu hohen Fehlers<br />
verworfen hatte. Akzeptable Schätzungen, bei denen nur noch 6 von 100 Pul-<br />
sen verworfen wurden, konnten ab einem SNR von −6dB erreicht werden. Gu-<br />
te Schätzungen sind, den Untersuchungen zufolge, ab einem SNR von −2dB<br />
möglich. Hier wurden keine Pulse mehr verworfen und der Fehler der Schätzung<br />
lag bereits unter zehn Prozent, was im Anbetracht des Leistungsverhältnis zwi-<br />
schen Puls und Rauschen von 0,63 einem sehr guten Ergebnis entspricht.<br />
Da <strong>die</strong> Ankunftszeit des Pulsbeginns (TOA) der zentrale Parameter der Bildre-<br />
konstruktion ist, fand dessen Auswertung gesondert statt. Hier zeigte sich, dass<br />
<strong>die</strong> Schätzung der TOA von keinem der anderen geschätzten Parameter außer<br />
der Bandbreite beeinflusst wird. Da <strong>die</strong> Bandbreitenschätzung in <strong>die</strong> Berechnung<br />
der TOA eingeht, kann es dazu kommen, dass schlechte Bandbreitenschätzungen<br />
<strong>die</strong> TOA-Berechnung verfälschen. Die maximale Abweichung, <strong>die</strong> dabei entstehen<br />
kann, beträgt drei Abtastpunkte bei einer Abtastrate von 10MHz. Für <strong>die</strong> weitere<br />
Untersuchung wurde wieder das USCT-Rauschen hinzugezogen und <strong>die</strong> Robust-<br />
heit der TOA-Schätzung getestet. Gute Schätzungen mit einer Abweichung von<br />
± 1,2 Abtastpunkten konnten bereits ab einem SNR von −2dB erreicht werden<br />
(10MHz Abtastrate). Ideale Schätzungen von unter einem Abtastpunkt Abwei-<br />
chung (± 0, 4) waren statistisch gesehen ab einem SNR von 10dB möglich. Die<br />
geringe Abweichung der TOA, trotz des niedrigen SNR, zeigt, dass <strong>die</strong> Parame-<br />
71
KAPITEL 6. DISKUSSION UND AUSBLICK<br />
terschätzung eine wesentlich bessere Lokalisierung von Objekten in einer Messung<br />
ermöglicht. Ebenso können sehr schwache Pulse (SNR=−2dB) mit geringer Ab-<br />
weichung ihrer Ankunftszeit erkannt werden.<br />
Weiterhin wurde <strong>die</strong> Fähigkeit des Verfahrens untersucht, überlagerte Pulse auf-<br />
zutrennen. Eine sichere Trennung im rauschfreien Fall, wie auch unter Rauschein-<br />
fluss ab einem SNR von −6dB, war bei einem Abstand der Pulsmaxima von neun<br />
Abtastpunkten möglich (10MHz Abtastrate). Die Schätzung wurde jedoch von<br />
dem zweiten Puls im zugeführten Auswahlbereich beeinflusst. So kam es in ei-<br />
nigen Fällen zu größeren Abweichungen bei der Bandbreitenschätzung, <strong>die</strong> in<br />
<strong>die</strong> TOA-Berechnung eingeht. Der Abstand von neun Abtastpunkten entspricht<br />
einer räumlichen Distanz von 0,675 mm in Wasser. Eine Trennung von Pulsen<br />
war auch unter der ermittelten Distanz möglich, wobei <strong>die</strong> Pulse sich an deren<br />
Grenze destruktiv überlagern müssen. Dies resultiert allerdings in vergleichsweise<br />
schlechten Schätzungen der Parameter und ist zudem nicht deterministisch.<br />
Um <strong>die</strong> Funktion des Verfahrens nicht nur an synthetischen Signalen zu testen,<br />
wurden auch reale Signale aus Messungen des 3D-Demonstrators verarbeitet.<br />
Hier konnte anhand eines Signalausschnitts und eines komplexeren Signals mit<br />
ca. 40 enthaltenen Pulsen <strong>die</strong> korrekte Funktion der Schätzung gezeigt werden.<br />
Nach Abzug der geschätzten Pulse war im gegebenen Ausschnitt kein Restanteil<br />
der Pulse mehr zu erkennen. Die große Zahl an Pulsen in komplexeren Signalen<br />
ermöglichte es zudem <strong>die</strong> Auswirkung der Iterationsschritte des Verfahrens zu<br />
zeigen, wobei mit jedem Durchlauf mehr Pulse erkannt wurden.<br />
Die untersuchten Bildrekonstruktionen unter Verwendung der Detektion wiesen<br />
deutlich weniger Rauscheinfluss und weniger Artefakte auf als <strong>die</strong> Rekonstruktio-<br />
nen des Standardverfahrens. Ebenso konnten <strong>die</strong> in der Messung enthaltenen Ob-<br />
jekte schärfer abgebildet werden, was eine korrekte und robuste TOA-Schätzung<br />
belegt. Ein Vergleich mit anderen Verfahren der Signaldetektion war ebenfalls Be-<br />
standteil <strong>die</strong>ser Untersuchung. Hierzu wurde eine Messung mit vier enthaltenen<br />
Nylonfäden verarbeitet und im Anschluss eine Bildrekonstruktion durchgeführt.<br />
Verwendet wurde ein Matched-Filter-Ansatz und eine Schwellwertdetektion mit<br />
Berechnung der Cross-Power-Spectral-Density (CPSD). Der Vergleich der Bildre-<br />
konstruktionen zeigte, dass der in <strong>die</strong>ser Arbeit implementierte Algorithmus eine<br />
72
6.2. AUSBLICK<br />
bessere Annäherung an <strong>die</strong> reale Breite der Nylonfäden ermöglicht und das Er-<br />
gebnis im Mittel um mehr als 0,6 mm besser ist als <strong>die</strong> der anderen Verfahren. Die<br />
mittlere minimale Breite der Fäden kommt mit 0,268 mm fast an <strong>die</strong> minimale<br />
Auflösungsgrenze des Systems (mit verwendetem Rekonstruktionsalgorithmus),<br />
<strong>die</strong> mit ca. 0,2 mm bestimmt wurde. Bis zu <strong>die</strong>sem Punkt konnte gezeigt werden,<br />
dass eine Verbesserung der bisher erzielten Ergebnisse anderer Verfahren möglich<br />
ist. Da es sich bei den betrachteten Messungen um relativ einfache Objekte han-<br />
delte, muss <strong>die</strong> Funktion des Verfahrens mit komplexeren Objekten noch gezeigt<br />
werden. Dies sollte aber aufgrund der vorangegangenen Untersuchung komplexer<br />
Signale möglich sein.<br />
6.2 Ausblick<br />
Der implementierte Algorithmus zur Signaldetektion bietet <strong>die</strong> Möglichkeit <strong>die</strong><br />
Parameter von <strong>Ultraschall</strong>pulsen zu schätzen. Nachteil der Signaldetektion ist<br />
hauptsächlich <strong>die</strong> Laufzeit des Verfahrens. Da der Algorithmus sehr komplex ist,<br />
benötigen Detektionen zum Teil sehr lange (bei 6144 Signalen mit durchschnitt-<br />
lich 20 Pulsen etwa 24h). Dies hängt von der Komplexität der vermessenen Ob-<br />
jekte und der Anzahl von Pulsen in den Signalen ab. Die Detektion eines Scans<br />
mit 40 Pulsen dauert etwa 30s. Weitere Schritte wären deshalb zusätzliche Op-<br />
timierungen, um <strong>die</strong>se Laufzeit zu verkürzen.<br />
Der Nutzen der weiteren Parameter, <strong>die</strong> neben der TOA gewonnen werden, muss<br />
sich in weiteren Untersuchungen zeigen. Beispielsweise kann <strong>die</strong> Verschiebung der<br />
Mittenfrequenz zur Berechnung der frequenzabhängigen Absorption im Gewebe<br />
genutzt werden und damit ermöglichen Bilder <strong>die</strong>ser Gewebeeigenschaft zu erstel-<br />
len. Die Parameterschätzung kann in Zukunft auch <strong>für</strong> <strong>die</strong> präzisere Erkennung<br />
von Transmissionsignalen verwendet werden, um <strong>die</strong> Temperatur einer Messung<br />
zu bestimmen oder eine Kalibration durchzuführen. Diese Parameter können auch<br />
<strong>für</strong> <strong>die</strong> Transmissiontomographie und <strong>die</strong> Erstellung von Schallgeschwindigkeits-<br />
bildern benutzt werden.<br />
Die Funktion des Verfahrens bei komplexeren Objekten muss noch gezeigt wer-<br />
den, da <strong>die</strong> untersuchten Messungen relativ einfach aufgebaut waren. Ein zusätz-<br />
73
KAPITEL 6. DISKUSSION UND AUSBLICK<br />
licher Nutzen ist <strong>die</strong> Komprimierung von <strong>Ultraschall</strong>-Signalen. Durch <strong>die</strong> alleinige<br />
Speicherung der Pulsparameter ließe sich im Vergleich zum kompletten Zeitsignal<br />
viel Speicherplatz sparen. Bei maximal 100 vorkommenden Pulsen pro Scan mit<br />
den zugehörigen fünf Parametern und 3000 Abtastpunkten zu je 2 Byte wäre<br />
eine Kompression um den Faktor sechs möglich. Auswirkungen der Kompression<br />
sind eine schnellere Bildrekonstruktion und eventuell auch eine Kostenersparnis<br />
im Hardwareaufbau des Verfahrens aufgrund der Datenreduktion.<br />
Die Evaluierung der implementierten Signaldetektion hat gezeigt, dass <strong>die</strong>se we-<br />
sentliche Verbesserungen im Vergleich zu anderen Verfahren bietet. Zum einen<br />
wird der Einfluss des Rauschens stark reduziert und <strong>die</strong> Bildung von Artefakten<br />
in der Bildrekonstruktion unterdrückt, zum anderen erfolgt durch <strong>die</strong> genauere<br />
Schätzung der TOA eine schärfere Abbildung von vermessenen Objekten. Das<br />
Verfahren kann selbst Pulse bei sehr niedrigen SNR-Werten erkennen und deren<br />
Parameter mit einem akzeptablen Fehler von weniger als 10% schätzen.<br />
74
Literaturverzeichnis<br />
[1] Todesursachen in Deutschland 2004. Bundesamt <strong>für</strong> Statistik, 2005. Fach-<br />
serie 12 / Reihe 4.<br />
[2] German Breast Group (GBG). Brustkrebs-Früherkennung/Methoden.<br />
www.brustkrebsvorbeugen.de, 2006.<br />
[3] R. Schnell. Rekonstruktion von Reflexionsbildern unter Berücksichtigung<br />
von Schallgeschwindigkeitsprofilen <strong>für</strong> 3D <strong>Ultraschall</strong> Computertomogra-<br />
phie. Master’s thesis, Universität Karlsruhe, 2006.<br />
[4] J.U. Würfel. Dreidimensionale <strong>Ultraschall</strong>tomographie: Machbarkeitsstu<strong>die</strong><br />
und Aufbau eines Prototyps. Master’s thesis, Universität Karlsruhe, 2000.<br />
[5] T. Lehmann, W. Oberschelp, E. Pelikan, R. Repges. Bildverarbeitung <strong>für</strong><br />
<strong>die</strong> Medizin 1997. Springer Verlag, 1997.<br />
[6] G. Cardoso, J. Saniie. Ultrasonic Data Compression via Parameter Estima-<br />
tion. In IEEE Transactions on Ultrasonics, Ferroelectrics, and Frequency<br />
Control, volume 52, February 2005.<br />
[7] R. Demirli, J. Saniie. Model-Based Estimation of Ultrasonic Echoes PartI:<br />
Analysis and Algorithms. In IEEE Transactions on Ultrasonics, Ferroelec-<br />
trics, and Frequency Control, volume 48, May 2001.<br />
[8] U. Johann. Entfaltung von Hochfrequenzsignalen in der <strong>Ultraschall</strong>-<br />
<strong>Computertomographie</strong>. Master’s thesis, Fachhochschule Koblenz, 2006.<br />
[9] S. G. Mallat, Z. Zhang. Matching Pursuit with Time-Frequency Dictionaries.<br />
In IEEE Transactions on Signal Processing, volume 41, pages 3397–3415,<br />
December 1993.<br />
75
[10] W. Sweldens. The Lifting Scheme: A Custom Design Construction of Bior-<br />
thogonal Wavelets. In Appl. Comput. Harmon. Anal., volume 3, pages 186–<br />
200, 1996.<br />
[11] J. O. Chapa, R. M. Rao. Algorithms for Designing Wavelets to Match a<br />
Specified Signal. In IEEE Transactions on Signal Processing, volume 48,<br />
December 2000.<br />
[12] Major Joseph O. Chapa. Matched Wavelet Construction and Its Application<br />
to Target Detection. PhD thesis, Rochester Institute of Technology, 1995.<br />
[13] University of Waikato. WEKA Machine Learning Project.<br />
http://www.cs.waikato.ac.nz/˜ml/index.html.<br />
[14] H. C. Sun, J. Saniie. Ultrasonic Flaw Detection Using Split-Spectrum Pro-<br />
cessing Combined with Adaptive-Network-Based Fuzzy Inference System. In<br />
IEEE Ultrasonics Symposium, 1999.<br />
[15] C.-K. Kim, I.-S. Kwak, E.-Y. Cha, T.-S. Chon. Implementation of wave-<br />
lets and artificial neural networks to detection of toxic response behavior<br />
of chironomids (Chironomidae: Diptera) for water quality monitoring. In<br />
Ecological Modelling, volume 195, pages 61–71, 2006.<br />
[16] University of Waikato. WEKA - Documentation of ARFF Data Format.<br />
http://www.cs.waikato.ac.nz/˜ml/weka/arff.html.<br />
[17] T. O. Müller. Effizienter interaktiver Entwurf von Klassifikationssystemen.<br />
PhD thesis, Universität Karlsruhe, 2006.<br />
[18] M. Weber. <strong>Ultraschall</strong>simulation <strong>für</strong> <strong>Ultraschall</strong>-<strong>Computertomographie</strong>. Ma-<br />
ster’s thesis, Fachhochschule Mannheim, 2005.<br />
[19] D. G. Manolakis, V. K. Ingle, S. M. Kogon. Statistical and Adaptive Signal<br />
Processing. Artech House, 2005.