用于测量血流中的成份的方法和系统技术方案

本发明专利技术公开了一种用于测量血流的成份的系统（１０）和方法。所述系统（１０）包括：无创伤性测量单元（１２），用于测量所述成份；以及，至少一个神经网（１６），用于处理由所述无创伤性测量单元（１２）获得的多个测量值，以确定在血流中的成份的整体测量。本发明专利技术的另一个方面公开了一种用于执行上述方法的计算机可读介质。

【技术实现步骤摘要】
【国外来华专利技术】
本专利技术涉及一种用于测量血流中的成份的方法和系统。本专利技术特别适合于通过至 少一个神经网处理人的一组血糖测量值，以获得整体血糖水平，并且将在该上下文中描述 本专利技术。
技术介绍
本专利技术的
技术介绍
的以下讨论旨在便于理解本专利技术。但是，应当理解，讨论不是确 认或者承认在本申请的优先权日期的任何权限内，引用的任何材料被公布、得知或者作为 公知常识的一部分。用于测量人的血糖水平的一种传统方式是使用细针来刺破人的手指。这种创伤性 技术允许通过由针引起的开口将血流从人的血管吸出。然后，该血流被置于包含了与血糖 反应以形成色基(chromophor)的试剂的带子上。带子随后被具有分析器(例如，血糖仪) 的反射系数色度计读取，以确定血流中出现的血糖水平。这种创伤性手段在人一天需要数次监控他的/她的血糖水平的情况下是不期望 的。这是由于以该方式可以得到多个测量值的事实-会引起不必要的疼痛和麻烦；-在重新使用针的情况下增加了污染的风险。相反，如果不重新使用针，则针处置 的成本与每日所需进行的测量值的数量相一致地增加；并且-生物排泄物与每日所需进行的测量值的数量相一致地增加，这必须适当地进行处理。创伤性技术的这些问题导致开发用于测量血糖水平的无创伤性技术。在各种无创伤性技术中，用于量化血糖的光学吸收技术证明是用于无创伤性血糖 检测/监视的有前途的手段。光学吸收技术原理主要是通过光纤使用向测量位置提供的特 定波长的入射红外线辐射源。红外线辐射的波长使得其易于被血流中的血糖吸收。因此，当红外线辐射被引导通过测量位置时，辐射的一部分被血流中的血糖吸收 或者反射到光纤传感器。然后，由传感器测量的红外线辐射的量用于计算血糖水平。为了 消除在这个过程中的误差，额外的光纤传感器可以围绕在传感器周围，并且将每个接收的 红外线辐射的水平传送到用于包括在其计算中的主传感器。由无创伤性血糖测量系统引发的问题有很多。在如上的光学吸收技术的情况下， 问题包括-由光纤施加的电压的差值影响获得的血糖测量。因此，有可能在不同时间从同一 测量位置获得不同的血糖水平测量。作为在两个测量值之间的电压的变化的结果，可以产 生在顺序的血糖测量中的变化。-使用的波长易于受到软组织干扰，这可能导致较高的血糖测量值；-人的皮肤类型可能影响红外线辐射穿透组织的能力，或者可能吸收红外线辐射， 再次不利地影响得到的血糖测量值的精度。-选择的波长除了血糖之外还易于被血流中诸如尿素、水等其他元素吸收。一种用于立即处理上述的问题的方法实现了依赖于用不同波长的多个红外线辐 射光束来测量血糖水平的系统。然后，使用用于计算血糖水平的部分最小平方(partial least-square)方法来处理这些测量值。但是，这种情况的问题是血糖测量值的精度依赖于用于获取测量的不同波长的数 量。虽然更多数量的不同波长改善了这种精度，但是它们确实提高了成本。最终结果是不 能以有效的成本水平通过基于光学吸收原理的无创伤性测量技术来获得对应于创伤性技 术的精度。因此，本专利技术的目的是开发一种系统，其能够测量并确定诸如血糖的血流成份，同 时改善上述问题，由此视图实现在成本和精度之间的平衡。
技术实现思路
在本文中，除非相反地指示，短语“包括”和“由…成份”等被理解为包含性的，而 不是穷举性的。根据本专利技术的第一方面，提供了一种用于测量血流的成份的系统，包括至少一个 神经网，用于处理由无创伤性测量单元获得的多个测量值以确定在血流中的成份的整体测量值。根据本专利技术的另一个方面，提供了一种用于测量血流的成份的系统，包括无创伤 性测量单元，用于测量成份；以及，至少一个神经网，用于处理由无创伤性测量单元获得的 多个测量值以确定在血流中的成份的整体测量值。根据本专利技术的另一个方面，提供了一种用于测量血流中的成份的方法，包括步骤 从无创伤性测量单元获得多个测量值，并且通过至少一个神经网来处理多个测量值以确定 在血流中的成份的整体测量值。优选的是，至少一个神经网实现反向传播算法。在输入层中的节点的数量优选地匹配无创伤性测量单元获得的多个测量值中的 测量值的数量。此外，优选的是，隐藏层包括至少四个节点。可以在训练所述至少一个神经网之前，从受控源确定与每个输出节点相关联的线 性方程。可以通过自动的处理来确定与每个隐藏的节点相关联的线性方程。隐藏节点的输出值可以是加权测量的和。输出节点的输出值也可以是加权的标准 化的隐藏节点输出值的和。可以参考输出梯度误差来计算对于在隐藏节点和输出节点之间的每个链路的权 重的调整。可以将输出梯度误差计算如下δ k = (tk-nk) · nk · (l_nk)其中，Sk是输出梯度误差。nk是输出节点k的标准化输出值。tk是由与输出节点k相关联的线性方程确定的输出节点k的目标输出值。根据下面的公式来计算对于在隐藏节点和输出节点之间的每个链路的权重的调 整 其中n表示学习速率。m表示动量成份。Sk是输出梯度误差。ΔwhoJk(p+1)表示在加权中的更新的改变。AwhoJk(p)表示在加权中的先前的改变。f(netj)是隐藏节点j的标准化的输出值。优选的是，参考隐藏层梯度误差来计算对于在输入节点和隐藏节点之间的每个链 路的权重的调整。所述隐藏层梯度误差被计算如下 其中Y是在所涉及的神经网的输出层中的神经元的总数。f(netj)是隐藏节点j的标准化的输出值。Sk是输出梯度误差。whoJk(p)表示在隐藏节点j和输出节点k之间的链路的当前权重。可以将对于在输入节点和隐藏节点之间的每个链路的权重的调整计算如下Δ Wihij (ρ+1) = η · δ j · Xi+m Δ Wihij (ρ)其中，n表示学习速率。m表示动量成份。δ ^是隐藏层梯度误差。Xi是输入节点i的值。Wihij (p+1)表示在权重中的更新的改变。Wihij (ρ)表示在权重中的先前的改变。可以在训练期间自动地调整学习速率(η)和动量参数(m)。优选的是，学习速率 (n)是在范围O. 01到0. 1内的值，并且动量参数(m)是在范围0. 8到0. 9内的值。理想上，所述至少一个神经网包括至少一个偏差。隐藏节点的输出值可以是加权测量和至少一个加权输入偏差的和。输出节点的输出值也可以是加权的标准化的隐藏节点输出值和至少一个加权输 出偏差的和。可以参考输出梯度误差来计算对于在每个输出偏差和输出节点之间的每个链路 的权重的调整。理想情况下，这是通过使用下面的方程Δ who0k = η · δ k其中n表示学习速率。Sk是输出梯度误差。可以通过下面的方程来确定要对于输出节点(Iietok)的输出值进行的调整8 其中X是所涉及的神经网的隐藏层中的节点的总数。Who0k是应用输出节点k的输出偏差的加权。bok是输出节点k的输出偏差。Whojk是被应用到在隐藏节点j和输出节点k之间的链路的加权。f(netj)是隐藏节点j的标准化的输出值。理想上，所述至少一个神经网包括第一神经网和第二神经网，所述第一神经网被 配置以在将预处理的测量传送到第二神经网以确定成份的整体测量值之前，预处理所述多 个测量值。所述第一和第二神经网可以实现反向传播算法。由第一神经网实现的反向传播 算法可以与由第二神经网实现的反向传播算法相同。可以训练至少一个神经网，直到发生以下中的一个本文档来自技高网...

【技术保护点】
一种用于测量血流的成份的系统，包括：至少一个神经网，用于处理由无创伤性测量单元获得的多个测量值以确定血流中的成份的整体测量值。

【技术特征摘要】
【国外来华专利技术】SG 2008-4-16 200802911-8一种用于测量血流的成份的系统，包括至少一个神经网，用于处理由无创伤性测量单元获得的多个测量值以确定血流中的成份的整体测量值。2.一种用于测量血流的成份的系统，包括无创伤性测量单元，用于测量所述成份；以及，至少一个神经网，用于处理由所述无创伤性测量单元获得的多个测量值以确定血流中 的成份的整体测量值。3.一种用于测量血流中的成份的方法，包括从无创伤性测量单元获得多个测量值；并且通过至少一个神经网来处理所述多个测量值以确定血流中的成份的整体测量值。4.根据权利要求1-3的任何一个的用于测量血流中的成份的系统或者方法，其中，所 述至少一个神经网实现反向传播算法。5.根据权利要求4所述的用于测量血流中的成份的系统或者方法，其中，所述至少一 个神经网的输入层中的节点的数量匹配所述无创伤性测量单元获得的多个测量值中的测 量值的数量。6.根据权利要求4或者权利要求5所述的用于测量血流中的成份的系统或者方法，其 中，所述至少一个神经网包括具有至少四个节点的隐藏层。7.根据权利要求4-6中的任何一个所述的用于测量血流中的成份的系统或者方法，其 中，在训练所述至少一个神经网之前，从受控源确定与所述至少一个神经网中的每一个输 出节点相关联的线性方程。8.根据权利要求7所述的用于测量血流中的成份的系统或者方法，其中，通过自动的 处理来确定与每个隐藏的节点相关联的线性方程。9.根据权利要求4-8中的任何一个所述的用于测量血流中的成份的系统或者方法，其 中，所述隐藏节点的输出值是加权测量值之和。10.根据权利要求4-9中的任何一个所述的用于测量血流中的成份的系统或者方法， 其中，所述输出节点的输出值是加权的标准化的隐藏节点输出值之和。11.根据权利要求4-10中的任何一个所述的用于测量血流中的成份的系统或者方法， 其中，参考输出梯度误差来计算对于在隐藏节点和输出节点之间的每个链路的权重的调12.根据权利要求11所述的用于测量血流中的成份的系统或者方法，其中，所述输出 梯度误差被计算如下5 k = (tk-nk) · nk · (l-nk)其中、是输出梯度误差，nk是输出节点k的标准化输出值，tk是由与输出节点k相关联的线性方程确定的输出节点k的目标输出值。13.根据权利要求12所述的用于测量血流中的成份的系统或者方法，其中，根据下面 的公式来计算对于在隐藏节点和输出节点之间的每个链路的权重的调整Δ whoJk (ρ+1) = η · δ k · f (netj) +m · Awhojk(P其中η表示学习速率， m表示动量成份， 、是输出梯度误差， whoJk (ρ+1)表示对权重的更新的改变， Whojk(P)表示在对权重的先前的改变， f(netj)是隐藏节点j的标准化的输出值。14.根据权利要求4-13中的任何一个所述的用于测量血流中的成份的系统或者方法， 其中，参考隐藏层梯度误差来计算对于在输入节点和隐藏节点之间的每个链路的权重的调iF. ο15.根据权利要求14所述的用于测量血流中的成份的系统或者方法，其中，所述隐藏 层梯度误差被计算如下δ j=( f(netj) · (1- f(netj )X δ k . whoJk(p)其中Y是在所涉及的神经网的输出层中的神经元的总数， f(netj)是隐藏节点j的标准化的输出值， 、是输出梯度误差，whoJk(p)表示在隐藏节点j和输出节点k之间的链路的当前加权。16.根据权利要求15所述的用于测量血流中的成份的系统或者方法，其中，将对于在 输入节点和隐藏节点之间的每个链路的权重的调整计算如下Δψ Η^·(ρ+1) = η · δ j · X^mAwihij (ρ)其中，n表示学习速率， m表示动量成份， Sj是隐藏层梯度误差， Xi是输入节点i的值， wihjk(p+l)表示对权重的更新的改变， wihJk(p)表示对权重的先前的改变。17.根据权利要求13或者权利要求16所述的用于测量血流中的成份的系统或者方法， 其中，在训练期间自动地调整所述学习速率(η)和动量参数(m)。18.根据权利要...

【专利技术属性】
技术研发人员：陈崇铭，P拉维恩德朗，
申请(专利权)人：格路寇斯特斯系统私人有限公司，
类型：发明
国别省市：SG[新加坡]