一种无创血糖浓度预测方法技术

本发明专利技术是一种无创血糖浓度预测方法。本发明专利技术涉及无创血糖检测技术领域，本发明专利技术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；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；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；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。本发明专利技术提高了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。

【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...

【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，...

【专利技术属性】
技术研发人员：周林华，唐晶晶，
申请(专利权)人：长春理工大学，
类型：发明
国别省市：