基于Stacking模型融合的无创血糖估计方法、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Stacking模型融合的无创血糖估计方法、系统及存储介质，包括：获取目标对象的PPG信号（光电容积脉搏波信号）、同步ECG信号（心电图信号）、同步心率、同步血糖数值、同步血压数值及各项身体参数并进行数据预处理；根据预处理后的数据进行特征提取；基于改良后Stacking模型融合策略选择SVM回归模型、随机森林回归模型以及岭回归模型进行血糖值共同预测，生成血糖最终估计结果；同时对融合模型进行性能判断。本发明专利技术通过引入加权概念对Stacking模型融合策略进行改良，得到更加精准的血糖估计结果。准的血糖估计结果。准的血糖估计结果。

【技术实现步骤摘要】
基于Stacking模型融合的无创血糖估计方法、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Stacking模型融合的无创血糖估计方法、系统及存储介质。

技术介绍

[0002]高血糖是因为胰岛素分泌绝对或相对不足引起的以空腹或餐后血糖值高为主要表现的代谢异常综合症，极易引发全身各种急、慢性并发症，是危害人类健康的一大杀手。目前，医学上并没有可以完全根治糖尿病的方法，由于其是一种慢性病，只有通过长期监测血糖值这一方法才能保障糖尿病患者的生命安全。因此，对血糖的监测就显得至关重要。而在血糖检测方面，目前国际上普遍使用的是侵入式的血糖检测，该方法通过指尖采血的形式来检测血糖值，检测方法简单，随时可以进行操作。但一方面由于高血糖患者一天内需要进行3～5次采血检测且需要长期检测，而检测所需使用的针头、检测试纸是一次性消耗物品，长期检测成本较高；另一方面，由于每次检测都需要使用针头扎破患者手指来获取指尖血进行检测，容易对患者造成生理与心理上的双重伤害。于是，微创的血糖检测方法也逐渐出现，但是由于微创方法多是通过体液以及组织间液来进行血糖估计，但是由于体液及组织间液里的葡萄糖含量较血液中更少，且与血液中的真实血糖值存在时间延迟，所以得到的血糖估计数值往往和真实血糖值有较大偏差，并且多数产品也不能实现连续监测，无法动态监测血糖的变化范围，一旦血糖值突变而无法监测可能会带来危机健康的严重后果。基于以上，越来越多糖尿病患者期待通过无创的方法实现血糖监测。
[0003]近红外光谱法是一种目前主流的用于无创检测的技术原理，具体到无创血糖检测领域，其多用于结合可穿戴设备实现无创血糖检测。在此技术背景下，固有难题也逐渐显现，包括：人体组织构造复杂带来的多物质信息干扰；无创的检测手段以及葡萄糖分子信息在血液中本身含量较少造成信号微弱、难以检测的问题；个体间差异大同样会导致无法建立统一模型对不同人种、具有不同生理特征的人群进行精准的血糖预测；实际运用可穿戴设备进行数据采集时由于操作误差、环境因素影响等问题还会造成数据层面不准确，从而影响建模结果精准性等问题。

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Stacking模型融合的无创血糖估计方法、系统及存储介质。
[0005]本专利技术第一方面提供了一种基于Stacking模型融合的无创血糖估计方法，包括：获取目标对象的PPG信号（光电容积脉搏波信号）、同步ECG信号（心电图信号）、同步心率、同步血糖数值、同步血压数值及各项身体参数并进行数据预处理；根据预处理后的数据进行特征提取；基于改良后Stacking模型融合策略选择SVM回归模型、随机森林回归模型以及岭
回归模型进行血糖值共同预测，生成血糖最终估计结果；同时对融合模型进行性能判断。
[0006]本方案中，所述的数据预处理，具体为：对采集到的PPG信号以及ECG信号利用经验模态分解的方式进行去噪处理，包括：步骤S1：给定信号序列，初始化，为常数；步骤S2：计算第个固有模式函数：步骤S2
‑
1:初始化；步骤S2
‑
2：确定的所有局部最大值和最小值；步骤S2
‑
3：通过插值函数生成的上下包络，通常使用三次样条插值，将上插值函数和下插值函数表示为和；步骤S2
‑
4：将和的局部均值表示为，并将其定义为；步骤S2
‑
5：应用移位运算符，；步骤S2
‑
6：如果，为常数，则定义；否则，设置并转到步骤S2;步骤S3：定义；步骤S4：如果是固有函数或单调函数，则分解完成；否则，设置并转到步骤S2；完成信号去噪处理后将所述同步血糖数值及同步血压数值进行均值处理，将均值处理后的数据作为最终使用的血糖值及血压值，同时进行特征归一化处理。
[0007]本方案中，所述特征提取，具体为：通过PPG信号获取人体光电容积脉搏波峰
‑
峰值的变化；计算PPG信号序列的均值及方差，将所述PPG信号序列的均值及方差；通过同步ECG信号与PPG信号共同解得PWTT值，所述PWTT值指的是脉搏波在体内动
脉树中从一点传播到远心端另外一点所用的时间；通过心率及ECG信号解析出能表征心脏活动的心率相关特征及HRV相关特征，同时获取同步血压值的高压值及低压值。
[0008]本方案中，所述的选择SVM回归模型、随机森林回归模型以及岭回归模型进行血糖值共同预测，具体为：选择随机森林回归模型、SVM回归模型、岭回归模型进行血糖值预测，进行三种模型的初始化参数设置；将数据集划分为训练集及测试集，并将训练集被随机、均匀地分为五部分，基于Stacking策略通过所述训练集及测试集利用5折交叉验证对随机森林回归模型、SVM回归模型、岭回归模型进行训练生成预测结果RF_A、SVM_A、RR_A；将随机森林回归模型、SVM回归模型、岭回归模型中五种不同组合的测试集训练得到的模型对测试集进行五次预测，将五次预测结果取平均得到RF_B、SVM_B、RR_B；通过用克拉克误差网格分析获取RF_A、SVM_A以及RR_A与对应的参考值的关系图，生成三个A区准确率将所述A区准确率为权重加权至RF_B、SVM_B、RR_B，得到血糖最终估算结果，加权公式具体为：本方案中，根据血糖最终估算结果与测试集中对应的参考值对融合模型的性能进行评估判断，评估方法包括克拉克误差网格分析、相关系数分析、平均绝对误差分析以及均方根误差分析等。
[0009]本专利技术第二方面还提供了一种基于Stacking模型融合的无创血糖估计系统，该系统包括：存储器、处理器，所述存储器中包括一种基于Stacking模型融合的无创血糖估计方法程序，所述一种基于Stacking模型融合的无创血糖估计方法程序被所述处理器执行时实现如下步骤：获取目标对象的PPG信号（光电容积脉搏波信号）、同步ECG信号（心电图信号）、同步心率、同步血糖数值、同步血压数值及各项身体参数并进行数据预处理；根据预处理后的数据进行特征提取；基于改良后Stacking模型融合策略选择SVM回归模型、随机森林回归模型以及岭回归模型进行血糖值共同预测，生成血糖最终估计结果；同时对融合模型进行性能判断。
[0010]本方案中，所述的数据预处理，具体为：对采集到的PPG信号以及ECG信号利用经验模态分解的方式进行去噪处理，包括：步骤S1：给定信号序列，初始化，为常数；
步骤S2：计算第个固有模式函数：步骤S2
‑
1:初始化；步骤S2
‑
2：确定的所有局部最大值和最小值；步骤S2
‑
3：通过插值函数生成的上下包络，通常使用三次样条插值，将上插值函数和下插值函数表示为和；步骤S2
‑
4：将和的局部均值表示为，并将其定义为；步骤S2
‑
5：应用移位运算符，；步骤S2
‑
6：如果，为常数，则定义；否则，设置并转到步骤S2;步骤S3：定义；步骤S4：如果是固有函数或单本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Stacking模型融合的无创血糖估计方法，其特征在于，包括以下步骤：获取目标对象的PPG信号（光电容积脉搏波信号）、同步ECG信号（心电图信号）、同步心率、同步血糖数值、同步血压数值及各项身体参数并进行数据预处理；根据预处理后的数据进行特征提取；基于改良后Stacking模型融合策略选择SVM回归模型、随机森林回归模型以及岭回归模型进行血糖值共同预测，生成血糖最终估计结果；同时对融合模型进行性能判断。2.根据权利要求1所述的一种基于Stacking模型融合的无创血糖估计方法，其特征在于，所述的数据预处理，具体为：对采集到的PPG信号以及ECG信号利用经验模态分解的方式进行去噪处理，包括：步骤S1：给定信号序列，初始化，为常数；步骤S2：计算第个固有模式函数：步骤S2
‑
1:初始化；步骤S2
‑
2：确定的所有局部最大值和最小值；步骤S2
‑
3：通过插值函数生成的上下包络，通常使用三次样条插值，将上插值函数和下插值函数表示为和；步骤S2
‑
4：将和的局部均值表示为，并将其定义为；步骤S2
‑
5：应用移位运算符，；步骤S2
‑
6：如果，为常数，则定义；否则，设置并转到步骤S2;步骤S3：定义；步骤S4：如果是固有函数或单调函数，则分解完成；否则，设置并转到
步骤S2；完成信号去噪处理后将所述同步血糖数值及同步血压数值进行均值处理，将均值处理后的数据作为最终使用的血糖值及血压值，同时进行特征归一化处理。3.根据权利要求1所述的一种基于Stacking模型融合的无创血糖估计方法，其特征在于，所述特征提取，具体为：通过PPG信号获取人体光电容积脉搏波峰
‑
峰值的变化；计算PPG信号序列的均值及方差，将所述PPG信号序列的均值及方差；通过同步ECG信号与PPG信号共同解得PWTT值，所述PWTT值指的是脉搏波在体内动脉树中从一点传播到远心端另外一点所用的时间；通过心率及ECG信号解析出能表征心脏活动的心率相关特征及HRV相关特征，同时获取同步血压值的高压值及低压值。4.根据权利要求1所述的一种基于Stacking模型融合的无创血糖估计方法，其特征在于，所述的选择SVM回归模型、随机森林回归模型以及岭回归模型进行血糖值共同预测，具体为：选择随机森林回归模型、SVM回归模型、岭回归模型进行血糖值预测，进行三种模型的初始化参数设置；将数据集划分为训练集及测试集，并将训练集被随机、均匀地分为五部分，基于Stacking策略通过所述训练集及测试集利用5折交叉验证对随机森林回归模型、SVM回归模型、岭...

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