血糖浓度预测方法技术

本发明专利技术公开了一种血糖浓度预测方法。所述方法能够全面考虑测量条件、人体生理背景等对血糖浓度测量的影响，根据多个样本测试者的生理数据、光谱数据、血糖浓度真值和非血糖浓度数据，采用多元校正算法建立基于“M+N”理论的血糖浓度预测模型，利用该模型能够有效提高血糖浓度的预测精度。

【技术实现步骤摘要】
血糖浓度预测方法
本专利技术涉及一种血糖浓度预测方法，更具体地讲，涉及一种基于“M+N”理论的血糖浓度预测方法。
技术介绍
血糖是人体一项极为重要的生理指标，对维持机体，尤其是脑、神经的正常生理功能有着非常重要的意义。目前血糖浓度测量方法主要有自动生化仪测量法和快速血糖仪测量法，都是通过采血的方式来检测血糖值，会给患者带来创伤，对患者长时间的血糖监测不利，因此无创血糖检测的实现具有十分重要的现实意义。然而由于信号微弱、测量条件变化复杂、人体生理指标和血液中非测量组分等因素对测量的影响进而导致血糖预测精度不高，达不到临床使用需求，是目前近红外无创光谱血糖测量突出的难题。因此探究新的测量方法以克服测量条件、人体生理背景等对光谱测量的影响来提高预测精度，对全面实现血糖的无创测量具有重要意义。
技术实现思路
本专利技术的实施例提供一种血糖浓度预测方法，其能够全面考虑测量条件、人体生理背景等对血糖浓度测量的影响，从而有效提高血糖浓度的预测精度。根据本专利技术的示例性实施例的一方面，提供了一种血糖浓度预测方法，所述方法可以包括：采集多个样本测试者的生理数据；向所述多个样本测试者的测量部位发射预设波长的光；采集穿透测量部位的光的光谱数据；直接测量所述多个样本测试者的血糖浓度真值和非血糖浓度数据；保存所述多个样本测试者的生理数据、光谱数据、血糖浓度真值和非血糖浓度数据；根据所述多个样本测试者的生理数据、光谱数据、血糖浓度真值和非血糖浓度数据，采用多元校正算法建立基于“M+N”理论的血糖浓度预测模型，其中，所述多个样本测试者的生理数据、光谱数据和非血糖浓度数据作为基于“M+N”理论的血糖浓度预测模型的输入，血糖浓度真值作为基于“M+N”理论的血糖浓度预测模型的输出；根据建立的基于“M+N”理论的血糖浓度预测模型，从待测者的穿透测量部位的光的光谱数据、生理数据和非血糖浓度数据预测待测者的血糖浓度。生理数据可以包括年龄、腰围身高比例、血压和体温中的至少一种。非血糖浓度数据可以包括：甘油三酯的浓度、高密度脂蛋白胆固醇的浓度和血清总胆固醇的浓度。所述方法还可以包括：采集所述多个样本测试者的与测量条件相关的数据；根据所述多个样本测试者的与测量条件相关的数据、生理数据、光谱数据、血糖浓度真值和非血糖浓度数据，采用多元校正算法建立基于“M+N”理论的血糖浓度预测模型，其中，所述多个样本测试者的与测量条件相关的数据、生理数据、光谱数据和非血糖浓度数据作为基于“M+N”理论的血糖浓度预测模型的输入，血糖浓度真值作为基于“M+N”理论的血糖浓度预测模型的输出。与测量条件相关的数据可以包括与测量部位、接触压力、测量时间、检测距离、环境温湿度和电压波动中的至少一种相关的数据。所述方法还可以包括：根据基于“M+N”理论的血糖浓度预测模型来从待测者的与测量条件相关的数据、生理数据、光谱数据和非血糖浓度数据预测待测者的血糖浓度。多元校正算法可以是偏最小二乘法、人工神经网络、支持向量机、小波变换算法中的一种。所述方法还可以包括：利用单沿提取法处理所述多个样本测试者的穿透测量部位的光的光谱数据；根据处理后的光谱数据、所述多个样本测试者的生理数据、血糖浓度真值和非血糖浓度数据，建立基于“M+N”理论的血糖浓度预测模型。所述方法还可以包括：利用单沿提取法处理待测者的穿透测量部位的光的光谱数据；根据基于“M+N”理论的血糖浓度预测模型，从待测者的处理后的光谱数据、生理数据和非血糖浓度数据预测待测者的血糖浓度。通过使用根据本专利技术的示例性实施例的血糖浓度预测方法，能够有效提高血糖浓度的预测精度，有利于开发出精确的无创血糖浓度测量方法。将在接下来的描述中部分阐述本专利技术总体构思另外的方面和/或优点，还有一部分通过描述将是清楚的，或者可以经过本专利技术总体构思的实施而得知。附图说明图1是根据本专利技术的实施例的基于“M+N”理论的血糖浓度预测方法的理论框图。图2是根据本专利技术的实施例的基于“M+N”理论的血糖浓度预测系统的框图。图3是根据本专利技术的实施例的利用单沿提取法处理的动态光谱数据的曲线图。图4是根据本专利技术的实施例的基于“M+N”理论的血糖浓度预测模型的结构图。图5是根据本专利技术的实施例的示出基于“M+N”理论的血糖浓度预测值、未考虑非测量组分影响的预测值与真实值之间的比较的图表。图6是根据本专利技术的实施例的示出基于“M+N”理论的血糖浓度预测值与真值的相对误差的曲线图。具体实施方式为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。“M+N”理论从误差理论的角度分析测量系统和测量过程，将被测对象自身的差异和其他干扰因素一同归于整个测量系统中，系统地考虑两者对预测精度的影响。本专利技术研究血糖浓度预测中的影响因素，根据“M+N”理论将影响因素分成“M”因素和“N”因素，并根据影响因素的特性分别采用不同的方法减小对应的影响因素对血糖浓度预测精度的影响。“M+N”理论中“M”表示被测对象中影响测量成分的预测精度的M种非测量因素，“N”表示影响测量成分的预测精度的N种外界干扰因素。基于“M+N”理论提高预测精度的关键在于将“M”因素与“N”因素同等对待，判断每个因素是系统误差还是随机误差，同时还提出必要的减小误差的解决方法。图1是根据本专利技术的实施例的基于“M+N”理论的血糖浓度预测方法的理论框图。该方法的测量对象是人体血液中的血糖，测量系统是用于获取人体血液信息的光谱仪。如图1所示，首先，对测量对象及其相关联的测量系统进行整体分析，分析对象包括关于人体的因素101和关于测量系统的因素102，关于人体的因素101包含了影响血糖浓度预测的M种非测量组分或因素，关于测量系统的因素102包含了影响血糖浓度预测的N种外界影响因素。然后，根据所述分析对象全面地归纳出“M”因素103和“N”因素104，“M”因素103表示影响血糖浓度预测的M种非测量组分或因素，“N”因素104表示影响血糖浓度预测的N种外界影响因素。下一步，依据“M”因素103和“N”因素104各自的特性，将“M”因素103和“N”因素104分类为系统误差影响因素105和随机误差影响因素106。系统误差具有规律性定值，或者与被测量的血糖浓度有确定的相关关系，或者具有可预测性；而随机误差具有变化微小的特性或者无统计规律可言。如图1所示，“M”因素103包括系统误差影响因素E1和随机误差影响因素E2，“N”因素104包括系统误差影响因素E3和随机误差影响因素E4。系统误差影响因素E1表示关于人体的影响血糖浓度预测的系统误差影响因素，包括被测人体的血液中影响血糖浓度预测的除血糖以外的血液成分(例如，甘油三酯、高密度脂蛋白胆固醇、血清总胆固醇等)的非血糖浓度数据以及人体相关的生理数据(例如，腰围身高比例、年龄、血压、体温等)。系统误差影响因素E3表示关于测量系统的影响血糖浓度预测的系统误差影响因素，包括与测量条件相关的系统误差影响因素，例如：测量部位、接触压力、测量时间、检测距离、环境温湿度、电压波动等。随机误差影响因素E2关于人体的影响血糖浓度预测的随机误差影响因素，包括人体的肢体运动等。随机误差影响因素E4关于测量系统的影响血糖浓度预测的随机误差影响因素，包括测量仪器中的暗电流等。在分析了本文档来自技高网...

【技术保护点】
一种血糖浓度预测方法，包括：采集多个样本测试者的生理数据；向所述多个样本测试者的测量部位发射预设波长的光；采集穿透测量部位的光的光谱数据；直接测量所述多个样本测试者的血糖浓度真值和非血糖浓度数据；保存所述多个样本测试者的生理数据、光谱数据、血糖浓度真值和非血糖浓度数据；根据所述多个样本测试者的生理数据、光谱数据、血糖浓度真值和非血糖浓度数据，采用多元校正算法建立基于“M+N”理论的血糖浓度预测模型，其中，所述多个样本测试者的生理数据、光谱数据和非血糖浓度数据作为基于“M+N”理论的血糖浓度预测模型的输入，血糖浓度真值作为基于“M+N”理论的血糖浓度预测模型的输出；根据建立的基于“M+N”理论的血糖浓度预测模型，从待测者的穿透测量部位的光的光谱数据、生理数据和非血糖浓度数据预测待测者的血糖浓度。

【技术特征摘要】
1.一种血糖浓度预测方法，包括：采集多个样本测试者的生理数据；向所述多个样本测试者的测量部位发射预设波长的光；采集穿透测量部位的光的光谱数据；直接测量所述多个样本测试者的血糖浓度真值和非血糖浓度数据；保存所述多个样本测试者的生理数据、光谱数据、血糖浓度真值和非血糖浓度数据；根据所述多个样本测试者的生理数据、光谱数据、血糖浓度真值和非血糖浓度数据，采用多元校正算法建立基于“M+N”理论的血糖浓度预测模型，其中，所述多个样本测试者的生理数据、光谱数据和非血糖浓度数据作为基于“M+N”理论的血糖浓度预测模型的输入，血糖浓度真值作为基于“M+N”理论的血糖浓度预测模型的输出；根据建立的基于“M+N”理论的血糖浓度预测模型，从待测者的穿透测量部位的光的光谱数据、生理数据和非血糖浓度数据预测待测者的血糖浓度。2.根据权利要求1所述的方法，其特征在于，生理数据包括年龄、腰围身高比例、血压和体温中的至少一种。3.根据权利要求1所述的方法，其特征在于，非血糖浓度数据包括：甘油三酯的浓度、高密度脂蛋白胆固醇的浓度和血清总胆固醇的浓度。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：采集所述多个样本测试者的与测量条件相关的数据；根据所述多个样本测试者的与测量条件相关的数据、生理数据、光谱数据、血糖浓度真值和非血糖浓度数据，采用多元校正算法建立基于“...

【专利技术属性】
技术研发人员：王晓飞，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：北京,11