CN117347416A - 一种物质成分的非侵入式检测方法、装置及存储介质 - Google Patents
一种物质成分的非侵入式检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN117347416A CN117347416A CN202311324516.7A CN202311324516A CN117347416A CN 117347416 A CN117347416 A CN 117347416A CN 202311324516 A CN202311324516 A CN 202311324516A CN 117347416 A CN117347416 A CN 117347416A
- Authority
- CN
- China
- Prior art keywords
- substance
- detected
- parameter
- signal
- magnetic resonance
- 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.)
- Granted
Links
- 239000000126 substance Substances 0.000 title claims abstract description 170
- 238000001514 detection method Methods 0.000 title claims abstract description 111
- 238000005481 NMR spectroscopy Methods 0.000 claims abstract description 71
- 239000000463 material Substances 0.000 claims description 56
- 238000000034 method Methods 0.000 claims description 47
- 238000005070 sampling Methods 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 22
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000009792 diffusion process Methods 0.000 description 11
- 238000013461 design Methods 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000004519 grease Substances 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N24/00—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects
- G01N24/08—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects by using nuclear magnetic resonance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Physics & Mathematics (AREA)
- High Energy & Nuclear Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种物质成分的非侵入式检测方法、装置及存储介质,本发明通过一次样品测量,来得到噪声信号,并对噪声信号进行多次采样,以便基于采样噪声信号来构建出样品的多个人造核磁共振信号;最后,则可基于多个人造核磁共振信号,来计算出样品内不同物质成分的相关参数,从而完成样品内物质成分的非侵入式检测;如此,本发明测量一次数据即可生成统计特性稳定的噪音分布,从而可基于此来生成样品的多个核磁共振信号,而无需对样品进行多次测量,基于此,则可避免传统技术中多次测量样品来计算相关参数所存在的测量值与真实值差异较大的问题;由此,本发明提高了物质成分检测的准确性,适用于在物质成分检测领域的大规模应用与推广。
Description
技术领域
本发明属于物质成分检测处理技术领域,具体涉及一种物质成分的非侵入式检测方法、装置及存储介质。
背景技术
目前,通过拟合核磁共振电磁时序信号的衰减过程,可以得到被测量对象内不同物质的相关参数(T1、T2衰减系数,扩散系数(D)等),从而可对测量对象的成分和性质进行非侵入式检测;但是,在进行核磁共振测量时,测量时的噪声(可能来自系统自身或外部环境)对系统的干扰会引起被测量参数的不稳定性,并可能会影响测量的可靠性,从而导致物质成分检测不准确;因此,保证被测参数测量的准确性,是确保物质成分检测可靠性的重要一环。
目前,传统的方法是连续测量同一样品多次,得到多个参数测量结果,然后对多个参数测量结果进行多次重复采样;最后,则利用多次采样得到的测量结果来确定出被测对象内不同物质的相关参数,从而来基于相关参数,完成被测对象内成分的非侵入式检测;但是,前述方法存在以下不足:由于每次测量时存在环境变化等因素的影响,导致每次测量时的信号存在区别,如此,则会导致每次测量结果存在较大差异,从而使计算出的相关参数与实际值偏差较大,进而影响物质成分检测的准确性;同时,在实际应用时,样本个体数量有限,而对个体数量稀少的样本进行重复采样得到的近似总体可能与实际总体有系统性差异,所以,也会导致使用近似总体得到的相关参数与真实值有较大差距,从而进一步的降低了物质检测的准确性;基于此,如何提供一种检测准确性高的物质成分的非侵入式检测方法,已成为一个亟待解决的问题。
发明内容
本发明的目的是提供一种物质成分的非侵入式检测方法、装置及存储介质,用以解决现有技术对同一样品进行多次采样来计算出样品内不同物质成分的相关参数,并基于此来进行成分检测所存在的检测准确性低的问题。
为了实现上述目的,本发明采用以下技术方案:
第一方面,提供了一种物质成分的非侵入式检测方法,包括:
获取待测物体的核磁共振信号,并基于核磁共振信号,生成待测物体的第一物质成分检测信号,其中,所述第一物质成分检测信号中包含有待测物体内不同物质成分对应的物理参数;
基于所述核磁共振信号和所述第一物质成分检测信号,确定出所述待测物体的噪声信号;
对所述噪声信号进行多次采样处理,以得到多个采样噪声信号;
利用所述第一物质成分检测信号以及所述多个采样噪声信号,构建出所述待测物体的多个合成核磁共振信号;
基于各个合成核磁共振信号,确定出所述待测物体内不同物质成分对应的实际物理参数;
依据待测物体内不同物质成分的实际物理参数,确定出待测物体所含物质成分的种类。
基于上述公开的内容,本发明先利用待测物体的核磁共振信号,来拟合出待测物体的第一物质成分检测信号;然后,通过二者对比,来得出待测物体在测量时的噪声信号;接着,通过对噪声信号进行多次重复采样,来得到多个采样噪声信号;而后,则可基于第一物质成分检测信号和多个采样噪声信号,来反过来构建出待测物体的多个合成核磁共振信号;最后,通过拟合多个合成核磁共振信号,即可得出待测物体内不同物质成分对应的实际物理参数;如此,即可基于各个物质成分的实际物理参数,来确定出待测物体所含物质成分的种类。
通过上述设计,本发明通过一次样品测量,来得到噪声信号,并对噪声信号进行多次采样,以便基于采样噪声信号来构建出样品的多个人造核磁共振信号;最后,则可基于多个人造核磁共振信号,来计算出样品内不同物质成分的相关参数,从而完成样品内物质成分的非侵入式检测;如此,本发明测量一次数据即可生成统计特性稳定的噪音分布,从而可基于此来生成样品的多个核磁共振信号,而无需对样品进行多次测量,基于此,则可避免传统技术中多次测量样品来计算相关参数所存在的测量值与真实值差异较大的问题;由此,本发明提高了物质成分检测的准确性,适用于在物质成分检测领域的大规模应用与推广。
在一个可能的设计中,基于各个合成核磁共振信号,确定出所述待测物体内不同物质成分对应的实际物理参数,包括:
基于各个合成核磁共振信号,生成待测物体的多个第二物质成分检测信号,其中,每个合成核磁共振信号对应生成一第二物质成分检测信号;
利用多个第二物质成分检测信号,确定出所述待测物体内不同物质成分的物理参数集合,其中,所述待测物体内任一物质成分的物理参数集合包含有至少一个参数序列,每个参数序列分别对应该任一物质成分的一种物理参数类型,任一参数序列包含有每个第二物质成分检测信号内指定类型的物理参数,且所述指定类型为所述任一参数序列对应的物理参数类型;
依据所述待测物体内不同物质成分的物理参数集合,计算出所述待测物体内不同物质成分的实际物理参数。
在一个可能的设计中,依据所述待测物体内不同物质成分的物理参数集合,计算出所述待测物体内不同物质成分的实际物理参数,包括:
计算出各个物理参数集合中每个参数序列的标准差和均值;
基于各个物理参数集合中每个参数序列的标准差和均值,确定出所述待测物体内不同物质成分对应的实际物理参数。
在一个可能的设计中,基于各个物理参数集合中每个参数序列的标准差和均值,确定出所述待测物体内不同物质成分对应的实际物理参数,包括:
对于所述待测物体内的任一物质成分,获取所述任一物质成分对应的物理参数集合;
对于所述任一物质成分对应的物理参数集合中的第i个参数序列,依次按照如下公式(1)和公式(2),计算出第i个参数序列对应物理参数类型的最小参数值和最大参数值;
Ci,min=avg(ai)-2×std(ai) (1)
Ci,max=avg(ai)+2×std(ai) (2)
上述公式(1)中,Ci,min表示所述第i个参数序列对应物理参数类型的最小参数值,avg(ai)表示所述第i个参数序列的均值,std(ai)表示所述第i个参数序列的标准差;
上述公式(2)中,Ci,max表示所述第i个参数序列对应物理参数类型的最大参数值;
利用所述第i个参数序列对应物理参数类型的最大参数值和最小参数值,构建出所述第i个参数序列对应物理参数类型的物理参数区间,并将所述物理参数区间,作为所述第i个参数序列对应物理参数类型的实际物理参数;
将i自加1,并重新计算出第i个参数序列对应物理参数类型的最小参数值和最大参数值,直至i等于n时,得到所述任一物质成分的实际物理参数,其中,i的初始值为1,且n为所述任一物质成分对应物理参数类型的种类数。
在一个可能的设计中,基于所述核磁共振信号和所述第一物质成分检测信号,确定出所述待测物体的噪声信号,包括:
将所述核磁共振信号与所述第一物质成分检测信号进行信号相减处理,以在信号相减处理后,得到所述待测物体的噪声信号。
在一个可能的设计中,利用所述第一物质成分检测信号以及所述多个采样噪声信号,构建出所述待测物体的多个合成核磁共振信号,包括:
分别将所述第一物质成分检测信号与每个采样噪声信号进行信号叠加处理,以在信号叠加后,得到多个合成核磁共振信号。
在一个可能的设计中,依据待测物体内不同物质成分的实际物理参数,确定出待测物体所含物质成分的种类,包括:
获取物质成分数据库,其中,所述物质成分数据库中存储有不同已知物质成分的物理参数;
基于所述物质成分数据库,对所述待测物体内不同物质成分的实际物理参数进行数据匹配,以在数据匹配后,得出所述待测物体所含物质成分的种类。
第二方面,提供了一种物质成分的非侵入式检测装置,包括:
信号处理单元,用于获取待测物体的核磁共振信号,并基于核磁共振信号,生成待测物体的第一物质成分检测信号,其中,所述第一物质成分检测信号中包含有待测物体内不同物质成分对应的物理参数;
噪声信号生成单元,用于基于所述核磁共振信号和所述第一物质成分检测信号,确定出所述待测物体的噪声信号;
采样单元,用于对所述噪声信号进行多次采样处理,以得到多个采样噪声信号;
信号重建单元,用于利用所述第一物质成分检测信号以及所述多个采样噪声信号,构建出所述待测物体的多个合成核磁共振信号;
成分检测单元,用于基于各个合成核磁共振信号,确定出所述待测物体内不同物质成分对应的实际物理参数;
成分检测单元,还用于依据待测物体内不同物质成分的实际物理参数,确定出待测物体所含物质成分的种类。
第三方面,提供了另一种物质成分的非侵入式检测装置,以装置为电子设备为例,包括依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如第一方面或第一方面中任意一种可能设计的所述物质成分的非侵入式检测方法。
第四方面,提供了一种存储介质,存储介质上存储有指令,当所述指令在计算机上运行时,执行如第一方面或第一方面中任意一种可能设计的所述物质成分的非侵入式检测方法。
第五方面,提供了一种包含指令的计算机程序产品,当指令在计算机上运行时,使计算机执行如第一方面或第一方面中任意一种可能设计的所述物质成分的非侵入式检测方法。
有益效果:
(1)本发明测量一次数据即可生成统计特性稳定的噪音分布,从而可基于此来生成样品的多个核磁共振信号,而无需对样品进行多次测量,基于此,则可避免传统技术中多次测量样品来计算相关参数所存在的测量值与真实值差异较大的问题;由此,本发明提高了物质成分检测的准确性,适用于在物质成分检测领域的大规模应用与推广。
附图说明
图1为本发明实施例提供的物质成分的非侵入式检测方法的步骤流程示意图;
图2为本发明实施例提供的物质成分的非侵入式检测装置的结构示意图;
图3为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将结合附图和实施例或现有技术的描述对本发明作简单地介绍,显而易见地,下面关于附图结构的描述仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在此需要说明的是,对于这些实施例方式的说明用于帮助理解本发明,但并不构成对本发明的限定。
应当理解,尽管本文可能使用术语第一、第二等等来描述各种单元,但是这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元,并且类似地可以将第二单元称作第一单元,同时不脱离本发明的示例实施例的范围。
应当理解,对于本文中可能出现的术语“和/或”,其仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,单独存在B,同时存在A和B三种情况;对于本文中可能出现的术语“/和”,其是描述另一种关联对象关系,表示可以存在两种关系,例如,A/和B,可以表示:单独存在A,单独存在A和B两种情况;另外,对于本文中可能出现的字符“/”,一般表示前后关联对象是一种“或”关系。
实施例:
参见图1所示,本实施例所提供的物质成分的非侵入式检测方法,测量一次样品即可得到样品内物质成分的参数区间,而无需对样品进行多次测量;如此,避免了多次测量样品来计算参数所存在的测量值与真实值差异较大的问题,可提高物质成分检测的准确性,非常适用于在物质成分非侵入式检测领域的大规模应用与推广;在本实施例中,举例本方法可以但不限于在物质成分检测端侧运行,可选的,物质成分检测端可以但不限于为个人电脑(personal computer,PC)、平板电脑或智能手机,可以理解的,前述执行主体并不构成对本申请实施例的限定,相应的,本方法的运行步骤可以但不限于如下述步骤S1~S6所示。
S1.获取待测物体的核磁共振信号,并基于核磁共振信号,生成待测物体的第一物质成分检测信号,其中,所述第一物质成分检测信号中包含有待测物体内不同物质成分对应的物理参数;在本实施例中,待测物体的核磁共振信号可以但不限于采用核磁共振谱仪来采集得到,同时,通过拟合核磁共振信号的衰减过程,即可得到待测物体的第一物质成分检测信号;其中,该第一物质成分检测信号内则包含有待测物体内各个未知物质成分的相关物理参数,如扩散系数和衰减系数;在具体应用时,拟合核磁共振信号的衰减过程为成分检测领域的常用技术,其原理不再赘述。
可选的,在本实施例用于待测物体中是否含有水和油脂的成分检测。
更进一步的,举例在进行水和油脂的成分检测时,第一物质成分检测信号可以但不限于如下述公式(3)所示。
上述公式(3)中,S为第一物质成分检测信号,W和F为权重系数,T1,W,T2,W均表示待测物体内物质成分A的衰减系数,DW表示待测物体内物质成分A的扩散系数,T1,F,T2,F表示待测物体内物质成分B的衰减系数,DF表示待测物体内物质成分B的扩散系数,TR,TE,b为常数。
如此通过前述公式(3)可知,通过拟合待测物体的核磁共振信号的衰减过程,即可得出其内部不同物质成分的各种类型对应的物理参数,而后,通过与各个已知成分的物理参数进行对比,即可确定出待测物体中所含物质成分的种类。
同时,为保证测量结果的准确性,通常都需要进行多次测量;其中,传统技术则是通过对待测物体进行多次核磁共振测量,然后拟合各个测量的信号,来得到多个参数测量结果;接着,通过对多个参数测量结果进行多次采样;最后,则可将采样数据的均值来作为最终测量结果;但是,由于在每次测量时,受环境、噪声等因素的影响,信号之间存在差异,如此,则会导致每次测量结果不同,使最终计算出的参数结果与实际值相差较大,从而造成物质成分检测不准确的问题;因此,本实施例则利用待测物体的噪声来重建出待测物体的多个核磁共振信号,并利用重建出的多个信号,来计算出待测物体内不同物质成分的物理参数,从而来实现成分检测;如此,在进行物质成分检测时,仅需对待测样品测量一次即可,从而避免了需要多次测量样品所存在检测准确性较低的问题。
可选的,待测物体的核磁共振信号的重建过程可以但不限于如下述步骤S2~S4所示。
S2.基于所述核磁共振信号和所述第一物质成分检测信号,确定出所述待测物体的噪声信号;在具体应用时,举例将所述核磁共振信号与所述第一物质成分检测信号进行信号相减处理,以在信号相减处理后,得到所述待测物体的噪声信号。
在得到噪声信号后,则可对噪声信号进行多次重复采样,来得到多个采样噪声信号;而后,则可基于多个采样噪声信号和第一物质成分检测信号,来构建出待测物体的多个人造核磁共振信号;其中,噪声采样及信号重建过程如下述步骤S3和步骤S4所示。
S3.对所述噪声信号进行多次采样处理,以得到多个采样噪声信号。
S4.利用所述第一物质成分检测信号以及所述多个采样噪声信号,构建出所述待测物体的多个合成核磁共振信号;在本实施例中,举例分别将所述第一物质成分检测信号与每个采样噪声信号进行信号叠加处理,从而在信号叠加后,得到多个合成核磁共振信号;而在得到多个合成核磁共振信号后,即可基于多个合成核磁共振信号,来计算出待测物体内不同物质成分的实际物理参数,其中,计算过程如下述步骤S5所示。
S5.基于各个合成核磁共振信号,确定出所述待测物体内不同物质成分对应的实际物理参数;在本实施例中,实质还是拟合各个合成核磁共振信号的衰减过程,来使各个合成核磁共振信号对应生成一第二物质成分检测信号;而后,基于各个第二物质成分检测信号中的参数,来计算出待测物体内不同物质成分对应的实际物理参数;可选的,举例前述计算过程可以但不限于如下述步骤S51~S53所示。
S51.基于各个合成核磁共振信号,生成待测物体的多个第二物质成分检测信号,其中,每个合成核磁共振信号对应生成一第二物质成分检测信号;在本实施例中,各个第二物质成分检测信号的生成过程与第一物质成分检测信号的生成过程相同,于此不再赘述。
在得到每个合成核磁共振信号对应的第二物质成分检测信号后,即可进行参数统计,得到待测物体内每个物质成分的物理参数集合;其中,统计过程如下述步骤S52所示。
S52.利用多个第二物质成分检测信号,确定出所述待测物体内不同物质成分的物理参数集合,其中,所述待测物体内任一物质成分的物理参数集合包含有至少一个参数序列,每个参数序列分别对应该任一物质成分的一种物理参数类型,任一参数序列包含有每个第二物质成分检测信号内指定类型的物理参数,且所述指定类型为所述任一参数序列对应的物理参数类型;在本实施例中,以前述公式(3)为例,每个第二物质成分检测信号中,均包含有物质成分A和B对应的扩散系数和衰减系数,那么,对于物质成分A来说,其对应的物理参数类型有三个,即两个衰减系数和一个扩散系数,如此,物质成分A对应的物理参数集合则包含有三个参数序列;同时,对于物质成分A的衰减系数T1,W(命名为第一衰减系数),则是统计所有第二物质成分检测信号中的物质成分A的衰减系数T1,W,然后利用统计出的数据组成物质成分A的第一衰减系数序列;当然,物质成分A其余的物理参数类型的参数序列的构建过程,与第一衰减系数序列的构建过程相同;如此,基于前述方法,即可构建出其余物质成分的物理参数集合。
在得到各个物质成分的物理参数集合后,即可基于物理参数集合,来确定出各个物质成分的实际物理参数,其中,计算过程如下述步骤S53所示。
S53.依据所述待测物体内不同物质成分的物理参数集合,计算出所述待测物体内不同物质成分的实际物理参数;在本实施例中,举例可以但不限于计算出各个物理参数集合中每个参数序列的标准差和均值;然后,再基于各个物理参数集合中每个参数序列的标准差和均值,确定出所述待测物体内不同物质成分对应的实际物理参数。
可选的,以任一物质成分为例,来阐述其对应实际物理参数的具体计算过程,可以但不限于如下述步骤S53a~S53d所示。
S53a.对于所述待测物体内的任一物质成分,获取所述任一物质成分对应的物理参数集合。
S53b.对于所述任一物质成分对应的物理参数集合中的第i个参数序列,依次按照如下公式(1)和公式(2),计算出第i个参数序列对应物理参数类型的最小参数值和最大参数值。
Ci,min=avg(ai)-2×std(ai) (1)
Ci,max=avg(ai)+2×std(ai) (2)
上述公式(1)中,Ci,min表示所述第i个参数序列对应物理参数类型的最小参数值,avg(ai)表示所述第i个参数序列的均值,std(ai)表示所述第i个参数序列的标准差;上述公式(2)中,Ci,max表示所述第i个参数序列对应物理参数类型的最大参数值。
S53c.利用所述第i个参数序列对应物理参数类型的最大参数值和最小参数值,构建出所述第i个参数序列对应物理参数类型的物理参数区间,并将所述物理参数区间,作为所述第i个参数序列对应物理参数类型的实际物理参数。
S53d.将i自加1,并重新计算出第i个参数序列对应物理参数类型的最小参数值和最大参数值,直至i等于n时,得到所述任一物质成分的实际物理参数,其中,i的初始值为1,且n为所述任一物质成分对应物理参数类型的种类数。
在前述举例的基础上阐述前述步骤S53a~S53d,即物质成分A对应有第一衰减系数序列、第二衰减系数序列和扩散系数序列,其中,相当于利用第一衰减系数序列的均值和标准差,来计算出物质成分A的第一衰减系数的实际物理参数,利用第二衰减系数序列的均值和标准差,来计算出物质成分A的第二衰减系数的实际物理参数;以及利用扩散系数序列的均值和标准差,来计算出物质成分A的扩散系数的实际物理参数;而后,即可利用第一衰减系数的实际物理参数、第二衰减系数的实际物理参数以及扩散系数的实际物理参数,来组成物质成分A的实际物理参数;当然,其余物质成分的实际物理参数的计算过程与前述举例相同,于此不再赘述。
在得到各个物质成分的实际物理参数后,即可基于实际物理参数,来确定出各个物质成分的种类;其中,检测过程如下述步骤S6所示。
S6.依据待测物体内不同物质成分的实际物理参数,确定出待测物体所含物质成分的种类;在本实施例中,举例可以但不限于先获取物质成分数据库,其中,所述物质成分数据库中存储有不同已知物质成分的物理参数(如水、油脂等物质成分的物理参数),而后,再基于所述物质成分数据库,对所述待测物体内不同物质成分的实际物理参数进行数据匹配,以在数据匹配后,得出所述待测物体所含物质成分的种类。
在本实施例中,对于任一物质成分,相当于是将该任一物质成分的各个物理参数类型对应的实际物理参数,与已知成分的物理参数进行对比,从而来得出待测物体内是否含有该任一物质成分;如此,以物质成分A为例,假设其对应的第一衰减系数的实际物理参数、第二衰减系数的实际物理参数以及扩散系数的实际物理参数,分别对应处于数据库中水的第一衰减系数、第二衰减系数以及扩展系数的物理参数内(前述就已说明物理参数为一个区间),那么则可根据三者的重合范围,判定出该物质成分A是否为水;当然,若物质成分A的第一衰减系数的实际物理参数,未处于数据库中水的第一衰减系数的物理参数内,则判定出物质成分A不为水;当然,其余物质成分的种类识别过程与前述举例相同,于此不再赘述。
由此通过前述步骤S1~S6所详细描述的物质成分的非侵入式检测方法,本发明测量一次样品即可得到样品内物质成分的参数区间,而无需对样品进行多次测量;如此,避免了多次测量样品来计算参数所存在的测量值与真实值差异较大的问题,可提高物质成分检测的准确性,非常适用于在物质成分非侵入式检测领域的大规模应用与推广。
如图2所示,本实施例第二方面提供了一种实现实施例第一方面中所述的物质成分的非侵入式检测方法的硬件装置,包括:
信号处理单元,用于获取待测物体的核磁共振信号,并基于核磁共振信号,生成待测物体的第一物质成分检测信号,其中,所述第一物质成分检测信号中包含有待测物体内不同物质成分对应的物理参数。
噪声信号生成单元,用于基于所述核磁共振信号和所述第一物质成分检测信号,确定出所述待测物体的噪声信号。
采样单元,用于对所述噪声信号进行多次采样处理,以得到多个采样噪声信号。
信号重建单元,用于利用所述第一物质成分检测信号以及所述多个采样噪声信号,构建出所述待测物体的多个合成核磁共振信号。
成分检测单元,用于基于各个合成核磁共振信号,确定出所述待测物体内不同物质成分对应的实际物理参数。
成分检测单元,还用于依据待测物体内不同物质成分的实际物理参数,确定出待测物体所含物质成分的种类。
本实施例提供的装置的工作过程、工作细节和技术效果,可以参见实施例第一方面,于此不再赘述。
如图3所示,本实施例第三方面提供了另一种物质成分的非侵入式检测装置,以装置为电子设备为例,包括:依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如实施例第一方面所述的物质成分的非侵入式检测方法。
具体举例的,所述存储器可以但不限于包括随机存取存储器(random accessmemory,RAM)、只读存储器(Read Only Memory,ROM)、闪存(Flash Memory)、先进先出存储器(First Input First Output,FIFO)和/或先进后出存储器(First In Last Out,FILO)等等;具体地,处理器可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现,同时,处理器也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。
在一些实施例中,处理器可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制,例如,所述处理器可以不限于采用型号为STM32F105系列的微处理器、精简指令集计算机(reduced instruction setcomputer,RISC)微处理器、X86等架构处理器或集成嵌入式神经网络处理器(neural-network processing units,NPU)的处理器;所述收发器可以但不限于为无线保真(WIFI)无线收发器、蓝牙无线收发器、通用分组无线服务技术(General Packet Radio Service,GPRS)无线收发器、紫蜂协议(基于IEEE802.15.4标准的低功耗局域网协议,ZigBee)无线收发器、3G收发器、4G收发器和/或5G收发器等。此外,所述装置还可以但不限于包括有电源模块、显示屏和其它必要的部件。
本实施例提供的电子设备的工作过程、工作细节和技术效果,可以参见实施例第一方面,于此不再赘述。
本实施例第四方面提供了一种存储包含有实施例第一方面所述的物质成分的非侵入式检测方法的指令的存储介质,即所述存储介质上存储有指令,当所述指令在计算机上运行时,执行如实施例第一方面所述的物质成分的非侵入式检测方法。
其中,所述存储介质是指存储数据的载体,可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等,所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例提供的存储介质的工作过程、工作细节和技术效果,可以参见实施例第一方面,于此不再赘述。
本实施例第五方面提供了一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行如实施例第一方面所述的物质成分的非侵入式检测方法,其中,所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种物质成分的非侵入式检测方法,其特征在于,包括:
获取待测物体的核磁共振信号,并基于核磁共振信号,生成待测物体的第一物质成分检测信号,其中,所述第一物质成分检测信号中包含有待测物体内不同物质成分对应的物理参数;
基于所述核磁共振信号和所述第一物质成分检测信号,确定出所述待测物体的噪声信号;
对所述噪声信号进行多次采样处理,以得到多个采样噪声信号;
利用所述第一物质成分检测信号以及所述多个采样噪声信号,构建出所述待测物体的多个合成核磁共振信号;
基于各个合成核磁共振信号,确定出所述待测物体内不同物质成分对应的实际物理参数;
依据待测物体内不同物质成分的实际物理参数,确定出待测物体所含物质成分的种类。
2.根据权利要求1所述的方法,其特征在于,基于各个合成核磁共振信号,确定出所述待测物体内不同物质成分对应的实际物理参数,包括:
基于各个合成核磁共振信号,生成待测物体的多个第二物质成分检测信号,其中,每个合成核磁共振信号对应生成一第二物质成分检测信号;
利用多个第二物质成分检测信号,确定出所述待测物体内不同物质成分的物理参数集合,其中,所述待测物体内任一物质成分的物理参数集合包含有至少一个参数序列,每个参数序列分别对应该任一物质成分的一种物理参数类型,任一参数序列包含有每个第二物质成分检测信号内指定类型的物理参数,且所述指定类型为所述任一参数序列对应的物理参数类型;
依据所述待测物体内不同物质成分的物理参数集合,计算出所述待测物体内不同物质成分的实际物理参数。
3.根据权利要求2所述的方法,其特征在于,依据所述待测物体内不同物质成分的物理参数集合,计算出所述待测物体内不同物质成分的实际物理参数,包括:
计算出各个物理参数集合中每个参数序列的标准差和均值;
基于各个物理参数集合中每个参数序列的标准差和均值,确定出所述待测物体内不同物质成分对应的实际物理参数。
4.根据权利要求3所述的方法,其特征在于,基于各个物理参数集合中每个参数序列的标准差和均值,确定出所述待测物体内不同物质成分对应的实际物理参数,包括:
对于所述待测物体内的任一物质成分,获取所述任一物质成分对应的物理参数集合;
对于所述任一物质成分对应的物理参数集合中的第i个参数序列,依次按照如下公式(1)和公式(2),计算出第i个参数序列对应物理参数类型的最小参数值和最大参数值;
Ci,min=avg(ai)-2×std(ai) (1)
Ci,max=avg(ai)+2×std(ai) (2)
上述公式(1)中,Ci,min表示所述第i个参数序列对应物理参数类型的最小参数值,avg(ai)表示所述第i个参数序列的均值,std(ai)表示所述第i个参数序列的标准差;
上述公式(2)中,Ci,max表示所述第i个参数序列对应物理参数类型的最大参数值;
利用所述第i个参数序列对应物理参数类型的最大参数值和最小参数值,构建出所述第i个参数序列对应物理参数类型的物理参数区间,并将所述物理参数区间,作为所述第i个参数序列对应物理参数类型的实际物理参数;
将i自加1,并重新计算出第i个参数序列对应物理参数类型的最小参数值和最大参数值,直至i等于n时,得到所述任一物质成分的实际物理参数,其中,i的初始值为1,且n为所述任一物质成分对应物理参数类型的种类数。
5.根据权利要求1所述的方法,其特征在于,基于所述核磁共振信号和所述第一物质成分检测信号,确定出所述待测物体的噪声信号,包括:
将所述核磁共振信号与所述第一物质成分检测信号进行信号相减处理,以在信号相减处理后,得到所述待测物体的噪声信号。
6.根据权利要求1所述的方法,其特征在于,利用所述第一物质成分检测信号以及所述多个采样噪声信号,构建出所述待测物体的多个合成核磁共振信号,包括:
分别将所述第一物质成分检测信号与每个采样噪声信号进行信号叠加处理,以在信号叠加后,得到多个合成核磁共振信号。
7.根据权利要求1所述的方法,其特征在于,依据待测物体内不同物质成分的实际物理参数,确定出待测物体所含物质成分的种类,包括:
获取物质成分数据库,其中,所述物质成分数据库中存储有不同已知物质成分的物理参数;
基于所述物质成分数据库,对所述待测物体内不同物质成分的实际物理参数进行数据匹配,以在数据匹配后,得出所述待测物体所含物质成分的种类。
8.一种物质成分的非侵入式检测装置,其特征在于,包括:
信号处理单元,用于获取待测物体的核磁共振信号,并基于核磁共振信号,生成待测物体的第一物质成分检测信号,其中,所述第一物质成分检测信号中包含有待测物体内不同物质成分对应的物理参数;
噪声信号生成单元,用于基于所述核磁共振信号和所述第一物质成分检测信号,确定出所述待测物体的噪声信号;
采样单元,用于对所述噪声信号进行多次采样处理,以得到多个采样噪声信号;
信号重建单元,用于利用所述第一物质成分检测信号以及所述多个采样噪声信号,构建出所述待测物体的多个合成核磁共振信号;
成分检测单元,用于基于各个合成核磁共振信号,确定出所述待测物体内不同物质成分对应的实际物理参数;
成分检测单元,还用于依据待测物体内不同物质成分的实际物理参数,确定出待测物体所含物质成分的种类。
9.一种物质成分的非侵入式检测装置,其特征在于,包括:依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取计算机程序,执行如权利要求1~7任意一项所述的物质成分的非侵入式检测方法。
10.一种存储介质,其特征在于,所述存储介质上存储有指令,当所述指令在计算机上运行时,执行如权利要求1~7任意一项所述的物质成分的非侵入式检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311324516.7A CN117347416B (zh) | 2023-10-12 | 一种物质成分的非侵入式检测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311324516.7A CN117347416B (zh) | 2023-10-12 | 一种物质成分的非侵入式检测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117347416A true CN117347416A (zh) | 2024-01-05 |
CN117347416B CN117347416B (zh) | 2024-05-31 |
Family
ID=
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102053280A (zh) * | 2010-11-10 | 2011-05-11 | 吉林大学 | 带有参考线圈的核磁共振地下水探测系统及探测方法 |
US20130317758A1 (en) * | 2012-04-25 | 2013-11-28 | Los Alamos National Security, Llc | Hypothesis-Driven Classification of Materials Using Nuclear Magnetic Resonance Relaxometry |
WO2014013390A2 (en) * | 2012-07-16 | 2014-01-23 | Koninklijke Philips N.V. | Prediction, scoring, and classification of magnetic resonance contrast using contrast signal scoring equation |
CN108520088A (zh) * | 2018-02-27 | 2018-09-11 | 华东师范大学 | 基于数值模拟技术的仿真核磁共振弛豫谱分析方法及分析系统 |
CN110598722A (zh) * | 2018-06-12 | 2019-12-20 | 清华大学 | 多模态神经影像数据自动信息融合系统 |
CN111721795A (zh) * | 2020-06-29 | 2020-09-29 | 无锡鸣石峻致医疗科技有限公司 | 一种基于核磁共振系统的物质测量方法及系统 |
CN112378942A (zh) * | 2020-10-29 | 2021-02-19 | 四川轻化工大学 | 一种基于核磁共振指纹图谱的白酒等级分类识别方法 |
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102053280A (zh) * | 2010-11-10 | 2011-05-11 | 吉林大学 | 带有参考线圈的核磁共振地下水探测系统及探测方法 |
US20130317758A1 (en) * | 2012-04-25 | 2013-11-28 | Los Alamos National Security, Llc | Hypothesis-Driven Classification of Materials Using Nuclear Magnetic Resonance Relaxometry |
WO2014013390A2 (en) * | 2012-07-16 | 2014-01-23 | Koninklijke Philips N.V. | Prediction, scoring, and classification of magnetic resonance contrast using contrast signal scoring equation |
CN108520088A (zh) * | 2018-02-27 | 2018-09-11 | 华东师范大学 | 基于数值模拟技术的仿真核磁共振弛豫谱分析方法及分析系统 |
CN110598722A (zh) * | 2018-06-12 | 2019-12-20 | 清华大学 | 多模态神经影像数据自动信息融合系统 |
CN111721795A (zh) * | 2020-06-29 | 2020-09-29 | 无锡鸣石峻致医疗科技有限公司 | 一种基于核磁共振系统的物质测量方法及系统 |
WO2022000948A1 (zh) * | 2020-06-29 | 2022-01-06 | 无锡鸣石峻致医疗科技有限公司 | 基于核磁共振系统的物质测量方法及系统 |
CN112378942A (zh) * | 2020-10-29 | 2021-02-19 | 四川轻化工大学 | 一种基于核磁共振指纹图谱的白酒等级分类识别方法 |
Non-Patent Citations (2)
Title |
---|
谢桂海, 董光波, 孙增圻, 马健: "基于核磁共振的癌症非侵入式诊断理论与技术研究", 核电子学与探测技术, no. 04, 20 July 2005 (2005-07-20) * |
邓钥;: "岩石核磁共振信号噪声估计与含水量测量实验", 中国教育技术装备, no. 01, 10 January 2017 (2017-01-10) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hoppe et al. | Deep learning for magnetic resonance fingerprinting: a new approach for predicting quantitative parameter values from time series | |
Cao et al. | Robust sliding‐window reconstruction for Accelerating the acquisition of MR fingerprinting | |
Huang et al. | Incorporating latent constraints to enhance inference of network structure | |
Lv et al. | Transfer learning enhanced generative adversarial networks for multi-channel MRI reconstruction | |
Kang et al. | Optimal placement of mobile sensors for data assimilations | |
Wang et al. | An image reconstruction algorithm for electrical capacitance tomography based on simulated annealing particle swarm optimization | |
Okounkova et al. | Evolving metric perturbations in dynamical Chern-Simons gravity | |
Arvinte et al. | Deep J-Sense: Accelerated MRI reconstruction via unrolled alternating optimization | |
CN112529296A (zh) | 水质预测方法、装置及服务器 | |
Kamionkowski et al. | CMB bispectrum, trispectrum, non-Gaussianity, and the Cramer-Rao bound | |
CN113409466B (zh) | 基于gcn残差连接网络的激发荧光断层成像方法 | |
van der Heide et al. | High‐resolution in vivo MR‐STAT using a matrix‐free and parallelized reconstruction algorithm | |
CN112801315A (zh) | 电力二次设备的状态诊断方法、装置及终端 | |
CN106770155B (zh) | 一种物质含量分析方法 | |
CN117347416B (zh) | 一种物质成分的非侵入式检测方法、装置及存储介质 | |
Hong et al. | Real-time state-of-charge estimation using an embedded board for li-ion batteries | |
CN103519816B (zh) | 脑功能磁共振成像方法和系统 | |
Miranda et al. | Interpreting internal consistency of DES measurements | |
CN117392564B (zh) | 一种基于深度学习的河流水质反演方法、电子设备及存储介质 | |
Han et al. | MR image reconstruction using cosupport constraints and group sparsity regularisation | |
Kalkan et al. | Cloudy/clear weather classification using deep learning techniques with cloud images | |
CN117347416A (zh) | 一种物质成分的非侵入式检测方法、装置及存储介质 | |
Chen et al. | Frequency importance analysis for chemical exchange saturation transfer magnetic resonance imaging using permuted random forest | |
Zhao et al. | Analysis of rounded data in mixture normal model | |
Zhang et al. | Cumulative Tsallis entropy based on multi-scale permuted distribution of financial time series |
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 | ||
GR01 | Patent grant |