一种基于流形学习和RBF神经网络的近红外无创血糖仪校正算法制造技术

本发明专利技术涉及一种近红外透射法无创血糖仪的校正模型算法。该算法在朗伯比尔定律的基础上进行非线性扩展和非线性降维，用RBF神经网络建立校正模型。包括以下步骤：首先对用LED‑光电接收管获取的5个波长的吸光度数据进行非线性扩展，扩展方式包括多项式扩展及对数扩展；对原始数据和扩展后的共25维数据，运用流形学习降维理论中的局部线性嵌入(Locally Linear Embedding，LLE)算法，把25维数据降为10维；用连续投影算法(Successive Projections Algorithm，SPA)从10维数据中选出5个敏感波长数据；对5个波长数据运用RBF神经网络建立校正模型。

A correction algorithm for near infrared noninvasive blood glucose meter based on manifold learning and RBF neural network

The invention relates to a correction model algorithm of a near infrared transmission non-invasive blood glucose meter. The algorithm is based on the Longbow Bill's law for nonlinear expansion and nonlinear dimensionality reduction, and the correction model is established by using RBF neural network. Includes the following steps: firstly, the absorbance data of 5 wavelength LED photoelectric receiving tube obtained by the nonlinear propagation, propagation including polynomial expansion and logarithmic expansion; a total of 25 dimensional data and the expansion of the use of manifold learning to reduce the local linear embedding theory in Linear (Locally Embedding, LLE the 25 dimensional data) algorithm, reduced to 10 dimensional; with successive projection algorithm (Successive Projections Algorithm, SPA) to select 5 wavelength sensitive data from 10 dimensional data; 5 wavelength data correction model is established by using RBF neural network.

【技术实现步骤摘要】

本专利技术属于对近红外光谱建立校正模型的化学计量学领域，具体涉及到计算机技术、化学计量学、模式识别、机器学习等方法。
技术介绍
随着现代人类生活方式、饮食习惯的改变以及人口老龄化的加剧，糖尿病发病率近年来大幅上升，糖尿病及其并发症所造成的影响己成为严重的公共卫生问题之一。越来越多的糖尿病患者需要每天多次对体内血糖浓度进行定时或者依身体情况随时监测。一般患者每天需要检测4-6次血糖，而现市场上所售的血糖仪大多为有创的，需要扎针取血，使患者遭受痛苦，而且还有可能引起伤口感染，不利于血糖的频繁检测。针对有创血糖检测的严重缺陷，人们开始将注意力转移至高效，便捷的无创血糖检测上。人体血糖浓度的无创测量，可以运用近红外透射法测量耳垂部位，根据多个波长的吸光度来估算血糖浓度值。但是人体结构非常复杂，血液中各种成分相互影响，基于朗伯比尔定律的校正算法，如多元线性回归、偏最小二乘回归等方法，无法描述人体光谱吸光度的非线性特性，导致对血糖浓度的估计精度无法达到实用的精度标准。
技术实现思路
鉴于近红外光谱校正模型线性方法的局限性，本专利技术的目的是提供一种针对人体血糖浓度测量的非线性光谱校正算法。该算法通过扩展非线性因素和非线性降维等方法，增强了校正模型对人体的适应性，有效提高了血糖浓度的估计精度。本专利技术的技术方法，包括如下步骤：步骤一：对用LED-光电接收管获取的5个波长的吸光度数据进行非线性扩展，扩展方式包括全部二项式扩展及对数扩展，如X12，X22，X32，X42，X52，X1*X2，X1*X3，X1*X4，X1*X5，X2*X3，X2*X4，log(X1)等；步骤二：对原始数据和扩展后的数据合计25维数据，运用流形学习降维理论中的局部线性嵌入(Locallylinearembedding，LLE)算法，把25维数据降为10维；在LLE降维过程中，需要对参数k和d进行优化；其中k为邻域参数，d为样本本征维数，k和d均取整数；本方法采用网格搜索法选取k和d的最优值；步骤三：用连续投影算法(SuccessiveProjectionsAlgorithm,SPA)从10维数据中选出对血糖浓度预测最敏感的5个波长数据；步骤四：对5个波长数据运用RBF神经网络建立校正模型，RBF神经网络输入层节点选择为5个，隐层节点选择为10个，输出层节点选择为1个。附图说明图1为基于流形学习和RBF神经网络的近红外无创血糖仪校正算法的流程图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图，对本专利技术进行进一步详细说明。应当说明的是，此处所描述的具体实施方式仅用以解释本专利技术，并不用于限定本专利技术。步骤一中（图1），对用LED-光电接收管获取的5个波长的吸光度数据进行非线性扩展，扩展方式为全部二项式扩展何对数扩展，包括：X12，X22，X32，X42，X52，X1*X2，X1*X3，X1*X4，X1*X5，X2*X3，X2*X4，X2*X5，X3*X4，X3*X5，X4*X5，log(X1)，log(X2)，log(X3)，log(X4)，log(X5)，一共25维数据。通过扩展，把非线性因素加入到模型中，增强了模型对非线性系统的适应能力。步骤二中（图1），对原始数据和扩展后的数据合计25维数据运用流形学习降维理论中的局部线性嵌入算法，把25维数据降为10维；局部线性嵌入算法的步骤为：（1）计算样本X中任意两点xi和xj间的欧氏距离dx(i,j)，则距离矩阵为Dij=dx(i,j)；（2）根据Dij找出样本集X中的距离xi最近的k个点；（3）以表达式为为目标函数（其中），计算各点xi和其临近点的线性重构系数；（4）已知ωij，以表达式为目标函数，计算低维映射，即求解矩阵M=（I-W）T（I-W）的第2个到d+1个最小特征值对应的特征向量Y，其中I为单位矩阵，W为N×N的方阵，若xi和xj为临近点，Wij=ωij，否则Wij=0。对紧邻个数k和样本本征维数d,本方法采用网格搜索法选取k和d的最优值。步骤三中（图1），对降维后的10维数据，从中选择对血糖浓度预测最敏感的5个波长数据，SPA的步骤如下：（1）初始化：n=1（第一次迭代），在光谱矩阵中任选一列向量xi，记为xk(0)（即k(0)=j）；（2）集合S定义为：，即还没有被选择进波长链的列向量，分别计算xj对S中向量的投影向量（3）记录最大投影的序号（4）将最大的投影作为下轮的投影向量（5）n=n+1,如果n<N，回到（2）继续投影。这样得到N×K对波长组合，对每一对xk(0)和N所决定的组合分别建立定标模型，使用预测RMSEP来判断所建模型的优劣。选出最小的RMSEP，它所对应的xk(0)*和N*即为最佳的波长组合。步骤四中（图1），对5个波长数据运用RBF神经网络建立校正模型。多变量插值的RBF神经网络具有优秀的离散数据内插特性，可以提供最优逼近功能，其网络结构域与多层前向型网络类似，是一种3层前向型网络，由输入层、隐含层、输出层组成，隐含层神经元传递函数是对中心点径向对称且衰减的非负非线性函数，从输入层空间到隐含层的空间变换是线性的，从隐含层空间到输出层空间变换也是线性的。RBF具有结构简单、训练速度快、函数逼近能力和分类能力强、不存在局部最优问题等优点。本专利技术中RBF神经网络输入层节点选择为5个，隐层节点选择为10个，输出层节点选择为1个。径向基函数（RBF）形式为：。以上是本专利技术的较佳实施方式，但本专利技术的保护范围不限于此。任何熟悉本领域的技术人员在本专利技术所揭露的技术范围内，未经创造性劳动想到的变换或替换，都应涵盖在本专利技术的保护范围之内。因此本专利技术的保护范围应以权利要求所限定的保护范围为准。本文档来自技高网...

【技术保护点】
一种基于流形学习和RBF神经网络的近红外无创血糖仪校正算法,其特征在于，包括以下步骤：步骤一：对用LED‑光电接收管获取的5个波长的吸光度数据进行非线性扩展，扩展方式包括多项式扩展及对数扩展，如X12,,X1*X2,log(X1)等；步骤二：对原始数据和扩展后的数据合计25维数据，运用流形学习降维理论中的局部线性嵌入(Locally Linear Embedding，LLE)算法，把25维数据降为10维；步骤三：用连续投影算法 ( Successive Projections Algorithm , SPA)从10维数据中选出5个敏感波长数据；步骤四：对5个波长数据运用RBF神经网络建立校正模型。

【技术特征摘要】
1.一种基于流形学习和RBF神经网络的近红外无创血糖仪校正算法,其特征在于，包括以下步骤：步骤一：对用LED-光电接收管获取的5个波长的吸光度数据进行非线性扩展，扩展方式包括多项式扩展及对数扩展，如X12,,X1*X2,log(X1)等；步骤二：对原始数据和扩展后的数据合计25维数据，运用流形学习降维理论中的局部线性嵌入(LocallyLinearEmbedding，LLE)算法，把25维数据降为10维；步骤三：用连续投影算法(SuccessiveProjectionsAlgorithm,SPA)从10维数据中选出5个敏感波长数据；步骤四：对5个波长数据运用RBF神经网络建立校正模型。2.根据权利要求1所述的基于流形学习和RBF神经网络的近红外无创血糖仪校正算法，其特征在于：步骤一中，对...

【专利技术属性】
技术研发人员：闫东伟，邹凌伟，邱亚星，张中祥，李水，
申请(专利权)人：北京光巨力信息技术有限公司，
类型：发明
国别省市：北京;11