【技术实现步骤摘要】
本专利技术涉及医学，具体涉及一种无创血糖预测方法、系统及芯片。
技术介绍
1、糖尿病是世界上继肿瘤、心脑血管疾病之后第三位严重威胁人类健康的慢性非传染性疾病，血糖浓度是糖尿病诊断的重要指标之一，目前人体血液葡萄糖浓度的检测方法通常是在手指上采血，而后利用比色试纸通过化学方法来完成，每测一个血糖浓度值，就需一次采血，不仅消耗一些化学药剂和试纸，并且采血会导致患者面临感染的风险，所以有创或微创检测给糖尿病患者带来诸多不便与困扰，为克服这些缺陷，世界许多组织和机构逐渐展开了无创血糖检测技术的研究。
2、无创血糖检测基于不同的特测介质可分为：直接检测和间接检测；直接检测是指对血液特性的检测，如近红外光谱法、中红外光谱法、拉曼光谱法、光电体积描述法、光声光谱法、荧光法等；间接检测主要是指对某些血液替代物(体液)或其他生理指标的检测，如唾液、眼前房水等；
3、对于光谱数据，人们往往根据化学信息来选择适当的光谱区域，同时受到其他生物组织成分的干扰影响，给血糖浓度的检测带来了很大的误差；而间接检测倘若应用于临床，必须考虑其可行性和安全性，因此需要一种具有可行性且安全的无创血糖预测方法。
技术实现思路
1、本专利技术要解决的技术问题是现有无创血糖的方法具有一定的局限性，本专利技术不仅提供一种无创血糖预测方法，同时还提供了一种无创血糖预测系统，除了使用人体热量代谢守恒中预测血糖所需的变量外还加入了一些人体特征数据如生理数据、心电数据、脉率波传播时间ptt，实现多种参数相结合，使
2、为解决上述技术问题本专利技术提供以下的技术方案：
3、第一方面，一种无创血糖预测方法，其中，包含以下步骤：
4、步骤1：获取包含人体特征数据及相应血糖值的人体血糖样本数据；
5、步骤2：对人体血糖样本数据进行预处理得到数据集；
6、步骤3：构建前馈神经网络；
7、步骤4：利用数据集对前馈神经网络进行训练得到无创血糖预测模型；
8、步骤5：获取实时人体特征数据并输入至无创血糖预测模型进行血糖值预测并输出实时血糖值。
9、上述的一种无创血糖预测方法，其中，人体特征数据包含性别、bmi(身体质量指数)、脉率波ppg、心电信号ecg、手指辐射温度、环境温度、环境湿度、手指近端温度、手指远端温度，脉率波ppg、心电信号ecg通过红外传感器采集，手指辐射温度通过辐射温度传感器采集，环境温度通过热敏电阻获取，环境湿度通过湿度传感器采集，手指近端温度和手指远端温度通过热敏电阻采集，手指辐射温度优选为手指指尖辐射温度。
10、上述的一种无创血糖预测方法，其中，预处理包含将脉率波ppg进行处理得到脉率hr、将脉率波ppg与心电信号ecg相结合处理得到脉搏波的传导时间ptt、根据手指近端温度与手指远端温度处理得到的近远端温度面积差；
11、预处理还包含对人体特征数据、脉率hr、传导时间ptt、近远端温度面积差进行归一化处理后得到数据集，归一化处理使每个参数均处于同样的维度，便于计算与分析。
12、上述的一种无创血糖预测方法，其中，前馈神经网络包含输入层、隐藏层、输出层；
13、输入层包含与数据集中数据相对应的多个神经元，隐藏层包含7个神经元，输出层包含与血糖值对应的1个神经元；
14、所用输出层内置有损失函数，所述隐藏层内置有激活函数。
15、上述的一种无创血糖预测方法，其中，所述损失函数为均方误差，所述激活函数为sigmoid函数的变形，即函数域值范围为(-1,1)，其继承了sigmoid函数的优点，即有助于得到稀疏化的表达，同时在(-1,1)变得中心对称；激活函数给神经网络加入了一些非线性因素，使函数可以更好的解决复杂函数问题。
16、上述的一种无创血糖预测方法，其中，为解决训练过程中的过拟合问题，在所述损失函数后面添加贝叶斯正则项作为惩罚项，提高模型的泛化能力。贝叶斯正则项为参数设定了一个先验知识，使模型不会因为噪点而脱离搜索空间，从而缓解了过拟合，无创血糖预测模型表示如下：
17、h＝σ(wx+c)，y＝f(h；ω,b)，完整的模型为g(x；w,c,ω,b)＝f(h(x))；
18、其中，σ表示函数，w表示输入层与隐藏层神经元之间的权重矩阵，c表示输入层与隐藏层间的偏差，h为隐藏层的输出；ω表示隐藏层与输出层之间的权重矩阵，b表示隐藏层与输出层之间的偏置，利用梯度下降法计算w、ω、c、b。
19、第二方面，一种无创血糖预测系统，其中，包含数据处理模块，前馈神经网络构建模块、模型训练模块、预测模块；
20、数据处理模块用于获取包含人体特征数据及相应血糖值的人体血糖样本数据，并对人体血糖样本数据进行预处理得到数据集；
21、前馈神经网络构建模块用于构建前馈神经网络；
22、模型训练模块用于获取数据集并通过数据集对前馈神经网络进行训练得到无创血糖预测模型；
23、预测模块用于获取实时人体特征数据并输入至无创血糖预测模型进行血糖值预测，并输出实时血糖值。
24、第三方面，一种芯片，其中，包含：处理器，用于从存储器中调用并运行计算机程序，使得安装有所述芯片的设备执行：如第一方面中任一项所述方法。
25、本专利技术相比于其他无创血糖测试的有益效果是：
26、本专利技术对于特征信息的准确获取；特别地，对于人体代谢守恒计算血糖中，分析了手指近端温度和远端温度的变化与血糖的联系，进而把近端温度和远端温度的面积差加入到参数中，提高了预测的准确性；
27、本专利技术基于前馈神经网络的方法，融合人体热量代谢守恒参数信息(包括脉率、环境温湿度、手指近远端温度、手指辐射温度)根据ptt信息、人体特征数据进行无创血糖的建模，证明了该算法具有良好的鲁棒性；
28、综上，本专利技术利用前馈神经网络，引入多元个人体特征数据，构建基于前馈神经网络的无创血糖预测模型从而预测血糖，在训练过程中加入贝叶斯正则化项避免过拟合现象，提高模型的泛化能力，使得无创预测血糖的结果更加准确。
本文档来自技高网...【技术保护点】
1.一种无创血糖预测方法，其特征在于，包含以下步骤：
2.如权利要求1所述的一种无创血糖预测方法，其特征在于，所述人体特征数据包含性别、BMI、脉率波、心电信号、手指辐射温度、环境温度、环境湿度、手指近端温度、手指远端温度。
3.如权利要求2所述的一种无创血糖预测方法，其特征在于，所述预处理包含将所述脉率波进行处理得到脉率、将所述脉率波与心电信号相结合处理得到脉搏波的传导时间、根据所述手指近端温度与所述手指远端温度处理得到的近远端温度面积差；
4.如权利要求3所述的一种无创血糖预测方法，其特征在于，所述前馈神经网络包含输入层、隐藏层、输出层；
5.如权利要求4所述的一种无创血糖预测方法，其特征在于，所述损失函数为均方误差，所述激活函数为sigmoid函数的变形，即函数域值范围为(-1,1)。
6.如权利要求5所述的一种无创血糖预测方法，其特征在于，所述损失函数后面添加贝叶斯正则项作为惩罚项，无创血糖预测模型表示如下：
7.一种无创血糖预测系统，其特征在于，包含数据处理模块，前馈神经网络构建模块、模型训练模块、
8.一种芯片，其特征在于，包含：处理器，用于从存储器中调用并运行计算机程序，使得安装有所述芯片的设备执行：如权利要求1-6中任一项所述方法。
...【技术特征摘要】
1.一种无创血糖预测方法，其特征在于，包含以下步骤：
2.如权利要求1所述的一种无创血糖预测方法，其特征在于，所述人体特征数据包含性别、bmi、脉率波、心电信号、手指辐射温度、环境温度、环境湿度、手指近端温度、手指远端温度。
3.如权利要求2所述的一种无创血糖预测方法，其特征在于，所述预处理包含将所述脉率波进行处理得到脉率、将所述脉率波与心电信号相结合处理得到脉搏波的传导时间、根据所述手指近端温度与所述手指远端温度处理得到的近远端温度面积差；
4.如权利要求3所述的一种无创血糖预测方法，其特征在于，所述前馈神经网络包含输入层、隐藏层、输出...
【专利技术属性】
技术研发人员：任娟，陈飞蛟，
申请(专利权)人：上海睿触科技有限公司，
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。