CN109959889A - 磁共振成像系统冷头工作状态的监测方法和系统 - Google Patents
磁共振成像系统冷头工作状态的监测方法和系统 Download PDFInfo
- Publication number
- CN109959889A CN109959889A CN201711421803.4A CN201711421803A CN109959889A CN 109959889 A CN109959889 A CN 109959889A CN 201711421803 A CN201711421803 A CN 201711421803A CN 109959889 A CN109959889 A CN 109959889A
- Authority
- CN
- China
- Prior art keywords
- cold head
- convolutional neural
- neural networks
- spectrogram
- voice signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000002595 magnetic resonance imaging Methods 0.000 title claims abstract description 130
- 238000012544 monitoring process Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 192
- 238000012545 processing Methods 0.000 claims description 43
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000007477 logistic regression Methods 0.000 claims description 13
- 230000008878 coupling Effects 0.000 claims description 12
- 238000010168 coupling process Methods 0.000 claims description 12
- 238000005859 coupling reaction Methods 0.000 claims description 12
- 230000005236 sound signal Effects 0.000 claims description 12
- 230000001537 neural effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims 1
- 238000006243 chemical reaction Methods 0.000 description 23
- 238000012952 Resampling Methods 0.000 description 18
- 239000011248 coating agent Substances 0.000 description 17
- 238000000576 coating method Methods 0.000 description 17
- 238000012423 maintenance Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 10
- 239000001307 helium Substances 0.000 description 8
- 229910052734 helium Inorganic materials 0.000 description 8
- SWQJXJOGLNCZEY-UHFFFAOYSA-N helium atom Chemical compound [He] SWQJXJOGLNCZEY-UHFFFAOYSA-N 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 239000000306 component Substances 0.000 description 3
- 239000002826 coolant Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 238000004171 remote diagnosis Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002887 superconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
一种磁共振成像系统冷头工作状态的监测方法，其包括：接收通过磁共振成像系统上的声音收集装置在冷头工作期间采集的冷头声音信号；对所述冷头声音信号进行处理，其包括计算所述冷头声音信号的频谱图；以及将所述频谱图输入卷积神经网络，并且根据所述卷积神经网络的输出来判断所述冷头的工作状态。
Description
技术领域
本发明涉及医疗成像领域，尤其涉及一种磁共振成像系统冷头工作状态的监测方法和监测系统、基于云端的磁共振成像系统冷头工作状态的监测方法和监测系统、以及用于执行所述方法的计算机可读存储介质。
背景技术
磁共振成像系统已广泛应用于医疗诊断领域，其基本原理是利用磁体产生均匀的强磁场，在由梯度线圈产生特定的梯度场的配合下，将诊断对象体内的氢原子极化，然后由射频线圈发射无线电射频脉冲激发氢原子核，引起核共振，并吸收能量。在停止射频脉冲后，氢原子核按特定频率发出射电信号，并将吸收的能量释放出来，被体外的接收器收录，经电子计算机处理后获得图像。
在超导磁共振成像系统中，超导磁体作为核心部件，其利用超导材料制成的超导线圈产生高场强、高稳定磁场。所述超导线圈位于装满冷却剂的冷却剂容器中，被冷却的超导线圈会达到超导温度，并保持超导状态。向超导线圈中通入大电流，产生高场强高稳定磁场，且由于超导态的线圈为零电阻，电流不会有损耗。一般使用数百升液氦作为冷却剂，来维持超导线圈所需的低温。液氦从周围吸收热量并转换成气体。然后，冷头被用来从磁体中提取热量并将氦气再冷凝成液体。
冷头的效能可能会逐渐降低，每年降低约为10％。冷头寿命大约为3至4年。冷头失效或低效可能会导致氦气压力升高，氦气流失，甚至制冷失效。因此，需要一种合适的方法来监测冷头的工作状态，以确保其正常工作是非常重要的。
目前，冷头的效率是由加热器的工作周期来监测和预测的。当氦气压力低于下限时，加热器内部的磁体监视器将启动以增加压力。当压力超过上限时，加热器将被禁用。磁体监视器将记录加热器加热状态，并将工作周期报告给服务中心。当加热器工作周期长于设定的规范时，表示冷头接近寿命，维修中心将通知现场工程师更换冷头。一般来说，加热器的工作周期是测量冷头对磁体影响的方式，但不是监测冷头的直接方式。有时冷头已经有了一些问题，但仍然可以冷凝氦气。由于氦气压力仍缓慢增加，即使氦压缩机已经停止工作，但是也不能直接发现冷头已经失效，也不能及时地更换冷头，由此可能会导致超导磁共振成像系统损坏。
因此，需要提供一种新的磁共振成像系统冷头工作状态的监测方法和监测系统，能够直接监测冷头的工作状态，确保冷头始终能正常工作或能够及时预测冷头的剩余寿命，为现场工程师提供远程诊断。
发明内容
本发明提供了一种磁共振成像系统冷头工作状态的监测方法，其包括：接收通过磁共振成像系统上的声音收集装置在冷头工作时采集的冷头声音信号；对所述冷头声音信号进行处理，其包括计算所述冷头声音信号的频谱图；以及将所述频谱图输入卷积神经网络，并且根据所述卷积神经网络的输出来判断所述冷头的工作状态。
本发明提供了一种计算机可读存储介质，用于存储计算机程序，所述计算机程序运行于计算机系统，用于执行以下指令：接收通过磁共振成像系统上的声音收集装置在冷头工作时采集的冷头声音信号；对所述冷头声音信号进行处理，其包括计算所述声音信号的频谱图；以及将所述频谱图输入卷积神经网络，并且根据所述卷积神经网络的输出来判断所述冷头的工作状态。
本发明提供了一种基于云端的磁共振成像系统冷头工作状态的监测方法，其包括：接收通过磁共振成像系统上的声音收集装置在冷头工作时采集的冷头声音信号；将所述冷头声音信号传送至云端服务器并在云端服务器计算所述冷头声音信号的频谱图或者在磁共振成像系统计算所述冷头声音信号的频谱图并将所述频谱图传送至云端服务器；以及将所述频谱图输入所述云端服务器的卷积神经网络，并且根据所述卷积神经网络的输出来判断用户端的冷头的工作状态。
本发明提供了一种磁共振成像系统冷头工作状态的监测系统，其包括：声音采集装置，其设置在所述磁共振成像系统上，用于采集所述冷头工作时的冷头声音信号；处理模块，其用于对所述冷头声音信号进行处理，所述处理模块用于计算所述冷头声音信号的频谱图；以及判断模块，其用于将所述频谱图输入第一卷积神经网络，并且根据所述第一卷积神经网络的输出来判断所述冷头是否正常。
本发明提供了一种基于云端的超导磁共振成像系统的冷头工作状态的监测系统，其包括：声音采集装置，其设置在所述磁共振成像系统上，用于采集冷头工作时的声音信号；磁共振成像系统的计算机系统，其包括对所述冷头声音信号进行处理的处理模块，所述处理模块用于计算所述冷头声音信号的频谱图；以及云端服务器，其用于将所述频谱图输入卷积神经网络，并且根据所述卷积神经网络的输出来判断冷头的工作状态。
通过下面的详细描述、附图以及权利要求，其他特征和方面会变得清楚。
附图说明
通过结合附图对于本发明的示例性实施例进行描述，可以更好地理解本发明，在附图中：
图1为本发明一个实施例的磁共振成像系统冷头工作状态的监测方法的流程示意图；
图2为本发明一个实施例的磁共振成像系统冷头工作状态的监测方法的具体流程图；
图3为采用本发明磁共振成像系统冷头工作状态的监测方法及监测系统获取的正常冷头工作时声音信号的频谱图的一个实施例；
图4为采用本发明磁共振成像系统冷头工作状态的监测方法及监测系统获取的需要替换的冷头工作时声音信号的频谱图的一个实施例；
图5为图3所示的正常冷头工作时所述声音信号的频谱图幅值掩模去噪之后的频谱图；
图6为图4所示的需要替换的冷头工作时所述声音信号的频谱图幅值掩模去噪之后的频谱图；
图7为本发明一个实施例的磁共振成像系统冷头工作状态的监测方法及监测系统的用于识别冷头是否正常的第一卷积神经网络；
图8为本发明一个实施例的磁共振成像系统冷头工作状态的监测方法及监测系统的预测冷头剩余寿命的第二卷积神经网络；
图9为本发明一个实施例的磁共振成像系统冷头工作状态的监测系统的示意框图；
图10为本发明一个实施例的基于云端的磁共振成像系统的冷头工作状态的监测系统的示意框图；
图11为本发明一个实施例的基于云端的磁共振成像系统的冷头工作状态的监测系统的示意框图；
图12为本发明一个实施例的磁共振成像系统的示意图；
图13为本发明一个实施例的基于云端的磁共振成像系统的冷头工作状态的监测系统的流程示意图。
具体实施方式
以下将描述本发明的具体实施方式，需要指出的是，在这些实施方式的具体描述过程中，为了进行简明扼要的描述，本说明书不可能对实际的实施方式的所有特征均作详尽的描述。应当可以理解的是，在任意一种实施方式的实际实施过程中，正如在任意一个工程项目或者设计项目的过程中，为了实现开发者的具体目标，为了满足系统相关的或者商业相关的限制，常常会做出各种各样的具体决策，而这也会从一种实施方式到另一种实施方式之间发生改变。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本发明公开的内容相关的本领域的普通技术人员而言，在本公开揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本公开的内容不充分。
除非另作定义，权利要求书和说明书中使用的技术术语或者科学术语应当为本发明所属技术领域内具有一般技能的人士所理解的通常意义。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“一个”或者“一”等类似词语并不表示数量限制，而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的元件或者物件及其等同元件，并不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，也不限于是直接的还是间接的连接。
本发明提供一种冷头工作状态的监测方法和监测系统以及基于云端的冷头工作状态的监测方法和监测系统，用于实时监测超导磁共振成像系统的冷头工作状态，以及预测所述冷头的剩余寿命，为现场工程师提供远程诊断。
图1为本发明一个实施例的磁共振成像系统冷头工作状态的监测方法10的流程示意图。如图1所示，所述磁共振成像系统冷头工作状态的监测方法10包括以下步骤：步骤11，通过声音采集装置采集冷头工作时的声音信号；步骤12，对所述冷头声音信号进行处理，其主要包括计算所述声音信号的频谱图；步骤13，将所述频谱图输入卷积神经网络(convolutional neural network)，并且根据所述卷积神经网络的输出来判断冷头的工作状态。
请一并参阅图12所示，其为本发明一个实施例的磁共振成像系统60的示意图。该磁共振成像系统60包括磁体63、扫描床65、以及在所述磁体63和扫描床之间形成的扫描腔64。所述磁共振成像系统60进一步包括设置在磁体63外壳上的冷头61。所述磁共振成像系统60还包括设置在扫描腔64内的麦克风62，所述麦克风可以实时采集所述冷头61工作时的冷头声音信号。
本发明的一些实施中，在步骤11中，所述声音采集装置可以是设置在磁共振成像系统60扫描腔64内的麦克风62。所述麦克风也可以是复用设置在磁共振成像系统扫描腔内的用于病人躺在扫描床65上与外界通信的麦克风。这样，就无须另外设置专门的声音采集装置，节约了硬件成本，也避免了需要专门设计所述声音采集装置的架构，同时简化了所述超导磁共振成像系统整体的设计。
本发明的一些实施例中，所述声音采集装置也可以不限于麦克风，可以是其它类型的声音传感器，例如声音接收换能器。所述声音采集装置也可以设置在所述超导磁共振成像系统的其它地方，例如所述声音采集装置也可以设置在所述超导磁共振成像系统的外壳上或外壳内、或者设置在所述冷头的外壳上、或者设置在靠近所述冷头的超导磁共振成像系统的其它位置。
图2为本发明一个实施例的磁共振成像系统冷头工作状态的监测方法的具体流程图，其示意了本发明一个实施例的磁共振成像系统冷头工作状态的监测方法20的具体流程。所述磁共振成像系统冷头工作状态的监测方法20具体包括以下步骤：步骤21，通过声音采集装置采集冷头工作时的声音信号。在步骤21中，所述声音采集装置通常可以采集所述冷头工作时一定周期内的声音信号，例如可以采集所述冷头工作时12秒内的声音信号。所述采集时间不以本实施例的为限，可以是所述冷头工作时其它时间周期内的声音信号，例如30秒或者更长，甚至冷头的整个生命周期。所述声音采集装置的采集时间不宜过短，也不宜过长，可以体现一段时间内的冷头工作状态即可。
所述磁共振成像系统的冷头工作状态的监测方法20还包括：步骤22，将所述声音信号进行模数转换和归一化处理。所述步骤22主要包括：先将所述声音采集装置采集的所述冷头声音信号通过模数转换模块进行模数转换，得到数字的冷头声音信号。然后再将所述数字的冷头声音信号的振幅进行归一化处理。
所述磁共振成像系统的冷头工作状态的监测方法20还包括：步骤23，基于归一化的冷头声音信号来计算所述冷头声音信号的频谱图。所述步骤23主要包括采用短时傅里叶变换方法基于所述归一化的冷头声音信号来计算所述冷头工作时的所述声音信号的频谱图。请一并参阅图3所示，其为采用本发明磁共振成像系统冷头工作状态的监测方法和监测系统获取的正常冷头工作时声音信号的频谱图的一个实施例，其记录了所述正常冷头在12秒内的工作周期内的所述正常冷头声音信号产生的频谱图。请一并参阅图4所示，其为采用本发明磁共振成像系统冷头工作状态的监测方法和监测系统获取的需要替换的冷头工作时声音信号的频谱图的一个实施例，其记录了所述需要更换的冷头在12秒内的工作周期内的所述需要替换的冷头声音信号产生的频谱图。
所述冷头工作状态的监测方法20还包括：步骤24，基于所述冷头声音信号的幅值掩模从冷头声音信号的频谱图中去除冷头工作时的背景噪声得到冷头工作时去噪之后的频谱图。所述步骤24主要是为了去除所述冷头工作时的背景噪声，以此消除所述背景噪声对分析所述冷头工作时的所述声音信号的干扰。所述背景噪声主要包括所述冷头工作时周围环境的声音，例如风扇的声音。所述步骤24主要是基于所述声音信号的振幅阈值来去除背景噪声。请一并参阅图5和图6所示，图5为图3所示的正常冷头工作时所述声音信号的频谱图去噪之后的频谱图，图6为图4所示的需要替换的冷头工作时所述声音信号的频谱图去噪之后的频谱图。一般情况下，所述冷头工作时的所述声音信号的振幅频率一般在2000赫(Hz)至9000赫(Hz)，因此通常会选取振幅频率2000赫(Hz)至9000赫(Hz)经过去噪之后的声音信号用于后面的分析和判断。如果所述声音信号的振幅频率低于2000赫(Hz)或大于9000赫(Hz)，通常为背景噪声，需要去除。
所述磁共振成像系统的冷头工作状态的监测方法20还包括：步骤25，对去噪之后的频谱图重新采样。所述步骤205主要是将去噪之后的所述声音信号的频谱图重新采样，得到分辨率为256*256的重新采样的频谱图。当然也可以通过重新采样得到其它分辨率的重新采样的频谱图。
所述冷头工作状态的监测方法20的所述步骤22至所述步骤25都是对采集到的冷头工作时的冷头声音信号进行的处理。通过上述一系列对所述冷头工作时的冷头声音信号的处理，可以减少背景噪声对后续分析的影响，增强所述频谱图中冷头工作时所述冷头声音信号的特征，有利于后续分析，由此可以基于处理的所述声音信号的频谱图对所述冷头的工作状态和所述冷头的剩余寿命做出更准确的判断和预测。
所述冷头工作状态的监测方法20还包括：步骤26和步骤27。所述步骤26主要是将所述重新采样的频谱图输入第一卷积神经网络，并且根据所述第一卷积神经网络的输出来判断所述冷头是否正常。所述第一卷积神经网络对输入的频谱图进行二元逻辑回归分类来实现识别所述冷头是否正常。通常第一卷积神经网络最终会输出冷头正常和冷头需要替换两种判断结果。所述步骤27主要是将所述重新采样的频谱图输入第二卷积神经网络，并且根据所述第二卷积神经网络的输出来预测所述冷头的剩余寿命。所述第二卷积神经网络主要对输入的频谱图进行值回归，最终会输出冷头的剩余寿命。
所述步骤26和所述步骤27分别将所述重新采样的频谱图输入所述第一卷积神经网络和第二卷积神经网络。所述第一卷积神经网络和第二卷积神经网络都能够自动地学习正常冷头的声音信号的频谱图的特征和需要替换的冷头的声音信号的频谱图的特征，最终完成对所述频谱图的分类识别以识别正常的冷头和需要替换的冷头、以及预测冷头的剩余寿命。
进一步说，所述步骤26，主要是基于所述重新采样的频谱图通过训练好的第一卷积神经网络对所述冷头工作时的频谱图进行二元逻辑回归分类来判断所述冷头是否正常。所述步骤26具体包括以下步骤：构建第一卷积神经网络，改进所述第一卷积神经网络，训练及测试所述第一卷积神经网络，优化所述第一卷积神经网络参数，利用所述第一卷积神经网络对所述冷头工作时的声音信号的频谱图进行二元逻辑回归分类，最后输出所述冷头的工作状态，即所述冷头正常和所述冷头需要替换两种判断结果。
进一步说，所述训练及测试所述第一卷积神经网络主要是将正常冷头工作时的声音信号的频谱图和需要替换的冷头工作时的声音信号的频谱图输入所述第一卷积神经网络，对所述第一卷积神经网络进行训练及测试，使所述第一卷积神经网络最后更根据所述冷头工作时的声音信号的频谱图能识别出所述冷头是否处于正常状态。请参阅图5所示，所述正常冷头的所述声音信号的频谱图，所述正常冷头的进冲程的功率谱密度明显强于出冲程的功率谱密度。请参阅图6所示，为所述需要替换的冷头的所述声音信号的频谱图，所述需要替换的冷头的进冲程的功率谱密度和出冲程的功率谱密度基本上相同。由此可见，所述正常冷头工作时的声音信号的频谱图和所需替换的冷头工作时的声音信号的频谱图是很不一样的。因此，所述第一卷积神经网络和第二卷积神经网络能通过不断的训练和学习最后可以根据所述冷头工作时的所述声音信号的频谱图判断出所述冷头是否处于正常的工作状态，即判断所述冷头是处于正常状态还是所述冷头需要尽快更换、以及所述冷头的剩余寿命。
请参阅图7所示，其为本发明一个实施例的磁共振成像系统的冷头工作状态的监测方法用于识别冷头是否正常的第一卷积神经网络，即在所述步骤26中所使用的第一卷积神经网络。所述第一卷积神经网络主要包括二级级联的卷积神经网络。所述第一卷积神经网络主要采用修正线性单元(Rectified linear unit,ReLU)卷积神经网络。所述第一卷积神经网络具体包括第一卷积层、与所述第一卷积层连接的第一池化层、与所述第一池化层连接的第一激活层、与所述第一激活层级联的第二卷积层、与所述第二卷积层连接的第二池化层、与所述第二池化层连接的第二激活层、与所述第二激活层连接的全连接层。
训练所述第一卷积神经网络时，将正常的冷头工作时的声音信号的频谱图和需要替换的冷头工作时的声音信号的频谱图分别输入所述第一卷积神经网络进行分析。将大量的正常冷头工作时的声音信号的频谱图和需要替换的冷头工作时的声音信号的频谱图经过处理并重新采样得到256*256的频谱图，然后将256*256的频谱图随机裁切成64*64的子频谱图，且用热编码标记，这样可以增加样本数量且避免过度拟合。接着将所述64*64的子频谱图输入所述第一卷积神经网络的第一卷积层。所述第一卷积层使用32个10*10的卷积核对所述子频谱图进行卷积，得到所述第一卷积层的特征图。所述第一池化层对所述第一卷积层的所述特征图进行池化，经过池化窗口为2*2的最大池化，得到所述第一池化层的特征图。所述第一激活层利用修正线性单元(Rectified linear unit,ReLU)激活函数对所述第一池化层的所述特征图进行非线性映射，得到所述第一激活层的特征图，然后输入所述第二卷积层。所述第二卷积层使用64个5*5的卷积核对所述激活层的所述特征图进行卷积，得到所述第二卷积层的特征图。所述第二池化层对所述第二卷积层的所述特征图进行池化，经过池化窗口为2*2的最大池化，得到所述第二池化层的特征图。所述第二激活层利用修正线性单元(Rectified linear unit,ReLU)激活函数对所述第二池化层的所述特征图进行非线性映射，得到所述第二激活层的特征图，然后输入所述全连接层。所述全连接层基于所述第二激活层的输出采用二元逻辑回归分类法得到并输出最后识别判断结果，即所述冷头正常和所述冷头需要替换。
通过不断地训练及测试所述第一卷积神经网络，优化所述第一卷积神经网络参数，最后可以利用训练好的所述第一卷积神经网络对所述冷头工作时的声音信号的频谱图进行二元逻辑回归分类，最后输出所述冷头的工作状态，即所述冷头正常和所述冷头需要替换两种判断结果。
进一步说，所述步骤27，主要是将采集到的冷头工作时的声音信号的频谱图经过重新采样，然后输入训练好的第二卷积神经网络，并且根据所述第二卷积神经网络的输出来预测所述冷头的剩余寿命。所述训练好的第二卷积神经网络对输入的重新采样的频谱图进行值回归，得出所述冷头的剩余寿命，从而可以预测所述冷头的剩余寿命。所述步骤27也包括以下步骤：构建第二卷积神经网络，改进所述第二卷积神经网络，训练及测试所述第二卷积神经网络，优化所述第二卷积神经网络参数，利用训练好的第二卷积神经网络对所述冷头工作时的声音信号的频谱图进行值回归分析，最后预测出所述冷头的剩余寿命。
所述步骤27和所述步骤26类似，主要区别在于：首先，所述步骤27中的第二卷积神经网络在训练时，需要输入更多的采集到的所述冷头工作时的声音信号，尤其是所述冷头整个生命周期工作时的声音信号。其次，所述步骤27中，训练所述第二卷积神经网络时，需要对不同剩余寿命的冷头工作时的声音信号的频谱图预先做好标记，例如剩余12天寿命的冷头工作时声音信号的频谱图、剩余36天寿命的冷头工作时声音信号的频谱图、剩余72天寿命的冷头工作时声音信号的频谱图，然后将标记好的不同寿命天数的冷头工作时的声音信号的频谱图输入所述第二卷积神经网络并进行练习判断。最后，所述步骤27中所述第二卷积神经网络最后判断时所采用的输出算法不同于步骤26中的第一卷积神经网络。所述第二卷积神经网络采用值回归法代替步骤26中第一卷积神经网络的二元逻辑回归分类法，以此对所述冷头的剩余寿命做出预测。所述值回归法具体可以包括通过欧几里得损失(Euclidean Loss)函数来计算出所述冷头寿命剩余的寿命(可以具体到天数)。
请参阅图8所示，图8为本发明一个实施例的磁共振成像系统冷头工作状态的监测方法的预测冷头剩余寿命的第二卷积神经网络，即在所述步骤27中所使用的第二卷积神经网络。图8所示的所述第二卷积神经网络和图7所示的所述第一卷积神经网络基本上相同，也是包括二级级联的卷积神经网络，也是主要采用修正线性单元(Rectified linearunit,ReLU)的卷积神经网络。所述第二卷积神经网络也包括第一卷积层、与所述第一卷积层连接的第一池化层、与所述第一池化层连接的第一激活层、与所述第一激活层级联的第二卷积层、与所述第二卷积层连接的第二池化层、与所述第二池化层连接的第二激活层、与所述第二激活层连接的全连接层。
图8所示的所述第二卷积神经网络和图7所示的所述第一卷积神经网络对所述冷头工作时所述冷头声音信号的频谱图的具体分析过程基本相同，于此不再赘述。
图8所示的所述第二卷积神经网络和图7所示的第一所述卷积神经网络不同的地方在于：所述第二卷积神经网络在所述全连接层之后还进一步包括欧几里得损失层(Euclidean Loss Layer)。所述欧几里得损失层(Euclidean Loss Layer)主要是通过欧几里得损失函数的回归算法来计算出所述冷头的剩余寿命，通过对所述冷头工作时的声音信号的频谱图进行值回归得到所述冷头的寿命，最后输出所述冷头的预测剩余寿命。
进一步说，本发明冷头工作状态的监测方法的第一卷积神经网络和第二卷积神经网络在分析过程中都是对所述冷头工作时的所述声音信号的频谱图进行随机裁剪，这样可以增加样本数量，避免过度拟合。
进一步说，本发明冷头工作状态的监测方法的第一卷积神经网络和第二卷积神经网络都是基于相应的卷积神经网络的深度学习对所述冷头工作时的声音信号的频谱图进行判断。所述第一卷积神经网络和所述第二卷积神经网络通过引入所述卷积层、所述池化层和所述激活层，极大地增强了所述第一卷积神经网络和所述第二卷积神经网络的学习能力。所述第一卷积神经网络和所述第二卷积神经网络借助卷积层的学习能力和激活层的筛选能力，获取不同冷头工作时的声音信号的频谱图的特征，可以实现实时去噪。另外，在所述第一卷积层和所述第二卷积层之后分别使用了所述第一池化层和所述第二池化层，这样也可以避免过度拟合，并进一步降低了噪声。其中，每个池化层后的激活层选用修正线性单元(Rectified linear unit,ReLU)函数，可以将小于0的神经元去掉，从而筛选出有效的特征，进而有效避免梯度爆炸的问题。本发明冷头工作状态的监测方法所使用的第一卷积神经网络和第二卷积神经网络通过上述方式，由此可以实现识别所述冷头是否正常和准确地预测所述冷头的剩余寿命。
进一步说，图7所示的所述第一卷积神经网络和图8所示的所述第二卷积神经网络可以不限于本发明实施例所示意的二级卷积神经网络，也可以是更多级卷积神经网络。所述第一卷积层的卷积核不以上述实施例为限，可以为其他数目其他大小的卷积核。所述第二卷积层的卷积核也不以上述实施例为限，也可以为其他数目其他大小的卷积核。进一步说，图7所示的所述第一卷积神经网络和图8所示的所述第二卷积神经网络也可以是用于处理图像的其它类型的卷积神经网络。
本发明还提供了一种计算机可读存储介质，用于存储计算机程序。所述计算机程序可以运行于计算机系统，用于执行一个或者多个计算机程序指令。
所述计算机程序指令具体包括以下指令：
第一指令：接收通过声音采集装置采集的冷头工作时的冷头声音信号。所述声音采集装置和本发明图1所述实施例中的声音采集装置相同，其也设置在磁共振成像系统上。所述声音采集装置的具体设置位置和工作原理等也和图1所述实施例中的声音采集装置相同，于此不再赘述。通过该声音采集装置可以采集到所述冷头工作时的冷头声音信号。
第二指令：对所述冷头声音信号进行处理，其包括计算所述冷头声音信号的频谱图。将采集到的冷头声音信号进行模数转换和归一化处理，然后基于归一化的冷头声音信号计算得到所述冷头工作时的冷头声音信号的频谱图。所述对所述冷头声音信号进行处理还包括基于所述冷头声音信号的幅值掩模从冷头声音信号的频谱图中去除冷头工作时的背景噪声，得到所述冷头工作时去噪之后的频谱图，这样可以消除其它背景噪声，可以减少冷头工作时的背景噪声对后续分析的影响，增强所述频谱图中所述冷头工作时所述冷头声音信号的特征，有利于后续分析。将去噪之后的所述声音信号的频谱图重新采样得到重新采样的256*256的频谱图。
第三指令：将所述频谱图输入卷积神经网络，并且根据所述卷积神经网络的输出来判断所述冷头的工作状态。其中，所述卷积神经网络包括第一卷积神经网络和第二卷积神经网络。
第三指令中，将所述冷头工作时的声音信号的频谱图经过一系列处理之后输入所述第一卷积神经网络，并且根据所述第一卷积神经网络的输出来判断所述冷头是否正常。所述第一卷积神经网络主要对输入的频谱图进行二元逻辑回归分类，最后输出冷头正常和冷头需要替换的两种判断结果的一个。
第三指令中，还可以将所述冷头工作时的声音信号的频谱图经过处理之后输入所述第二卷积神经网络，并且根据所述第二卷积神经网络的输出来预测所述冷头的剩余寿命。所述第二卷积神经网络对输入的频谱图进行值回归得到所述冷头的剩余寿命。
第四指令：根据对所述冷头的工作状态的判断结果输出报警或者报警信息。例如根据所述冷头需要替换的判断结果输出相应的报警或者报警信息。如果所述冷头不正常或者需要替换，直接将所述报警或者报警信息发送给现场的操作员工作站。这样现场维护工程师、用户端相应的维护人员或者其他相关人员可以及时得到通知，进一步通知现场工程师和相应的人员及时更换需要替换的冷头，以免造成不必要的损失。
本实施例中的第一卷积神经网络和第二卷积神经网络和图7及图8所示的卷积神经网络的结构和工作原理类似，于此不再赘述。
请参阅图9所示，图9示意了本发明一个实施例的磁共振成像系统冷头工作状态的监测系统的示意框图。如图9所示，所述磁共振成像系统冷头工作状态的监测系统30包括声音采集装置31、与所述声音采集装置31耦接的模数转换模块33、与所述模数转换模块33耦接的处理模块34、以及与所述处理模块34耦接的判断模块35。
所述声音采集装置31和磁共振成像系统的计算机系统32耦接，可以将实时采集到的冷头工作时的冷头声音信号传输到所述计算机系统32。本实施例的声音采集装置31和本发明前面提到的实施中的声音采集装置一样，可以是设置在超导磁共振成像系统扫描腔内的麦克风，也可以是复用设置在超导磁共振成像系统扫描腔内的用于病人与外界通信的麦克风。所述麦克风原本是用于病人和医生交流沟通所用，现在又可以用来实时采集所述冷头工作时的所述声音信号。这样，就无须另外设置专门的声音采集装置，节约了硬件成本，也避免了需要专门设计所述声音采集装置的架构，同时简化了所述超导磁共振成像系统整体的设计。所述声音采集装置31和前面实施例提到的声音采集装置的具体设置和工作原理都一样，于此不再赘述。
所述模数转换模块33和所述声音采集装置31耦接，用于将所述声音采集装置31采集到的冷头工作时的冷头声音信号转换成数字的冷头声音信号。
所述处理模块34和所述模数转换模块33耦接，用于对经过模数转换的数字的声音信号进行处理。所述处理模块34主要用于对所述数字的冷头声音信号的振幅进行归一化处理，然后基于归一化的冷头声音信号来计算所述归一化的冷头声音信号的频谱图。所述处理模块34主要采用短时傅里叶变换方法来计算所述归一化的冷头声音信号的频谱图。所述处理模块34还可以对所述归一化的冷头声音信号进行去噪处理，得到所述冷头工作时去噪之后的冷头声音信号的频谱图。所述处理模块34主要是依据归一化的声音信号的振幅阈值即幅值掩模以去除所述冷头工作时冷头声音信号频谱图的背景噪声。所述冷头工作时，所述声音信号的频率一般在2000赫兹(Hz)至9000赫兹(Hz)，通常会选取该频率范围内的声音信号进行下一步分析，不在该频率范围内的声音信号通常视为噪声，会被去除。所述处理模块34还会对去噪之后的声音信号的频谱图重新采样，得到分辨率为256*256的所述去噪之后的声音信号的频谱图，以便于所述判断模块35进行后续分析。本发明一些实施例中，所述处理模块34也可以通过重新采样得到其它分辨率的去噪之后的声音信号的频谱图。
所述判断模块35和所述处理模块34耦接。所述判断模块35包括第一卷积神经网络，将所述重新采样的去噪之后的冷头声音信号的频谱图输入所述第一卷积神经网络。所述第一卷积神经网络基于输入的频谱图对所述冷头的工作状态做出判断。所述判断模块35的第一卷积神经网络对输入的频谱图进行二元逻辑回归分类来识别所述冷头是否正常。所述第一卷积神经网络最后基于输入的频谱图直接输出判断结果:冷头正常和冷头需要替换。
所述判断模块35还包括第二卷积神经网络，将所述重新采样的去噪之后的声音信号的频谱图输入第二卷积神经网络。所述第二卷积神经网络基于输入的频谱图对所述冷头的工作状态做出判断。所述判断模块35的第二卷积神经网络对输入的频谱图进行值回归来实现预测所述冷头的剩余寿命。
进一步地，本实施例的判断模块35采用第一卷积神经网络，通过所述第一卷积神经网络对正常的冷头工作时的声音信号的频谱图和需要替换的冷头工作时的声音信号的频谱图进行深度学习，建立冷头的工作状态与相应冷头的声音信号的频谱图之间的关系，然后基于训练好的第一卷积神经网络对输入的冷头工作时的声音信号的频谱图进行二元逻辑回归判断，最后输出冷头正常和冷头需要替换两种判断结果。藉此，可以将最后的判断结果发送给用户端的相关人员和现场工程师，由此可以及时更换需要替换的冷头。
进一步地，本实施例的判断模块35采用第二卷积神经网络，通过所述第二卷积神经网络对不同剩余寿命的冷头工作时的声音信号的频谱图进行深度学习，建立冷头的剩余寿命与相应冷头的声音信号的频谱图之间的关系，然后基于训练好的第二卷积神经网络对输入的冷头工作时的声音信号的频谱图进行值回归判断，最后输出冷头剩余的寿命，从而可以预测出冷头的剩余寿命。藉此，可以将冷头的剩余寿命发送给用户端的相关人员和现场工程师，由此可以起到提前预警的作用。
本发明实施例的判断模块35的第一卷积神经网络和第二卷积神经网络与本发明前面实施例提到的图7和图8所示的卷积神经网络的架构、工作原理、以及具体的分析过程都相同，于此不再赘述。
本发明的冷头工作状态的监测系统30可以很容易地监测和预测所述冷头的工作状态，由此可以及时更换即将失效的冷头，避免冷头失效对所述磁共振成像系统造成不必要的损失。
请参阅图10所示，其示意了本发明一个实施例的一种基于云端的磁共振成像系统的冷头工作状态的监测系统40。所述基于云端的磁共振成像系统的冷头工作状态的监测系统40包括声音采集装置41、与声音采集装置41耦接的磁共振成像系统的计算机系统42、以及和磁共振成像系统的计算机系统42耦接的云端服务器43。
所述声音采集装置41和磁共振成像系统的计算机系统42耦接，可以将实时采集到的所述冷头工作时的所述声音信号输入到用磁共振成像系统的计算机系统42。本实施例的声音采集装置41和本发明前面提到的实施中的声音采集装置一样，可以是设置在超导磁共振成像系统扫描腔内的麦克风，也可以是复用设置在超导磁共振成像系统扫描腔内的用于病人与外界通信的麦克风。所述声音采集装置41和前面实施例提到的声音采集装置的设置和工作原理都一样，于此不再赘述。
所述磁共振成像系统的计算机系统42包括模数转换模块421、与模数转换模块421相耦接的处理模块422、以及和云端服务器43相耦接的接收模块423。所述接收模块可以通过云网络与云端服务器43进行通信。
所述模数转换模块421和所述声音采集装置41耦接，其用于将声音采集装置41采集到的冷头工作时的冷头声音信号转换为数字的冷头声音信号。
所述处理模块422一端和所述模数转换模块421耦接，另一端和云端服务器43耦接。所述处理模块422用于对数字的声音信号进行处理，主要包括将数字的冷头声音信号进行归一化处理、接着基于归一化的冷头声音信号来计算所述冷头工作时的冷头声音信号的频谱图、然后基于所述冷头声音信号的幅值掩模去除冷头工作时的背景噪声得到去噪之后的冷头声音信号的频谱图，最后将去噪之后的冷头声音信号的频谱图重新采样得到256*256的频谱图。
所述云端服务器43包括判断模块431，其和所述磁共振成像系统的计算机系统42的处理模块422耦接。所述云端服务器43将经过一系列处理的冷头工作时的冷头声音信号的频谱图输入至所述判断模块431。所述判断模块431包括卷积神经网络。所述判断模块431可以根据所述卷积神经网络的输出来判断磁共振成像系统冷头的工作状态。
所述判断模块431包括第一卷积神经网络。所述判断模块431将经过处理的冷头声音信号的频谱图输入第一卷积神经网络。所述第一卷积神经网络基于输入的频谱图对所述磁共振成像系统冷头的工作状态做出判断。所述判断模块431的第一卷积神经网络对输入的频谱图进行二元逻辑回归分类来识别所述冷头是否正常。所述第一卷积神经网络最后基于输入的频谱图直接输出判断结果:冷头正常和冷头需要替换。
所述判断模块431还包括第二卷积神经网络，将所述重新采样的去噪之后的冷头声音信号的频谱图输入第二卷积神经网络。所述第二卷积神经网络基于输入的频谱图对所述磁共振成像系统冷头的工作状态做出判断。所述判断模块431的第二卷积神经网络对输入的频谱图进行值回归来实现预测所述冷头的剩余寿命。
进一步地，本实施例的判断模块431采用第一卷积神经网络，通过所述第一卷积神经网络对正常的冷头工作时的声音信号的频谱图和需要替换的冷头工作时的声音信号的频谱图进行深度学习，建立冷头的工作状态与相应冷头的声音信号的频谱图之间的关系，然后基于训练好的第一卷积神经网络对输入的冷头工作时的声音信号的频谱图进行二元逻辑回归判断，最后输出冷头正常和冷头需要替换两种判断结果。藉此，可以将最后的判断结果发送给用户端的相关人员和或现场或远程维护工程师，由此可以及时更换需要替换的冷头。
进一步地，本实施例的判断模块431还采用第二卷积神经网络，通过所述第二卷积神经网络对不同剩余寿命的冷头工作时的声音信号的频谱图进行深度学习，建立冷头的剩余寿命与相应冷头的声音信号的频谱图之间的关系，然后基于训练好的第二卷积神经网络对输入的冷头工作时的声音信号的频谱图进行值回归判断，最后输出冷头剩余的寿命，从而可以预测出冷头的剩余寿命。藉此，可以将冷头的剩余寿命发送给用户端的相关人员和现场工程师，由此可以起到提前预警的作用。
本实施例的判断模块431的第一卷积神经网络和第二卷积神经网络与本发明前面实施例提到的图7和图8所示的卷积神经网络的架构、工作原理、以及具体的分析过程都相同，于此不再赘述。
本实施例的基于云端的磁共振成像系统的冷头工作状态的监测系统40可以将判断模块431最后的判断结果输出给磁共振成像系统的计算机系统42的接收模块423或者发送给和判断模块431相耦接的终端的操作员工作站44。终端维护人员可以通过磁共振成像系统的接收模块423或者终端的操作员工作站44接收到冷头需要更换的报警信息，或者可以及时得到冷头的实时状况或者冷头的剩余寿命。所述终端维护人员可以是现场维护工程师、远程维护工程师、也可以是用户的机器维护人员。总之，用户端的相关人员都可以通过磁共振成像系统的计算机系统或者操作员工作站44接收到相关信息，可以及时更换需要更换的冷头，避免造成不必要的损失。判断模块431可以通过网络与终端的操作员工进行通信，该网络可以包括互联网、手机通信网络等，维护工程师可以通过操作员工作站44的电脑或手机等设备接收到判断模块431的判断结果。
本发明的基于云端的磁共振成像系统的冷头工作状态的监测系统40可以很容易地监测和预测所述冷头的工作状态，由此可以及时更换即将失效的冷头，避免冷头失效对所述超导磁共振成像系统造成不必要的损失。
请参阅图11所示，其示意了本发明一个实施例的另一种基于云端的磁共振成像系统的冷头工作状态的监测系统50。所述基于云端的磁共振成像系统的冷头工作状态的监测系统50包括声音采集装置51、与声音采集装置51耦接的磁共振成像系统的计算机系统52、以及和磁共振成像系统的计算机系统52耦接的云端服务器53。
所述基于云端的磁共振成像系统的冷头工作状态的监测系统50和图10的实施例所示意的基于云端的磁共振成像系统的冷头工作状态的监测系统40的系统架构以及工作原理基本类似，于此不再赘述。
所述基于云端的磁共振成像系统的冷头工作状态的监测系统50和图10的实施例所示意的基于云端的磁共振成像系统的冷头工作状态的监测系统40主要不同的地方主要包括下面所述：
所述磁共振成像系统的计算机系统52包括模数转换模块521和接收模块522。所述云端服务器53包括处理模块531和判断模块532。所述计算机系统的模数转换模块521一端和所述声音采集装置51连接，另一端和云端服务器53的处理模块531耦接。所述判断模块532一端和所述处理模块531耦接，另一端和所述磁共振成像系统的计算机系统52的接收模块522相耦接或者和用户终端的操作员工作站54相耦接，或者同时和两者相耦接，用于将最终的判断结果反馈给终端的用户。
所述声音采集装置51和磁共振成像系统的计算机系统52耦接，可以将实时采集到的所述冷头工作时的所述声音信号输入到用磁共振成像系统的计算机系统52。
所述模数转换模块521用于将输入计算机系统52的采集到的冷头工作时的冷头声音信号进行模数转换，得到数字的冷头声音信号，并将数字的冷头声音信号传送至云端服务器53。所述云端服务器53的处理模块531对所述数字的冷头声音信号进行一系列处理，包括计算所述冷头声音信号的频谱图，然后将经过处理的频谱图输入云端服务器53的判断模块532。
图11所示的实施例中，所述基于云端的磁共振成像系统的冷头工作状态的监测系统50主要是将声音采集装置51采集到的冷头工作时的冷头声音信号经过模数转换后直接传送至云端服务器53，并在云端服务器53的处理模块531计算所述冷头声音信号的频谱图。图10所示的实施例中，所述基于云端的磁共振成像系统的冷头工作状态的监测系统40主要是将声音采集装置51采集到的冷头工作时的冷头声音信号直接传送至磁共振成像系统，在磁共振成像系统的模数转换模块421进行模数转换后直接通过磁共振成像系统的计算机系统42的处理模块422计算所述冷头声音信号的频谱图，然后将所述频谱图传送至云端的服务器43。
图11所示的实施例中，所述判断模块531也包括第一卷积神经网络和第二卷积神经网络。所述第一卷积神经网络和所述第二卷积神经网络与本发明前面实施例提到的图7和图8所示的卷积神经网络的架构、工作原理、以及具体的分析过程都相同，于此不再赘述。
图11所示的实施例中，所述基于云端的磁共振成像系统的冷头工作状态的监测系统50可以将判断模块531最后的判断结果输出给磁共振成像系统的计算机系统52的接收模块522或者发送给和判断模块532相耦接的终端的操作员工作站54。终端维护人员可以通过磁共振成像系统的接收模块522或者终端的操作员工作站54接收到冷头需要更换的报警信息，或者可以及时得到冷头的实时状况或者冷头的剩余寿命。所述终端维护人员可以是现场工程师，也可以是用户的机器维护人员。总之，用户端的相关人员都可以通过磁共振成像系统的计算机系统或者操作员工作站54接收到相关信息，可以及时更换需要更换的冷头，避免造成不必要的损失。
本发明一个实施例的基于云端的磁共振成像系统的冷头工作状态的监测系统50可以很容易地监测和预测所述冷头的工作状态，由此可以及时更换即将失效的冷头，避免冷头失效对所述超导磁共振成像系统造成不必要的损失。
请参阅图13所示，其示意了本发明一个实施例的一种基于云端的磁共振成像系统冷头工作状态的监测方法70。该监测方法70主要包括以下步骤：
步骤71，接收通过磁共振成像系统的声音采集装置在冷头工作时采集的冷头声音信号。所述声音采集装置和前面实施例提到的声音采集装置一样，可以包括设置在磁共振成像系统扫描腔内的麦克风。所述麦克风可以实时采集所述冷头工作时的冷头声音信号。所述声音采集装置和前面实施例提到的声音采集装置的具体设置以及工作原理类似，于此不再赘述。
步骤72，将所述冷头声音信号传送至云端服务器并在云端服务器计算所述冷头声音信号的频谱图，或者在核磁成像系统计算所述冷头声音信号的频谱图并将所述频谱图传送至云端服务器。
其中，步骤72：将所述冷头声音信号传送至云端服务器并在云端服务器计算所述冷头声音信号的频谱图，主要基于本发明图11所示的实施例的一种基于云端的磁共振成像系统的冷头工作状态的监测系统50实现。将通过声音采集装置51采集到的冷头声音信号经过模数转换之后直接通过磁共振成像系统的计算机系统52传送至云端服务器53的处理模块531进行一系列处理，其中包括计算所述冷头声音信号的频谱图。其中，所述处理模块531和所述判断模块532都设置在云端服务器53。
其中，步骤72中：在核磁成像系统计算所述冷头声音信号的频谱图并将所述频谱图传送至云端服务器，主要基于本发明图10所示的实施例的一种基于云端的磁共振成像系统的冷头工作状态的监测系统40实现。将通过声音采集装置41采集到的冷头声音信号经过磁共振成像系统的计算机系统42的模数转换模块421进行模数转换之后，将数字的冷头声音信号输入磁共振成像系统的计算机系统42的处理模块422。所述计算机系统42的处理模块422对数字的冷头声音信号进行处理，其中包括计算所述冷头声音信号的频谱图，并将所述频谱图图传送至云端服务器43的判断模块431。
步骤73，将所述频谱图输入所述云端服务器的卷积神经网络，并且根据所述卷积神经网络的输出来判断用户端的冷头的工作状态。
所述基于云端的冷头工作状态的监测方法70，其中所述卷积神经网络包括第一卷积神经网络，根据所述卷积神经网络的输出来判断所述冷头的工作状态包括：根据所述第一卷积神经网络的输出来判断用户端的冷头是否正常。所述第一卷积神经网络和本发明前面实施例提到的第一卷积神经网络的具体架构、工作原理以及对所述频谱图的处理方式都一样，于此不再赘述。
所述基于云端的冷头工作状态的监测方法70，其中所述卷积神经网络包括第二卷积神经网络，根据所述卷积神经网络的输出来判断所述冷头的工作状态包括：根据所述第二卷积神经网络的输出来预测用户端的冷头的剩余寿命。所述第二卷积神经网络和本发明前面实施例提到的第一卷积神经网络的具体架构、工作原理以及对所述频谱图的处理方式都一样，于此不再赘述。
所述基于云端的冷头工作状态的监测方法70，还包括通过云端服务器从核磁成像系统接收冷头实际工作状态的反馈信息，并基于所述频谱图和反馈信息更新所述卷积神经网络。其中，更新所述卷积神经网络包括更新第一卷积神经网络和更新第二卷积神经网络。经过跟新所述第一卷积神经网络和第二卷积神经网络，可以优化第一卷积神经网络和第二卷积神经网络的参数，增强对冷头工作状态的判断的准确性。
所述基于云端的冷头工作状态的监测方法70，还包括基于所述冷头声音信号的幅值掩模从冷头声音信号的频谱图去除背景噪声。所述从冷头声音信号的频谱图中去除背景噪声的步骤主要是为了去除所述冷头工作时的背景噪声，以此消除所述背景噪声对分析所述冷头工作时的所述声音信号的干扰。
所述基于云端的磁共振成像系统的冷头工作状态的监测方法70还包括将判断模块的第一卷积神经网络和第二卷积神经网络的最后的判断结果输出给磁共振成像系统的计算机系统的接收模块或者发送给和判断模块相耦接的终端的操作员工作站。藉此，终端维护人员可以通过磁共振成像系统的接收模块或者终端的操作员工作站接收到冷头需要更换的报警信息，或者可以及时得到冷头的实时状况或者冷头的剩余寿命。所述终端维护人员可以是现场工程师，也可以是用户的机器维护人员。总之，用户端的相关人员都可以通过磁共振成像系统的计算机系统或者操作员工作站接收到相关信息，可以及时更换需要更换的冷头，避免造成不必要的损失。
本发明实施例的基于云端的磁共振成像系统的冷头工作状态的监测方法70可以很容易地监测和预测所述冷头的工作状态，由此可以及时更换即将失效的冷头，避免冷头失效对所述超导磁共振成像系统造成不必要的损失。
上面已经描述了一些示例性实施例，然而，应该理解的是，可以做出各种修改。例如，如果所描述的技术以不同的顺序执行和/或如果所描述的系统、架构、设备或电路中的组件以不同方式被组合和/或被另外的组件或其等同物替代或补充，则可以实现合适的结果。相应地，其他实施方式也落入权利要求的保护范围内。
Claims (25)
1.一种磁共振成像系统冷头工作状态的监测方法，其特征在于，包括：
接收通过磁共振成像系统的声音收集装置在冷头工作时采集的冷头声音信号；
对所述冷头声音信号进行处理，其包括计算所述冷头声音信号的频谱图；以及
将所述频谱图输入卷积神经网络，并且根据所述卷积神经网络的输出来判断所述冷头的工作状态。
2.如权利要求1所述的冷头工作状态的监测方法，其特征在于，所述卷积神经网络包括第一卷积神经网络，根据所述卷积神经网络的输出来判断所述冷头的工作状态包括：
根据所述第一卷积神经网络的输出来判断所述冷头是否正常。
3.如权利要求2所述的冷头工作状态的监测方法，其特征在于，所述第一卷积神经网络对输入的频谱图进行二元逻辑回归分类。
4.如权利要求2所述的冷头工作状态的监测方法，其特征在于，所述卷积神经网络包括第二卷积神经网络，根据所述卷积神经网络的输出来判断所述冷头的工作状态包括：
根据所述第二卷积神经网络的输出来预测所述冷头的剩余寿命。
5.如权利要求4所述的冷头工作状态的监测方法，其特征在于，所述第二卷积神经网络对输入的频谱图进行值回归。
6.如权利要求1所述的冷头工作状态的监测方法，其特征在于，所述对所述冷头声音信号进行处理还包括基于所述冷头声音信号的幅值掩模从冷头声音信号的频谱图去除背景噪声。
7.如权利要求1所述的冷头工作状态的监测方法，其特征在于，所述冷头工作状态的判断结果包括：所述冷头需要更换；
所述监测方法还包括：根据所述冷头需要更换的判断结果输出报警信息。
8.一种计算机可读存储介质，用于存储计算机程序，所述计算机程序运行于计算机系统，用于执行以下指令：
接收通过磁共振成像系统的声音收集装置在冷头工作时采集的冷头声音信号；
对所述冷头声音信号进行处理，其包括计算所述冷头声音信号的频谱图；以及
将所述频谱图输入卷积神经网络，并且根据所述卷积神经网络的输出来判断所述冷头的工作状态。
9.如权利要求8所述的计算机可读存储介质，其特征在于，所述卷积神经网络包括第一卷积神经网络，根据所述卷积神经网络的输出来判断所述冷头的工作状态包括：
根据所述第一卷积神经网络的输出来判断所述冷头是否正常。
10.如权利要求9所述的计算机可读存储介质，其特征在于，所述第一卷积神经网络对输入的频谱图进行二元逻辑回归分类。
11.如权利要求9所述的计算机可读存储介质，其特征在于，所述卷积神经网络包括第二卷积神经网络，根据所述卷积神经网络的输出来判断所述冷头的工作状态包括：
根据所述第二卷积神经网络的输出来预测所述冷头的剩余寿命。
12.如权利要求11所述的计算机可读存储介质，其特征在于，所述第二卷积神经网络对输入的频谱图进行值回归。
13.如权利要求8所述的计算机可读存储介质，其特征在于，所述对所述冷头声音信号进行处理还包括基于所述冷头声音信号的幅值掩模从冷头声音信号的频谱图去除背景噪声。
14.如权利要求8所述的计算机可读存储介质，其特征在于，还包括根据所述冷头需要更换输出报警。
15.一种基于云端的磁共振成像系统冷头工作状态的监测方法，其特征在于，包括：
接收通过磁共振成像系统的声音收集装置在冷头工作时采集的冷头声音信号；
将所述冷头声音信号传送至云端服务器并在云端服务器计算所述冷头声音信号的频谱图，或者在磁共振成像系统计算所述冷头声音信号的频谱图并将所述频谱图传送至云端服务器；以及，
将所述频谱图输入所述云端服务器的卷积神经网络，并且根据所述卷积神经网络的输出来判断用户端的冷头的工作状态。
16.如权利要求15所述的基于云端的冷头工作状态的监测方法，其特征在于，所述卷积神经网络包括第一卷积神经网络，根据所述卷积神经网络的输出来判断所述冷头的工作状态包括：
根据所述第一卷积神经网络的输出来判断用户端的冷头是否正常。
17.如权利要求16所述的基于云端的冷头工作状态的监测方法，其特征在于，所述卷积神经网络包括第二卷积神经网络，根据所述卷积神经网络的输出来判断所述冷头的工作状态包括：
根据所述第二卷积神经网络的输出来预测用户端的冷头的剩余寿命。
18.如权利要求15所述的基于云端的冷头工作状态的监测方法，其特征在于，还包括：通过云端服务器从磁共振成像系统接收冷头实际工作状态的反馈信息，并基于所述频谱图和反馈信息更新所述卷积神经网络。
19.如权利要求15所述的基于云端的冷头工作状态的监测方法，其特征在于，还包括：基于所述冷头声音信号的幅值掩模从冷头声音信号的频谱图去除背景噪声。
20.一种磁共振成像系统冷头工作状态的监测系统，包括：
声音采集装置，其设置在所述磁共振成像系统上，用于采集所述冷头工作时的冷头声音信号；
处理模块，其用于对所述冷头声音信号进行处理，所述处理模块用于计算所述冷头声音信号的频谱图；以及
判断模块，其用于将所述频谱图输入第一卷积神经网络，并且根据所述第一卷积神经网络的输出来判断所述冷头是否正常。
21.如权利要求20所述的系统，其特征在于，所述判断模块还用于将所述频谱图输入第二卷积神经网络，并且根据所述第二卷积神经网络的输出来预测所述冷头的剩余寿命。
22.如权利要求20所述的系统，其特征在于，所述声音采集装置包括设置在超导磁共振成像系统扫描腔内的麦克风。
23.如权利要求20所述的系统，其特征在于，所述声音采集装置和磁共振成像系统的计算机系统耦接。
24.如权利要求20所述的系统，其特征在于，所述处理模块还用于基于所述冷头声音信号的幅值掩模从冷头声音信号的频谱图去除背景噪声。
25.一种基于云端的超导磁共振成像系统的冷头工作状态的监测系统，其特征在于，包括：
声音采集装置，其设置在所述磁共振成像系统上，其用于采集冷头工作时的冷头声音信号；
磁共振成像系统的计算机系统，其包括对所述冷头声音信号进行处理的处理模块，所述处理模块用于计算所述冷头声音信号的频谱图；以及
云端服务器，其用于将所述频谱图输入卷积神经网络，并且根据所述卷积神经网络的输出来判断冷头的工作状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711421803.4A CN109959889A (zh) | 2017-12-25 | 2017-12-25 | 磁共振成像系统冷头工作状态的监测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711421803.4A CN109959889A (zh) | 2017-12-25 | 2017-12-25 | 磁共振成像系统冷头工作状态的监测方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109959889A true CN109959889A (zh) | 2019-07-02 |
Family
ID=67021086
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711421803.4A Pending CN109959889A (zh) | 2017-12-25 | 2017-12-25 | 磁共振成像系统冷头工作状态的监测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109959889A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3796022A1 (en) * | 2019-09-20 | 2021-03-24 | Koninklijke Philips N.V. | Cold-head monitoring |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1344127A (zh) * | 2000-09-21 | 2002-04-10 | 清华大学 | 一种加速器噪声故障诊断方法 |
| CN103969046A (zh) * | 2014-05-20 | 2014-08-06 | 北京康拓红外技术股份有限公司 | 一种与轮对轴承磨合机联用的轴承声学诊断系统和方法 |
| CN106404388A (zh) * | 2016-09-13 | 2017-02-15 | 西安科技大学 | 一种刮板输送机飘链故障诊断方法 |
| CN106846803A (zh) * | 2017-02-08 | 2017-06-13 | 广西交通科学研究院有限公司 | 基于音频的交通事件检测装置及方法 |
| CN106952649A (zh) * | 2017-05-14 | 2017-07-14 | 北京工业大学 | 基于卷积神经网络和频谱图的说话人识别方法 |
| CN107013449A (zh) * | 2017-04-18 | 2017-08-04 | 山东万腾电子科技有限公司 | 基于深度学习的声音信号识别压缩机故障的方法及系统 |
| CN107076155A (zh) * | 2014-10-15 | 2017-08-18 | 格兰富控股联合股份公司 | 用于通过手持通信装置检测泵组件中的故障的方法和系统 |
| US20170294010A1 (en) * | 2016-04-12 | 2017-10-12 | Adobe Systems Incorporated | Utilizing deep learning for rating aesthetics of digital images |
| CN107421741A (zh) * | 2017-08-25 | 2017-12-01 | 南京信息工程大学 | 一种基于卷积神经网络的滚动轴承故障诊断方法 |
| KR101810539B1 (ko) * | 2017-04-18 | 2017-12-19 | 주식회사 핸디소프트 | 교통사고 판단 장치 및 방법 |
-
2017
- 2017-12-25 CN CN201711421803.4A patent/CN109959889A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1344127A (zh) * | 2000-09-21 | 2002-04-10 | 清华大学 | 一种加速器噪声故障诊断方法 |
| CN103969046A (zh) * | 2014-05-20 | 2014-08-06 | 北京康拓红外技术股份有限公司 | 一种与轮对轴承磨合机联用的轴承声学诊断系统和方法 |
| CN107076155A (zh) * | 2014-10-15 | 2017-08-18 | 格兰富控股联合股份公司 | 用于通过手持通信装置检测泵组件中的故障的方法和系统 |
| US20170294010A1 (en) * | 2016-04-12 | 2017-10-12 | Adobe Systems Incorporated | Utilizing deep learning for rating aesthetics of digital images |
| CN106404388A (zh) * | 2016-09-13 | 2017-02-15 | 西安科技大学 | 一种刮板输送机飘链故障诊断方法 |
| CN106846803A (zh) * | 2017-02-08 | 2017-06-13 | 广西交通科学研究院有限公司 | 基于音频的交通事件检测装置及方法 |
| CN107013449A (zh) * | 2017-04-18 | 2017-08-04 | 山东万腾电子科技有限公司 | 基于深度学习的声音信号识别压缩机故障的方法及系统 |
| KR101810539B1 (ko) * | 2017-04-18 | 2017-12-19 | 주식회사 핸디소프트 | 교통사고 판단 장치 및 방법 |
| CN106952649A (zh) * | 2017-05-14 | 2017-07-14 | 北京工业大学 | 基于卷积神经网络和频谱图的说话人识别方法 |
| CN107421741A (zh) * | 2017-08-25 | 2017-12-01 | 南京信息工程大学 | 一种基于卷积神经网络的滚动轴承故障诊断方法 |
Non-Patent Citations (4)
| Title |
|---|
| ELFORJANI M: "Estimation of Remaining Useful Life of Slow Speed Bearings Using Acoustic Emission Signals", 《JOURNAL OF NONDESTRUCTIVE EVALUATION》, vol. 35, no. 4, 31 December 2016 (2016-12-31), pages 3 - 15 * |
| WEI LUO, ET AL: "Learning Sparse Features in Convolutional Neural Networks for Image Classification", 《INTERNATIONAL CONFERENCE ON INTELLIGENT SCIENCE AND BIG DATA ENGINEERING》, 31 October 2015 (2015-10-31), pages 29 - 38, XP047414147, DOI: 10.1007/978-3-319-23989-7_4 * |
| 刘叶鹏;孙孝君;庄新颖;于霞;马维维;: "基于深度神经网络的轴承状态监测研究", 制造技术与机床, no. 08, 2 August 2017 (2017-08-02), pages 76 - 80 * |
| 马坚, 马晓丹, 张亮, 马绍忠, 朱丽明, 杨玉萍: "超导型磁共振液氦制冷系统故障传呼报警装置的研制", 中华放射学杂志, no. 02, 10 February 2002 (2002-02-10), pages 174 - 175 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3796022A1 (en) * | 2019-09-20 | 2021-03-24 | Koninklijke Philips N.V. | Cold-head monitoring |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109635483A (zh) | 一种基于电磁检测的电机和泵故障预测分析系统 | |
| CN110415220A (zh) | 一种大型水电站的设备智能巡检方法 | |
| Lu et al. | Wind turbine planetary gearbox condition monitoring method based on wireless sensor and deep learning approach | |
| CN109000930A (zh) | 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法 | |
| CN107884190A (zh) | 基于变分模态分解和小波奇异分解的轴承故障诊断方法 | |
| CN106596105A (zh) | 一种轴承故障诊断方法、装置及系统 | |
| CN107688795A (zh) | 一种电力系统视频图像的监控方法及终端 | |
| CN110008350A (zh) | 一种基于贝叶斯推理的机泵安康知识库查找方法 | |
| CN110742595A (zh) | 基于认知云系统的异常血压监护系统 | |
| CN108121961A (zh) | 巡检行为识别方法、装置、计算机设备和存储介质 | |
| CN109009028A (zh) | 一种反映人体疲劳程度的穿戴式设备 | |
| CN115825635A (zh) | 一种船舶机舱机电设备状态监测及故障诊断方法 | |
| CN108880706A (zh) | 一种卫星信道链路故障的快速诊断方法 | |
| CN114414955A (zh) | 一种开关柜状态监测与评估方法及系统 | |
| CN111198525A (zh) | 一种基于油田现场设备运转音频监控系统及故障检测方法 | |
| CN109959889A (zh) | 磁共振成像系统冷头工作状态的监测方法和系统 | |
| JP2002355231A (ja) | 作動中の同種の医学技術的装置の体系的な品質評価方法 | |
| Tagaris et al. | Putting together wavelet-based scaleograms and convolutional neural networks for anomaly detection in nuclear reactors | |
| CN111554385A (zh) | 一种基于实时数据采集的医疗设备监测系统及其监测方法 | |
| CN107890343A (zh) | 健康监测方法、装置及电子设备 | |
| CN109223001A (zh) | 基于核磁共振的多动症预测方法、系统、存储介质及设备 | |
| CN108257248A (zh) | 用于监测生产设备的方法和装置以及分析设备 | |
| CN114711787A (zh) | 一种基于神经网络的驾驶员心脏健康状态分类诊断方法 | |
| CN110780655B (zh) | 基于物联网的高压氧舱远程故障诊断与运维方法及系统 | |
| CN113786182A (zh) | 一种宠物专用智能远程mri核磁共振系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |