本发明专利技术公开了一种线性预测方法及装置，该方法包括获取核磁共振的待预测时域数据，对待预测时域数据进行数据填充，直到待预测时域数据的数据长度达到期望的目标长度，并对填充处理后的待预测时域数据进行傅里叶变换处理，得到待预测频域数据，最后将待预测频域数据输入至训练好的核磁共振数据线性预测模型中，生成数据长度为目标长度的预测数据。采用本发明专利技术提供的实施例，将待预测时域数据的数据长度填充至期望的目标长度，并对填充后的数据进行傅里叶变换，以将进行傅里叶变换后的数据输入至训练好的核磁共振数据线性预测模型中，供模型输出预测数据，从而能够快速预测出待预测时域数据的填充部分的核磁共振数据，解决现有的预测效率慢的问题。效率慢的问题。效率慢的问题。
【技术实现步骤摘要】
一种线性预测方法及装置
[0001]本专利技术涉及核磁共振数据处理领域，具体涉及一种线性预测方法及装置。
技术介绍
[0002]核磁共振作为一种原子尺度的化学分析手段，已经在生物大分子、代谢组学、药物研发等领域取得了重要应用。随着被测物质分子量的增大，核磁共振谱图重叠严重，分辨率降低，使核磁共振谱图难以辨认。核磁共振多维谱是提高谱图分辨率的重要手段，但多维谱数据采集时间比较长，典型的三维谱的数据采集时间通常需要几天的时间，且射频信号反复激发产生的样品升温使蛋白质等生物样品变性，造成样品损坏。为解决核磁共振多维谱数据采集时间长的问题，当前多采用对间接维数据线性预测的方法，将没有采集的数据采用数据处理算法预测出来，进而增加时域信号的数字分辨率。
[0003]现有的核磁共振线性预测方法主要分为两种类型：1.利用核磁共振时域数据之间的线性关系，将时域数据上连续的n个点进行线性组合，预测其后的若干点，典型方法如LPSVD(Lu Y,Joshi S,Morris J M.Noise reduction for NMR FID signals via Gabor expansion[J].IEEE transactions on bio
‑
medical engineering,1997,44(6):512.)；2.利用核磁共振时域信号指数线形的特点，从已经采得的信号中分析提取指数模型的参数，然后根据该参数计算得到未采部分的数据。该类型典型的算法有Matrix Pencil(Hua Y,Sarkar T K.Matrix pencil method for estimating parameters of exponentially damped/undamped sinusoids in noise[J].IEEE Trans Assp,1990,38(5):814
‑
824.)。由于多维谱线性预测方法普遍需要执行1000次以上，这就要求一次预测的时间最多在毫秒级别，故对算法效率提出了很高的要求，以上这两类方法普遍存在算法效率低的问题。虽然科研界发展了Tapelize矩阵正交化(Cybenko G V.Fast toeplitz orthogonalization using inner decompositions[J].SIAM Journal on Scientific and Statistical Computing,1987.)等方法以加快算法效率，但算法的稳定性在某些情况下仍然难以得到保证。
技术实现思路
[0004]本申请实施例提供了一种线性预测方法及装置，能够提升线性预测的计算效率。
[0005]为解决现有技术存在的问题，本专利技术实施例提供了一种线性预测方法，用于对核磁共振数据进行线性预测，所述方法包括：
[0006]获取核磁共振的待预测时域数据；
[0007]对所述待预测时域数据进行数据填充，直到所述待预测时域数据的数据长度达到期望的目标长度；
[0008]对进行填充处理后的待预测时域数据进行傅里叶变换处理，得到待预测频域数据；
[0009]将所述待预测频域数据输入至训练好的核磁共振数据线性预测模型中，生成数据
长度为所述目标长度的预测数据。
[0010]进一步的，所述对所述待预测时域数据进行数据填充，直到所述待预测时域数据的数据长度达到期望的目标长度的步骤，包括：
[0011]将所述待预测时域数据的数据长度填充至期望的目标长度；
[0012]将所填充的数据对应的数值设为0。
[0013]进一步的，所述核磁共振数据线性预测模型通过以下方法得到：
[0014]获取多个第一时域数据；
[0015]提取每个所述第一时域数据中的部分数据，分别构建与多个所述第一时域数据对应的多个第二时域数据，每个所述第二时域数据的数据长度与对应的第一时域数据的数据长度相同；
[0016]对多个所述第一时域数据进行傅里叶变换处理得到多个第一频域数据，并对多个所述第二时域数据进行傅里叶变换处理得到多个第二频域数据；
[0017]将多个所述第二频域数据作为输入数据，将多个所述第一频域数据作为输出数据，对预设的卷积神经网络模型进行训练直至收敛，得到所述核磁共振数据线性预测模型。
[0018]进一步的，所述提取每个所述第一时域数据中的部分数据，分别构建与多个所述第一时域数据对应的多个第二时域数据，每个所述第二时域数据的数据长度与对应的第一时域数据的数据长度相同的步骤，包括：
[0019]按照预设的阈值范围，分别从每个所述第一时域数据中提取对应的数据，得到多个提取数据，所述预设的阈值范围为从时域数据首位开始的范围；
[0020]对多个所述提取数据进行数据填充，使每个所述提取数据的数据长度达到对应的第一时域数据的数据长度，得到多个第二时域数据；
[0021]其中，所述数据填充为填充数值为0的数据。
[0022]进一步的，所述对预设的卷积神经网络模型进行训练直至收敛的步骤，包括：
[0023]将多个所述第二频域数据、多个所述第一频域数据作为预设的卷积神经网络模型的训练集，对所述预设的卷积神经网络模型进行训练；
[0024]当所述预设的卷积神经网络模型的训练次数超过预设的次数阈值时，停止训练；
[0025]通过所述训练集对停止训练后的卷积神经网络模型进行校验；
[0026]当校验成功后，确定所述停止训练后的卷积神经网络模型收敛。
[0027]进一步的，所述通过所述训练集对所述停止训练后的卷积神经网络模型进行校验的步骤，包括：
[0028]将所述训练集中的第二频域数据输入至所述停止训练后的卷积神经网络模型，得到输出的第三频域数据；
[0029]对所述第三频域数据进行逆傅里叶变换处理，得到第三时域数据；
[0030]将所述第三时域数据的第一有效数据，与对应的第二时域数据的第二有效数据进行对比，以确定二者是否满足预设的校验条件；
[0031]其中，所述有效数据为从对应第一时域数据中提取的部分数据中的数据。
[0032]进一步的，所述确定二者是否满足预设的校验条件的步骤，包括：
[0033]当所述第一有效数据的数据长度，大于所述第二有效数据的数据长度时，则确定二者的数据长度满足预设的校验条件；
[0034]当所述第一有效数据的数据长度，小于或者等于所述第二有效数据的数据长度时，则确定二者的数据长度不满足预设的校验条件。
[0035]进一步的，当确定所述第一有效数据和所述第二有效数据的数据长度不满足预设的校验条件时，所述线性预测方法的方法，还包括：
[0036]将所述第三频域数据作为输入数据，将所述第三频域数据对应的第一频域数据作为输出数据，对所述停止训练后的卷积神经网络模型进行再训练直至收敛。
[0037]进一步的，所述对所述停止训练后的卷积神经网络模型进行再训练直至收敛本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种线性预测方法，其特征在于，用于对核磁共振数据进行线性预测，所述方法包括：获取核磁共振的待预测时域数据；对所述待预测时域数据进行数据填充，直到所述待预测时域数据的数据长度达到期望的目标长度；对进行填充处理后的待预测时域数据进行傅里叶变换处理，得到待预测频域数据；将所述待预测频域数据输入至训练好的核磁共振数据线性预测模型中，生成数据长度为所述目标长度的预测数据。2.如权利要求1所述的线性预测方法，其特征在于，所述对所述待预测时域数据进行数据填充，直到所述待预测时域数据的数据长度达到期望的目标长度的步骤，包括：将所述待预测时域数据的数据长度填充至期望的目标长度；将所填充的数据对应的数值设为0。3.如权利要求1所述的线性预测方法，其特征在于，所述核磁共振数据线性预测模型通过以下方法得到：获取多个第一时域数据；提取每个所述第一时域数据中的部分数据，分别构建与多个所述第一时域数据对应的多个第二时域数据，每个所述第二时域数据的数据长度与对应的第一时域数据的数据长度相同；对多个所述第一时域数据进行傅里叶变换处理得到多个第一频域数据，并对多个所述第二时域数据进行傅里叶变换处理得到多个第二频域数据；将多个所述第二频域数据作为输入数据，将多个所述第一频域数据作为输出数据，对预设的卷积神经网络模型进行训练直至收敛，得到所述核磁共振数据线性预测模型。4.如权利要求3所述的线性预测方法，其特征在于，所述提取每个所述第一时域数据中的部分数据，分别构建与多个所述第一时域数据对应的多个第二时域数据，每个所述第二时域数据的数据长度与对应的第一时域数据的数据长度相同的步骤，包括：按照预设的阈值范围，分别从每个所述第一时域数据中提取对应的数据，得到多个提取数据，所述预设的阈值范围为从时域数据首位开始的范围；对多个所述提取数据进行数据填充，使每个所述提取数据的数据长度达到对应的第一时域数据的数据长度，得到多个第二时域数据；其中，所述数据填充为填充数值为0的数据。5.如权利要求3所述的线性预测方法，其特征在于，所述对预设的卷积神经网络模型进行训练直至收敛的步骤，包括：将多个所述第二频域数据、多个所述第一频域数据作为预设的卷积神经网络模型的训练集，对所述预设的卷积神经网络模型进行训练；当所述预设的卷积神经网络模型的训练次数超过预设的次数阈值时，停止训练；通过所述训练集对停止训练后的卷积神经网络模型进行校验；当校验成功后，确定所述停止训练后的卷积神经网络模型收敛。6.如权利要求5所述的线性预测方法，其特征在于，所述通过所述训练集对所述停止训练后的卷积神经网络模型进...
【专利技术属性】
技术研发人员：刘造，郑学栋，李正刚，宋侃，
申请(专利权)人：武汉中科牛津波谱技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。