【技术实现步骤摘要】
本专利技术涉及医工融合，尤其是涉及基于阵列式阻抗检测和图神经网络的无创血糖监测方法。
技术介绍
1、血糖检测是糖尿病监测管理中的主要工作。目前,主流的血糖检测设备都是有创的,这种方式会给病患带来采血的疼痛,存在细菌、病毒通过血液感染的危险,也不便于进行连续的动态血糖检测，因此，无创、迅速、高效的血糖检测技术是目前血糖检测技术发展的新趋势。
2、无创血糖检测方式种类繁多，根据所用的不同技术分支主要可分为光学法与非光学法。但是，光学法的检测位置难以控制，每次测量点并不能完全重合，而人体结构的复杂性直接决定了每个测量点光反射的强度与光谱吸收的种类，所以测量精度往往得不到保证。非光学法血糖检测中，较为常见的有电化学法、生物电阻抗分析两种。其中，电化学法主要是通过对人体表皮施加弱电场改变人体内环境中组织液离子的运动方向，使其向皮肤表层聚集，进而在皮肤表面利用特殊的化学特性材料与其相互作用得到不同血糖浓度下的信号差异。电化学的血糖检测方式具备测量结果一致性好、精度高的优点。但是电化学法对检测材料依赖性强，制备与生产成本高且易消耗，利用其制作长期动态血糖监控设备存在系统鲁棒性不强、有失效风险的不足。
3、基于生物电阻抗的无创血糖检测方式，主要是将人体组织等效为阻容混合电路，血糖浓度的变化转化为段内皮肤的电阻抗信息。基于生物电阻抗信息的血糖检测方法具备检测材料无消耗、测量方式简单，因此相比与电化学法其具备长期监控血糖的能力。
4、图神经网络(gnn)是一种深度学习方法，专门设计用于处理图数据结构。这种网络模型
5、图神经网络在实际应用中已经取得了很好的效果。例如，对于化学分子，可以利用图神经网络将其分类。在电子商务中，基于图的推荐系统可以通过学习用户和产品之间的交互关系来做出更加精准的推荐。在社交网络的分析中，图神经网络可以有效地发现用户之间的潜在关系，从而提供更加准确的分析结果。
6、通过对现有生物电阻抗无创血糖监测方法的了解，发现生物电阻抗的影响因素众多，血糖浓度的准确监测存在以下困难：
7、1、传统建模思路是利用血糖浓度与阻抗值的线性关系预测血糖浓度，建立单一频率或多频率数据的回归，模型相对简陋，缺少对更多信息的挖掘和建模，测量精度不高。
8、2、外部环境(如温度、湿度)、人体内环境组分复杂，且动态变化，会对阻抗大小产生影响，干扰对血糖浓度变化造成的阻抗变化的检测。血糖的信号容易淹没，无法提取出血糖浓度对于电阻抗的单独影响部分，因此传统的阻抗方式精度不高。
9、3、血糖监测时检测设备佩戴时存在位置移动，需要保证位置移动后，不同位置的人体组织会影响阻抗值大小，因此当重复测量时，难以保证测量位置一致，难以还原历史测量场景。
技术实现思路
1、本专利技术的目的是提供基于阵列式阻抗检测和图神经网络的无创血糖监测方法，以解决上述
技术介绍
中存在的技术问题。
2、为实现上述目的，本专利技术提供了基于阵列式阻抗检测和图神经网络的无创血糖监测方法，包括以下步骤：
3、s1、阵列式阻抗数据采集；
4、s2、基于阵列式阻抗数据的图神经网络算法；
5、其中，步骤s1中采用n*n阵列式阻抗采集板卡进行四线式阻抗数据采集；步骤s2中对阵列式阻抗采集数据进行图结构数据构建，并使用提出的差分图卷积神经网络进行模型训练，最后实现血糖浓度的精确估计。
6、优选的，所述步骤s1具体步骤如下：
7、s1-1、激励点位与采集点位选取横向或纵向距离为1的一对电极作为检测点位，共有m种电极对组合，四线式阻抗测量中获得m*m种不同检测位点的组合；
8、s1-2、激励频率在0hz-200khz范围内对数式或等间距增长q次，对于血糖监测对象，通过检测位点的不同组合，可以获得m*m*q个阻抗数据用于推断血糖浓度。
9、优选的，所述步骤s2具体步骤如下：
10、s2-1、图数据构建：将采集到的阻抗数据构建为图数据，其中图数据构建方法为，将电极对抽象为图的节点，当两个节点中有共同电极，则为这两个节点建立一条连边，检测的阻抗数据存在每个节点的属性中；
11、s2-2、位置信息归一化：构建一个描述激励与采集位点之间距离的指标dij，对阻抗、相位乘上距离的权重进行变换，即rij′＝rij/dij，随后进行数据的归一化；其中rki和φki分别代表激励点为k，采集点为i时的电阻、相位，dij的描述激励与采集位点之间距离的指标，rij′代表距离归一化后的阻抗值；
12、s2-3、建立图神经网络模型diff-pna：建立图结构数据后利用diff-pna进行模型训练，具体模型结构包括差分层，pna层，归一化层，池化层，全连接层。
13、优选的，所述步骤s2-3中差分层具体运算步骤如下：
14、a、首先，构建对照空白图，对照空白图是在不存在血糖影响时，阵列式采样数据构成的图结构数据；
15、然后，进行差分处理，用空白情形减去存在血糖情形下的阻抗数据，差分后，形成新的图数据，并对其进行归一化处理。
16、优选的，步骤s2-3中pna层通过聚合节点与其邻居节点的特征，更新节点的特征表示，具体运算步骤如下：
17、通过使用节点的邻居信息进行特征传播，使得每个节点的特征可以受到相邻节点的影响，具体而言，pna层的输出是更新后的节点特征矩阵，其中每个节点的特征被更新为综合考虑了邻居节点信息的新表示，公式为：
18、
19、其中，m和u是线性层的神经网络，u将级联消息的大小从减小回其中f是网络中隐藏特征的维度；
20、
21、其中是张量积；
22、
23、其中，d是节点的度。
24、优选的，所述步骤s2-3中归一化层为更新后的图节点属性做归一化，经过批归一化后，pna层可以输出更加稳定的分布结果，让激活函数更好地发挥作用；归一化后，使用relu(·)7max(0,)作为激活函数。
25、优选的，所述步骤s2-3中池化层为在图卷积神经网络中用于减少图中节点的数量，并保留重要的信息；池化操作将一组节点聚合为一个节点，从而减小图的规模；对全图的节点嵌入进行全局平均池化，从而获得全部节点的平均属性，作为整个图的表征。
26、优选的，所述步骤s2-3中全连接层用于在图卷积神经网络中进行最终的特征处理和输出预测；全连接层中的每个节点与前一层的所有节点都有连接，每个连接都具有权重；全连接层对图卷积层和池化层的输出进行进一步的特征提取和组合，以生成最终的预测结果。
27、本专利技术所述的基于阵列式阻抗检测和图神经网络的无创血糖监测方法的优点和积极效果是：
28、1、本专利技术采用阵列式阻抗采集，并将检测数据重构为图结构本文档来自技高网...
【技术保护点】
1.基于阵列式阻抗检测和图神经网络的无创血糖监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于阵列式阻抗检测和图神经网络的无创血糖监测方法，其特征在于，所述步骤S1具体步骤如下：
3.根据权利要求1所述的基于阵列式阻抗检测和图神经网络的无创血糖监测方法，其特征在于，所述步骤S2具体步骤如下：
4.根据权利要求3所述的基于阵列式阻抗检测和图神经网络的无创血糖监测方法，其特征在于，所述步骤S2-3中差分层具体运算步骤如下：
5.根据权利要求3所述的基于阵列式阻抗检测和图神经网络的无创血糖监测方法，其特征在于，步骤S2-3中PNA层通过聚合节点与其邻居节点的特征，更新节点的特征表示，具体运算步骤如下：
6.根据权利要求3所述的基于阵列式阻抗检测和图神经网络的无创血糖监测方法，其特征在于，所述步骤S2-3中归一化层为更新后的图节点属性做归一化，经过批归一化后，PNA层可以输出更加稳定的分布结果，让激活函数更好地发挥作用；归一化后，使用Relu(•)＝max(0，·)作为激活函数。
7.根据权利要求3所
8.根据权利要求3所述的基于阵列式阻抗检测和图神经网络的无创血糖监测方法，其特征在于，所述步骤S2-3中全连接层用于在图卷积神经网络中进行最终的特征处理和输出预测；全连接层中的每个节点与前一层的所有节点都有连接，每个连接都具有权重；全连接层对图卷积层和池化层的输出进行进一步的特征提取和组合，以生成最终的预测结果。
...【技术特征摘要】
1.基于阵列式阻抗检测和图神经网络的无创血糖监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于阵列式阻抗检测和图神经网络的无创血糖监测方法，其特征在于，所述步骤s1具体步骤如下：
3.根据权利要求1所述的基于阵列式阻抗检测和图神经网络的无创血糖监测方法，其特征在于，所述步骤s2具体步骤如下：
4.根据权利要求3所述的基于阵列式阻抗检测和图神经网络的无创血糖监测方法，其特征在于，所述步骤s2-3中差分层具体运算步骤如下：
5.根据权利要求3所述的基于阵列式阻抗检测和图神经网络的无创血糖监测方法，其特征在于，步骤s2-3中pna层通过聚合节点与其邻居节点的特征，更新节点的特征表示，具体运算步骤如下：
6.根据权利要求3所述的基于阵列式阻抗检测和图神经网络的无创血糖监测方法，其特征在于，所述步骤s2-3中归一化层为更新后的图...
【专利技术属性】
技术研发人员：史大威，刘一村，卢一，李俊杰，刘钟泽，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。