【技術實現步驟摘要】
本專利技術涉及醫學，具體涉及一種無創血糖預測方法、系統及芯片。
技術介紹
1、糖尿病是世界上繼腫瘤、心腦血管疾病之后第三位嚴重威脅人類健康的慢性非傳染性疾病，血糖濃度是糖尿病診斷的重要指標之一，目前人體血液葡萄糖濃度的檢測方法通常是在手指上采血，而后利用比色試紙通過化學方法來完成，每測一個血糖濃度值，就需一次采血，不僅消耗一些化學藥劑和試紙，并且采血會導致患者面臨感染的風險，所以有創或微創檢測給糖尿病患者帶來諸多不便與困擾，為克服這些缺陷，世界許多組織和機構逐漸展開了無創血糖檢測技術的研究。
2、無創血糖檢測基于不同的特測介質可分為：直接檢測和間接檢測；直接檢測是指對血液特性的檢測，如近紅外光譜法、中紅外光譜法、拉曼光譜法、光電體積描述法、光聲光譜法、熒光法等；間接檢測主要是指對某些血液替代物(體液)或其他生理指標的檢測，如唾液、眼前房水等；
3、對于光譜數據，人們往往根據化學信息來選擇適當的光譜區域，同時受到其他生物組織成分的干擾影響，給血糖濃度的檢測帶來了很大的誤差；而間接檢測倘若應用于臨床，必須考慮其可行性和安全性，因此需要一種具有可行性且安全的無創血糖預測方法。
技術實現思路
1、本專利技術要解決的技術問題是現有無創血糖的方法具有一定的局限性，本專利技術不僅提供一種無創血糖預測方法，同時還提供了一種無創血糖預測系統，除了使用人體熱量代謝守恒中預測血糖所需的變量外還加入了一些人體特征數據如生理數據、心電數據、脈率波傳播時間ptt，實現多種參數相結合，使
2、為解決上述技術問題本專利技術提供以下的技術方案：
3、第一方面，一種無創血糖預測方法，其中，包含以下步驟：
4、步驟1：獲取包含人體特征數據及相應血糖值的人體血糖樣本數據；
5、步驟2：對人體血糖樣本數據進行預處理得到數據集；
6、步驟3：構建前饋神經網絡；
7、步驟4：利用數據集對前饋神經網絡進行訓練得到無創血糖預測模型；
8、步驟5：獲取實時人體特征數據并輸入至無創血糖預測模型進行血糖值預測并輸出實時血糖值。
9、上述的一種無創血糖預測方法，其中，人體特征數據包含性別、bmi(身體質量指數)、脈率波ppg、心電信號ecg、手指輻射溫度、環境溫度、環境濕度、手指近端溫度、手指遠端溫度，脈率波ppg、心電信號ecg通過紅外傳感器采集，手指輻射溫度通過輻射溫度傳感器采集，環境溫度通過熱敏電阻獲取，環境濕度通過濕度傳感器采集，手指近端溫度和手指遠端溫度通過熱敏電阻采集，手指輻射溫度優選為手指指尖輻射溫度。
10、上述的一種無創血糖預測方法，其中，預處理包含將脈率波ppg進行處理得到脈率hr、將脈率波ppg與心電信號ecg相結合處理得到脈搏波的傳導時間ptt、根據手指近端溫度與手指遠端溫度處理得到的近遠端溫度面積差；
11、預處理還包含對人體特征數據、脈率hr、傳導時間ptt、近遠端溫度面積差進行歸一化處理后得到數據集，歸一化處理使每個參數均處于同樣的維度，便于計算與分析。
12、上述的一種無創血糖預測方法，其中，前饋神經網絡包含輸入層、隱藏層、輸出層；
13、輸入層包含與數據集中數據相對應的多個神經元，隱藏層包含7個神經元，輸出層包含與血糖值對應的1個神經元；
14、所用輸出層內置有損失函數，所述隱藏層內置有激活函數。
15、上述的一種無創血糖預測方法，其中，所述損失函數為均方誤差，所述激活函數為sigmoid函數的變形，即函數域值范圍為(-1,1)，其繼承了sigmoid函數的優點，即有助于得到稀疏化的表達，同時在(-1,1)變得中心對稱；激活函數給神經網絡加入了一些非線性因素，使函數可以更好的解決復雜函數問題。
16、上述的一種無創血糖預測方法，其中，為解決訓練過程中的過擬合問題，在所述損失函數后面添加貝葉斯正則項作為懲罰項，提高模型的泛化能力。貝葉斯正則項為參數設定了一個先驗知識，使模型不會因為噪點而脫離搜索空間，從而緩解了過擬合，無創血糖預測模型表示如下：
17、h＝σ(wx+c)，y＝f(h；ω,b)，完整的模型為g(x；w,c,ω,b)＝f(h(x))；
18、其中，σ表示函數，w表示輸入層與隱藏層神經元之間的權重矩陣，c表示輸入層與隱藏層間的偏差，h為隱藏層的輸出；ω表示隱藏層與輸出層之間的權重矩陣，b表示隱藏層與輸出層之間的偏置，利用梯度下降法計算w、ω、c、b。
19、第二方面，一種無創血糖預測系統，其中，包含數據處理模塊，前饋神經網絡構建模塊、模型訓練模塊、預測模塊；
20、數據處理模塊用于獲取包含人體特征數據及相應血糖值的人體血糖樣本數據，并對人體血糖樣本數據進行預處理得到數據集；
21、前饋神經網絡構建模塊用于構建前饋神經網絡；
22、模型訓練模塊用于獲取數據集并通過數據集對前饋神經網絡進行訓練得到無創血糖預測模型；
23、預測模塊用于獲取實時人體特征數據并輸入至無創血糖預測模型進行血糖值預測，并輸出實時血糖值。
24、第三方面，一種芯片，其中，包含：處理器，用于從存儲器中調用并運行計算機程序，使得安裝有所述芯片的設備執行：如第一方面中任一項所述方法。
25、本專利技術相比于其他無創血糖測試的有益效果是：
26、本專利技術對于特征信息的準確獲取；特別地，對于人體代謝守恒計算血糖中，分析了手指近端溫度和遠端溫度的變化與血糖的聯系，進而把近端溫度和遠端溫度的面積差加入到參數中，提高了預測的準確性；
27、本專利技術基于前饋神經網絡的方法，融合人體熱量代謝守恒參數信息(包括脈率、環境溫濕度、手指近遠端溫度、手指輻射溫度)根據ptt信息、人體特征數據進行無創血糖的建模，證明了該算法具有良好的魯棒性；
28、綜上，本專利技術利用前饋神經網絡，引入多元個人體特征數據，構建基于前饋神經網絡的無創血糖預測模型從而預測血糖，在訓練過程中加入貝葉斯正則化項避免過擬合現象，提高模型的泛化能力，使得無創預測血糖的結果更加準確。
本文檔來自技高網...【技術保護點】
1.一種無創血糖預測方法，其特征在于，包含以下步驟：
2.如權利要求1所述的一種無創血糖預測方法，其特征在于，所述人體特征數據包含性別、BMI、脈率波、心電信號、手指輻射溫度、環境溫度、環境濕度、手指近端溫度、手指遠端溫度。
3.如權利要求2所述的一種無創血糖預測方法，其特征在于，所述預處理包含將所述脈率波進行處理得到脈率、將所述脈率波與心電信號相結合處理得到脈搏波的傳導時間、根據所述手指近端溫度與所述手指遠端溫度處理得到的近遠端溫度面積差；
4.如權利要求3所述的一種無創血糖預測方法，其特征在于，所述前饋神經網絡包含輸入層、隱藏層、輸出層；
5.如權利要求4所述的一種無創血糖預測方法，其特征在于，所述損失函數為均方誤差，所述激活函數為sigmoid函數的變形，即函數域值范圍為(-1,1)。
6.如權利要求5所述的一種無創血糖預測方法，其特征在于，所述損失函數后面添加貝葉斯正則項作為懲罰項，無創血糖預測模型表示如下：
7.一種無創血糖預測系統，其特征在于，包含數據處理模塊，前饋神經網絡構建模塊、模型訓練模塊、
8.一種芯片，其特征在于，包含：處理器，用于從存儲器中調用并運行計算機程序，使得安裝有所述芯片的設備執行：如權利要求1-6中任一項所述方法。
...【技術特征摘要】
1.一種無創血糖預測方法，其特征在于，包含以下步驟：
2.如權利要求1所述的一種無創血糖預測方法，其特征在于，所述人體特征數據包含性別、bmi、脈率波、心電信號、手指輻射溫度、環境溫度、環境濕度、手指近端溫度、手指遠端溫度。
3.如權利要求2所述的一種無創血糖預測方法，其特征在于，所述預處理包含將所述脈率波進行處理得到脈率、將所述脈率波與心電信號相結合處理得到脈搏波的傳導時間、根據所述手指近端溫度與所述手指遠端溫度處理得到的近遠端溫度面積差；
4.如權利要求3所述的一種無創血糖預測方法，其特征在于，所述前饋神經網絡包含輸入層、隱藏層、輸出...
【專利技術屬性】
技術研發人員：任娟，陳飛蛟，
申請(專利權)人：上海睿觸科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。