【技术实现步骤摘要】
本专利技术涉及无创血糖检测，是一种无创血糖浓度预测方法。
技术介绍
1、深度学习是机器学习领域中一类模式分析方法的统称。区别于传统的浅层学习，深度学习明确了特征学习的重要性，它通过逐层特征变换，将原特征变换到一个新特征空间，从而使分类或预测更容易。2006年hinton通过“预训练+精调”的方式有效地解决深度神经网络难以训练的问题，并且使深度网络的实用化成为可能，这标志着深度学习的崛起。由于贪婪逐层预训练的技术突破，以及计算机算力的提升，在2010年，vinod nair等人首次提出修正线性单元relu（rectified linear unit）激活函数，用它取代sigmoid或tanh函数，以解决深层网络训练时梯度消失问题。2012年hinton使用深度神经网络进行语音识别并取得巨大成功，这标志着以神经网络为基础的深度学习得到迅速发展。此后，研究者尝试加深深度神经网络以得到更强的表征能力，从alexnet的8层发展到了vgg的19层，到googlenet的22层，再到后续更深的inception网络。但由于梯度消失问题的存在，更深的网络其性能出现退化现象，为此，2015年he等人提出resnet。resnet的梯度可直接通过捷径回到更早层，极大缓解梯度消失问题，因而可构建更深且有效的网络结构。
2、深度孪生网络由两个结构相同、参数共享的子网络组成，能够同时处理两个不同输入，并计算两者间相似度或距离。三胞胎神经网络（tnn）是深度孪生网络的延展，2015年schroff等人基于深度卷积网络通过三元组损失（t los
3、无创血糖浓度测量的研究具有重要的意义，它可以避免传统的侵入性检测方法，如组织活检、内镜检查等，带来的痛苦、风险和成本，提高了患者的便利性和舒适性。随着所收集的个人数据不断增加，借助于深度学习算法通过数据驱动来监测血糖浓度已经成为可能。其中，近红外光谱法nirs是传统无创血糖检测研究的第一选择，它根据葡萄糖分子在近红外区域（波长750~2500 nm）具有的吸收和散射特征，利用现代计量学手段建立血糖浓度与近红外光谱之间的回归模型，实现对血糖浓度的无创检测。此外还有其他光谱技术，2009年virkler课题组通过人，猫和狗的血痕种属鉴别结果初步证实了拉曼光谱法可以实现无损血液种属鉴别。随后，他们于2014年采用近红外激发拉曼光谱结合plsda进行人与动物血液的二分类研究。2017年kavakiotis等人使用生理学模型、数据驱动模型和混合模型对1型糖尿病患者的血糖水平进行个性化预测。调了因个体差异而采用个性化管理血糖的重要性。研究还讨论了在模型中整合额外因素（如体力活动和情绪）的挑战，并指出了机器学习技术在临床验证中的必要性。
4、将三胞胎神经网络与回归算法相结合应用于无创血液浓度检测，通过三胞胎神经网络强大的特征提取能力，从多种生理信号中自动学习与血糖浓度相关的特征，降低了人工特征工程的复杂度和成本，再通过回归算法的预测能力，根据提取的特征建立血糖浓度与生理信号的数学模型，实现对血糖浓度的准确估计。
技术实现思路
1、本专利技术建立了深度三胞胎残差支持向量回归机模型，并对三胞胎网络的损失函数进行了改进，提出基于三元损失与对比损失的tc loss损失函数。tc loss约束下dtrsvr模型结合三胞胎神经网络与回归算法的优化能力，提高无创血糖浓度回归预测的性能和稳定性，减少误差和波动，为血糖浓度的非侵入性测量提供了一种新的思路和技术手段，有助于推动临床诊断、药物治疗、毒物鉴定等领域的发展，提高人类的健康水平和生活质量。
2、本专利技术提供了一种无创血糖浓度预测方法，本专利技术提供了以下技术方案：
3、一种无创血糖浓度预测方法，所述方法包括以下步骤：
4、步骤1：进行光谱数据采集得到原始光谱数据，对采集到的数据进行预处理；
5、步骤2：对预处理后的数据划分训练集、验证集和测试集，并进行超参数设置；
6、步骤3：搭建无创血糖浓度回归预测模型，进行迭代计算得到最优的无创血糖浓度回归预测模型；
7、步骤4：根据最优的无创血糖浓度回归预测模型，对血糖浓度进行预测。
8、优选地，所述步骤1具体为：
9、步骤1.1：通过光源、光谱仪、光纤和计算机构建采集系统，通过采集系统进行光谱数据采集得到原始光谱数据；
10、步骤1.2：采用多元散射矫正进行预处理原始光谱数据，当原始光谱信号值为，，，，为浓度总数，为选定浓度下样本总数，为波长总数，对原始光谱信号值进行多元散射校正：
11、
12、其中，是经过多元散射处理后的光谱数据，是多元散射校正函数；
13、步骤1.3：通过lamber_beer定律求吸光度，通过测量穿过样品的光的吸光度，计算出分析物的浓度：
14、
15、其中，为分析物的光谱吸光度，lb是 lambert-beer 定律的简写，其中是吸光度，是摩尔吸光系数，是浓度，是光的路径长度；
16、对吸光度进行归一化处理：
17、
18、其中，为处理后的吸光度数据。
19、优选地，所述步骤2数据集划分具体为：
20、根据预处理后得到27个浓度2430条数据，对预处理后的数据进行了训练集、验证集和测试集的划分，从所有浓度中随机选择5个浓度即450个样本作为测试集，每个浓度所对应的光谱数据值不参与模型的训练生成，从剩下的22个浓度中随机选择20%的数据作为验证集，剩下80%的数据作为训练集。
21、优选地，所述步骤2超参数设置具体为：
22、在训练集、验证集和测试集上划分三元组，从真实血糖浓度值中随机选取一个浓度作为锚点样本对应的标签值，即第次抽取的锚点样本标签值，，在标签值为范围内抽取正样本，在范围内抽取负样本，构成三元组样本，通过数据分布和迭代结果进行阈值调整，经过交叉验证得到在=0.1和=0.5时网络模型本文档来自技高网...
【技术保护点】
1.一种无创血糖浓度预测方法，其特征是：所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征是：所述步骤1具体为：
3.根据权利要求2所述的方法，其特征是：所述步骤2数据集划分具体为：
4.根据权利要求3所述的方法，其特征是：所述步骤2超参数设置具体为：
5.根据权利要求1所述的方法，其特征是：
6.根据权利要求1所述的方法，其特征是：
7.一种无创血糖浓预测系统，其特征是：所述系统包括：
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-6任意一项权利要求所述的方法。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征是：所述处理器执行所述计算机程序时实现权利要求1-6任意一项权利要求所述的方法。
【技术特征摘要】
1.一种无创血糖浓度预测方法，其特征是：所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征是：所述步骤1具体为：
3.根据权利要求2所述的方法，其特征是：所述步骤2数据集划分具体为：
4.根据权利要求3所述的方法，其特征是：所述步骤2超参数设置具体为：
5.根据权利要求1所述的方法，其特征是：
6.根据权利要求1所述的方法，...
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。