[发明专利]一种基于自编码器的超声信号处理方法

权利要求书

1.一种基于自编码器的超声信号处理方法，其特征在于，对超声信号进行预处理，然后叠加超声信号的样本，建立并分类超声信号的样本库，通过神经网络搭建的自动编码器对超声A扫描信号进行压缩和解压，基于深度学习获取特征函数的相关权重和偏置变量，并以此作为降噪参数对后续超声信号进行降噪处理；

预处理的具体过程如下：

S101、将单幅A扫描信号输出的一维数组进行升维，将一维数组各元素进行取整；

S102、以声程的有效采样点做为二维数组的列数，设置二维零数组；

S103、以最大回波波幅与各采样点波幅之差作为各列索引，将A扫描信号各列的波幅依次赋值于各列的索引处，将输出格式由一维数组升为二维数组；

超声信号的样本叠加具体为：

将多次获取到的超声A扫描信号通过预处理后获得多个二维数组，然后将二维数组中的非零元素设定为值1，再将各二维数组进行叠加，提取每列最大值并置1后将其余值置0；

超声信号的样本库建立和分类具体如下：

S301、采集超声A扫描信号，并通过超声信号预处理后，分组进行叠加处理；

S302、将处理过的多组二维数据进行维度压缩，将每个二维数组按列依次放入样本集中的同一行，即每个二维数组对应样本集中一行数据；

S303、将样本库分为训练样本集和测试样本集，且训练样本个数大于测试样本个数；

基于深度学习的降噪自编码器核心包括编码器、解码器和损失函数，利用自编码器对超声信号进行处理的步骤如下：

S401、对降噪自编码器进行训练，利用建立的训练样本集作为原始数据输入，选择优化器和学习率以指定的学习率降低损失函数loss，实现对样本信号的准确特征压缩和解压，并对数据元素进行随机删减；

S402、根据损失函数loss的计算结果调整编码器和解码器的迭代，然后将修改后的原始数据输入编码器，采用TensorFlow框架下的next_betch()函数对样本集进行批量提取；

S403、通过参数保存函数将自编码器获取到的特征参数进行保存，完成自编码器的特征提取和学习工作。

2.根据权利要求1所述的基于自编码器的超声信号处理方法，其特征在于，步骤S101中，二维数组的行数row计算如下：

其中，Value_max是回波波幅的最大值，Value_min是回波波幅的最小值。

3.根据权利要求2所述的基于自编码器的超声信号处理方法，其特征在于，当回波波幅的最小值Value_min＜0时，计算行数时加1。

4.根据权利要求2或3所述的基于自编码器的超声信号处理方法，其特征在于，预处理过程中，设初始一维信号如下：

2；4；5；3；1；0；-1；-2；0；0

其中，回波波幅的最大值Value_max＝5，回波波幅的最小值Value_min＝-2，二维数组行数row＝5+|-2|+1＝8。

5.根据权利要求1所述的基于自编码器的超声信号处理方法，其特征在于，步骤S401中，基于Tensorflow框架，根据数据处理精度需求选择隐藏层的层数，并等比于编码器中的隐藏层层数，建立解码器对所提取的特征进行数据恢复，在编码器中，将每一层输入信号x_i(t)与压缩后的表达式x_i+1(t)建立映射为当前层数，以达到对样本数据的特征提取，即：

x_i+1(t)＝σ(w_i×x_i(t)+b_i)

其中，w_i和b_i分别表示第i层的权重和偏置，σ是激活函数。

6.根据权利要求5所述的基于自编码器的超声信号处理方法，其特征在于，设输入信号为x(t)，通过自编码器压缩并解压后的输出信号为y(t)，通过对比两者的差异计算损失函数loss如下：

其中，N为一组数据中元素的个数。