摘要：脑卒中是严重影响个人和社会的重大健康问题之一。为了改善该疾病的及时诊断与治疗，医学影像技术成为医生赖以准确识别卒中类型和位置的重要工具。本研究提出了一种基于微带天线的新型微波成像系统用于卒中检测。该系统利用脑组织介电特性的差异来区分缺血性卒中和出血性卒中。设计了一款在X波段工作并置于大脑附近的天线。该天线具有定向辐射模式，峰值增益为7 dBi。在CST Studio Suite中使用基于体素的人头模型来模拟逼真的大脑组织。构建了一个由六根天线围绕头部模型分布的成像系统。其中四根天线水平排列在头部周围，另外两根位于头顶，确保了覆盖大脑侧面和上部的三维覆盖。从模拟场景中生成了702个样本的S参数数据，这些样本包括正常大脑以及放置在大脑不同位置的缺血性和出血性卒中病例。这些样本来自13个不同的基于人体体素的模型，并使用多种机器学习算法进行分析。随机森林算法实现了97.29%的最佳分类准确率，证明了将微波成像与机器学习相结合用于非侵入性、成本效益高且省时的卒中诊断的有效性。除随机森林外，XGBoost和LightGBM也表现出色，进一步突显了基于树的集成学习方法在微波成像应用中准确分类卒中类型的卓越能力和稳健性。
1 引言
大脑是身体的主要控制中心，调节运动和呼吸、心跳等生命功能。它还控制思维、记忆、情感和自我意识，是感知和个人身份的基础。因此，大脑对于身体所有器官的正常运作至关重要。为了有效执行这些过程，大脑需要持续不断的血液供应。相反，如果流向大脑的血液中断，即使是很短的时间，也可能导致大脑功能出现问题。这可能导致卒中，并可能导致脑组织死亡。卒中被认为是一种医疗急症，死亡风险高，幸存者可能会经历视力丧失、语言障碍、瘫痪和意识混乱。根据卒中在大脑中发生的位置及其严重程度，身体的单个或多个系统可能受到影响。由于这些原因，可以说每次卒中对每个人的影响并不完全相同。当某些东西阻塞了大脑某个区域的血液供应时，就会发生缺血性卒中；或者当血管破裂时，就会导致出血性卒中。在这两种情况下，部分大脑都会受损或死亡，导致其功能停止。卒中可能导致严重的脑损伤、永久性残疾，甚至死亡。缺血性卒中最常见，当大脑中的血管被血凝块或称为斑块的脂肪组织和胆固醇堆积物堵塞时，就会发生。根据美国疾病控制与预防中心的数据，缺血性卒中约占美国每年发生的超过79.5万例卒中的87%。出血性卒中发生在大脑血管破裂或破裂时，血液渗漏到附近的脑组织或脑膜之间的空间。这会导致压力积聚以及进一步的损伤和刺激。出血性卒中约占所有卒中的10%到13%，相当于美国每年大约7.95万例卒中。
如今，两种成像技术用于确定卒中的位置和类型：磁共振成像和计算机断层扫描。虽然这些技术相当准确，但其成像系统可能耗时、昂贵且不便携，这限制了它们的优势，尤其是在农村地区和医院外环境中，并且就CT而言，这些成像方法也可能有害。因此，近年来，人们探索了其他成像技术，特别是微波成像，这是一种非侵入性方法，可区分身体特定区域正常和病变组织的介电特性差异。微波成像是一种现代技术，用于分析脑组织并识别可能指示卒中的变化。天线是微波成像系统中最关键的组件，在发射和接收电磁辐射方面起着重要作用。天线通常应具有高增益特性、合适的频率范围（以增强信号穿透深层组织的能力和重建图像的良好分辨率），以及适合身体佩戴并集成到救护车系统中的小尺寸。近年来，不同类型的天线已被探索用于基于微波的医学成像，特别是用于检测大脑异常。在常用的选项中，Vivaldi天线因其宽工作带宽（可更好地穿透生物组织并帮助捕捉细微的信号变化）而备受关注。尽管Vivaldi天线具有有用的宽频带特性，但在实际应用中常常面临实际挑战。两个主要的设计困难是开发一种能够在宽频带内保持最小反射的馈电结构，以及确定天线的轮廓和尺寸以实现足够聚焦的波束。此外，它们相对较大的物理尺寸以及在制造过程中需要精确的渐变曲线，进一步限制了它们在紧凑或低成本医疗成像系统中的适用性。缝隙天线也出现在一些研究中；它们体积小，通常表现出较低的比吸收率水平，尽管其辐射效率有时低于其他设计。像单极天线这样的简单结构也被用于近场成像设置，主要是因为它们提供稳定的性能并与人体组织的电磁特性良好互动。即便如此，微带贴片天线仍然是医学成像项目中最常用的解决方案。其平面形式、易于制造以及兼容不同介电层使其适用于实际系统，而添加覆盖层可以显著提高增益和场分布。由多个贴片元件构建的天线阵列也显示出改善图像质量和增加重建图像对比度的潜力。考虑到这些因素，本研究采用带有覆盖层的圆形微带贴片天线，以在尺寸、性能和预期成像应用需求之间取得合理平衡。根据文献，Malesevic设计并实现了两款工作于1 GHz谐振频率的可穿戴天线原型，用于集成到卒中诊断和监测的微波系统中。Rodriguez-Duarte等人在他们的研究中，也针对一种工作于800 MHz至1.2 GHz的微波天线进行了设计，用于诊断和监测脑部疾病的成像设备。Sohani等人证明了使用仅包含两根工作于1至2 GHz频率范围的微带天线的低复杂度微波成像系统，成功检测出血性卒中的可行性。类似地，在另一项研究中，研究了通过超表面加载天线改进用于卒中诊断的MWI的潜力。
近年来，人工智能，包括机器学习和深度学习等领域，已成为微波成像等基于硬件的系统的强大补充。人工智能使机器能够从数据中学习，并依赖深度神经网络来模拟人类思维过程。这些现代技术在各个领域，特别是在医疗保健领域，扮演着越来越重要的角色。它们促进了更准确的诊断工具的开发，改进了成像分析能力，并实现了早期疾病预测。这些算法在处理海量数据、检测微妙和复杂的模式以及提取人类观察者可能无法察觉的信息方面表现出高效率。在文献中，Ojaroudi等人提出了一种基于电磁波的微波成像系统用于检测出血性卒中的模型，并辅以依赖机器学习技术的新型处理方法。该系统使用由16个改进的领结型天线组成的圆形阵列，这些天线工作于0.5-5 GHz频段，围绕CST软件仿真环境中的三维头部模型。使用了共焦成像算法重建图像，随后采用了包括离散小波变换提取特征、主成分分析降维和支持向量机进行出血区域分割和聚类在内的后处理技术。结果显示，SVM算法实现了超过95%的分类准确率，并且能有效准确定位出血部位。类似地，Roohi等人提出了一种使用基于圆形天线阵列的电磁成像系统来检测和分类出血性卒中的方法。使用CST软件在多层头部模型周围模拟了16个改进的领结型天线单元，并包含一个直径1厘米的球形目标来代表脑内出血。采用了一种新颖的组合机器学习技术来区分正常和受损的脑组织，结合了滤波、基于边缘检测的分割、K-means和模糊聚类技术，利用重建图像检测出血区域。在另一项研究中，Singh等人利用从置于头顶的双天线微波成像系统获取的S参数数据，结合机器学习，以非侵入方式识别由出血引起的脑部介电变化。研究表明，K-最近邻、决策树和随机森林分类器在预测脑内出血的准确性、召回率和精确度方面优于多层感知器和SVM分类器。与需要多个天线检测出血的传统微波成像系统不同，这项研究表明，将机器学习与天线系统相结合可以在减少天线数量的同时提供更精确的解决方案。
所有这些研究都集中在检测和分类出血性卒中上，而没有涉及占全球卒中病例最大比例的缺血性卒中。因此，以往文献中的一个显著局限性是缺乏整合两种卒中类型的综合分类模型，甚至没有能够区分它们的模型。对于缺血性卒中，Zhu等人提出了一种名为“图度互信息”的新方法来区分出血性和缺血性卒中。分析并模拟了50个出血性和50个缺血性模型，每个模型包含256个接收和反射信号，使用具有16根天线的头部电磁成像系统，在CST环境中频率范围为0.7至2 GHz。每个信号被转换为一个图，然后这些图被用作SVM模型的输入来分类卒中。结果表明，出血患者的信号GDMI值显著高于缺血组，实现了88%的分类准确率。Gong等人提出了一种通过将头部区域划分并结合大脑解剖结构来快速分类和定位卒中的新方法。然后，提出了一种新的基于决策树的学习方法，并通过使用可穿戴微波医疗传感器系统对脑出血和缺血性卒中之间的卒中类型进行分类，验证了所提方法的有效性。数值和实验结果均表明，分类准确率高达94%，而理论实验和实践实验中的定位准确率均超过90%。
尽管Zhu和Gong等人的研究旨在利用机器学习算法支持的电磁成像系统区分出血性和缺血性卒中，但这些研究的主要弱点是过度依赖于通过将信号转换为图像或图形特征，或使用诸如GDMI或定制树分类等高级处理算法将信号转换为不同格式来分析电磁散射参数。这种处理复杂性会导致一些基本挑战，例如检测和诊断时间延长，这与卒中病例中需要快速响应的医疗要求相冲突。此外，依赖海量数据和执行多阶段处理也会导致计算资源的显著消耗，限制了这些系统在常规医疗环境或资源有限的国家和中心的应用。此外，由于软件和硬件组件的复杂性，开发和运行此类系统的成本会变高。因此，可以认为迫切需要开发依赖于更简单、更直接的数据处理方法的替代系统，避免冗长的转换链和复杂步骤。这样的系统将更适合于紧急医疗应用，并有助于降低运营成本和提高实时诊断效率，使其成为更实用、更容易在各种医疗环境中实施的选项。
本研究提出了一种新颖的方法，将微带天线阵列与机器学习技术相结合，提出了一个全面的框架，包括天线结构的设计、仿真和评估，该结构结合了微波系统的空间分辨率和穿透能力，以及基于微波成像数据训练的机器学习模型，以增强脑组织异常的检测。在此范围内，通过从置于大脑周围的六天线脑微波成像系统获得的S参数信号中提取有意义的特征，使用机器学习算法检测卒中的存在和类型。通过使用CST Microwave Studio中可用的Voxel家族库创建和模拟正常及异常脑模型来构建数据集，该库包含了复制人体介电特性的模型。比较了各种机器学习算法在对受卒中影响的大脑（缺血性和出血性）与正常大脑进行分类时的性能，并选择了最佳算法对数据进行分类。本研究的主要贡献可总结如下：提出了一个基于微带天线的新型微波成像系统，用于卒中检测。通过利用健康与不健康脑组织之间明显的介电对比，该系统可实现非侵入、快速且经济的诊断成像。开发并引入了一个包含多种卒中类别的新数据集到文献中。该数据集为开发和评估基于机器学习的卒中分类诊断方法提供了宝贵资源。据我们所知，这是文献中首次尝试探索覆盖层天线在多类卒中检测问题中的有效性，有助于提高诊断准确性。所提出的新型微带天线的有效性已在新创建的数据集上得到评估。所提出的系统在区分不同卒中类型方面显示出有希望的结果，可用于未来的临床应用和自动诊断应用。
2 材料与方法
本节描述了实施本研究的方法，包括天线设计、由脑模型和天线阵列组成的微波成像系统的准备，以及使用机器学习算法分析和分类数据。图1展示了整个过程流程图，总结了所提系统五个阶段的顺序。首先，过程从微波成像系统获取数据开始，每次仿真从六根天线中提取36个S参数信号。接下来，从每个信号中提取1000个数字样本以表示这些参数的频率特性，然后将数据组织成一个1000×36的Excel数据框。之后，执行数据归一化作为预处理过程，以减少方差并改善模型性能。此外，使用网格搜索技术选择最佳参数，并应用五折交叉验证方法确保模型的准确性和可靠性。最后，使用多种机器学习算法将病例分类为三类之一：缺血性卒中、出血性卒中或正常状态。
2.1 天线设计步骤
本研究提出了一种新型定制天线的设计，以满足脑部成像和卒中检测的物理和技术要求。设计目标是在适合医疗应用的频率范围内实现高辐射效率和带宽，以及允许集成到多天线成像系统中的紧凑尺寸。设计采用CST Studio Suite软件实现，利用其高精度模拟三维电磁系统的先进能力。通过分析关键参数，如反射系数、增益和天线辐射方向图，来评估天线的辐射性能，确保设计满足微波成像系统的要求。设计了一款圆形天线，由四个基本层组成：接地层、基板、贴片和覆盖层，如图2所示。贴片和接地层由0.035毫米厚的铜制成，而基板和覆盖层均使用Rogers RT6010LM材料。这种材料具有优异的电性能，介电常数为10.7，厚度为1.55毫米，使其适用于集成到微波成像系统中。贴片的形状设计创新而简洁。它由一个中间宽的垂直线组成，两侧连接着两个半圆，半圆由细铜线连接，如图3所示。两个过孔位于两个侧圆的中心，连接贴片和接地层，这增强了性能稳定性并保持了设计的对称性。这种简单、不复杂的配置简化了制造，降低了成本，并提高了天线的辐射效率。表1总结了所提天线的设计参数。天线使用同轴线馈电，参考阻抗为50欧姆，以实现与测量或成像系统的最佳兼容性。这种配置使其能够在宽带宽范围内实现高性能，使其适用于卒中检测的脑部成像应用。
仿真结果显示，天线在两个不同的频段有效工作：第一个频段从8.17 GHz到8.93 GHz，谐振频率为8.62 GHz；第二个频段从12.49 GHz到12.65 GHz，谐振频率为12.58 GHz，反射系数达到-39.68，如图4所示。这种多频段性能展示了天线在微波成像中增强图像质量和组织辨别准确性的各种应用中的适应性。过孔对天线性能的影响如图5所示，比较了有和没有过孔元件的设计随频率变化的S11参数。红色曲线代表没有过孔的设计，而绿色曲线对应包含过孔的设计。添加过孔导致反射系数明显改善，特别是在天线的工作频率范围内。在包含过孔的设计中观察到更低的S11值（以dB计），表明更好的阻抗匹配和减少的能量损失。这种性能提升主要归因于过孔改善了贴片与接地平面之间的连接，并平衡了电流路径。通过优化电磁场分布，过孔改善了输入阻抗和整体天线效率。因此，配备过孔的天线在更宽的带宽上工作且反射更低，有助于改善整体性能。在图6中，比较了有和没有覆盖层设计的反射系数。绿色曲线代表没有覆盖层的天线，而红色曲线对应包含覆盖层的设计。结果表明，添加覆盖层使天线能够在更宽的带宽上工作且S11值更低，特别是在较低频率。这种改善主要是由于覆盖层引导了天线上的电磁场分布，并增强了特定频率的波传播。结果，在谐振频率处观察到更尖锐的凹陷，减少了反射功率。此外，覆盖层增加了天线增益并改善了方向性。因此，配备覆盖层的设计为宽带应用和需要更高性能的系统提供了优势。
图7所示的远场结果来自所设计的天线，表明辐射极化集中在天线顶部，这是在扫描或成像期间将指向大脑的方向。这种极化是天线最显著的特征之一，因为它确保大部分电磁能量被精确地引导到大脑内的目标区域。这种聚焦的辐射增强了检测效率并改善了接收信号的准确性，证明了天线将能量...有效将能量集中在感兴趣区域的能力。这一特性有助于减少色散并提高信噪比，这是诸如卒中检测等敏感医疗应用的关键因素。此外，该天线的峰值增益为7 dBi，如图8所示。高增益是其适用于医学成像应用（尤其是卒中检测）的重要指标。这种高增益增强了天线将电磁辐射引导至大脑目标区域的能力，从而提高了数据质量并增加了系统对组织电特性变化的敏感度。这有助于改善图像质量并提高所收集数据的可靠性。因此，天线在聚焦偏振分布和高增益方面的特性凸显了其作为非侵入性卒中检测系统核心工具的有效性和效率。
2.2 模型设计步骤
为了在模拟的真实环境中评估所开发天线的性能，在CST Studio Suite仿真环境中使用了人体头部模型，以准确表示天线与生物组织之间的电磁相互作用。基于体素的模型是源自真实成像数据的数字模型，能有效表示各种人体组织的解剖结构和电特性。为确保仿真的真实性并捕捉人体解剖和生理特征的多样性，使用了多个代表不同性别、年龄组和组织特性的体素家族模型，如表2所示。这些模型是医学成像的绝佳选择，能够高保真地模拟与真实人类头部非常相似的脑部介电特性。使用这些模型增加了仿真结果的可靠性，是将设计转化为实际安全临床应用的关键一步。为了真实模拟卒中情况，在基于体素的人头模型的大脑区域中插入了球形组织内含物。这些内含物旨在模拟出血性和缺血性卒中，其介电特性非常接近实际受卒中影响的脑组织。这些半径为15毫米的目标根据其介电特性进行了模拟。基于先前研究报告的生物值，缺血性目标的介电常数设为30，电导率设为0.5 S/m；出血性目标的介电常数设为62，电导率设为1.6 S/m。这些值经过精心选择，以确保它们代表受影响组织的真实电磁行为，这对于分析天线检测不同类型卒中的效率至关重要。这种设置可以更准确地评估天线区分不同类型卒中的能力。为了表示组织介电特性随目标谐振频率的变化，CST Studio Suite软件提供了一个内置的宏工具，可以准确表征生物材料。该工具基于四极Cole-Cole模型来计算基于所选组织年龄和工作频率的电导率和介电常数。
2.3 微波系统设计
为了开发一个使用电磁成像技术的有效卒中检测系统，采用了实验方法。首先在仿真环境中将单根天线置于人体头部模型旁，使用了13个不同的体素模型，代表不同的年龄和性别，以研究不同生物特征如何影响天线性能。分析了由此产生的S参数，以评估天线在集成头部模型时的谐振频率和有效工作范围。这一阶段旨在了解生物材料的存在如何影响天线的谐振行为。构建了一个由六根天线围绕头部模型分布的成像系统。其中四根天线水平排列在头部周围，另外两根位于头顶，如图9所示，确保了对大脑侧面和上部区域的三维覆盖。这种几何排列增强了传感精度，并提高了系统检测组织电磁特性细微变化的能力，这对于早期卒中检测至关重要。天线以不同距离（5, 10, 20, 30, 40, 50毫米）靠近头部放置，如图10所示。在评估了每个距离的性能后，如图11、12和13所示，选择10毫米的间距作为最佳距离，因为它相比天线在自由空间中的原始响应，对模拟信号的改变最小。在电磁成像系统设计的下一阶段，将球形目标嵌入脑模型中以模拟两种常见类型的卒中：缺血性卒中和出血性卒中。这些目标被插入大脑区域的不同位置，以模拟临床现实中潜在的卒中分布变异性。具体而言，在13个选定的Voxel家族模型中，目标位置在21个不同位置变化，以代表不同性别和年龄组的潜在临床变异性。这种方法产生了一个全面的模拟数据集，代表了广泛的临床场景，每个案例包含每次仿真产生的电磁响应数据（S参数）。该数据集为研究后期的机器学习模型训练提供了坚实基础，使得通过分析电磁模式变化来区分卒中类型成为可能，为未来准确实用的临床应用开辟了道路。
2.4 数据准备与收集
在仿真中使用了Voxel家族中多个不同生物年龄的头部模型，以改善正常大脑类别的代表性。这种多样性通过模拟健康脑组织及其随年龄变化的介电特性，增加了类似于正常大脑的样本数量。这一步还旨在减少输入到机器学习模型的三个类别（正常大脑、缺血性卒中、出血性卒中）之间的数据不平衡。每次仿真都生成了S参数信号。六天线系统产生36个不同的信号，包括发射和反射信号。每个信号被转换为1000个数据点（频率样本）的数字表示，为每次仿真生成一个1000×36的数据矩阵。该矩阵作为机器学习模型训练阶段的单个标记数据样本。这种方法产生了一个分为三个主要类别的数据集：缺血性卒中、出血性卒中和正常大脑。总样本数为702，如表3所示，分布为273个缺血性卒中样本、273个出血性卒中样本和156个正常大脑样本。这一分布表明，增加正常类别样本的策略有助于缩小类别间的数值差距，增强了机器学习模型的性能，并减少了模型偏向某一特定类别的可能性。
2.5 机器学习方法
机器学习模型通过识别数据中的模式来学习，然后使用这些知识对新数据进行预测或决策。通常，机器学习有三个主要类别：监督学习、无监督学习和强化学习。监督学习模型使用输入数据（特征）和已知结果（标签）进行训练，例如根据我们的成像数据对卒中类型进行分类。在无监督学习中，数据不包含标签，用于发现隐藏的结构或模式。而在强化学习中，模型通过试错学习，类似于人类或动物从环境中学习的方式。为了基于从电磁成像系统中提取的S参数数据对卒中类型进行分类，训练并测试了多种机器学习模型。使用的模型包括多种监督学习算法，以比较它们的性能并确定在此上下文中最有效的模型。测试的模型包括：逻辑回归、随机森林、K-最近邻、朴素贝叶斯、支持向量机、LightGBM和XGBoost。在对模型进行训练之前，对数据进行了归一化处理，将值转换为0到1之间的统一范围。此过程旨在减少不同特征之间数值尺度差异的影响，有助于算法性能更加稳定和高效。为了确保模型性能评估的准确性和可靠性，采用了五折交叉验证方法。数据被分成五个相等的子集，其中四个用于训练，一个用于每次迭代的测试，角色的折叠轮流进行。这一过程有助于减少随机划分带来的偏差，并对模型在未见数据上的效率提供更准确、更全面的评估。此外，它还有助于最小化过拟合的可能性。此外，利用网格搜索方法系统地搜索每个模型超参数的最佳设置。在这些策略之后，测试并评估了机器学习模型准确区分出血性卒中、缺血性卒中和正常大脑的能力。评估基于所提电磁成像系统中围绕头部模型的天线产生的电磁信号。
2.6 评估指标
本研究使用了一组标准性能指标来评估机器学习模型的性能。这些指标来源于3×3混淆矩阵，如图14所示。该矩阵表达了模型将数据分类到正确类别的性能。基于上述混淆矩阵，可以得出以下评估指标：准确率、召回率、精确率和F1分数。另一个用于评估分类模型性能的方法是接收者操作特征曲线及其曲线下面积。
2.7 实施细节
本研究使用的方法包括两个主要阶段。第一阶段涉及仿真和设计基于微带天线的微波系统，第二阶段重点是将机器学习算法应用于提取的数据以分类卒中类型。在第一阶段，使用CST Studio Suite仿真和设计了一款工作于适合脑部成像的频率范围内的微带天线。此外，设计了一个微波成像系统，由围绕模拟人体头部模型的天线阵列组成，以收集对应于不同类型卒中的S参数数据。所有仿真均在配备Intel Core i7-13650HX处理器和16GB RAM的个人笔记本电脑以及配备Intel Core i9-10900KF处理器和128GB RAM的台式计算机上完成。在第二阶段，使用Python在Google Colab环境中实现机器学习模型，以分析和分类提取的S参数数据。
3 实验结果与讨论
本研究应用了几种机器学习算法来基于脑部成像数据对卒中类型进行分类。模型包括逻辑回归、随机森林、K-最近邻、朴素贝叶斯、支持向量机、LightGBM和XGBoost。每个模型的性能通过多种分类指标进行评估，包括准确率、召回率、精确率和F1分数，随后分析了最佳和最差性能模型。所使用的模型结果各不相同，如图15所示，该图显示了使用五折交叉验证实现的各种模型的混淆矩阵，以评估模型区分出血性卒中、缺血性卒中和正常病例这三个类别的能力。随机森林模型表现出平衡且稳健的性能，在所有三个类别中都取得了准确的结果，正确分类了266例缺血性卒中、265例出血性卒中和152例正常病例。同样，LightGBM和XGBoost模型也表现出色，特别是在识别通常更难区分的正常病例模式方面。相比之下，朴素贝叶斯模型在所有类别中的表现相对较差，特别是在正常病例分类中，156例正常病例中只有31例被正确分类，有110例正常病例被错误分类为缺血性卒中。K-最近邻和逻辑回归模型在不同病例中表现出不同的性能。
图16显示了每个模型的ROC曲线和AUC值。随机森林模型表现出明显优势，在缺血性、出血性和正常病例中均实现了0.99的AUC值，反映了高准确性和强大的判别能力。XGBoost模型在缺血性和出血性病例中实现了完美的1.00 AUC值，在正常病例中为0.99。LightGBM模型也表现出色。相比之下，逻辑回归模型在正常类别中表现稍差，AUC降至0.90。KNN也表现出中等性能，在正常病例区分方面能力较低。SVM模型显示出更平衡的性能。然而，朴素贝叶斯模型表现极差，AUC值很低。这些结果强调了使用ROC曲线与混淆矩阵相结合以对模型性能进行更全面可靠评估的重要性。
为了提供模型性能的详细比较，基于混淆矩阵得出了包括精确率、召回率和整体准确率在内的关键评估指标，这些值总结在表4中。在评估的模型中，随机森林模型表现最佳，在所有评估指标中至少达到97.29%。这一结果突显了其稳健区分不同卒中类型的能力和在多类分类任务中的高效性。LightGBM和XGBoost模型也表现出色，准确率分别达到97.01%和97.00%。这些高度一致的性能可归因于模型的结构相似性，它们都使用基于树的集成学习方法。它们在基于微波的医学数据上取得高分类准确率是由于该框架能够有效捕捉复杂的数据模式。随机森林算法通过训练许多决策树并通过多数投票结合它们的输出来减少模型方差并最小化过拟合风险。而LightGBM和XGBoost则基于提升策略，构建一系列弱学习器并逐步纠正先前学习器的错误。这些模型对于复杂和高维数据集特别有效，因为它们能够高精度地捕捉特征交互和非线性关系。因此，它们在准确率、灵敏度和F1分数方面往往表现强劲。此外，内置功能如早停、处理缺失值和自动特征选择进一步增强了这些模型的整体有效性。
传统的分类方法，包括逻辑回归和SVM，表现中等，准确率分别为82.76%和87.32%。虽然这两个模型在识别出血性卒中病例方面表现出高精确度，但在准确分类“正常”类别方面效率低得多，表明处理类别不平衡或数据内微小变化的能力有限。KNN算法也产生了总体可接受的结果，准确率为72.78%；然而，它在可靠诊断缺血性卒中方面面临重大困难。这一性能表明该算法在特征空间中检测和区分复杂或细粒度模式的能力有限。相比之下，朴素贝叶斯分类器表现糟糕，准确率仅为45.16%。这一结果表明模型的核心概率假设与本研究使用的基于微波的脑部成像数据的基础结构和复杂性不匹配。
此外，表5代表了利用基于微波的数据进行卒中分类的近期研究的比较分析，评估了天线数量、数据类型、分类模型和整体性能。在大多数先前的研究中，只对正常和出血性卒中类型进行了分类，缺血性卒中受到的关注有限。例如，一些研究使用SVM、深度神经网络和聚类算法对正常和出血性卒中进行了分类，准确率在94%到99%之间。然而，这些模型缺乏全面的类别覆盖，从而降低了它们在涉及所有主要脑卒中类型的真实诊断场景中的临床适用性。相比之下，研究[37]纳入了缺血性卒中，并使用基于图像的特征和SVM模型，达到了88%的准确率。然而，图像重建过程引入了显著的计算复杂性。类似地，在研究[38]中，考虑了所有三个卒中类别，并将决策树模型应用于S参数数据。尽管这种方法达到了90%的准确率，但处理原始S参数数据增加了计算需求。相比之下，所提出的系统仅使用六根天线和原始S参数输入就获得了97.29%的高分类准确率，消除了图像重建的需要。这种效率，加上包含缺血性、出血性和正常卒中类型，突显了所提方法的卓越性能和实际适用性。此外，使用各种机器学习技术，如随机森林、逻辑回归和LightGBM等集成方法，提高了模型处理复杂的多类生物数据的能力。
在真实的临床环境中，基于微波的成像系统必须考虑几个实际挑战。一个主要考虑因素是患者的变异性，因为头部大小、组织成分和水分含量的差异会影响波传播并影响重建图像的稳定性。监管限制也起着重要作用，因为发射功率必须符合国际安全标准以限制电磁暴露，确保患者保护。此外，在将此类系统转化为临床实践之前，必须考虑热安全性、长期暴露指南以及针对不同解剖条件进行系统校准的需要。这些考虑因素强调了设计在广泛生理和监管约束下保持一致性能的天线和成像设置的重要性。
4 结论
本研究提出了一种基于微带天线的新型微波成像系统的开发和设计，旨在利用机器学习技术区分缺血性和出血性卒中。工作始于使用CST Studio Suite进行新颖的天线设计，重点是实现高增益和合适的辐射效率，满足非侵入性医疗应用的要求。天线表现出稳健的性能特征，使其适用于集成到多天线成像系统中。然后开发了一个三维仿真环境来代表人类大脑，包括模拟缺血性和出血性卒中电磁特征的球形目标。从该环境中收集了代表系统电磁响应的S参数数据，并用于形成训练数据集。在训练阶段，将多种机器学习模型应用于这些数据。比较结果表明，随机森林模型在准确性和所有评估指标方面表现最佳，反映了其在区分不同卒中病例方面的高效性。LightGBM和XGBoost也表现出有希望的性能，突显了基于树的集成提升模型在此类应用中的重要性。基于这些结果，研究证实，将微波成像技术与机器学习模型相结合代表了开发非侵入性早期卒中诊断系统的有前途的方法。研究建议根据医学知识和真实世界临床数据增强和优化特征提取阶段，以确保在实际应用中的准确预测。
【全文结束】