一种血红蛋白浓度预测回归模型的训练、应用方法及系统技术方案

本发明专利技术提出了一种血红蛋白浓度预测回归模型的训练、应用方法及系统，包括：获取多通道PPG信号，并对其进行信号处理；对获取到的多通道PPG信号进行手动和自动提取特征信息，并通过特征信息融合机制将手动特征信息和自动特征信息进行融合，实现特征信息的精确提取；建立基于多机器学习算法集成的血红蛋白浓度预测回归模型进行无创检测，利用多个回归模型的高效集成，多次回归预测得到更加稳健的检测结果。此方法在保证模型训练速度的情况下，可提高模型的检测精度和泛化能力，而且兼具无创和有创检测方法的优势，解决了现有技术中无法对对人体的血红蛋白浓度的连续、实时检测的技术问题。问题。问题。

【技术实现步骤摘要】
一种血红蛋白浓度预测回归模型的训练、应用方法及系统


[0001]本专利技术涉及无创检测
，特别是涉及一种血红蛋白浓度预测回归模型的训练、应用方法及系统。

技术介绍

[0002]目前，检测血红蛋白浓度的方法可分为有创检测和无创检测两种。有创血红蛋白浓度检测方法包括氰化高铁血红蛋白检测法和即时检验法，都需要先对受测者进行取血采样，再通过血细胞分析仪进行分析得到血红蛋白浓度值。虽然此类检测方法所得结果的准确度较高，但存在一些不足：检测时间无法达到连续、实时效果，不能做到对重症患者的情况及时了解；容易引发伤口感染，还可能使受测者产生内心恐惧。
[0003]而无创血红蛋白浓度检测方法不再需要取血采样这一过程，而是直接将受测者的手指放在仪器上，便能实时的获得其血红蛋白的浓度指标。此类方法可以较好的解决有创血红蛋白浓度检测方法存在的不足，可实现对人体的血红蛋白浓度的连续、实时的检测。然而，现有的大部分无创血红蛋白浓度检测方法的准确性仍有较大的改进空间。
[0004]因此，研究一种兼具无创和有创检测方法优势的血红蛋白浓度预测回归模型的训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种血红蛋白浓度预测回归模型的训练方法，其特征在于，所述训练方法包括：基于多机器学习算法构建血红蛋白浓度预测回归模型；获取历史多通道PPG信号和历史血红蛋白浓度值；对所述历史多通道PPG信号进行预处理，得到预处理后的历史多通道PPG信号数据；对所述预处理后的历史多通道PPG信号数据的特征信息进行自动提取，得到历史自动特征信息；对所述预处理后的历史多通道PPG信号数据的特征信息进行手动提取，得到历史手动特征信息；将所述历史自动特征信息和所述历史手动特征信息进行融合，得到历史融合特征信息；利用所述历史融合特征信息和所述历史血红蛋白浓度值训练血红蛋白浓度预测回归模型，得到训练好的血红蛋白浓度预测回归模型。2.根据权利要求1所述的预测回归模型的训练方法，其特征在于，所述基于多机器学习算法构建血红蛋白浓度预测回归模型包括：构建第一层回归器，所述第一层回归器为Ada Boost、PCR、PLSR以及SVR四个并列的模型；构建第二层回归器，所述第二层回归器为注意力层模型。3.根据权利要求2所述的预测回归模型的训练方法，其特征在于，所述利用所述历史融合特征和所述历史血红蛋白浓度值训练血红蛋白浓度预测回归模型，得到训练好的血红蛋白浓度预测回归模型具体包括：将所述历史融合特征分别输入第一层回归器的AdaBoost、PCR、PLSR和SVR模型中，得到历史第一预测结果集；根据所述历史第一预测结果集和所述历史血红蛋白浓度值训练所述第二层回归器的注意力层模型，得到所述训练好的血红蛋白浓度预测回归模型。4.根据权利要求1所述的预测回归模型的训练方法，其特征在于，所述对所述预处理后的历史多通道PPG信号数据的特征信息进行自动提取，得到历史自动特征信息具体包括：构建卷积神经网络模型，所述卷积神经网络模型包括1个输入层、2个卷积层和2个全连接层；根据所述预处理后的历史多通道PPG信号数据对所述卷积神经网络模型进行训练，得到训练好的卷积神经网络模型；利用所述训练好的卷积神经网络模型对所述预处理后的历史多通道PPG信号数据的特征信息进行自动提取。5.根据权利要求1所述的预测回归模型的训练方法，其特征在于，所述对所述预处理后的历史多通道PPG信号数据的特征信息进行手动提取，得到历史手动特征信息具体包括：根据Beer
‑
Lambert方程，建立血红蛋白浓度与检测信号特征值之间的映射关系，所述血红蛋白浓度与检测信号特征值之间的映射关系如下：c
tHb
＝f(R
1,2
,
…
,R
1,N
,R
2,1
,R
2,3
,
…
,R
2,N
,
…
R
N,1
,
…
R
N,N
‑1)其中：c
tHb
表示血红蛋白浓度值，f()表示映射关系函数，R
i,j
，N>i>1，N>j>1，为手动提取的特征信息，N为历史多通道PPG信号数据的通道数；
特征信息R
i,j
通过下式获得：其中AC
λi
和DC
λi
分别为光波长为λi时获取到的历史多通道PPG信号数据的跳变成分AC和非跳变成分DC的幅值强度；AC
λj
和DC
λj
分别为光波长为λj获取到的历史多通道PPG信号数据的跳变成分AC和非跳变成分DC的幅值强度；以所述血红蛋白浓度与检测信号特征值之间的映射关系为指导，对所述预处理后的历史多通道PPG信号数据的特征信息进...

【专利技术属性】
技术研发人员：彭福来，陈财，张昔坤，
申请(专利权)人：山东中科先进技术研究院有限公司，
类型：发明
国别省市：