基于数据增强的可穿戴血糖检测方法、系统及存储介质技术方案

本发明专利技术公开的一种基于数据增强的可穿戴血糖检测方法、系统及存储介质，包括：通过采集固定时间段的血糖真实值和对应特征矩阵作为训练集进行随机森林模型的搭建；将日常无创检测所新增的特征矩阵输入随机森林模型中，得到对应的N个血糖预测值，将N个血糖预测值作为真实值并与原始采集的特征矩阵进行组合，作为新的训练数据补充到原先的数据集里从而不断扩大训练样本数；根据新的训练样本通过RNN模型构建血糖预测模型；将用户实际使用可穿戴设备进行无创检测时每次采集信号所得到的特征输入血糖预测模型中，获取血糖预测结果，本发明专利技术通过数据增强，提高了模型的鲁棒性，并有效提高了预测的准确性。高了预测的准确性。高了预测的准确性。

【技术实现步骤摘要】
基于数据增强的可穿戴血糖检测方法、系统及存储介质


[0001]本专利技术涉及血糖检测
，更具体的，涉及一种基于数据增强的可穿戴血糖检测方法、系统及存储介质。

技术介绍

[0002]糖尿病作为四大慢病之一，早已成为威胁人民身心健康的一重大疾病，根据现有医疗技术水平，糖尿病是不能够完全治愈的。而且糖尿病不仅会带来并发症的病痛折磨，而且会长期影响人们的饮食、生活习惯，带来心理上的难受困扰，不断危害人民身心健康。因此，人们要形成“早预防”、“早发现”、“早治疗”糖尿病的观念，其中测量血糖是必不可少的一步。在传统检测血糖的方法中，是通过扎手指抽血利用生化血糖仪检测血糖值。但对于患者而言，长期检测不仅费用高，而且进行有创检测会带来痛苦，不可避免产生创口感染的风险。另外，传统血糖仪检测有耗材多、不便携、数据不连续等诸多弊端。
[0003]但是，可穿戴无创检测血糖方法解决了传统检测方法带来的有创口、易感染、耗材多、不便携、不连续等问题，可以减轻患者长期检测的痛苦。实现可穿戴无创血糖检测需前期采集用户的实际血糖值数据，后期根据采集到的用户特征通过算法模型等预测出血糖值，但无创检测的初衷是减少患者痛苦，所以只能前期进行采集有限的有创检测数据，而关键问题是——数据量少会造成预测结果准确率低。所以，为了减弱数据量少造成结果精度低的影响，如今提出一种数据扩充技术——数据增强，即在不实质性的增加数据的情况下，让现有的有限数据产生尽可能多的利用价值。因此在贫数据的条件下，提出一种基于数据增强的融合随机森林及RNN的可穿戴无创血糖检测方法，用原始有限数据创造更多利用价值，实现数据增强，增强模型的鲁棒性，有效提高了预测的准确性，满足了糖尿病患者以及普通用户可穿戴无创血糖检测的需求，保证血糖测量的准确性，减少传统有创检测，实现无创连续实时检测血糖，提高了人们的生活幸福指数。

技术实现思路

[0004]为了解决上述技术问题，本专利技术提出了一种基于数据增强的可穿戴血糖检测方法、系统及存储介质。
[0005]本专利技术第一方面提供了一种基于数据增强的可穿戴血糖检测方法，包括：通过获取固定时间段的血糖真实值及对应特征矩阵作为训练集构建随机森林模型；将无创检测数据采集过程中得到的新增特征矩阵输入所述随机森林模型中，得到血糖预测值；将所述血糖预测值作为真实值并与原始采集的特征矩阵进行组合，作为新的训练样本补充到原先的训练集，根据不断更新的训练集通过循环神经网络模型构建血糖预测模型；将用户实际使用可穿戴设备进行无创检测时每次采集信号所得到的特征矩阵输
入血糖预测模型中，获取血糖预测结果。
[0006]本方案中，在固定时间段的血糖采集后，获取用户日常可穿戴无创监测N次数据采集过程中得到的新增特征矩阵；根据所述新增特征矩阵通过随机森林模型生成血糖预测值，将所述血糖预测值作为真实值后，根据不断采集的血糖真实值与固定时间段内生成的原始训练集结合持续增加训练样本的数据量，达到数据增强的目的。
[0007]本方案中，通过血糖预测模型获取血糖预测值，具体为：基于循环神经网络模型构建血糖预测模型，并根据训练集进行血糖预测模型的训练；获取用户在时刻可穿戴无创检测的特征矩阵和血糖值数据，并将所述特征矩阵和血糖值数据作为时刻的训练样本；根据时刻的训练样本及时刻的模型记忆生成时刻的模型记忆，根据所述模型记忆得到血糖预测模型在时刻的血糖预测值。
[0008]本方案中，所述血糖预测模型中时刻的血糖预测值的计算公式，具体为：的计算公式，具体为：其中，、分别表示时刻及时刻的模型记忆，表示在时刻训练样本的输入，、表示激活函数，为函数，为函数，表示输入的权重，表示此刻输入的样本的权重，表示输出的样本权重。
[0009]本方案中，将通过随机森林模型完成数据增强后的训练集搭建循环神经网络作为血糖预测模型，将用户每次无创检测得到的特征矩阵用于循环神经网络模型的训练，并得到血糖预测结果，将得到的预测值继续作为下一次血糖预测时的训练数据，进一步实现数据增强。
[0010]本专利技术第二方面还提供了一种基于数据增强的可穿戴血糖检测系统，该系统包括：存储器、处理器，所述存储器中包括一种基于数据增强的可穿戴血糖检测方法程序，所述一种基于数据增强的可穿戴血糖检测方法程序被所述处理器执行时实现如下步骤：通过获取固定时间段的血糖真实值及对应特征矩阵作为训练集构建随机森林模型；将无创检测数据采集过程中得到的新增特征矩阵输入所述随机森林模型中，得到血糖预测值；将所述血糖预测值作为真实值并与原始采集的特征矩阵进行组合，作为新的训练
样本补充到原先的训练集，根据不断更新的训练集通过循环神经网络模型构建血糖预测模型；将用户实际使用可穿戴设备进行无创检测时每次采集信号所得到的特征矩阵输入血糖预测模型中，获取血糖预测结果。
[0011]本方案中，在固定时间段的血糖采集后，获取用户日常可穿戴无创监测N次数据采集过程中得到的新增特征矩阵；根据所述新增特征矩阵通过随机森林模型生成血糖预测值，将所述血糖预测值作为真实值后，根据不断采集的血糖真实值与固定时间段内生成的原始训练集结合持续增加训练样本的数据量，达到数据增强的目的。
[0012]本方案中，通过血糖预测模型获取血糖预测值，具体为：基于循环神经网络模型构建血糖预测模型，并根据训练集进行血糖预测模型的训练；获取用户在时刻可穿戴无创检测的特征矩阵和血糖值数据，并将所述特征矩阵和血糖值数据作为时刻的训练样本；根据时刻的训练样本及时刻的模型记忆生成时刻的模型记忆，根据所述模型记忆得到血糖预测模型在时刻的血糖预测值。
[0013]本方案中，所述血糖预测模型中时刻的血糖预测值的计算公式，具体为：的计算公式，具体为：其中，、分别表示时刻及时刻的模型记忆，表示在时刻训练样本的输入，、表示激活函数，为函数，为函数，表示输入的权重，表示此刻输入的样本的权重，表示输出的样本权重。
[0014]本方案中，将通过随机森林模型完成数据增强后的训练集搭建循环神经网络作为血糖预测模型，将用户每次无创检测得到的特征矩阵用于循环神经网络模型的训练，并得到血糖预测结果，将得到的预测值继续作为下一次血糖预测时的训练数据，进一步实现数据增强。
[0015]本专利技术第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于数据增强的可穿戴血糖检测方法程序，所述一种基于数据增强的可穿戴血糖检测方法程序被处理器执行时，实现如上述任一项所述的一种基于数据增强的可穿戴血糖检测方法的步骤。
[0016]本专利技术解决了
技术介绍
中存在的缺陷，具备以下有益效果：
本专利技术将随机森林和循环神经网模型联合起来，避免了单一模型的数据少量片面导致预测结果不准确的问题，而联合模型可以不断补充数据和扩大训练样本，实现数据增强，提高数据利用率，在贫数据的基础上通过RF模型不断得到新的血糖值结果，从而增多血糖有关数据，提高训练模型和预测结果准确率；本专利技术中利用的循环神经网络模型可以对前面数据进行记忆并应用于下一次预测，即前后血糖值、特征矩阵等信息不再是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据增强的可穿戴血糖检测方法，其特征在于，包括以下步骤：通过获取固定时间段的血糖真实值及对应特征矩阵作为训练集构建随机森林模型；将无创检测数据采集过程中得到的新增特征矩阵输入所述随机森林模型中，得到血糖预测值；将所述血糖预测值作为真实值并与原始采集的特征矩阵进行组合，作为新的训练样本补充到原先的训练集，根据不断更新的训练集通过循环神经网络模型构建血糖预测模型；将用户实际使用可穿戴设备进行无创检测时每次采集信号所得到的特征矩阵输入血糖预测模型中，获取血糖预测结果。2.根据权利要求1所述的一种基于数据增强的可穿戴血糖检测方法，其特征在于，在固定时间段的血糖采集后，获取用户日常可穿戴无创监测N次数据采集过程中得到的新增特征矩阵；根据所述新增特征矩阵通过随机森林模型生成血糖预测值，将所述血糖预测值作为真实值后，根据不断采集的血糖真实值与固定时间段内生成的原始训练集结合持续增加训练样本的数据量，达到数据增强的目的。3.根据权利要求1所述的一种基于数据增强的可穿戴血糖检测方法，其特征在于，通过血糖预测模型获取血糖预测值，具体为：基于循环神经网络模型构建血糖预测模型，并根据训练集进行血糖预测模型的训练；获取用户在时刻可穿戴无创检测的特征矩阵和血糖值数据，并将所述特征矩阵和血糖值数据作为时刻的训练样本；根据时刻的训练样本及时刻的模型记忆生成时刻的模型记忆，根据所述模型记忆得到血糖预测模型在时刻的血糖预测值。4.根据权利要求3所述的一种基于数据增强的可穿戴血糖检测方法，其特征在于，所述血糖预测模型中时刻的血糖预测值的计算公式，具体为：的计算公式，具体为：其中，、分别表示时刻及时刻的模型记忆，表示在时刻训练样本的输入，、表示激活函数，为函数，为函数，表示输入的权重，表示此刻输入的样本的权重，表示输出的样本权重。5.根据权利要求1所述的一种基于...

【专利技术属性】
技术研发人员：马思琪，刘庆，陈燚瀚，韦怡婷，林潇，凌永权，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：