基于深度学习的多频段光声无创血糖浓度预测系统技术方案

本发明专利技术公开了基于深度学习的多频段光声无创血糖浓度预测系统。系统主要包括激光源、n个不同频段的超声换能器、放大器、数据采集卡和信号处理模块。激光源产生脉冲激光，照射人体皮肤组织。n个不同频段的超声换能器分别获取不同频段的光声信号。放大器对光声信号进行放大。数据采集卡获取光声信号的时域信息。信号处理模块将时域信息转换为频域信息，并输入到基于深度学习的多频段光声无创血糖浓度预测模型中，从而获取血糖浓度值。本发明专利技术血糖浓度预测结果精确度高，克服了单频段光声信号无法全面反应血糖水平的局限性。

Multi-band Photoacoustic Noninvasive Blood Glucose Concentration Prediction System Based on Deep Learning

The invention discloses a multi-band photoacoustic non-invasive blood sugar concentration prediction system based on deep learning. The system mainly includes laser source, n different frequency bands of ultrasonic transducer, amplifier, data acquisition card and signal processing module. Laser source produces pulsed laser to irradiate human skin tissue. N different frequency bands of ultrasonic transducers obtain different frequency bands of photoacoustic signals. The amplifier amplifies the photoacoustic signal. Data acquisition card obtains time domain information of photoacoustic signal. The signal processing module converts the time domain information into the frequency domain information and inputs it into the multi-band photoacoustic non-invasive blood glucose concentration prediction model based on in-depth learning, so as to obtain the blood glucose concentration value. The method has high accuracy in predicting the blood sugar concentration and overcomes the limitation that the single-band photoacoustic signal can not fully reflect the blood sugar level.

【技术实现步骤摘要】
基于深度学习的多频段光声无创血糖浓度预测系统
本专利技术涉及血糖无创检测领域，具体是基于深度学习的多频段光声无创血糖浓度预测系统。
技术介绍
最新统计显示中国糖尿病患者约有1.144亿，人数占全球第一。而且随着人民生活水平的不断提高和老年化趋势，糖尿病的发病率呈上升趋势。糖尿病患者由于持续的高糖血症导致了大量的微血管并发症，给患者带来了严重的身心危害，同时给患者家庭和社会带来了沉重的经济负担。然而，由于医学水平发展的有限，目前尚无根治糖尿病的方法，但如果能对血糖进行自我检测，结合多种治疗手段便可以对糖尿病进行相应控制，减缓病情和减少相应并发症的发生。传统血糖检测要求糖尿病患者定期使用电化学测试条提取血液样本，存在交叉感染、表皮损伤、取血疼痛等不足，限制了血糖检测的频率而直接影响患者的治疗。为了克服有创血糖检测的局限性，无创血糖检测技术得到了快速发展。传统的无创血糖主要集中于非光学检测和光学检测，非光学无创血糖检测主要是初步的可行性实验验证，存在检测的实时性、稳定性、准确性等问题，因此限制了其实际应用。而采用传统的光学方法进行无损血糖检测主要具有以下局限性:葡萄糖在血液中浓度很低，光学系数的微小变化难以检测；血糖与其他体内化合物化学结构类似，易受干扰，影响检测。光声技术是血糖无创检测领域的新兴技术，相比传统的光学检测方法，该方法具有检测灵敏度高、适合活体组织等优势。但已有的光声光谱无创血糖检测主要集中于单频段的光声信号的研究，无法全面反映血糖水平，导致血糖浓度预测精度不高。因此探究新的测量系统克服单频段的光声信号不能全面反映血糖水平对光声光谱测量的影响来提高精度，实现无创血糖便携、高效的检测具有十分重要的现实意义。
技术实现思路
本专利技术的目的是解决现有技术中存在的问题。为实现本专利技术目的而采用的技术方案是这样的，基于深度学习的多频段光声无创血糖浓度预测系统，主要包括激光源、n个不同频段的超声换能器、放大器、数据采集卡和信号处理模块。激光源向人体皮肤组织发射激光，人体血管内的血糖因吸收光能热膨胀激发产生不同频段的光声信号。n个不同频段的超声换能器分别获取不同频段的光声信号。所述超声换能器材料为压电陶瓷。放大器包括低噪前置放大器和锁相放大器。低噪前置放大器对超声换能器获取的光声信号进行放大，并将放大的光声信号发送给锁相放大器。锁相放大器放大光声信号，从而将光声信号与噪声分离，并将光声信号发送给数据采集卡。数据采集卡采集光声信号的时域信息，并将采集到的数据发送给信号处理模块。信号处理模块具有基于深度学习的多频段光声无创血糖浓度预测模型。在信号处理模块中写入基于深度学习的多频段光声无创血糖浓度预测模型的主要步骤如下：1)利用静脉采血方式获取m个使用者的血糖浓度真实值，记为样本集S＝(s1，s2，…，si，…，sm)。si为第i个使用者的血糖浓度真实值。2)n个不同频段的超声换能器分别采集m个使用者不同频段的光声信号，记为样本集T＝(T1，T2，…，Ti，…，Tm)。Ti为第i个使用者在n个频段上的光声信号。Ti＝(t1i,t2i，…tni)T。tni为第i个测试者第n个超声换能器的光声信号的时域信息。低噪前置放大器对超声换能器获取的光声信号进行放大，并将放大的光声信号发送给锁相放大器。锁相放大器放大光声信号，从而将光声信号与噪声分离，并将光声信号发送给数据采集卡。3)数据采集卡采集光声信号的时域信息。4)信号处理模块根据时域信息得到样本集T的频域信息，记为样本集F＝(f1,f2,…，fi，…，fm)。fi为第i个使用者在n个频段上的光声信号的频域信息。fi＝(f1i,f2i，…fni)T。fni为第i个使用者在第n个频段上的光声信号频域信息。5)根据样本集F和样本集S建立数据集将数据集划分为训练集和测试集其中Fi为基于深度学习的多频段光声无创血糖浓度预测模型的输入。样本集Fi中的数据为光声信号频域信息。Si为基于深度学习的多频段光声无创血糖浓度预测模型监督训练的标签。样本集Si中的数据为血糖浓度真实值。6)对训练集train和测试集进行归一化处理。7)利用训练集train对基于深度学习的多频段光声无创血糖浓度预测模型进行监督预训练，主要步骤为：7.1)设置受限玻尔兹曼机RBM的输入层的节点个数为n，输出层节点个数为1，并建立l个受限玻尔兹曼机RBM。总频谱维度如下所示：式中，dim为频谱维数。7.2)基于l个受限玻尔兹曼机RBM建立一个深信度神经网络DBN。7.3)确定RBM模型隐藏层的节点个数和学习率，并且对RBM的网络参数集权值和偏置进行初始化。输入层V0和第一个隐藏层H1构建模型RBM1。将训练集train中的数据作为输入数据，使用CD算法对模型RBM1进行训练，将重构值和输入值之间的差值作为重建误差。重建误差沿着RBM的权重反向传播，以迭代学习的过程不断反向传播，直到达到设定的误差阈值。训练完成后，RBM1内的参数达到最优。依次对DBN中的l个受限玻尔兹曼机RBM进行无监督训练，使得每个受限玻尔兹曼机RBM的参数达到局部最优。8)训练好的l个受限玻尔兹曼机RBM与顶层的BP网络构成一个多层BP网络。利用BP算法对多层BP网络进行有监督训练，并将误差逐层反向传播，微调各层的参数，进一步优化多层BP网络的所有权值和偏置，直至收敛。根据训练获得的权值和偏置建立基于深度学习的多频段光声无创血糖浓度预测模型。9)将测试集test输入到基于深度学习的多频段光声无创血糖浓度预测模型中，对基于深度学习的多频段光声无创血糖浓度预测模型进行测试。信号处理模块将光声信号的时域信息转换为频域信息，并将频域信息输入到光声无创血糖浓度预测模型中，从而获取血糖浓度值。本专利技术的技术效果是毋庸置疑的。本专利技术公开的基于深度学习的多频段光声无创血糖浓度预测系统具有以下优势：(1)考虑多个频段数据而非单一的数据源能够克服单频段信号无法全面反应血糖水平的局限性。(2)采用深度学习深度挖掘目标深层特征和精细信息使得血糖浓度预测结果更为精确。附图说明图1为基于深度学习的多频段光声无创血糖浓度预测系统理论框图；图2为基于深度学习的多频段光声无创血糖浓度预测系统框图。具体实施方式下面结合实施例对本专利技术作进一步说明，但不应该理解为本专利技术上述主题范围仅限于下述实施例。在不脱离本专利技术上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本专利技术的保护范围内。实施例1：参见图1和图2，基于深度学习的多频段光声无创血糖浓度预测系统，主要包括激光源、n个不同频段的超声换能器、放大器、数据采集卡和信号处理模块。激光源向人体皮肤组织发射激光，人体血管内的血糖因吸收光能热膨胀激发产生不同频段的光声信号。光声信号是物体吸光后受热膨胀产生的信号。n个不同频段的超声换能器分别获取不同频段的光声信号。一个超声换能器接收一个频段的光声信息。所述超声换能器材料为压电陶瓷。放大器包括低噪前置放大器和锁相放大器。低噪前置放大器对超声换能器获取的光声信号进行放大，并将放大的光声信号发送给锁相放大器。锁相放大器放大光声信号，从而将光声信号与噪声分离，提高光声信号信噪比，并将光声信号发送给数据采集卡。锁相放大器放大光声信号的方法为：设定位于超声换能器接收频段本文档来自技高网...

【技术保护点】
1.基于深度学习的多频段光声无创血糖浓度预测系统，其特征在于，主要包括所述激光源、n个不同频段的超声换能器、放大器、数据采集卡和信号处理模块。激光源向人体皮肤组织发射激光，人体血管内的血糖吸收光能后产生不同频段的光声信号；n个不同频段的超声换能器分别获取不同频段的光声信号；放大器包括低噪前置放大器和锁相放大器；低噪前置放大器对超声换能器获取的光声信号进行放大，并将放大的光声信号发送给锁相放大器；锁相放大器放大光声信号，从而将光声信号与噪声分离，并将光声信号发送给数据采集卡；数据采集卡采集光声信号的时域信息，并将采集到的时域信息发送给信号处理模块；信号处理模块具有基于深度学习的多频段光声无创血糖浓度预测模型；信号处理模块将光声信号的时域信息转换为频域信息，并将频域信息输入到光声无创血糖浓度预测模型中，从而获取血糖浓度值。

【技术特征摘要】
1.基于深度学习的多频段光声无创血糖浓度预测系统，其特征在于，主要包括所述激光源、n个不同频段的超声换能器、放大器、数据采集卡和信号处理模块。激光源向人体皮肤组织发射激光，人体血管内的血糖吸收光能后产生不同频段的光声信号；n个不同频段的超声换能器分别获取不同频段的光声信号；放大器包括低噪前置放大器和锁相放大器；低噪前置放大器对超声换能器获取的光声信号进行放大，并将放大的光声信号发送给锁相放大器；锁相放大器放大光声信号，从而将光声信号与噪声分离，并将光声信号发送给数据采集卡；数据采集卡采集光声信号的时域信息，并将采集到的时域信息发送给信号处理模块；信号处理模块具有基于深度学习的多频段光声无创血糖浓度预测模型；信号处理模块将光声信号的时域信息转换为频域信息，并将频域信息输入到光声无创血糖浓度预测模型中，从而获取血糖浓度值。2.根据权利要求1所述的基于深度学习的多频段光声无创血糖浓度预测系统，其特征在于，在信号处理模块中写入基于深度学习的多频段光声无创血糖浓度预测模型的主要步骤如下：1)利用静脉采血方式获取m个使用者的血糖浓度真实值，记为样本集S＝(s1，s2，…，si，…，sm)；si为第i个使用者的血糖浓度真实值；2)n个不同频段的超声换能器分别采集m个使用者不同频段的光声信号，记为样本集T＝(T1，T2，…，Ti，…，Tm)；Ti为第i个使用者在n个频段上的光声信号；Ti＝(t1i,t2i，…tni)T；tni为第i个测试者第n个超声换能器的光声信号的时域信息；低噪前置放大器对超声换能器获取的光声信号进行放大，并将放大的光声信号发送给锁相放大器；锁相放大器放大光声信号，从而将光声信号与噪声分离，并将光声信号发送给数据采集卡；3)数据采集卡采集光声信号的时域信息，并将采集到的数据发送给信号处理模块；4)信号处理模块根据时域信息得到样本集T的频域信息，记为样本集F＝(f1,f2,…，fi，…，fm)；fi为第i个使用者在n个频段上的光声信号的频域信息；fi＝(f1i,f2i，…f...

【专利技术属性】
技术研发人员：秦文健，曹海林，田引黎，聂泽东，赵明珠，
申请(专利权)人：中国科学院深圳先进技术研究院，重庆大学，
类型：发明
国别省市：广东,44