勃起障碍患者脉冲超声设备

1.本技术涉及脉冲超声设备领域，且更为具体的涉及勃起障碍患者脉冲超声设备。

背景技术：

2.目前，针对男性勃起功能障碍疾病还没有可以安全有效的改善患者症状且可从根本上恢复勃起器官病理变化及生理功能的方法以及的装置。
3.中国专利号cn 105726190a揭露了一种用于男性勃起功能障碍的脉冲超声波设备，其包括主控装置、微控系统和探头，其中，所述探头包括：超声发生器。主控装置将控制信号发送到微控系统，微控系统将控制信号转换为控制指令并发送到超声波发生器，超声发生器根据控制指令生成相应的超声波。该脉冲超声设备，能够产生用于用途的超声波，实现从体外非介入式进行，避免了手术给患者带来的痛楚，以及药物对人身体的伤害和依赖性。
4.虽然上述脉冲超声波设备能够改善男性勃起功能，但在实际诊疗过程中，临床医生期待基于实际诊疗情况来调整超声波的出射模式，其原因为患者之间存在差异，如果采用同样的超声波控制模式会使得不同患者的诊疗效果发生差异。这就要求为超声波发生器配置控制器。
5.超声波发生器的控制模式在技术实现上有两种途径：手动模式和自动模式，手动模式可以满足临床医生的超声波模式调整需求，但需要临床医生时刻守在患者跟前。因此，期待一种具有超声波自适应调整模块的勃起障碍患者脉冲超声设备，其能够自动且自适应地调整超声波设备出射的超声波的模式。

技术实现要素：

6.为了解决上述技术问题，提出了本技术。本技术的实施例提供了勃起障碍患者脉冲超声设备，其能够自动且自适应地调整超声波设备出射的超声波的模式。特别地，超声波自适应调整模块的控制算法在勃起障碍患者脉冲超声设备出厂前，通过设备测试数据来确定。这样，就可以在所述勃起障碍患者脉冲超声设备出厂前，通过测试数据来确定超声波自适应调整模块的控制算法，从而在所述勃起障碍患者脉冲超声设备出厂后，其能够基于超声波功率自适应控制模块来自适应地调整其超声波出射模式。
7.根据本技术的一个方面，提供了勃起障碍患者脉冲超声设备，其包括：
8.数据采集模块，用于获取由探头在预定时间段内输出的测试超声波信号以及由摄像头采集的所述预定时间段的测试监控视频；
9.时域增强模块，用于计算所述测试超声波信号的时域增强图；
10.超声波时域特征提取模块，用于将所述时域增强图通过作为过滤器的第一卷积神经网络模型以得到测试超声波时域特征向量；
11.监控视频编码模块，用于将所述测试监控视频通过使用时间注意力机制的第二卷积神经网络以得到测试跟踪特征图；
12.维度下降模块，用于对所述测试跟踪特征图的的沿通道维度的各个特征矩阵进行全局均值池化处理以得到测试跟踪特征向量；
13.特征分布校正模块，用于对所述测试跟踪特征向量和所述测试超声波时域特征向量分别进行特征值校正以得到校正后测试跟踪特征向量和校正后测试超声波时域特征向量；
14.响应性估计模块，用于计算所述校正后测试超声波时域特征向量相对于所述校正后测试跟踪特征向量的响应性估计以得到分类特征矩阵；以及
15.控制结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的测试超声波信号的空占比应增大或应减小。
16.在上述勃起障碍患者脉冲超声设备中，所述时域增强模块，进一步用于以如下公式来计算所述测试超声波信号的时域增强图，其中，所述公式为：signalimage＝f(signal,maph,mapw)，其中，signal表示所述测试超声波信号，signalimage表示所述时域增强图，maph表示所述时域增强图的图像高度，mapw表示所述时域增强图的图像宽度。
17.在上述勃起障碍患者脉冲超声设备中，所述超声波时域特征提取模块，进一步用于：使用所述第一卷积神经网络的各层在层的正向传递中分别对输入数据进行基于卷积核的卷积处理、池化处理和非线性激活处理以由所述第一卷积神经网络的最后一层输出所述测试超声波时域特征向量，其中，所述第一卷积神经网络的第一层的输入为所述时域增强图。
18.在上述勃起障碍患者脉冲超声设备中，所述监控视频编码模块，包括：
19.第一卷积编码单元，用于使用所述卷积神经网络模型的第一卷积层对所述测试监控视频中的第一帧进行卷积编码以得到第一卷积特征图；
20.第二卷积编码单元，用于使用所述卷积神经网络模型的第二卷积层对所述测试监控视频中的第二帧进行卷积编码以得到第二卷积特征图；
21.时间注意力叠加单元，用于计算所述第一卷积特征图和所述第二卷积特征图的按位置加权和以得到时间注意力得分图；
22.激活单元，用于将所述时间注意力得分图输入softmax激活函数以得到时间注意力图；
23.第三卷积编码单元，用于使用所述卷积神经网络模型的第三卷积层对所述测试监控视频中的第一帧进行卷积编码以得到第三卷积特征图；以及
24.注意力施加单元，用于计算所述第三卷积特征图和所述时间注意力图的按位置点乘以得到所述测试跟踪特征图。
25.在上述勃起障碍患者脉冲超声设备中，所述特征分布校正模块，进一步用于：以如下公式对所述测试跟踪特征向量和所述测试超声波时域特征向量分别进行特征值校正以得到校正后测试跟踪特征向量和校正后测试超声波时域特征向量，其中，所述公式为：
[0026][0027]
其中，μ和σ是特征集合vi∈v的均值和方差，v指的是所述测试超声波时域特征向量或所述测试跟踪特征向量。
[0028]
在上述勃起障碍患者脉冲超声设备中，所述响应性估计模块，进一步用于：以如下
公式计算所述校正后测试超声波时域特征向量相对于所述校正后测试跟踪特征向量的响应性估计以得到分类特征矩阵；
[0029]
其中，所述公式为：
[0030][0031]
其中va表示所述校正后测试超声波时域特征向量，vb表示所述校正后测试跟踪特征向量，m表示所述分类特征矩阵，表示矩阵相乘。
[0032]
在上述勃起障碍患者脉冲超声设备中，所述控制结果生成模块，进一步用于：使用所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果，其中，所述公式为：softmax{(wn,bn):
…
:(w1,b1)|project(f)}，其中project(f)表示将所述分类特征矩阵投影为向量，w1至wn为各层全连接层的权重矩阵，b1至bn表示各层全连接层的偏置矩阵。
[0033]
根据本技术的另一方面，还提供了勃起障碍患者脉冲超声方法，其包括：
[0034]
获取由探头在预定时间段内输出的测试超声波信号以及由摄像头采集的所述预定时间段的测试监控视频；
[0035]
计算所述测试超声波信号的时域增强图；
[0036]
将所述时域增强图通过作为过滤器的第一卷积神经网络模型以得到测试超声波时域特征向量；
[0037]
将所述测试监控视频通过使用时间注意力机制的第二卷积神经网络以得到测试跟踪特征图；
[0038]
对所述测试跟踪特征图的的沿通道维度的各个特征矩阵进行全局均值池化处理以得到测试跟踪特征向量；
[0039]
对所述测试跟踪特征向量和所述测试超声波时域特征向量分别进行特征值校正以得到校正后测试跟踪特征向量和校正后测试超声波时域特征向量；
[0040]
计算所述校正后测试超声波时域特征向量相对于所述校正后测试跟踪特征向量的响应性估计以得到分类特征矩阵；以及
[0041]
将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的测试超声波信号的空占比应增大或应减小。
[0042]
与现有技术相比，本技术提供的勃起障碍患者脉冲超声设备，其能够自动且自适应地调整超声波设备出射的超声波的模式。特别地，超声波自适应调整模块的控制算法在勃起障碍患者脉冲超声设备出厂前，通过设备测试数据来确定。这样，就可以在所述勃起障碍患者脉冲超声设备出厂前，通过测试数据来确定超声波自适应调整模块的控制算法，从而在所述勃起障碍患者脉冲超声设备出厂后，其能够基于超声波功率自适应控制模块来自适应地调整其超声波出射模式。
附图说明
[0043]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0044]
图1图示了根据本技术实施例的勃起障碍患者脉冲超声设备的应用场景图。
[0045]
图2图示了根据本技术实施例的勃起障碍患者脉冲超声设备的框图。
[0046]
图3图示了根据本技术实施例的勃起障碍患者脉冲超声设备的系统架构图。
[0047]
图4图示了根据本技术实施例的勃起障碍患者脉冲超声方法的流程图。
具体实施方式
[0048]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0049]
申请概述
[0050]
在进行具有超声波自适应调整模块的勃起障碍患者脉冲超声设备的设备研发中，关键是确定超声波自适应调整模块的控制算法。也就是，需要在勃起障碍患者脉冲超声设备出厂前，通过测试来确定超声波自适应调整模块的控制算法。
[0051]
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
[0052]
深度学习以及神经网络的发展为超声波自适应调整控制提供了新的解决思路和方案。
[0053]
具体地，可在所述具有超声波自适应调整模块的勃起障碍患者脉冲超声设备的测试过程中收集数据，并通过所收集的数据来训练用于超声波自适应控制的深度神经网络模型。这样，在训练完成后，就可以使用所述深度神经网络模型来自适应地调整超声波出射模式。
[0054]
具体地，在本技术的技术方案中，所述超声波自适应调整模块的勃起障碍患者脉冲超声设备的测试过程，包括：首先获取由探头在预定时间段内输出的测试超声波信号以及由摄像头采集的所述预定时间段的测试监控视频。接着，对所述测试超声波信号进行域转化，具体地，计算所述测试超声波信号的时域增强图。然后，将所述时域增强图通过作为过滤器的第一卷积神经网络模型以得到测试超声波时域特征向量，也就是，以卷积神经网络模型作为特征过滤器来提取由所述测试超声波信号转化而来的时域增强图在时域空间内的局部隐含关联特征以得到所述测试超声波时域特征向量。
[0055]
在本技术的技术方案中，所述测试监控视频为被测试患者在测试所述勃起障碍患者脉冲超声设备时所产生的阴茎状态变化监控视频。为了使得阴茎状态变化特征在时序维度上更加具有可鉴别性，特别地，在本技术的技术方案中，使用具有时间注意力机制的卷积神经网络模型作为特征提取器对所述测试监控视频进行编码以得到测试跟踪特征图。相较于常规的卷积神经网络模型，所述具有时间注意力机制的卷积神经网络模型能够在特征提取过程中对不同时间点的阴茎状态特征之间的关联(包括变化)施加更多的关注度以使得阴茎状态变化特征在时序维度上更加具有可鉴别性。
[0056]
应可以理解，在测试过程中，阴茎状态变化是因超声波作用下引起的，因此，在高维特征空间中，所述测试跟踪特征图和所述测试超声波时域特征向量之间存在响应性关联。并且，在基于响应性关联来融合所述测试超声波时域特征向量和所述测试跟踪特征图之前，考虑到所述测试超声波时域特征向量为一维特征向量而所述测试跟踪特征图是三维
特征张量，两者存在维度差异，因此，在进行响应性计算之前，首先对所述测试跟踪特征图进行维度调整。具体地，在本技术一个具体的示例中，对所述测试跟踪特征图的的沿通道维度的各个特征矩阵进行全局均值池化处理以得到测试跟踪特征向量。然后，计算所述测试超声波时域特征向量相对于所述测试跟踪特征向量的响应性估计以得到分类特征矩阵，在本技术一个具体的示例中，以所述测试超声波时域特征向量相对于所述测试跟踪特征向量的转移矩阵来表示所述测试超声波时域特征向量和所述测试跟踪特征向量之间的响应性关联。
[0057]
这里，由于所述测试超声波时域特征向量和所述测试跟踪特征向量的各个位置的特征值均为沿通道维度排列，因此其沿通道维度的特征分布的表达一致性会对响应性估计的准确程度造成影响。
[0058]
因此，期望提升所述测试超声波时域特征向量和所述测试跟踪特征向量的沿通道维度的表达一致性。具体地，对所述测试超声波时域特征向量和所述测试跟踪特征向量分别进行通道递归的压榨-激励优化，表示为：
[0059][0060]
μ和σ是特征集合vi∈v的均值和方差，v指的是所述测试超声波时域特征向量和所述测试跟踪特征向量。
[0061]
也就是，基于沿通道的特征集合的统计特性来激活特征分布的沿通道方向的递归，从而推断特征在其每个通道采样位置的分布，并且，采用由relu-sigmoid函数构成的压榨-激励机制，来获取通道维度下注意力增强的位置置信度值，以提升所述测试超声波时域特征向量和所述测试跟踪特征向量在通道维度下的表达一致性。
[0062]
也就是，在本技术的技术方案中，在进行响应性计算之前，首先对所述测试跟踪特征向量和所述测试超声波时域特征向量分别进行通道递归的压榨-激励优化以得到校正后测试跟踪特征向量和校正后测试超声波时域特征向量。然后，计算所述校正后测试超声波时域特征向量相对于所述校正后测试跟踪特征向量的响应性估计以得到所述分类特征矩阵。继而，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的测试超声波信号的空占比应增大或应减小。
[0063]
这样，就可以在所述勃起障碍患者脉冲超声设备出厂前，通过测试数据来确定超声波自适应调整模块的控制算法，从而在所述勃起障碍患者脉冲超声设备出厂后，其能够基于超声波功率自适应控制模块来自适应地调整其超声波出射模式。
[0064]
基于此，本技术提出了勃起障碍患者脉冲超声设备，其包括：数据采集模块，用于获取由探头在预定时间段内输出的测试超声波信号以及由摄像头采集的所述预定时间段的测试监控视频；时域增强模块，用于计算所述测试超声波信号的时域增强图；超声波时域特征提取模块，用于将所述时域增强图通过作为过滤器的第一卷积神经网络模型以得到测试超声波时域特征向量；监控视频编码模块，用于将所述测试监控视频通过使用时间注意力机制的第二卷积神经网络以得到测试跟踪特征图；维度下降模块，用于对所述测试跟踪特征图的的沿通道维度的各个特征矩阵进行全局均值池化处理以得到测试跟踪特征向量；特征分布校正模块，用于对所述测试跟踪特征向量和所述测试超声波时域特征向量分别进行特征值校正以得到校正后测试跟踪特征向量和校正后测试超声波时域特征向量；
响应性估计模块，用于计算所述校正后测试超声波时域特征向量相对于所述校正后测试跟踪特征向量的响应性估计以得到分类特征矩阵；以及控制结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的测试超声波信号的空占比应增大或应减小，由此可以实现自动且自适应地调整超声波设备出射的超声波的模式。
[0065]
图1图示了根据本技术实施例的勃起障碍患者脉冲超声设备的应用场景图。如图1所示，在该应用场景中，首先获取由探头(例如，如图1所示意的b)在预定时间段内输出的测试超声波信号以及由摄像头(例如，如图1所示意的c)采集的所述预定时间段的测试监控视频。进而，将所述测试超声波信号和所述测试监控视频输入至部署有勃起障碍患者脉冲超声算法的服务器(例如，如图1所示意的s)中，其中，所述服务器能够基于勃起障碍患者脉冲超声算法对所述测试超声波信号和所述测试监控视频进行处理，以得到用于表示当前时间点的测试超声波信号的空占比应增大或应减小的分类结果。
[0066]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0067]
示例性系统
[0068]
图2图示了根据本技术实施例的勃起障碍患者脉冲超声设备的框图。如图2所示，根据本技术实施例的勃起障碍患者脉冲超声设备100，包括：数据采集模块110，用于获取由探头在预定时间段内输出的测试超声波信号以及由摄像头采集的所述预定时间段的测试监控视频；时域增强模块120，用于计算所述测试超声波信号的时域增强图；超声波时域特征提取模块130，用于将所述时域增强图通过作为过滤器的第一卷积神经网络模型以得到测试超声波时域特征向量；监控视频编码模块140，用于将所述测试监控视频通过使用时间注意力机制的第二卷积神经网络以得到测试跟踪特征图；维度下降模块150，用于对所述测试跟踪特征图的的沿通道维度的各个特征矩阵进行全局均值池化处理以得到测试跟踪特征向量；特征分布校正模块160，用于对所述测试跟踪特征向量和所述测试超声波时域特征向量分别进行特征值校正以得到校正后测试跟踪特征向量和校正后测试超声波时域特征向量；响应性估计模块170，用于计算所述校正后测试超声波时域特征向量相对于所述校正后测试跟踪特征向量的响应性估计以得到分类特征矩阵；以及，控制结果生成模块180，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的测试超声波信号的空占比应增大或应减小。
[0069]
图3图示了根据本技术实施例的勃起障碍患者脉冲超声设备100的系统架构图。如图3所示，在所述勃起障碍患者脉冲超声设备100的系统架构中，首先，获取由探头在预定时间段内输出的测试超声波信号以及由摄像头采集的所述预定时间段的测试监控视频。接着，计算所述测试超声波信号的时域增强图，将所述时域增强图通过作为过滤器的第一卷积神经网络模型以得到测试超声波时域特征向量。然后，将所述测试监控视频通过使用时间注意力机制的第二卷积神经网络以得到测试跟踪特征图，对所述测试跟踪特征图的的沿通道维度的各个特征矩阵进行全局均值池化处理以得到测试跟踪特征向量。接着，对所述测试跟踪特征向量和所述测试超声波时域特征向量分别进行特征值校正以得到校正后测试跟踪特征向量和校正后测试超声波时域特征向量。然后，计算所述校正后测试超声波时域特征向量相对于所述校正后测试跟踪特征向量的响应性估计以得到分类特征矩阵。最
后，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的测试超声波信号的空占比应增大或应减小。
[0070]
在上述勃起障碍患者脉冲超声设备100中，所述数据采集模块110，用于获取由探头在预定时间段内输出的测试超声波信号以及由摄像头采集的所述预定时间段的测试监控视频。具体地，可在所述具有超声波自适应调整模块的勃起障碍患者脉冲超声设备的测试过程中收集数据，并通过所收集的数据来训练用于超声波自适应控制的深度神经网络模型。这样，在训练完成后，就可以使用所述深度神经网络模型来自适应地调整超声波出射模式。
[0071]
也就算，在本技术的技术方案中，在所述超声波自适应调整模块的勃起障碍患者脉冲超声设备的测试过程中，所述数据采集模块110用于获取由探头在预定时间段内输出的测试超声波信号以及由摄像头采集的所述预定时间段的测试监控视频。
[0072]
在上述勃起障碍患者脉冲超声设备100中，所述时域增强模块120用于计算所述测试超声波信号的时域增强图。也就是，所述时域增强模块120对所述测试超声波信号进行域转化，得到所述测试超声波信号的时域增强图。
[0073]
具体地，所述时域增强模块120，进一步用于以如下公式来计算所述测试超声波信号的时域增强图，其中，所述公式为：signalimage＝f(signal,maph,mapw)，其中，signal表示所述测试超声波信号，signalimage表示所述时域增强图，maph表示所述时域增强图的图像高度，mapw表示所述时域增强图的图像宽度。
[0074]
在本实施例中，所述时域增强图为白的二维图像，具体地，所述时域增强模块120，进一步以如下公式来将所述测试超声波信号重采样为时域增强图宽度的数量，其中，所述公式为：ressignal＝resample(signal,mapw,sigrangew)，sigrangew为所述测试超声波信号的信号长度，ressignal为将所述测试超声波信号重采样为时域增强图宽度的数量。然后，所述时域增强模块120，利用重采样结果来确定出所述测试超声波信号的时域增强图中的点坐标位置，将所述时域增强图中的该点坐标位置的像素改为白像素(如像素值为255)，这样，所述时域增强图为以黑为底的白二维图像。
[0075]
然后，所述超声波时域特征提取模块130用于将所述时域增强图通过作为过滤器的第一卷积神经网络模型以得到测试超声波时域特征向量，也就是，以卷积神经网络模型作为特征过滤器来提取由所述测试超声波信号转化而来的时域增强图在时域空间内的局部隐含关联特征以得到所述测试超声波时域特征向量。
[0076]
具体地，所述超声波时域特征提取模块130，进一步用于：使用所述第一卷积神经网络的各层在层的正向传递中分别对输入数据进行基于卷积核的卷积处理、池化处理和非线性激活处理以由所述第一卷积神经网络的最后一层输出所述测试超声波时域特征向量，其中，所述第一卷积神经网络的第一层的输入为所述时域增强图。
[0077]
在上述勃起障碍患者脉冲超声设备100中，所述监控视频编码模块140，用于将所述测试监控视频通过使用时间注意力机制的第二卷积神经网络以得到测试跟踪特征图。在本技术的技术方案中，所述测试监控视频为被测试患者在测试所述勃起障碍患者脉冲超声设备时所产生的阴茎状态变化监控视频。为了使得阴茎状态变化特征在时序维度上更加具有可鉴别性，特别地，在本技术的技术方案中，使用具有时间注意力机制的卷积神经网络模型作为特征提取器对所述测试监控视频进行编码以得到测试跟踪特征图。相较于常规的卷
积神经网络模型，所述具有时间注意力机制的卷积神经网络模型能够在特征提取过程中对不同时间点的阴茎状态特征之间的关联(包括变化)施加更多的关注度以使得阴茎状态变化特征在时序维度上更加具有可鉴别性。
[0078]
具体地，所述监控视频编码模块140，包括：
[0079]
第一卷积编码单元，用于使用所述卷积神经网络模型的第一卷积层对所述测试监控视频中的第一帧进行卷积编码以得到第一卷积特征图；
[0080]
第二卷积编码单元，用于使用所述卷积神经网络模型的第二卷积层对所述测试监控视频中的第二帧进行卷积编码以得到第二卷积特征图；
[0081]
时间注意力叠加单元，用于计算所述第一卷积特征图和所述第二卷积特征图的按位置加权和以得到时间注意力得分图；
[0082]
激活单元，用于将所述时间注意力得分图输入softmax激活函数以得到时间注意力图；
[0083]
第三卷积编码单元，用于使用所述卷积神经网络模型的第三卷积层对所述测试监控视频中的第一帧进行卷积编码以得到第三卷积特征图；以及
[0084]
注意力施加单元，用于计算所述第三卷积特征图和所述时间注意力图的按位置点乘以得到所述测试跟踪特征图。
[0085]
也就是，所述监控视频编码模块140用于使用所述卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于第一卷积层的卷积处理、基于第二卷积层的卷积处理、按位置加权处理、非线性激活处理、基于第三卷积层的卷积处理和按位置点乘以由所述卷积神经网络模型的最后一层输出所述测试跟踪特征图，所述卷积神经网络模型的第一层输入为所述测试监控视频中的第一帧和第二帧(如第一帧和第二帧可以为相邻帧等)。
[0086]
应可以理解，在测试过程中，阴茎状态变化是因超声波作用下引起的，因此，在高维特征空间中，所述测试跟踪特征图和所述测试超声波时域特征向量之间存在响应性关联。并且，在基于响应性关联来融合所述测试超声波时域特征向量和所述测试跟踪特征图之前，考虑到所述测试超声波时域特征向量为一维特征向量而所述测试跟踪特征图是三维特征张量，两者存在维度差异，因此，在进行响应性计算之前，首先对所述测试跟踪特征图进行维度调整。具体地，在本技术一个具体的示例中，对所述测试跟踪特征图的的沿通道维度的各个特征矩阵进行全局均值池化处理以得到测试跟踪特征向量。然后，计算所述测试超声波时域特征向量相对于所述测试跟踪特征向量的响应性估计以得到分类特征矩阵，在本技术一个具体的示例中，以所述测试超声波时域特征向量相对于所述测试跟踪特征向量的转移矩阵来表示所述测试超声波时域特征向量和所述测试跟踪特征向量之间的响应性关联。
[0087]
具体地，所述维度下降模块150，用于对所述测试跟踪特征图的的沿通道维度的各个特征矩阵进行全局均值池化处理以得到测试跟踪特征向量，即所述测试跟踪特征向量为对所述测试跟踪特征图进行维度调整后的一维特征向量。
[0088]
进一步地，所述特征分布校正模块160，用于对所述测试跟踪特征向量和所述测试超声波时域特征向量分别进行特征值校正以得到校正后测试跟踪特征向量和校正后测试超声波时域特征向量。这里，由于所述测试超声波时域特征向量和所述测试跟踪特征向量的各个位置的特征值均为沿通道维度排列，因此其沿通道维度的特征分布的表达一致性会
对响应性估计的准确程度造成影响。因此，期望提升所述测试超声波时域特征向量和所述测试跟踪特征向量的沿通道维度的表达一致性。
[0089]
在本实施例中，所述特征分布校正模块160，进一步用于：以如下公式对所述测试跟踪特征向量和所述测试超声波时域特征向量分别进行特征值校正以得到校正后测试跟踪特征向量和校正后测试超声波时域特征向量，其中，所述公式为：
[0090][0091]
其中，μ和σ是特征集合vi∈v的均值和方差，v指的是所述测试超声波时域特征向量或所述测试跟踪特征向量。
[0092]
也就是，基于沿通道的特征集合的统计特性来激活特征分布的沿通道方向的递归，从而推断特征在其每个通道采样位置的分布，并且，采用由relu-sigmoid函数构成的压榨-激励机制，来获取通道维度下注意力增强的位置置信度值，以提升所述测试超声波时域特征向量和所述测试跟踪特征向量在通道维度下的表达一致性。
[0093]
所述响应性估计模块170，用于计算所述校正后测试超声波时域特征向量相对于所述校正后测试跟踪特征向量的响应性估计以得到分类特征矩阵。也就是，在本技术的技术方案中，在进行响应性计算之前，首先对所述测试跟踪特征向量和所述测试超声波时域特征向量分别进行通道递归的压榨-激励优化以得到校正后测试跟踪特征向量和校正后测试超声波时域特征向量。然后，计算所述校正后测试超声波时域特征向量相对于所述校正后测试跟踪特征向量的响应性估计以得到所述分类特征矩阵。继而，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的测试超声波信号的空占比应增大或应减小。
[0094]
具体地，所述响应性估计模块170，进一步用于：以如下公式计算所述校正后测试超声波时域特征向量相对于所述校正后测试跟踪特征向量的响应性估计以得到分类特征矩阵；
[0095]
其中，所述公式为：
[0096][0097]
其中va表示所述校正后测试超声波时域特征向量，vb表示所述校正后测试跟踪特征向量，m表示所述分类特征矩阵，表示矩阵相乘。
[0098]
所述控制结果生成模块180，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的测试超声波信号的空占比应增大或应减小。
[0099]
在本技术一些实施例中，所述控制结果生成模块180的分类过程包括：使用所述分类器的多个全连接层对所述分类特征矩阵进行全连接编码以将所述分类特征矩阵转化为分类特征向量；将所述分类特征向量输入softmax分类函数以获得所述分类特征向量分别归属于当前时间点的测试超声波信号的空占比应增大或应减小的概率值；若当前时间点的测试超声波信号的空占比应增大的概率值大于或等于当前时间点的测试超声波信号的空占比应减小的概率值，则输出分类结果为当前时间点的测试超声波信号的空占比应增大，若当前时间点的测试超声波信号的空占比应增大的概率值小于当前时间点的测试超声波信号的空占比应减小的概率值，则输出分类结果为当前时间点的测试超声波信号的空占比
应减小。
[0100]
所述控制结果生成模块180，进一步用于：使用所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果，其中，所述公式为：softmax{(wn,bn):
…
:(w1,b1)|project(f)}，其中project(f)表示将所述分类特征矩阵投影为向量，w1至wn为各层全连接层的权重矩阵，b1至bn表示各层全连接层的偏置矩阵。
[0101]
综上，根据本技术实施例的所述勃起障碍患者脉冲超声设备100被阐明，其能够自动且自适应地调整超声波设备出射的超声波的模式。特别地，超声波自适应调整模块的控制算法在勃起障碍患者脉冲超声设备出厂前，通过设备测试数据来确定。这样，就可以在所述勃起障碍患者脉冲超声设备出厂前，通过测试数据来确定超声波自适应调整模块的控制算法，从而在所述勃起障碍患者脉冲超声设备出厂后，其能够基于超声波功率自适应控制模块来自适应地调整其超声波出射模式。
[0102]
示例性方法
[0103]
图4图示了根据本技术实施例的勃起障碍患者脉冲超声方法的流程图。如图4所示，根据本技术实施例的所述勃起障碍患者脉冲超声方法，包括步骤：s110，获取由探头在预定时间段内输出的测试超声波信号以及由摄像头采集的所述预定时间段的测试监控视频；s120、计算所述测试超声波信号的时域增强图；s130、将所述时域增强图通过作为过滤器的第一卷积神经网络模型以得到测试超声波时域特征向量；s140、将所述测试监控视频通过使用时间注意力机制的第二卷积神经网络以得到测试跟踪特征图；s150、对所述测试跟踪特征图的的沿通道维度的各个特征矩阵进行全局均值池化处理以得到测试跟踪特征向量；s160、对所述测试跟踪特征向量和所述测试超声波时域特征向量分别进行特征值校正以得到校正后测试跟踪特征向量和校正后测试超声波时域特征向量；s170、计算所述校正后测试超声波时域特征向量相对于所述校正后测试跟踪特征向量的响应性估计以得到分类特征矩阵；以及，s180、将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的测试超声波信号的空占比应增大或应减小。
[0104]
上述勃起障碍患者脉冲超声方法，还包括所述超声波自适应调整模块的勃起障碍患者脉冲超声设备的测试过程，包括：首先获取由探头在预定时间段内输出的测试超声波信号以及由摄像头采集的所述预定时间段的测试监控视频。接着，对所述测试超声波信号进行域转化，具体地，计算所述测试超声波信号的时域增强图。然后，将所述时域增强图通过作为过滤器的第一卷积神经网络模型以得到测试超声波时域特征向量，也就是，以卷积神经网络模型作为特征过滤器来提取由所述测试超声波信号转化而来的时域增强图在时域空间内的局部隐含关联特征以得到所述测试超声波时域特征向量，然后，将所述测试监控视频通过使用时间注意力机制的第二卷积神经网络以得到测试跟踪特征图，对所述测试跟踪特征图的的沿通道维度的各个特征矩阵进行全局均值池化处理以得到测试跟踪特征向量。接着，对所述测试跟踪特征向量和所述测试超声波时域特征向量分别进行特征值校正以得到校正后测试跟踪特征向量和校正后测试超声波时域特征向量。然后，计算所述校正后测试超声波时域特征向量相对于所述校正后测试跟踪特征向量的响应性估计以得到分类特征矩阵。最后，将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的测试超声波信号的空占比应增大或应减小。
[0105]
综上，根据本技术实施例的所述勃起障碍患者脉冲超声方法被阐明，其能够自动
且自适应地调整超声波设备出射的超声波的模式。特别地，超声波自适应调整模块的控制算法在勃起障碍患者脉冲超声设备出厂前，通过设备测试数据来确定。这样，就可以在所述勃起障碍患者脉冲超声设备出厂前，通过测试数据来确定超声波自适应调整模块的控制算法，从而在所述勃起障碍患者脉冲超声设备出厂后，其能够基于超声波功率自适应控制模块来自适应地调整其超声波出射模式。
[0106]
这里，本领域技术人员可以理解，上述勃起障碍患者脉冲超声方法中的的具体功能和步骤已经在上面参考图2到图3的勃起障碍患者脉冲超声设备的描述中得到了详细介绍，并因此，将省略其重复描述。
[0107]
可以理解的是，上述实施例中的部分或全部步骤或操作仅是示例，本技术实施例还可以执行其它操作或者各种操作的变形。此外，各个步骤可以按照上述实施例呈现的不同的顺序来执行，并且有可能并非要执行上述实施例中的全部操作。

技术特征：

1.勃起障碍患者脉冲超声设备，其特征在于，包括：数据采集模块，用于获取由探头在预定时间段内输出的测试超声波信号以及由摄像头采集的所述预定时间段的测试监控视频；时域增强模块，用于计算所述测试超声波信号的时域增强图；超声波时域特征提取模块，用于将所述时域增强图通过作为过滤器的第一卷积神经网络模型以得到测试超声波时域特征向量；监控视频编码模块，用于将所述测试监控视频通过使用时间注意力机制的第二卷积神经网络以得到测试跟踪特征图；维度下降模块，用于对所述测试跟踪特征图的的沿通道维度的各个特征矩阵进行全局均值池化处理以得到测试跟踪特征向量；特征分布校正模块，用于对所述测试跟踪特征向量和所述测试超声波时域特征向量分别进行特征值校正以得到校正后测试跟踪特征向量和校正后测试超声波时域特征向量；响应性估计模块，用于计算所述校正后测试超声波时域特征向量相对于所述校正后测试跟踪特征向量的响应性估计以得到分类特征矩阵；以及控制结果生成模块，用于将所述分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的测试超声波信号的空占比应增大或应减小。2.根据权利要求1所述的勃起障碍患者脉冲超声设备，其特征在于，所述时域增强模块，进一步用于以如下公式来计算所述测试超声波信号的时域增强图，其中，所述公式为：signalimage＝f(signal,maph,mapw)，其中，signal表示所述测试超声波信号，signalimage表示所述时域增强图，maph表示所述时域增强图的图像高度，mapw表示所述时域增强图的图像宽度。3.根据权利要求2所述的勃起障碍患者脉冲超声设备，其特征在于，所述超声波时域特征提取模块，进一步用于：使用所述第一卷积神经网络的各层在层的正向传递中分别对输入数据进行基于卷积核的卷积处理、池化处理和非线性激活处理以由所述第一卷积神经网络的最后一层输出所述测试超声波时域特征向量，其中，所述第一卷积神经网络的第一层的输入为所述时域增强图。4.根据权利要求3所述的勃起障碍患者脉冲超声设备，其特征在于，所述监控视频编码模块，包括：第一卷积编码单元，用于使用所述卷积神经网络模型的第一卷积层对所述测试监控视频中的第一帧进行卷积编码以得到第一卷积特征图；第二卷积编码单元，用于使用所述卷积神经网络模型的第二卷积层对所述测试监控视频中的第二帧进行卷积编码以得到第二卷积特征图；时间注意力叠加单元，用于计算所述第一卷积特征图和所述第二卷积特征图的按位置加权和以得到时间注意力得分图；激活单元，用于将所述时间注意力得分图输入softmax激活函数以得到时间注意力图；第三卷积编码单元，用于使用所述卷积神经网络模型的第三卷积层对所述测试监控视频中的第一帧进行卷积编码以得到第三卷积特征图；以及注意力施加单元，用于计算所述第三卷积特征图和所述时间注意力图的按位置点乘以得到所述测试跟踪特征图。
5.根据权利要求4所述的勃起障碍患者脉冲超声设备，其特征在于，所述特征分布校正模块，进一步用于：以如下公式对所述测试跟踪特征向量和所述测试超声波时域特征向量分别进行特征值校正以得到校正后测试跟踪特征向量和校正后测试超声波时域特征向量，其中，所述公式为：其中，μ和σ是特征集合v
i
∈v的均值和方差，v指的是所述测试超声波时域特征向量或所述测试跟踪特征向量。6.根据权利要求5所述的勃起障碍患者脉冲超声设备，其特征在于，所述响应性估计模块，进一步用于：以如下公式计算所述校正后测试超声波时域特征向量相对于所述校正后测试跟踪特征向量的响应性估计以得到分类特征矩阵；其中，所述公式为：其中v
a
表示所述校正后测试超声波时域特征向量，v
b
表示所述校正后测试跟踪特征向量，m表示所述分类特征矩阵，表示矩阵相乘。7.根据权利要求6所述的勃起障碍患者脉冲超声设备，其特征在于，所述控制结果生成模块，进一步用于：使用所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果，其中，所述公式为：softmax{(w
n
,b
n
):
…
:(w1,b1)|project(f)}，其中project(f)表示将所述分类特征矩阵投影为向量，w1至w
n
为各层全连接层的权重矩阵，b1至b
n
表示各层全连接层的偏置矩阵。

技术总结

本申请公开了勃起障碍患者脉冲超声设备，其能够自动且自适应地调整超声波设备出射的超声波的模式。特别地，超声波自适应调整模块的控制算法在勃起障碍患者脉冲超声设备出厂前，通过设备测试数据来确定。这样，就可以在所述勃起障碍患者脉冲超声设备出厂前，通过测试数据来确定超声波自适应调整模块的控制算法，从而在所述勃起障碍患者脉冲超声设备出厂后，其能够基于超声波功率自适应控制模块来自适应地调整其超声波出射模式。应地调整其超声波出射模式。应地调整其超声波出射模式。