[发明专利]光声成像环形稀疏阵列信号预测方法与装置

权利要求书

1.一种光声成像环形稀疏阵列信号预测方法，其特征在于，所述方法具体包括以下步骤：

S1，将输入信号进行标准化，并且截去预设的起始阶段长度的信号；

S2，将处理后的输入信号划分为训练数据集，训练数据集的标签集，测试数据集和测试数据集的标签集；

所述步骤S2具体为：

从编号为1的超声换能器阵元采集的信号开始，按顺序取出编号为1+4K的超声换能器阵元的信号，作为训练数据集；

从编号为2的超声换能器采集的信号开始，按顺序取出编号为2+4K的超声换能器信号，作为训练数据集的标签集；

从编号为3的超声换能器采集的信号开始，按顺序取出编号为3+4K的超声换能器信号，作为测试数据集；

从编号为4的超声换能器采集的信号开始，按顺序取出编号为4+4K的超声换能器信号，作为测试数据集的标签集；其中，K为0,1,2…127…S/4-1；S为超声换能器阵元的个数；

S3，将训练数据集和训练数据集的标签集输入卷积门控循环神经网络进行训练，得到训练后的卷积门控循环神经网络；

S4，在稠密阵列上，将测试数据集和测试数据集的标签集输入训练得到的卷积门控循环神经网络进行验证，并更新卷积门控循环神经网络；

S5，在稀疏阵列中采集信号，将该在稀疏阵列中采集的信号输入更新的卷积门控循环神经网络进行预测，得到稀疏阵列其他位置的超声换能器阵元的信号数据；

所述步骤S5具体为：在稀疏阵列中采集信号，并对信号进行标准化，并且截去预设的起始阶段长度的信号；将该信号输入更新的卷积门控循环神经网络进行预测；预测将分3次进行，第一次使用稀疏阵列中有限的S/4组阵元数据，预测编号为2+4K的阵元信号；第二次使用预测得到的编号为2+4K的阵元信号，输入卷积门控循环神经网络，预测编号为3+4K的阵元信号；第三次使用预测得到的编号为3+4K的阵元信号，输入卷积门控循环神经网络，预测编号为4+4K的阵元信号；其中，K为0,1,2…127…S/4-1；得到稀疏阵列其他位置的超声换能器阵元的信号数据。

2.根据权利要求1所述的光声成像环形稀疏阵列信号预测方法，其特征在于，超声换能器探测被测物体组织反射的声压信号，并将该声压信号转化为电信号，读取该电信号，将该电信号作为输入信号；所述输入信号为N×M形矩阵，M是阵列中超声换能器阵元个数，N是单个超声换能器阵元采集到的信号长度。

3.根据权利要求1所述的光声成像环形稀疏阵列信号预测方法，其特征在于，预设的起始阶段长度为400~600，以删除与目标物体无关的超声换能器自身反射的回波信号。

4.根据权利要求1所述的光声成像环形稀疏阵列信号预测方法，其特征在于，将包含S个超声换能器阵元的环形超声换能器阵列作为稠密阵列，并将每个超声换能器按序编号为1,2,3…,512…S；以每间隔4个超声换能器阵元保留一个的形式组成一个S/4超声换能器阵元的环形超声换能器阵列，将该包含S/4个超声换能器阵元的环形超声换能器阵列作为稀疏阵列，并将每个超声换能器编号按序为1,5,9…S-3。

5.根据权利要求1所述的光声成像环形稀疏阵列信号预测方法，其特征在于，所述卷积门控循环神经网络由两层门控单元网络和一层全连接层组成；其中，门控单元网络每层的单元数量等于128，每层的丢弃率等于0.1，最后一层全连接层的单元数量为1。

6.根据权利要求1所述的光声成像环形稀疏阵列信号预测方法，其特征在于，所述步骤S3训练卷积门控循环神经网络的过程中，自定义设置训练的迭代次数和每批次取数据量，使用了均方根反向传播算法优化器，采用Sigmoid函数作为激活函数，采用平均绝对误差为损失函数。

7.一种电子设备，包括存储器和处理器，其特征在于，所述存储器与所述处理器耦接；其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现上述权利要求1-6任一项所述的光声成像环形稀疏阵列信号预测方法。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-6中任一所述的光声成像环形稀疏阵列信号预测方法。