[发明专利]基于CNN和多电极电磁测量的动静脉图像重建方法

权利要求书

1.一种基于CNN和多电极电磁测量的动静脉图像重建方法，其特征在于，其包括如下步骤：步骤1、获得数据集；步骤2、采用十折交叉验证将大量的样本数据分为训练集和验证集；步骤3、设计CNN的网络结构，其包含两个卷积层、两个池化层、辍学层和全连接层；步骤4、采用小批量梯度下降算法，将数据分为N批，按批来更新参数；导入NumPy包，完成小批量梯度下降算法模块的编写；当一个轮数快运行完且不够一个批次时，便将此轮数的结尾和下一个轮数的开头拼接起来；N为1个以上；步骤5、定义CNN的前向传播过程；步骤6、编写训练模块的程序；步骤7、编写验证模块的程序；步骤8、通过MATLAB软件编程，调用meshgrid和griddata函数；将原始图像和重建图像各自的相应像素点值变为图像；步骤9、根据图像重建的结果，得到动脉和静脉的分布；所述步骤1中获得数据集，采用方法如下：通过COMSOLMultiphysics仿真软件和MATLAB联合仿真，在仿真中，通过改变动脉和静脉的圆心和半径，模拟动脉和静脉在人体肢体截面处的各种分布，获得样本数据；每个样本均包括边界电势测量值和相应的像素点分布；x表示图像像素值的分布，y表示边界电势测量值；当人体肢体截面处有血液流动时，流动区域图像的像素值被设置为1；而其他没有血液流动的组织区域，它们图像的像素值被设置为0；将多电极电磁测量方式应用于人体肢体血液流速的测量；将人体肢体整个截面视为流动区域，并划分为不同区域块以模仿人体血液流动；通过多对电极获取肢体截面处的不同位置的弦端电压，利用任意流型下的平均流速公式，仿真验证并计算出人体肢体截面各个区域块的流动速度。

2.根据权利要求1所述的基于CNN和多电极电磁测量的动静脉图像重建方法，其特征在于，CNN的训练采用Anaconda环境管理器建立Tensorflow环境，并在TensorFlow环境中下载NumPy和SciPy包，调用Tensorflow内置的模块完成CNN的网络结构的搭建。

3.根据权利要求1所述的基于CNN和多电极电磁测量的动静脉图像重建方法，其特征在于，所述步骤5中定义CNN的前向传播过程，所采用的方法为调用Tensorflow内置的模块完成CNN前向传播模块的编写。

4.根据权利要求1所述的基于CNN和多电极电磁测量的动静脉图像重建方法，其特征在于，所述步骤6中编写训练模块的程序，所采用的方法如下：导入小批量梯度下降算法模块，导入前向传播过程的模块，导入os包和TensorFlow包，导入训练集；配置CNN相关参数，计算损失函数，所述损失函数包含两部分：前一项代表交叉熵损失；后一项代表正则化项，损失函数的公式(1)如下：

其中，L为损失函数；y'i是期望输出的概率分布；y_i^*是经过Softmax逻辑回归处理后的输出；

λΦ(ω)表示正则化项即惩罚项，n表示样本数；λ表示复合损失与总损失的比率；假设Y'＝[y'1,y'2,...,y'i,y'n]是期望输出的概率分布，则其计算公式(2)如下：

其中，Y＝[y1 ,y2 ,...,yi ,yn]是期望的输出；yi是Y＝[y1 ,y2 ,...,yi ,yn]中的一个变量，表示第i个样本的期望输出； m是期望输出中1的个数；L2正则化项的表达式(3)如下：

其中，β表示衰减率，β∈[0 ,1)；β＝0相当于没有使用滑动平均。

5.根据权利要求1所述的基于CNN和多电极电磁测量的动静脉图像重建方法，其特征在于，在CNN中，选择指数衰减法来更新训练过程中的学习率。

6.根据权利要求1或5所述的基于CNN和多电极电磁测量的动静脉图像重建方法，其特征在于，在提出的CNN中，反向传播算法将误差从末层反向传播，然后使用梯度下降法优化网络中参数的值，最后使得训练集的损失值最小，完成训练过程。