基于卷积神经网络的无创血糖数据处理方法及系统技术方案

技术编号:14678439 阅读:288 留言:0更新日期:2017-02-22 11:18
本发明专利技术公开了基于卷积神经网络的无创血糖数据处理方法及系统,该方法包括:获取若干组血糖数据;根据若干组血糖数据中的红外信号,计算获得极大值红外信号;通过奇异谱分析和经验模式分解,将极大值红外信号分解、分组和排序;分别提取极大值红外信号和前N组成分数据的均值、方差、斜率和峰值,构建特征信号;根据特征信号和若干组血糖数据的血糖值,构建映射矩阵;根据获取待测者的待测信号,结合映射矩阵,构建待测映射矩阵;使用卷积神经网络的特征映射层和池化层,对待测映射矩阵进行优化,并输出优化结果;其中,特征映射层以径向基函数作为激活函数;池化层用于降低信号维数,采用本发明专利技术技术方案能提高血糖数据的估计精度。

【技术实现步骤摘要】

本专利技术涉及计算机
,尤其涉及一种基于卷积神经网络的无创血糖数据处理方法及系统
技术介绍
糖尿病是严重危害人类健康的慢性杀手,潜在的早期糖尿病患者将近5000万。如果糖尿病人能够有规律的检测血糖,对控制体内糖的分量具有重要意义。传统的糖尿病自检测设备多为有创采血,并且需要配合一次性试纸,长期使用价格不菲。而随着科技的发展,无创血糖检测仪也渐渐普及,其基本原理是通过红外采集人的体征信息后,通过预设的算法估算相应的血糖浓度。现有的血糖数据处理方法包括基于分数阶微分方程或Volterra级数来实现血糖浓度评估,但是由于分数阶微分方程属于线性系统,而血糖信号具有非线性的特性,使得测量结果并不准确。而基于Volterra级数的评估系统,其表示在s域中的分数阶Volterra成分仅仅由分母组成,其逼近能力仍然有限,系统估计精度不高。
技术实现思路
本专利技术实施例提出一种基于卷积神经网络的无创血糖数据处理方法及系统,提高血糖数据的估计精度。本专利技术实施例提供一种基于卷积神经网络的无创血糖数据处理方法,包括:获取若干组血糖数据;每组血糖数据包括红外信号和所述红外信号所对应的血糖值;通过奇异谱分析和经验模式分解,将所述极大值红外信号分解,分别获得第一数据组和第二数据组,并将所述第一数据组中的成分数据根据所述第二数据组中IMF数据的个数和IMF数据之间的相关性进行分组,将分组后同组的成分数据相加后,按照成分数据由大到小的顺序对各组进行排序;其中,所述第一数据组包含若干个归一化成分数据,所述第二数据组包含若干个IMF数据;分别提取所述极大值红外信号和前N组所述成分数据的均值、方差、斜率和峰值,构建特征信号;其中,N≥1;根据所述特征信号和所述若干组血糖数据的血糖值,构建映射矩阵;获取待测者的待测信号,并将所述待测信号导入所述映射矩阵,获得待测映射矩阵;使用预设卷积神经网络的特征映射层和池化层,对所述待测映射矩阵进行优化,并输出优化结果;其中,所述特征映射层以径向基函数作为激活函数;所述池化层用于降低信号维数。进一步的,所述根据所述若干组血糖数据中的红外信号,计算获得极大值红外信号,具体为:根据所述若干组血糖数据中的红外信号和以下计算公式,计算获得极大值红外信号:(x(n)-x(n-1))(x(n+1)-x(n))<0;其中,所述红外信号为Xk;所述极大值红外信号为xk。进一步的,所述分别提取所述极大值红外信号和前N组所述成分数据的均值、方差、斜率和峰值,构建特征信号,具体为:分别提取xk和前5组成分数据s1k,s2k,s3k,s4k和s5k的均值、方差、斜率和峰值,构建特征信号vk=[p1(xk)…p4(xk)p1(s1,k)…p4(s1,k)…p1(s5,k)…p4(s5,k)]T;其中,N=5。进一步的,所述根据所述特征信号和所述若干组血糖数据的血糖值,构建映射矩阵,具体为:对所述特征信号vk做离散余弦变换,获得并构建映射矩阵w,其中,y为所述若干组血糖数据的血糖值。进一步的,获取待测者的待测信号,并将所述待测信号导入所述映射矩阵,获得待测映射矩阵,具体为:获取待测者的待测信号z,并将z导入到映射矩阵w中,获得待测映射矩阵q;其中,q=wTz。进一步的,所述特征映射层以径向基函数作为激活函数,形式如下:所述特征映射层的优化问题为:其中,c=0…C为特征映射层神经元个数,k=0…K-1为训练特征向量数,uc和Cc分别为均值和协方差矩阵。进一步的,所述卷积神经网络池化层是由所述特征映射层输出信号的Lp范数池化而获得,并形成如下优化问题:其中,0<p<1;fk,m为所述特征映射层输出信号。相应地,本专利技术实施例还提供一种基于卷积神经网络的无创血糖数据处理系统,包括:数据获取模块,用于获取若干组血糖数据;每组血糖数据包括红外信号和所述红外信号所对应的血糖值;极大值计算模块,用于根据所述若干组血糖数据中的红外信号,计算获得极大值红外信号;分组排序模块,用于通过奇异谱分析和经验模式分解,将所述极大值红外信号分解,分别获得第一数据组和第二数据组,并将所述第一数据组中的成分数据根据所述第二数据组中IMF数据的个数和IMF数据之间的相关性进行分组,将分组后同组的成分数据相加后,按照成分数据由大到小的顺序对各组进行排序;其中,所述第一数据组包含若干个归一化成分数据,所述第二数据组包含若干个IMF数据;特征信号构建模块,用于分别提取所述极大值红外信号和前N组成分数据的均值、方差、斜率和峰值,构建特征信号;其中,N≥1;第一映射矩阵构建模块,用于根据所述特征信号和所述若干组血糖数据的血糖值,构建映射矩阵;第二映射矩阵构建模块,用于获取待测者的待测信号,并将所述待测信号导入所述映射矩阵,获得待测映射矩阵;优化模块,用于使用预设卷积神经网络的特征映射层和池化层,对所述待测映射矩阵进行优化,并输出优化结果;其中,所述特征映射层以径向基函数作为激活函数;所述池化层用于降低信号维数。实施本专利技术实施例,具有如下有益效果:本专利技术实施例提供的基于卷积神经网络的无创血糖数据处理方法及系统,先对若干组血糖数据进行奇异谱分析和经验模式分解,并对分解后的归一化成分分组排序,然后提取极大值红外信号和前N组成分数据的均值、方差、斜率和峰值,构建特征信号;再根据该特征信号和若干组血糖数据的血糖值,构建映射矩阵;最后获取待测者的待测信号,将其导入映射矩阵后通过卷积神经网络的特征映射层和池化层的优化,输出优化结果。相比于现有技术无创血糖浓度估计存在精度低的问题,本专利技术使用卷积神经网络来对红外设备所测得的人体血糖信号进行处理,并针对性地优化了卷积神经网络的特征映射层和池化层,提高了系统的估计精度。附图说明图1是本专利技术提供的基于卷积神经网络的无创血糖数据处理方法的一种实施例的流程示意图;图2是本专利技术提供的仿真实验的一种实施例的仿真数据图;图3是本专利技术提供的仿真实验的另一种实施例的仿真数据图;图4是本专利技术提供的仿真实验的又一种实施例的仿真数据图;图5是本专利技术提供的基于卷积神经网络的无创血糖数据处理系统的一种实施例的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图,对本专利技术实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本专利技术一部分实施例,而不是全部的实施例。基于本专利技术中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本专利技术保护的范围。参见图1,是本专利技术提供的基于卷积神经网络的无创血糖数据处理方法的一种实施例的流程示意图。如图1所示,该方法包括步骤101至步骤107,具体步骤如下:步骤101:获取若干组血糖数据;每组血糖数据包括红外信号和该红外信号所对应的血糖值。在本实施例中,若干组血糖数据可预先输入到本系统中,以满足优化模型和映射矩阵的建立。每组血糖数据包括红外信号Xk和该红外信号所对应的血糖值yk,其中k=1…K。该血糖值yk可以为血糖试纸所测数据。步骤102:根据若干组血糖数据中的红外信号,计算获得极大值红外信号。在本实施例中,步骤102具体为:根据若干组血糖数据中的红外信号和以下计算公式,计算获得极大值红外信号:(x(n)-x(n-1))(x(n+1)-x(n))<0;其中,红外信号为Xk;极大值红外信号本文档来自技高网...
基于卷积神经网络的无创血糖数据处理方法及系统

【技术保护点】
一种基于卷积神经网络的无创血糖数据处理方法,其特征在于,包括:获取若干组血糖数据;每组血糖数据包括红外信号和所述红外信号所对应的血糖值;根据所述若干组血糖数据中的红外信号,计算获得极大值红外信号;通过奇异谱分析和经验模式分解,将所述极大值红外信号分解,分别获得第一数据组和第二数据组,并将所述第一数据组中的成分数据根据所述第二数据组中IMF数据的个数和IMF数据之间的相关性进行分组,将分组后同组的成分数据相加后,按照成分数据由大到小的顺序对各组进行排序;其中,所述第一数据组包含若干个归一化成分数据,所述第二数据组包含若干个IMF数据;分别提取所述极大值红外信号和前N组所述成分数据的均值、方差、斜率和峰值,构建特征信号;其中,N≥1;根据所述特征信号和所述若干组血糖数据的血糖值,构建映射矩阵;获取待测者的待测信号,并将所述待测信号导入所述映射矩阵,获得待测映射矩阵;使用预设卷积神经网络的特征映射层和池化层,对所述待测映射矩阵进行优化,并输出优化结果;其中,所述特征映射层以径向基函数作为激活函数;所述池化层用于降低信号维数。

【技术特征摘要】
1.一种基于卷积神经网络的无创血糖数据处理方法,其特征在于,包括:获取若干组血糖数据;每组血糖数据包括红外信号和所述红外信号所对应的血糖值;根据所述若干组血糖数据中的红外信号,计算获得极大值红外信号;通过奇异谱分析和经验模式分解,将所述极大值红外信号分解,分别获得第一数据组和第二数据组,并将所述第一数据组中的成分数据根据所述第二数据组中IMF数据的个数和IMF数据之间的相关性进行分组,将分组后同组的成分数据相加后,按照成分数据由大到小的顺序对各组进行排序;其中,所述第一数据组包含若干个归一化成分数据,所述第二数据组包含若干个IMF数据;分别提取所述极大值红外信号和前N组所述成分数据的均值、方差、斜率和峰值,构建特征信号;其中,N≥1;根据所述特征信号和所述若干组血糖数据的血糖值,构建映射矩阵;获取待测者的待测信号,并将所述待测信号导入所述映射矩阵,获得待测映射矩阵;使用预设卷积神经网络的特征映射层和池化层,对所述待测映射矩阵进行优化,并输出优化结果;其中,所述特征映射层以径向基函数作为激活函数;所述池化层用于降低信号维数。2.根据权利要求1所述的基于卷积神经网络的无创血糖数据处理方法,其特征在于,所述根据所述若干组血糖数据中的红外信号,计算获得极大值红外信号,具体为:根据所述若干组血糖数据中的红外信号和以下计算公式,计算获得极大值红外信号:(x(n)-x(n-1))(x(n+1)-x(n))<0;其中,所述红外信号为Xk;所述极大值红外信号为xk。3.根据权利要求2所述的基于卷积神经网络的无创血糖数据处理方法,其特征在于,所述分别提取所述极大值红外信号和前N组所述成分数据的均值、方差、斜率和峰值,构建特征信号,具体为:分别提取xk和前5组成分数据s1k,s2k,s3k,s4k和s5k的均值、方差、斜率和峰值,构建特征信号vk=[p1(xk)…p4(xk)p1(s1,k)…p4(s1,k)…p1(s5,k)…p4(s5,k)]T;其中,N=5。4.根据权利要求3所述的基于卷积神经网络的无创血糖数据处理方法,其特征在于,所述根据所述特征信号和所述若干组血糖数据的血糖值,构建映射矩阵,具体为:对所述特征信号vk做离散余弦变换,获得...

【专利技术属性】
技术研发人员:吴新李亚凌永权
申请(专利权)人:广东工业大学
类型:发明
国别省市:广东;44

网友询问留言 已有0条评论
  • 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。

1