用于光声成像的高灵敏度光纤法珀腔传感器

来源 :山西大学 | 被引量 : 0次 | 上传用户:jiangchong122
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
在医学实践和临床医疗中,无论是临床医学诊断还是病理研究,都需要通过各种成像技术来获得生物体的器官、组织乃至细胞和亚细胞结构的形态学和功能学信息。光声成像作为一种新兴的成像技术结合了纯光学成像的高选择特性和纯超声成像的高穿透特性,具有高对比度、高分辨率和深成像深度的特点。光声成像的成像深度和成像分辨率与所采用的光声传感器密切相关。传统的超声波探测器是使用压电材料制成的,它的局限性是对电磁干扰的敏感性以及较小的元件尺寸会降低灵敏度。光纤法布里-珀罗传感器因其具有抗电磁干扰、耐化学腐蚀、宽带特性,结构紧凑、制作简单,成本低廉的优势,而被广泛于生物医疗传感、环境监测和结构健康监测等领域。本论文致力于设计开发具有高灵敏度特性的光纤法珀腔传感器,重点研究用于光声成像的膜片式光纤法珀腔传感器。因此,我们通过分析光纤法珀腔光声传感器的信号和噪声特性,建立了基于压敏薄膜的光纤法珀腔光声传感器的理论模型。从法布里-珀罗干涉仪(FPI)传感器的传感机制出发,针对不同物理量的测量,讨论灵敏度的影响因素,寻求提高其灵敏度的方法。主要研究内容如下:1.基于文献调研详细介绍了膜片式光纤法珀腔传感系统的基本结构,重点分析了F-P干涉原理和FPI传感器的灵敏度。并从弹性力学的角度出发,对薄膜声压传感原理(膜片形变方程)的理论进行详细的介绍。分析膜片参数对其性能的影响,为膜片式光纤法珀腔传感器的设计提出最佳方案。2.针对用于光声成像的光纤法珀腔传感器,建立了考虑光电探测器的暗电流噪声和热噪声、探针光源的相对强度噪声和相位噪声的光纤法珀腔传感器的测声信噪比理论模型。通过计算和模拟,理论分析讨论了法珀腔镀膜反射率、法珀腔长、压敏薄膜的厚度和有效半径等参数对光纤法珀腔传感器的测量灵敏度和信噪比的影响,给出了整个膜片式光纤法珀腔传感器设计的方法和考虑,为光纤法珀腔光声传感器的研制和性能优化提供了理论依据。
其他文献
人们生活水平的提高以及商品的种类的增加,使得消费者对于商品的要求也越来越高。其中,琳琅满目的商品种类和对商品五花八门的描述,使得对于商品识别的研究也有了越来越重要的现实意义。本文基于深度学习的方法对商品图像识别以及商品图像中的文本识别进行了相关研究,与传统的图像识别以及文本识别算法对比,利用基于卷积神经网络的图像及文本识别算法进行分析,提出本文研究方法。1)为了降低噪声对图像识别准确率的影响,本文
深度学习在图像识别、机器视觉、自然语言处理等领域取得了巨大的成功,解决了很多复杂的难题,使人工智能技术取得了革命性的突破。然而,复杂的深度模型日益出现“膨胀”的趋势,模型越来越大、越来越复杂,对计算力要求也越来越高。如何有效地减少复杂模型的参数量和推理时间成为目前人工智能亟待解决的关键问题。特别是深度模型在在线学习、增量学习等实时应用与移动手机、可穿戴设备等这些边缘人工智能设备上的实施与部署,如何
计算机断层成像(Computed Tomography,CT)的出现,极大地促进了医学影像技术的发展,对于各种疾病的诊断治疗,也具有十分重要的意义。因X射线的辐射对人体有潜在的致病风险,因此低剂量CT成为了当前研究的重点。稀疏重建,即用从稀疏角度下采集的投影重建图像,是实现低剂量CT的有效方法,然而,经典的解析法稀疏重建的图像中一般含有严重的条状伪影,导致无法进行正确的疾病判读。2006年以来,深
传统监督学习方法需要利用大量有标记的样本进行学习,但是得到具有较强泛化能力的模型往往需要大量的标记样本。在许多学习任务中,标记样本的获取需要大量的人力物力,相对而言无标记样本的获取却较为容易。半监督学习正是一种综合利用标记样本和无标记样本进行学习的方法。目前,半监督深度学习中的研究热点之一集中在一致性假设的应用。所谓一致性假设,是指在模型训练过程对样本进行数据增强,并保证数据增强前后的模型预测结果
近年来,在机器学习等领域中,针对图像数据的分类识别已经成为广大研究者的重点关注问题。传统的算法大都基于欧氏空间计算样本相似性,虽然简单有效,但是由于没有考虑图像数据的高维、稀疏和流形等特性,无法准确地度量样本点之间的相似性。越来越来多的研究者基于黎曼流形的度量学习方法展开了大量的研究工作。流形假设是指人类所看到的数据为嵌入在高维空间中的低维流形。相对于传统算法而言,黎曼流形度量学习可以很好的利用样
近年来,随着人工智能的快速发展,智能解答类问题越来越受人瞩目,其中机器阅读理解成为该领域的重要研究分支。针对高考语文阅读理解任务,本文工作研究科技文中选择题的自动解答。该类型题目一般包含1篇背景材料、1个题干和4个候选选项,要求机器根据题干,基于对背景材料中相关内容的理解,从4个候选选项中选出一个正确选项。本文提出了一个基于关键词语义扩充的选择题解题模型,通过基于外部知识库的关键词语义扩充,丰富材
计算机断层成像(Computed Tomography,CT)作为辅助医生诊断的一项技术被广泛应用于医疗实践中,但是在其扫描过程中过高剂量的辐射会对患者的身体造成严重的伤害,增加患癌的风险。低剂量CT可以通过降低辐射剂量或者减少投影个数来实现。然而,每个角度下低剂量辐射所获取的投影噪声较大,致使重建出来的图像包含较大噪声,影响后续诊断。高精度低剂量CT重建的一种有效途径是除去低质量图像中存在的噪声
特征选择方法是指从数据的初始特征集中,根据一定的方法选择出符合某种标准的特征子集的方法。作为一种常见的数据预处理方法,特征选择是数据降维中一种重要的手段,在机器学习中数据降维处理发挥着重要的作用,其可以有效过滤数据中噪声,提升后续机器学习的效率。对于空间数据而言,传统的特征选择方法没有考虑到空间数据点之间的空间位置关系。通常空间数据都有着特定的空间分布特征,空间自相关性和空间异质性导致空间对象存在
不平衡数据广泛存在于医疗、经济等领域。随着社会的发展和进步,特别是进入大数据时代,越来越多的数据是高维且不平衡的,这对机器学习和数据挖掘而言是巨大的挑战。分类是计算机领域的研究热点,在处理这些高维不平衡数据时,决策树、随机森林、支持向量机等传统分类算法的分类准确率不能很好地满足人们的需求。本文以不平衡数据集为研究对象,运用不同的特征选择算法进行分析,并在此基础上进行分类,旨在兼顾少数类和整体的准确
在当今全球信息化的大背景下,信息安全问题愈来愈成为一个全球性问题,信息的安全性和保密性在信息化时代越来越引起人们的高度重视。传统的身份验证很容易导致个人信息的丢失,且易被盗取。相比于现应用的生物特征,指静脉在手指皮肤之下,不易被盗取,且指静脉因具有活体性等优势成为生物识别技术的重要研究方向。深度学习由于具有强大的特征表达能力被逐渐应用于生物特征识别领域,因此基于深度学习的指静脉识别成为当下最具研究