【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及血糖檢測(cè)，更具體地說，涉及基于時(shí)空特征融合的ecg無創(chuàng)血糖測(cè)量方法及系統(tǒng)。
技術(shù)介紹
1、由于糖尿病目前為止沒有有效的治療手段。根據(jù)國(guó)際糖尿病管理共識(shí)，以監(jiān)測(cè)血糖指標(biāo)為主的預(yù)防手段是糖尿病管理的重要組成部分。
2、血糖(bg)水平的變化刺激自主神經(jīng)系統(tǒng)，導(dǎo)致人體心電圖(ecg)的改變。然而，基于ecg的血糖估計(jì)相關(guān)研究較少，并且目前的相關(guān)研究中主要存在以下問題:首先，直接從原始ecg信號(hào)中提取形態(tài)或時(shí)間特征，由于血糖變化頻率顯著低于ecg變化頻率并且兩者變化是非線性且不平穩(wěn)的，因此不能簡(jiǎn)單的對(duì)其進(jìn)行特征分析。其次，不同個(gè)體之間的血糖與ecg變化關(guān)系具有較高的差異性，針對(duì)個(gè)體模式的血糖監(jiān)測(cè)準(zhǔn)確率通常較低且泛化性差，往往對(duì)于一個(gè)新的個(gè)體需要重新訓(xùn)練一個(gè)模型，消耗大量時(shí)間和資源。最后，上述研究主要關(guān)注血糖的范圍變化，而不是血糖值的測(cè)量，并且大部分研究會(huì)參考?xì)v史血糖值的變化趨勢(shì)，而非完全利用ecg信號(hào)進(jìn)行預(yù)測(cè)。以上的研究的不足對(duì)于糖尿病管理工作而言，并不能提供可能與糖尿病并發(fā)癥相關(guān)的血糖變化率全天信息。
3、最近，snn與transformer以低功耗和強(qiáng)大的時(shí)序數(shù)據(jù)處理能力在長(zhǎng)時(shí)間序列預(yù)測(cè)領(lǐng)域嶄露頭角，并開始得到普及。同時(shí)，一些研究人員通過優(yōu)化，已經(jīng)將snn和transformer用于ecg信號(hào)的分類與特征提取過程中,并取得了優(yōu)秀的成果。例如有一種基于transformer和cnn的生成對(duì)抗網(wǎng)絡(luò)(tcgan)，用以進(jìn)行心跳信號(hào)的生成從而緩解原始數(shù)據(jù)中的不平衡問題。或是將snn部署到神經(jīng)形態(tài)硬件上，
4、綜上所述，基于snn與transformer的ecg信號(hào)的特征提取與分類正在成為近期ecg領(lǐng)域的熱門方向，然而許多研究者已經(jīng)證明ecg的變化往往是非線性的，通常會(huì)受到外界條件以及自身健康狀況的影響。直接或簡(jiǎn)單的進(jìn)行特征分析往往難以提取出所需要的有效信息，并且目前只有很少的工作專門涉及使用脈沖神經(jīng)網(wǎng)絡(luò)和transformer在特征提取后進(jìn)行bg監(jiān)測(cè)。此外，大部分此類研究主要集中在私有數(shù)據(jù)集以及對(duì)于公開數(shù)據(jù)集上的單個(gè)對(duì)象進(jìn)行，從而導(dǎo)致模型的泛化性較差，難以說明其通用性。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)提供一種基于時(shí)空特征融合的ecg無創(chuàng)血糖測(cè)量方法及系統(tǒng)，旨在解決上述
技術(shù)介紹
提到的問題。
2、本專利技術(shù)為解決技術(shù)問題采用如下技術(shù)手段：
3、一種基于時(shí)空特征融合的ecg無創(chuàng)血糖測(cè)量系統(tǒng)，包括以下步驟：
4、數(shù)據(jù)采集步驟：用于提供針對(duì)多個(gè)受試者的原始數(shù)據(jù)集，所述原始數(shù)據(jù)集包括多個(gè)樣本，所述樣本為在給定采樣率下獲得的具有時(shí)間戳的ecg信號(hào)，和與ecg信號(hào)對(duì)應(yīng)的bg值；
5、數(shù)據(jù)預(yù)處理步驟：包括：對(duì)每個(gè)樣本中的ecg信號(hào)進(jìn)行預(yù)處理以構(gòu)建中間特征圖，并根據(jù)bg值大小對(duì)樣本進(jìn)行標(biāo)簽分類，以及根據(jù)時(shí)間戳對(duì)樣本進(jìn)行排序；
6、特征提取步驟：內(nèi)置卷積脈沖神經(jīng)網(wǎng)絡(luò)模型以及itransformer模型，所述卷積脈沖神經(jīng)網(wǎng)絡(luò)模型用于通過輸入中間特征圖以獲取空間特征，所述itransformer模型用于通過輸入歷史窗口數(shù)據(jù)以獲取時(shí)間特征，所述卷積脈沖神經(jīng)網(wǎng)絡(luò)為基于注意力機(jī)制的卷積脈沖神經(jīng)網(wǎng)絡(luò)，所述中間特征圖是經(jīng)過預(yù)處理后的ecg信號(hào)數(shù)據(jù)的圖形化表示，所述歷史窗口數(shù)據(jù)是在預(yù)設(shè)時(shí)間范圍內(nèi)收集的經(jīng)過預(yù)處理后的連續(xù)ecg信號(hào)數(shù)據(jù)；
7、模型預(yù)測(cè)步驟：對(duì)時(shí)間特征與空間特征使用哈達(dá)瑪積進(jìn)行融合以獲取融合特征，并將空間特征、時(shí)間特征和融合特征三個(gè)特征均輸入n個(gè)不同的機(jī)器學(xué)習(xí)模型，使每個(gè)模型針對(duì)三個(gè)特征輸出三個(gè)預(yù)測(cè)結(jié)果，對(duì)3*n個(gè)預(yù)測(cè)結(jié)果進(jìn)行融合獲得最終預(yù)測(cè)結(jié)果。
8、優(yōu)選的，所述卷積脈沖神經(jīng)網(wǎng)絡(luò)模型用于第一卷積步驟、第二卷積步驟和特征壓縮步驟，所述第一卷積步驟包括空間重建步驟、通道重建步驟，其中，
9、所述空間重建步驟：通過分離與重建將信息量不同的特征圖分開并進(jìn)行增強(qiáng)，具體包括：
10、首先，對(duì)輸入的中間特征圖進(jìn)行標(biāo)準(zhǔn)化處理并計(jì)算歸一化權(quán)重，以表示不同特征圖的重要性，然后，通過sigmoid函數(shù)將歸一化權(quán)重映射到[0,1]范圍，并通過閾值門控將歸一化權(quán)重分離出信息權(quán)重和非信息權(quán)重，通過將中間特征圖分別與信息權(quán)重、非信息權(quán)重相乘獲得兩個(gè)分離特征，將兩個(gè)分離特征通過交叉重構(gòu)重新融合，得到空間細(xì)化特征；
11、所述通道重建步驟：通過分割-轉(zhuǎn)換-熔斷策略處理空間細(xì)化特征圖以獲得通道細(xì)化特征，具體包括：
12、分割策略：將空間細(xì)化特征的通道分割為兩部分，對(duì)于分割的兩部分，進(jìn)行特征壓縮以降低維度，從而將空間細(xì)化特征分割為富特征和稀疏特征；
13、轉(zhuǎn)換策略：對(duì)富特征執(zhí)行k×kgwc和1×1pwc操作并輸出，將輸出的兩個(gè)特征合并成上層特征，對(duì)稀疏特征執(zhí)行1×1pwc操作并輸出，將輸出的特征與稀疏特征連接生成下層特征；
14、融合策略：首先使用全局平均池化層來收集通道的全局空間信息，獲得兩個(gè)通道的全局平均值，然后使用通道軟注意力生成特征重要性向量，最后根據(jù)重要性向量合并上層特征和下層特征合并得到通道細(xì)化特征。
15、優(yōu)選的，所述第二卷積步驟包括時(shí)間注意力步驟、通道注意力步驟和空間注意力步驟，所述通道注意力步驟和空間注意力步驟并聯(lián)設(shè)置，其中，
16、時(shí)間注意力步驟：接收第一卷積步驟輸出的經(jīng)過空間細(xì)化和通道細(xì)化的增強(qiáng)特征，并對(duì)增強(qiáng)特征進(jìn)行平均池化和最大池化，并通過時(shí)間注意力函數(shù)生成一維的時(shí)間權(quán)重向量，然后通過時(shí)間權(quán)重向量與輸入的增強(qiáng)特征相乘，得到基于時(shí)間注意力的細(xì)化特征，執(zhí)行通道注意力步驟和空間注意力步驟；
17、通道注意力步驟：對(duì)輸入的特征進(jìn)行平均池化和最大池化，并通過通道注意力函數(shù)生成通道權(quán)重向量，然后通過通道權(quán)重向量與輸入的特征相乘，得到基于通道注意力的細(xì)化特征；
18、空間注意力步驟：對(duì)輸入的特征進(jìn)行平均池化和最大池化，并通過空間注意力函數(shù)生成二維的空間權(quán)重向量，然后通過空間權(quán)重向量與輸入的特征相乘，得到基于空間注意力的細(xì)化特征；
19、將基于空間注意力的細(xì)化特征與基于通道注意力的細(xì)化特征通過哈達(dá)瑪積融合運(yùn)算獲得初步的空間特征。
20、優(yōu)選的，所述特征壓縮步驟：通過多個(gè)線性層對(duì)第二卷積層輸出的初步的空間特征進(jìn)行特征壓縮，且相鄰兩個(gè)線性層之間設(shè)有dropout層。
21、優(yōu)選的，所述itransformer模型包括嵌入層步驟、編碼步驟和前饋神經(jīng)網(wǎng)絡(luò)，其中，
22、嵌入層步驟：處理輸入的數(shù)據(jù)集，具體通過mlp將每個(gè)輸入樣本從原始維度映射到另一維度空間，形成初始嵌入表示并輸入碼器步驟；
23、編碼步驟：設(shè)置多個(gè)編碼器，每個(gè)編碼器均包括自注意力機(jī)制層和layernorm層，通過自注意力機(jī)制層分析并處理不同變量之間的相互依賴性和相關(guān)性，每個(gè)變量在通過自注意力機(jī)制處理后通過layer?norm層進(jìn)行標(biāo)準(zhǔn)化處理；
本文檔來自技高網(wǎng)...【技術(shù)保護(hù)點(diǎn)】
1.一種基于時(shí)空特征融合的ECG無創(chuàng)血糖測(cè)量方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于時(shí)空特征融合的ECG無創(chuàng)血糖測(cè)量方法，其特征在于，所述卷積脈沖神經(jīng)網(wǎng)絡(luò)模型用于第一卷積步驟、第二卷積步驟和特征壓縮步驟，所述第一卷積步驟包括空間重建步驟、通道重建步驟，其中，
3.根據(jù)權(quán)利要求2所述的基于時(shí)空特征融合的ECG無創(chuàng)血糖測(cè)量方法，其特征在于，所述第二卷積步驟包括時(shí)間注意力步驟、通道注意力步驟和空間注意力步驟，所述通道注意力步驟和空間注意力步驟并聯(lián)設(shè)置，其中，
4.根據(jù)權(quán)利要求3所述的基于時(shí)空特征融合的ECG無創(chuàng)血糖測(cè)量方法，其特征在于，所述特征壓縮步驟：通過多個(gè)線性層對(duì)第二卷積層輸出的初步的空間特征進(jìn)行特征壓縮，且相鄰兩個(gè)線性層之間設(shè)有Dropout層。
5.根據(jù)權(quán)利要求1所述的基于時(shí)空特征融合的ECG無創(chuàng)血糖測(cè)量方法，其特征在于，所述itransformer模型包括嵌入層步驟、編碼步驟和前饋神經(jīng)網(wǎng)絡(luò)，其中，
6.根據(jù)權(quán)利要求1所述的基于時(shí)空特征融合的ECG無創(chuàng)血糖測(cè)量方法，其特征在于，所述模型預(yù)測(cè)步驟包
7.根據(jù)權(quán)利要求1-6任一所述的基于時(shí)空特征融合的ECG無創(chuàng)血糖測(cè)量方法，其特征在于，所述模型預(yù)測(cè)步驟：通過AdaBoost、RandomForest和Bagging三種機(jī)器學(xué)習(xí)模型各自處理輸入的時(shí)間特征、空間特征和融合特征三種不同的特征，每個(gè)模塊輸出對(duì)應(yīng)輸入特征的三個(gè)預(yù)測(cè)結(jié)果，共計(jì)九個(gè)預(yù)測(cè)結(jié)果，并采用Choquet積分方法融合九個(gè)預(yù)測(cè)結(jié)果。
8.根據(jù)權(quán)利要求7所述的基于時(shí)空特征融合的ECG無創(chuàng)血糖測(cè)量方法，其特征在于，在Choquet積分方法中，首先定義一個(gè)模糊測(cè)度函數(shù)，模糊測(cè)度函數(shù)滿足邊界條件和單調(diào)性，以確保結(jié)果的一致性和邏輯性；其次，將每個(gè)模型的預(yù)測(cè)結(jié)果按照大小進(jìn)行排序，并使用Choquet積分公式來聚合各個(gè)模型的預(yù)測(cè)結(jié)果來計(jì)算綜合預(yù)測(cè)結(jié)果；然后，根據(jù)每個(gè)模型的歷史性能，計(jì)算權(quán)重，最后根據(jù)各模型的Choquet積分結(jié)果和對(duì)應(yīng)權(quán)重，計(jì)算最終的BG值預(yù)測(cè)。
9.根據(jù)權(quán)利要求1所述的基于時(shí)空特征融合的ECG無創(chuàng)血糖測(cè)量方法，其特征在于，所述數(shù)據(jù)預(yù)處理步驟包括降噪步驟、分類步驟和排序步驟，其中，
10.一種ECG無創(chuàng)血糖測(cè)量系統(tǒng)，基于權(quán)利要求1-8所述的ECG無創(chuàng)血糖預(yù)測(cè)方法，其特征在于，包括以下模塊：
...【技術(shù)特征摘要】
1.一種基于時(shí)空特征融合的ecg無創(chuàng)血糖測(cè)量方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于時(shí)空特征融合的ecg無創(chuàng)血糖測(cè)量方法，其特征在于，所述卷積脈沖神經(jīng)網(wǎng)絡(luò)模型用于第一卷積步驟、第二卷積步驟和特征壓縮步驟，所述第一卷積步驟包括空間重建步驟、通道重建步驟，其中，
3.根據(jù)權(quán)利要求2所述的基于時(shí)空特征融合的ecg無創(chuàng)血糖測(cè)量方法，其特征在于，所述第二卷積步驟包括時(shí)間注意力步驟、通道注意力步驟和空間注意力步驟，所述通道注意力步驟和空間注意力步驟并聯(lián)設(shè)置，其中，
4.根據(jù)權(quán)利要求3所述的基于時(shí)空特征融合的ecg無創(chuàng)血糖測(cè)量方法，其特征在于，所述特征壓縮步驟：通過多個(gè)線性層對(duì)第二卷積層輸出的初步的空間特征進(jìn)行特征壓縮，且相鄰兩個(gè)線性層之間設(shè)有dropout層。
5.根據(jù)權(quán)利要求1所述的基于時(shí)空特征融合的ecg無創(chuàng)血糖測(cè)量方法，其特征在于，所述itransformer模型包括嵌入層步驟、編碼步驟和前饋神經(jīng)網(wǎng)絡(luò)，其中，
6.根據(jù)權(quán)利要求1所述的基于時(shí)空特征融合的ecg無創(chuàng)血糖測(cè)量方法，其特征在于，所述模型預(yù)測(cè)步驟包括融合步驟：所述融合步驟包括將時(shí)間特征與空間特征使用哈達(dá)瑪積進(jìn)行融合以獲取融合...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：王俊松，馮巍同，
申請(qǐng)(專利權(quán))人：深圳技術(shù)大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。