基于深度置信网络模型的糖尿病指标预测方法及其系统技术方案

本发明专利技术属于智能监护设备技术领域，尤其涉及基于深度置信网络模型的糖尿病指标预测方法及其系统。本发明专利技术通过采集预设机体的心电波在第一预设时间段内若干个第一时间点的心率信号数据、体温数据、皮肤电信号数据、皮肤水分数值数据、身体姿势信息数据的数据后，通过利用训练完成的深度置信网络模型预测所述预设机体在第一预设时间段内第一时间点的血液粘度、血糖和糖化血红蛋白值的预测数据。因此，本发明专利技术有效解决目前传统的侵入式糖尿病血液指标检测技术存在的给患者带来采血的不适以及目前糖尿病指标预测方法的准确性低的技术缺陷。

Prediction Method and System of Diabetes Indicators Based on Deep Confidence Network Model

The invention belongs to the technical field of intelligent monitoring equipment, in particular to a diabetes index prediction method and its system based on a deep confidence network model. After collecting the heart rate signal data, body temperature data, skin electric signal data, skin moisture numerical data and body posture information data of several first time points in the first preset time period of the preset organism's ECG wave, the blood of the preset organism at the first time point in the first preset time period is predicted by using the depth confidence network model completed by training. Predictive data of liquid viscosity, blood sugar and glycosylated hemoglobin. Therefore, the present invention effectively solves the technical defects of the traditional invasive diabetes blood index detection technology which brings the discomfort of blood collection to patients and the low accuracy of the current diabetes index prediction method.

【技术实现步骤摘要】
基于深度置信网络模型的糖尿病指标预测方法及其系统
本专利技术属于智能监护设备
，尤其涉及基于深度置信网络模型的糖尿病指标预测方法及其系统。
技术介绍
糖尿病是仅次于癌症的高危慢性疾病，我国不行罹患糖尿病的人群已高达五千万，而且糖尿病的患病人群近年来呈现逐渐增长的态势，糖尿病及其并发症不仅对患者的生活质量造成影响，还给患者的家庭带来沉重的经济和心理负担，成为严重的公共卫生问题。血糖指标是诊断糖尿病的重要标准，通过检测空腹血糖和餐后2h血糖值可对受试者是否患糖尿病进行诊断。有明显“三多一少”症状者，只要一次异常血糖值即可诊断。无症状者诊断糖尿病需要两次异常血糖值。糖化血红蛋白(GHb)是红细胞中的血红蛋白与血清中的糖类相结合的产物。它是通过缓慢、持续及不可逆的糖化反应形成，其含量的多少取决于血糖浓度以及血糖与血红蛋白接触时间，而与抽血时间、患者是否空腹、是否使用胰岛素等因素无关。因此，GHb可有效地反映糖尿病患者过去1～2个月内血糖控制的情况。GHb由HbA1a、HbA1b、HbA1c组成，其中HbA1c约占70％,且结构稳定,因此被用作糖尿病控制的监测指标。总胆固醇是指血液中所有脂蛋白所含胆固醇之总和，总胆固醇偏高说明人体的肝和肺开始发生实质性的病变。人群总胆固醇水平主要取决于遗传因素和生活方式.总胆固醇包括游离胆固醇和胆固醇酯，肝脏是合成和贮存的主要器官。胆固醇是合成肾上腺皮质激素、性激素、胆汁酸及维生素D等生理活性物质的重要原料，也是构成细胞膜的主要成分，其血清浓度可作为脂代谢的指标。现有血糖检测设备以侵入式为主，需要将采血针刺入患者的皮肤或血管取血液样本，会给患者带来采血的不适和感染风险；此外，心率变异率(heartratevariability，HRV)是反映心脏自主神经调节功能状况的敏感、无创性客观指标，近10年来用HRV预测血糖、糖化血红蛋白指标有突破性进展，发现HRV与血糖存在着相关关系，糖尿病患者的HRV相比于正常人要高。但是HRV与血糖的相关性很差，r只有0.2～0.4左右，因此用HRV直接预测血糖的精度很差。而且很多研究表明，HRV还受到很多因素影响，例如年龄、性别、体质指数、环境因素、运动、温度、情绪等等，所以尽管在HRV与糖尿病相关的领域有突破，但是还无法到达应用层面。另外现在测量HRV还是使用12导量测量方法，虽然测量准确，但是对操作人员的专业素质要求高，而且需要专门的测量场所，无法进行大规模应用。因此，研发一款预测准确性高、使用方便、便携、基于HRV的非侵入式糖尿病血液指标检测设备是本领域技术人员亟需解决的技术问题。
技术实现思路
有鉴于此，本专利技术公开了一基于深度置信网络模型的糖尿病指标预测方法及其系统，有效解决目前传统的侵入式糖尿病血液指标检测技术存在的给患者带来采血的不适以及目前糖尿病指标预测方法的准确性低的技术缺陷。本专利技术公开了一种基于深度置信网络模型的糖尿病指标预测方法，包括：采集预设机体的心电波在第一预设时间段内若干个第一时间点的心率信号数据、体温数据、皮肤电信号数据、皮肤水分数值数据、身体姿势信息数据的数据；对每一第一时间点的心电波的数据和该第一时间点的所述心率信号数据、体温数据、皮肤电信号数据、皮肤水分数值数据、身体姿势信息数据的数据进行相关性分析，将相关性系数大于预设值的所述心率信号数据、所述体温数据、所述皮肤电信号数据、所述皮肤水分数值数据、所述身体姿势信息数据的数据作为该第一时间点的糖尿病指标的关键因素；将每一第一时间点的所述心率信号数据、所述体温数据、所述皮肤电信号数据、所述皮肤水分数值数据、所述身体姿势信息数据的数据、该糖尿病指标的关键因素及该心电波的数据的采集数据形成该第一时间点的数据集，将各个第一时间点的数据集形成数据库；建立深度置信网络模型，将所述数据库中多个第一时间点的数据集输入所述深度置信网络模型，并对所述深度置信网络模型进行训练；利用训练完成的深度置信网络模型预测所述预设机体在第一预设时间段内第一时间点的血液粘度、血糖和糖化血红蛋白值的预测数据。具体的，采集预设机体的心电波在第一预设时间段内若干个第一时间点的心率信号数据、体温数据、皮肤电信号数据、皮肤水分数值数据、身体姿势信息数据的数据具体包括：对采集到的数据进行预处理，将心电波进行除噪，然后对心电波形进行分段，对每段心电波形及与该段心电波形同时检测到的机体运动状态、皮肤体温、皮肤电及皮肤湿度指标共同提取用于输入深度置信网络的初级特征；对心电波形分段后，对每段心电波形提取d维的特征，按维度对机体运动状态、皮肤体温、皮肤电及皮肤湿度特征进行均值为0，方差为1的标准化，得到最后用于输入深度置信网络的d维初级特征；给每个样本加标签，标签为检测到受试者的血液粘度、血糖和糖化血红蛋白值具体的，建立深度置信网络模型具体包括：将上述得到的初级特征输入深度置信网络，逐层无监督预训练深度置信网络，得到优化的深度置信网络模型，用于提取采集到受试者机体数据的抽象特征，具体步骤为：用于提取受试者机体采集数据抽象特征的深度置信网络由受限玻尔兹曼机堆叠而成，其中第一层为输入层。另一层为用于提取受试者机体采集数据抽象特征的深度置信网络的隐含层数。每个受限玻尔兹曼机都由一层可见层和一层隐含层构成，其中所述的可见层为每个受限玻尔兹曼机的输入层，第一个受限玻尔兹曼机的输入层为无标签的受试者机体采集数据的初级特征，受限玻尔兹曼机可见层节点数根据经验信息和测试结果人工调整对应层的单元数确定：受限玻尔兹曼机的隐含层为受限玻尔兹曼机的输出层，每个受限玻尔兹曼机的输出作为下个受限玻尔兹曼机的输入，每个受限玻尔兹曼机的隐含层节点数为下一个受限玻尔兹曼机的可见层节点数。对隐含层选取激活函数，通过对比散度算法和吉布斯采样对受限玻尔兹曼机的每一层进行多次迭代训练来更新模型参数，进而得到参数较优的深度置信网络模型，各参数更新的计算方式如下：Δwij＝ε(<vihj>data-<vihj>recom)Δbi＝ε(<vi>data-<vi>recom)Δaj＝ε(<hj>data-<hj>recom)；其中Δwij表示连接第i层和第j层的权值矩阵的更新量，Δbi表示第i个可见层偏置的更新量，Δaj表示第j个隐含层偏置的更新量，ε表示学习率，<·>data表示实际数据分布情况，<·>recon表示重构后模型分布情况。在上述预训练后的深度置信网络模型后加一层softmax回归，对整个网络进行反向微调，将深度置信网络最后一个隐含层输出的受试者机体采集数据的抽象特征输入至softmax回归层，输出的结果为每个受试者机体采集数据对应的血液粘度、血糖和糖化血红蛋白值标签，并将输出的预测血液粘度、血糖和糖化血红蛋白与实际的血液粘度、血糖和糖化血红蛋白值进行比较，得到所述指标的预测准确率。具体步骤为：在预训练后的深度置信网络的最后一个隐含层后增加一个softmax层作为输出层，计算每个受试者机体采集数据样本划分到某区段血液指标的概率本文档来自技高网...

【技术保护点】
1.一种基于深度置信网络模型的糖尿病指标预测方法，其特征在于，包括：采集预设机体的心电波在第一预设时间段内若干个第一时间点的心率信号数据、体温数据、皮肤电信号数据、皮肤水分数值数据、身体姿势信息数据的数据；对每一第一时间点的心电波的数据和该第一时间点的所述心率信号数据、体温数据、皮肤电信号数据、皮肤水分数值数据、身体姿势信息数据的数据进行相关性分析，将相关性系数大于预设值的所述心率信号数据、所述体温数据、所述皮肤电信号数据、所述皮肤水分数值数据、所述身体姿势信息数据的数据作为该第一时间点的糖尿病指标的关键因素；将每一第一时间点的所述心率信号数据、所述体温数据、所述皮肤电信号数据、所述皮肤水分数值数据、所述身体姿势信息数据的数据、该糖尿病指标的关键因素及该心电波的数据的采集数据形成该第一时间点的数据集，将各个第一时间点的数据集形成数据库；建立深度置信网络模型，将所述数据库中多个第一时间点的数据集输入所述深度置信网络模型，并对所述深度置信网络模型进行训练；利用训练完成的深度置信网络模型预测所述预设机体在第一预设时间段内第一时间点的血液粘度、血糖和糖化血红蛋白值的预测数据。

【技术特征摘要】
2018.06.18 CN 20181062596581.一种基于深度置信网络模型的糖尿病指标预测方法，其特征在于，包括：采集预设机体的心电波在第一预设时间段内若干个第一时间点的心率信号数据、体温数据、皮肤电信号数据、皮肤水分数值数据、身体姿势信息数据的数据；对每一第一时间点的心电波的数据和该第一时间点的所述心率信号数据、体温数据、皮肤电信号数据、皮肤水分数值数据、身体姿势信息数据的数据进行相关性分析，将相关性系数大于预设值的所述心率信号数据、所述体温数据、所述皮肤电信号数据、所述皮肤水分数值数据、所述身体姿势信息数据的数据作为该第一时间点的糖尿病指标的关键因素；将每一第一时间点的所述心率信号数据、所述体温数据、所述皮肤电信号数据、所述皮肤水分数值数据、所述身体姿势信息数据的数据、该糖尿病指标的关键因素及该心电波的数据的采集数据形成该第一时间点的数据集，将各个第一时间点的数据集形成数据库；建立深度置信网络模型，将所述数据库中多个第一时间点的数据集输入所述深度置信网络模型，并对所述深度置信网络模型进行训练；利用训练完成的深度置信网络模型预测所述预设机体在第一预设时间段内第一时间点的血液粘度、血糖和糖化血红蛋白值的预测数据。2.根据权利要求1所述的基于深度置信网络模型的糖尿病指标预测方法，其特征在于，所述深度置信网络模型包括一个输入层、一个输出层及设置在所述输入层和所述输出层之间的多个隐含层，各个隐含层和所述输入层中的任意两相邻层形成一个受限玻尔兹曼机，所述输出层与相邻的隐含层形成一个BP神经网络模块；每一层设置有预设数量的节点，且相邻层之间设置有连接权重矩阵。3.根据权利要求2所述的基于深度置信网络模型的糖尿病指标预测方法，其特征在于，所述对所述深度置信网络模型进行训练，包括：在所述深度置信网络模型的每一受限玻尔兹曼机中建立一训练目标函数，所述训练目标函数的变量为该受限玻尔兹曼机中每一节点的状态值、偏置值和该受限玻尔兹曼机中两层之间的连接权重矩阵，所述训练目标函数的训练目标是该受限玻尔兹曼机能量值最小；利用最大似然估计算法计算该受限玻尔兹曼机中的可选连接权重矩阵和每一节点的可选偏置值；利用对比散列度算法进行寻优计算，在所述可选连接权重矩阵和每一节点的可选偏置值中筛选出最优连接权重矩阵和每一节点的最优偏置值。4.根据权利要求2所述的基于深度置信网络模型的糖尿病指标预测方法，其特征在于，在所述利用训练完成的深度置信网络模型预测所述预设机体在第一预设时间段内第一时间点的血液粘度、血糖和糖化血红蛋白值的预测数据之前，还包括：利用反向传播算法计算所述深度置信网络模型中每一节点的偏置值的误差和每一连接权重矩阵的误差；利用得到的误差对所述深度置信网络模型每一节点的偏置值及每一连接权重矩阵进行修正。5.根据权利要求2所述的基于深度置信网...

【专利技术属性】
技术研发人员：陈龙，钟嘉泳，顾炜，
申请(专利权)人：广州普麦健康咨询有限公司，
类型：发明
国别省市：广东,44