一种基于高阶和分数低阶统计量的血糖预测方法及系统技术方案

本发明专利技术提出一种基于高阶和分数低阶统计量的血糖预测方法及系统，涉及血糖预测的技术领域，解决了在当前无创血糖预测方法中，无法提取近红外血糖信号的细节信息，血糖数据预测的准确度低的的问题，首先获取作为带噪声信号的近红外血糖指标数据，对带噪声信号进行分解，得到去噪信号，提供可靠的信号数据源，然后提取去噪信号的高阶统计量和分数低阶统计量的特征值，进一步构建血糖预测模型，并利用由提取的特征值和获取的实际血糖值组成的数据集中的训练集训练血糖预测模型，最后利用训练好的血糖预测模型对采集的待检测血糖数据进行检测，得到待检测血糖数据的血糖预测结果，有效提高了血糖数据预测的准确度。有效提高了血糖数据预测的准确度。有效提高了血糖数据预测的准确度。

【技术实现步骤摘要】
一种基于高阶和分数低阶统计量的血糖预测方法及系统


[0001]本专利技术涉及血糖预测的
，特别涉及一种基于高阶和分数低阶统计量的血糖预测方法及系统。

技术介绍

[0002]糖尿病是指因为胰岛素分泌绝对或相对不足引起的、以空腹或餐后高血糖为主要表现的代谢异常综合症，目前临床医学上糖尿病是无法治愈，糖尿病患者仅通过服用人工胰岛素、锻炼、谨慎的饮食摄入和频繁的血糖监测的方法进行有效的管理控制。
[0003]血糖监测主要分为有创监测和无创监测，有创监测在采集血液样本时，造成用户疼痛有创伤，而且需要血液样本的试纸，费用昂贵；无创监测主要使用近红外光谱进行无创血糖检测的方法，对近红外光采集得到的信号进行血糖预测，无需进行采血，检测方便准确。现有技术中公开了一种无创血糖预测方法，从血糖数据中的近红外信号获取极大值近红外信号，然后提取极大值近红外信号的均值、方差、斜率和峰值，构建特征信号，再根据特征信号和血糖数据的血糖值构建映射矩阵，将待测信号输入映射矩阵生成待测映射矩阵，最后利用卷积神经网络对待测映射矩阵进行优化，但近红外血糖信号一般为非高斯信号，利用均值、方差、斜率和峰值等二阶统计量只能提取近红外血糖信号的概貌，无法提取近红外血糖信号的细节信息，降低了血糖数据预测的准确度。

技术实现思路

[0004]为解决在当前无创血糖预测方法中，无法提取近红外血糖信号的细节信息，血糖数据预测的准确度低的问题，本专利技术提出一种基于高阶和分数低阶统计量的血糖预测方法及系统，能够提取近红外血糖信号的细节信息，有效提高了血糖数据预测的准确度。
[0005]为了达到上述技术效果，本专利技术的技术方案如下：
[0006]一种基于高阶和分数低阶统计量的血糖预测方法，包括以下步骤：
[0007]S1.获取受试者的血糖数据，所述血糖数据包括受试者的近红外血糖指标数据及与近红外血糖指标数据同步对应采集的人体的实际血糖值，并将获取的近红外血糖指标数据设为带噪声信号；
[0008]S2.分解带噪声信号，得到去噪信号；
[0009]S3.分别提取去噪信号的高阶统计量和分数低阶统计量的特征值，构建包含多个特征值的特征矩阵；
[0010]S4.将特征矩阵中的特征值和特征矩阵中特征值对应的实际血糖值划分为训练集和验证集；
[0011]S5.构建血糖预测模型，利用训练集训练血糖预测模型，并利用验证集对训练过程中的血糖预测模型进行评估，得到训练好的血糖预测模型；
[0012]S6.采集待检测血糖数据，将待检测血糖数据输入训练好的血糖预测模型，输出待检测血糖数据的血糖预测结果。
[0013]在本技术方案中，首先获取作为带噪声信号的近红外血糖指标数据，对带噪声信号进行分解，得到去噪信号，目的时保证带噪声信号能够得到有效的预去噪处理，提供可靠的信号数据源，然后提取去噪信号的高阶统计量和分数低阶统计量的特征值，目的在于提取非高斯近红外血糖信号更多的细节信息，从而充分反映非高斯近红外血糖信号的特征，进一步构建血糖预测模型，并利用由提取的特征值和获取的实际血糖值组成的数据集中的训练集训练血糖预测模型，最后利用训练好的血糖预测模型对采集的待检测血糖数据进行检测，得到待检测血糖数据的血糖预测结果，有效提高了血糖数据预测的准确度。
[0014]优选地，在步骤S1中，设近红外血糖指标数据表示为[x1，x2，
…
，x
n
]序列，n表示采集的近红外血糖指标数据的总个数，所述近红外血糖指标数据是利用近红外LED传感器无创获取，所述实际血糖值是利用血糖仪有创获取。
[0015]优选地，在步骤S2中，设带噪声信号为x(n)，分解带噪声信号x(n)的具体步骤为：
[0016]S21.对带噪声信号x(n)进行EMD分解，得到k个IMF数据分量和1个余项数据分量，其中k≥2；
[0017]S22.从k个IMF数据分量中选取M个IMF数据分量，k＞M，对M个IMF数据分量中的每一个IMF数据分量进行SSA分解，得到M个IMF数据分量中的每一个IMF数据分量对应的SVD分量，并根据得到的SVD分量构建SVD分量对应的子集{X
I
}；
[0018]S23.对每一个SVD分量对应的子集{X
I
}进行重构，得到M组重构数据；
[0019]S24.将M组重构数据与余项数据分量累加，输出去噪信号x
i
。
[0020]优选地，在M个IMF数据分量中的每一个IMF数据分量进行SSA分解前，对M个IMF数据分量中的每一个IMF数据分量划分，具体的划分步骤为：首先采集M个IMF数据分量中的每一个IMF数据分量的噪声能量E
nk
，然后计算IMF数据分量中的每一个IMF数据分量的去噪能量，具体计算表达式为：
[0021]E
‘
xk
＝E
xk
‑
E
nk
[0022]其中，E
k
表示IMF数据分量中的每一个IMF数据分量的能量，E
′
xk
表示IMF数据分量中的每一个IMF数据分量的去噪能量；
[0023]计算E
‘
xk
与E
k
比值R
k
，具体计算表达式为：
[0024][0025]根据比值R
k
将M个IMF数据分量中的每一个IMF数据分量划分。
[0026]优选地，所述去噪信号的高阶统计量的特征值包括三阶统计量偏度和四阶统计量峰度，所述三阶统计量偏度的具体计算表达式为：
[0027][0028]其中，SK
i
表示第i个预处理数据对应的三阶统计量偏度，n表示近红外血糖原始数据的长度，μ
i3
表示第i个预处理数据对应的三阶中心矩，s
i
表示样本标准差；
[0029]μ
i3
的具体计算表达式为：
[0030][0031]其中，表示去噪信号x
i
的均值，的具体计算表达式为：
[0032][0033]s
i
的具体计算表达式为：
[0034][0035]所述四阶统计量峰度的具体计算表达式为：
[0036][0037]其中，K
i
表示第i个预处理数据对应的四阶统计量峰度，μ
i2
表示第i个预处理数据对应的二阶中心矩，μ
i4
表示第i个预处理数据对应的四阶中心矩。
[0038]优选地，所述分数低阶统计量的特征值包括特征指数α和分散系数γ。
[0039]优选地，利用对数法对去噪信号进行表征分数低阶统计量的特征指数α和分散系数γ的提取，特征指数α和分散系数γ的具体提取步骤为：
[0040]S31.设x
i
为一组特征指数α和对称系数β均为0稳定分布的随机变量，并对α稳定本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高阶和分数低阶统计量的血糖预测方法，其特征在于，包括以下步骤：S1.获取受试者的血糖数据，所述血糖数据包括受试者的近红外血糖指标数据及与近红外血糖指标数据同步对应采集的受试者的实际血糖值，并将获取的近红外血糖指标数据设为带噪声信号；S2.分解带噪声信号，得到去噪信号；S3.分别提取去噪信号的高阶统计量和分数低阶统计量的特征值，构建包含多个特征值的特征矩阵；S4.将特征矩阵中的特征值和特征矩阵中特征值对应的实际血糖值划分为训练集和验证集；S5.构建血糖预测模型，利用训练集训练血糖预测模型，并利用验证集对训练过程中的血糖预测模型进行评估，得到训练好的血糖预测模型；S6.采集待检测血糖数据，将待检测血糖数据输入训练好的血糖预测模型，输出待检测血糖数据的血糖预测结果。2.根据权利要求1所述的基于高阶和分数低阶统计量的血糖预测方法，其特征在于，在步骤S1中，设近红外血糖指标数据表示为[x1，x2，
…
，x
n
]序列，n表示采集的近红外血糖指标数据的总个数，所述近红外血糖指标数据是利用近红外LED传感器无创获取，所述实际血糖值是利用血糖仪有创获取。3.根据权利要求2所述的基于高阶和分数低阶统计量的血糖预测方法，其特征在于，在步骤S2中，设带噪声信号为x(n)，分解带噪声信号x(n)的具体步骤为：S21.对带噪声信号x(n)进行EMD分解，得到k个IMF数据分量和1个余项数据分量，其中k≥2；S22.从k个IMF数据分量中选取M个IMF数据分量，k＞M，对M个IMF数据分量中的每一个IMF数据分量进行SSA分解，得到M个IMF数据分量中的每一个IMF数据分量对应的SVD分量，并根据得到的SVD分量构建SVD分量对应的子集{X
I
}；S23.对每一个SVD分量对应的子集{X
I
}进行重构，得到M组重构数据；S24.将M组重构数据与余项数据分量累加，输出去噪信号x
i
。4.根据权利要求3所述的基于高阶和分数低阶统计量的血糖预测方法，其特征在于，在M个IMF数据分量中的每一个IMF数据分量进行SSA分解前，对M个IMF数据分量中的每一个IMF数据分量划分，具体的划分步骤为：首先采集M个IMF数据分量中的每一个IMF数据分量的噪声能量E
nk
，然后计算IMF数据分量中的每一个IMF数据分量的去噪能量，具体计算表达式为：E
‘
xk
＝E
xk
‑
E
nk
其中，E
k
表示IMF数据分量中的每一个IMF数据分量的能量，E
’
xk
表示IMF数据分量中的每一个IMF数据分量的去噪能量；计算E
‘
xk
与E
k
比值R
k
，具体计算表达式为：根据比值R
k
将M个IMF数据分量中的每一个IMF数据分量划分。5.根据权利要求3所述的基于高阶和分数低阶统计量的血糖预测方法，其特征在于，所
述去噪信号的高阶统计量的特征值包括三阶统计量偏度和四阶统计量峰度，所述三阶统计量偏度的具体计算表达式为：其中，SK
i
表示第i个预处理数据对应的三阶统计量偏度，n表示近红外血糖原始数据的长度，μ
i3
表示第i个预处理数据对应的三阶中心矩，s
i
表示样本标准差；μ
i3
的具体计算表达...

【专利技术属性】
技术研发人员：黄翠莲，凌永权，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：