CN109758160B - 一种基于lstm-rnn模型的无创血糖预测方法 - Google Patents
一种基于lstm-rnn模型的无创血糖预测方法 Download PDFInfo
- Publication number
- CN109758160B CN109758160B CN201910029964.1A CN201910029964A CN109758160B CN 109758160 B CN109758160 B CN 109758160B CN 201910029964 A CN201910029964 A CN 201910029964A CN 109758160 B CN109758160 B CN 109758160B
- Authority
- CN
- China
- Prior art keywords
- value
- lstm
- input
- gate
- blood glucose
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于LSTM‑RNN模型的无创血糖预测方法,主要是利用双波长,通过透射方式进行数据收集,同时基于LSTM‑RNN模型对血糖进行计算预测,本方法具有强大的学习能力,同时还具有非常强的泛化能力,且经实验认证能够有效提高血糖浓度预测精度。
Description
技术领域
本发明属于领域,特别涉及一种基于LSTM-RNN模型的无创血糖预测方法,属于医疗信号领域,主要用于人体血糖浓度检测。
背景技术
近几年来,随着经济的发展和人民生活水平的提高,世界糖尿病患者与日俱增,其中,中国的糖尿病患者占据着巨大的比例。由于糖尿病初期并无明显发病症状,只有对其血糖浓度进行测量才能分辨出糖尿病患者并确认,等到发病症状明显时,往往已经对其他器官造成了伤害,引发了并发症。依靠现有的医疗手段,糖尿病无法根治,只能从一定程度上进行控制,目前通常采用保守治疗,需要病人控制饮食,不能摄入含糖量高的食物,经常检测血糖,并且要配合降血糖类的药物,或者定期打胰岛素,严格控制血糖浓度。对于糖尿病患者而言,定时监测血糖浓度对于疾病的防治有着重大的意义。
传统血糖检测方法按照创伤程度可分为:有创血糖检测、微创血糖检测。目前,有创检测是一种较为成熟的检测技术,直接从人体中抽取血液标本进行检测。微创检测相对于有创检测具有微感、微创等优势,该技术主要包括透过皮肤植入型检测和组织液透皮抽取型检测技术。两者是目前医疗领域主流的检测方法,检测精度高,但是会给患者带来痛苦,还会引起感染及感染带来的并发症。在此背景下,无创血糖检测成为血糖检测的热点研究问题。
为了实现实时、连续地监测血糖浓度,近年来多种无创血糖检测技术得到迅速的发展。这些无创检测方法包括:光学方法、能量守恒法、光化学方法等等,但仍存在一些问题未能得到解决,其中精确度和稳定性问题最为关键。
无创血糖测量技术有望从根本上改善全球数亿糖尿病患者的生活质量,有效降低日常血糖测量所带来的经济负担,并且人们也企盼一种无创、简便、快速、准确的方法实现血糖浓度的测量。另外,无创血糖测量技术还可用于重症病房内患者的血糖监控、与血糖代谢异常有关疾病患者的快速筛查、低成本获取全民健康资料等领域,具有非常重要的社会和现实意义。因此,将新的检测技术运用到无创血糖检测中来提高检测精度是大势所趋。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本发明的目的在于提供一种基于LSTM-RNN模型的无创血糖预测方法,从而克服上述现有技术中的缺陷。
为实现上述目的,本发明提供了一种基于LSTM-RNN模型的无创血糖预测方法,包括如下步骤:
步骤(1):数据采集,通过红光与红外光发射和接受设备获得红光与红外光透射信号,通过红外温度传感器获得手指指尖体表温度值及体辐射热量值,其中红外光透射信号和温度值及体辐射热量值通过计算并转化为特征数据集并归入特征数据集;
步骤(2):设计LSTM-RNN网络模型;
步骤(4):训练模型,利用特征数据集中的训练集数据训练LSTM-RNN网络,得到基于LSTM-RNN模型的无创血糖预测方法;
步骤(5):检测血糖值,实时进行步骤(1)并将获得的红光与红外光透射信号和温度值及体辐射热量信号输入至基于LSTM-RNN模型的无创血糖预测方法,获得人体实时的血糖值。
本发明进一步限定的技术方案为:
优选地,上述技术方案中,步骤(1)具体为光电发射管发出两种不同波段的光照射手指,光电接收管接收并将采集的光信号转换为电信号;两种不同波段的光分别为630nm的红光及950nm的红外光。光电发射管发出两种不同波段的光照射手指,光电接收管接收并采集透射信号;
优选地,上述技术方案中,所述红外温度传感器用来获得手指指尖体表温度值及体辐射热量。根据能量守恒定律,代谢产生的热量是血糖水平和氧容量的函数,氧容量是动脉血氧饱和度及血液流速的函数,脉搏跳动率作为一个函数来修正,因此只要测得出手指指尖体表温度值及体辐射热量,血液流速、血氧饱和度及脉率就可推算出人体血糖的水平。
优选地,上述技术方案中,获取特征数据集包括红光及红外光的透射能量的比例R值、人体血氧值Spo2、人体心率值Hr、手指指尖体表温度值T、人体辐射能量值E。
优选地,上述技术方案中,在测得红光及红外光的透射能量的比例R值后,利用最小二乘回归求得初步血糖值Ci,再将Ci加入至输入矩阵,完成初步血糖模型校正。
优选地,上述技术方案中,LSTM-RNN网络模型:包括输入层、隐藏层以及输出层三个部分;
输入层:接受样本输入,接受样本有100维,皆为传感器所探测到的人体信息值;
隐藏层:包括10个记忆模块,记忆模块包括输入单元、输出单元、输入门、输出门、遗忘门、Ceil;输入单元、输出单元、输入门、输出门、遗忘门、Ceil的维度都为32;采用的序列长度为10,按序列展开后有10个记忆模块,上一时刻的模块输出反馈到下一时刻的模块中;输入门、输出门、遗忘门的激活函数是sigmoid函数,输入单元、输出单元的激活函数为tanh函数;
输出层:激活函数为线性函数,输出人体血糖值;
优选地,上述技术方案中,利用数据集中训练集的数据训练LSTM-RNN网络,包括如下过程:
求得患者待测部位红光及红外光的透射能量的比例R值:
通过求得的R值与测量的标准血糖值C进行建模,用最小二乘法拟合出初步血糖预测值Ci与R的函数曲线,再求得所述患者人体血氧值Spo2、人体心率值Hr,手指指尖体表温度值T,人体辐射能量值E;
将训练集中的输入数据[R,Spo2,Hr,T,E,Ci]馈入网络,经过LSTM-RNN网络的前向传播过程得到对应输出当前血糖值计算与血糖标准值C的误差,并反复进行训练,提高网络模型精度。
优选地,上述技术方案中,所述LSTM-RNN模型具体公式表示如下:
其中,σ表示逻辑sigmoid函数,it表示输入门,ft表示遗忘门,ot表示输出门,ct表示单元激活向量,ht为隐藏层单元,Wxi、Whi、Wci分别表示为输入门与输入特征向量、隐藏层单元、单元激活向量之间的权重矩阵,Wxf、Whf、Wcf分别表示为遗忘门与输入特征向量、隐藏层单元、单元激活向量之间的权重矩阵,Wxo、Who、Wco分别表示为输出门与输入特征向量、隐藏层单元、单元激活向量之间的权重矩阵,Wxc、Whc分别表示为单元激活向量与输入特征向量、隐藏层单元之间的权重矩阵;t表示采样时刻,tanh为激活函数,bi、bf、bc、bo分别表示为输入门、遗忘门、单元激活向量、输出门的偏差值。
与现有技术相比,本发明具有如下有益效果:
本发明利用双波长,通过透射方式进行血糖浓度检测,基于LSTM-RNN模型,相较于传统的神经网络算法收敛速度慢、泛化性能差的缺点,本方法具有强大的学习能力,同时还具有非常强的泛化能力,且经实验认证能够有效提高血糖浓度预测精度。
附图说明
图1是本方法的主要流程图。
图2是本方法使用的LSTM单元示意图。
图3是利用本方法进行对比实验的结果图。
具体实施方式
下面对本发明的具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
除非另有其它明确表示,否则在整个说明书和权利要求书中,术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分,而并未排除其它元件或其它组成部分。
本技术领域技术人员可以理解的是,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
本发明一种基于LSTM-RNN模型的无创血糖预测方法,包括如下步骤:
步骤(1):光电发射管发出两种不同波段的光照射手指,光电接收管接收并采集透射信号;
单片机控制光电发射管发出两种不同波段的光,分别为波长为630nm的红光以及950nm的红外光,照射人体手指,光电接收管接收并采集透射信号;
步骤(2):将采集的光信号转换为电信号;
步骤(3):通过红外温度传感器获得手指指尖体表温度值及体辐射热量:
根据能量守恒定律,代谢产生的热量是血糖水平和氧容量的函数,氧容量是动脉血氧饱和度及血液流速的函数,脉搏跳动率作为一个函数来修正,因此只要测得出手指指尖体表温度值及体辐射热量,血液流速、血氧饱和度及脉率就可推算出人体血糖的水平;
步骤(4):设计LSTM-RNN网络模型;
LSTM-RNN网络模型如图2所示:包括输入层、隐藏层以及输出层三个部分;
输入层:接受样本输入,接受样本有100维,皆为传感器所探测到的人体信息值;
隐藏层:包括10个记忆模块,记忆模块包括输入单元、输出单元、输入门、输出门、遗忘门、Ceil;输入单元、输出单元、输入门、输出门、遗忘门、Ceil的维度都为32;采用的序列长度为10,按序列展开后有10个记忆模块,上一时刻的模块输出反馈到下一时刻的模块中;输入门、输出门、遗忘门的激活函数是sigmoid函数,输入单元、输出单元的激活函数为tanh函数;
输出层:激活函数为线性函数,输出人体血糖值;
其中,σ表示逻辑sigmoid函数,it表示输入门,ft表示遗忘门,ot表示输出门,ct表示单元激活向量,ht为隐藏层单元,Wxi、Whi、Wci分别表示为输入门与输入特征向量、隐藏层单元、单元激活向量之间的权重矩阵,Wxf、Whf、Wcf分别表示为遗忘门与输入特征向量、隐藏层单元、单元激活向量之间的权重矩阵,Wxo、Who、Wco分别表示为输出门与输入特征向量、隐藏层单元、单元激活向量之间的权重矩阵,Wxc、Whc分别表示为单元激活向量与输入特征向量、隐藏层单元之间的权重矩阵;t表示采样时刻,tanh为激活函数,bi、bf、bc、bo分别表示为输入门、遗忘门、单元激活向量、输出门的偏差值。
步骤(5):获取特征数据集;
求得患者手指部位红光及红外光的透射能量的比例R值:
通过求得的R值与测量的标准血糖值C进行建模,用最小二乘法拟合出初步血糖预测值Ci与R的函数曲线,再求得所述患者人体血氧值Spo2、人体心率值Hr、手指指尖体表温度值T、人体辐射能量值E;其中,血氧值可用红光及红外光交流分量与直流分量的比值再做商拟合可求得;脉率通过红外温度传感器测血液流速可求得;手指指尖体表温度值及体辐射热量通过红外温度传感器求得;
步骤(6):利用数据集中训练集的数据训练LSTM-RNN网络,得到基于LSTM-RNN模型的无创血糖预测方法;
收集多组目标人体特征数据;
对收集到的人体特征数据进行预处理来构造训练数据,将训练数据输入LSTM-RNN模型进行训练,获取样本数据,并调整样本参数;
通过构造和测试样本数据微调训练获取LSTM-RNN模型参数,不断训练样本数据,修正模型参数来提高模型精度;
步骤(7):将采集信号特征值输入至基于LSTM-RNN模型的无创血糖预测方法,获得人体实时的血糖值。
本发明利用双波长,通过透射方式进行血糖浓度检测,基于LSTM-RNN模型,相较于传统的神经网络算法收敛速度慢、泛化性能差的缺点,本方法具有强大的学习能力,同时还具有非常强的泛化能力,进而有效提高血糖浓度预测精度。
如图3所示,为验证基于LSTM-RNN模型用于无创血糖检测的正确性,在实验室对20-30岁之间的10名健康志愿者分别进行了测试。被测者在测量前一天晚上保证良好的睡眠,在9:00左右接受测试。测量时,要求被测者手指洁净干燥,保持静坐姿势,心情平静,被测手指无大幅运动,通过医用指夹将传感器固定在手指上,并保持手掌平直。用无创血糖检测***检测各项特征信息并经数据处理得到血糖浓度,同时还采用某品牌血糖仪测量10名志愿者的血糖浓度并将其作为标准值。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (7)
1.一种基于LSTM-RNN模型的无创血糖预测方法,其特征在于,包括如下步骤:
步骤(1):数据采集,通过红光与红外光发射和接受设备获得红光与红外光透射信号,通过红外温度传感器获得手指指尖体表温度值及体辐射热量值,其中红光与红外光透射信号和温度值及体辐射热量值通过计算并转化为特征数据集并归入特征数据集;
步骤(2):设计LSTM-RNN网络模型;
步骤(3):训练模型,利用特征数据集中的训练集数据训练LSTM-RNN网络,得到基于LSTM-RNN模型的无创血糖预测方法;
步骤(4):检测血糖值,实时进行步骤(1)并将获得的红光与红外光透射信号和温度值及体辐射热量值输入至基于LSTM-RNN模型的无创血糖预测方法,获得人体实时的血糖值;
利用所述特征数据集中的训练集数据训练LSTM-RNN网络,包括如下过程:
求得患者待测部位红光及红外光的透射能量的比例R值:
通过求得的R值与测量的标准血糖值C进行建模,用最小二乘法拟合出初步血糖预测值Ci与R的函数曲线,再求得所述患者人体血氧值Spo2、人体心率值Hr,手指指尖体表温度值T,人体辐射能量值E;
将训练集中的输入数据[R,Spo2,Hr,T,E,Ci]馈入网络,经过LSTM-RNN网络的前向传播过程得到对应输出当前血糖值计算与血糖标准值C的误差,并反复进行训练,提高网络模型精度。
2.根据权利要求1所述的基于LSTM-RNN模型的无创血糖预测方法,其特征在于:步骤(1)具体为光电发射管发出两种不同波段的光照射手指,光电接收管接收并将采集的光信号转换为电信号;两种不同波段的光分别为630nm的红光及950nm的红外光。
3.根据权利要求2所述的基于LSTM-RNN模型的无创血糖预测方法,其特征在于:在测得红光及红外光的透射能量的比例R值后,利用最小二乘回归求得初步血糖值Ci,再将Ci加入至输入矩阵,完成初步血糖模型校正。
4.根据权利要求1所述的基于LSTM-RNN模型的无创血糖预测方法,其特征在于:LSTM-RNN网络模型:包括输入层、隐藏层以及输出层三个部分;
输入层:接受样本输入,接受样本有100维,皆为传感器所探测到的人体信息值;
隐藏层:包括10个记忆模块,记忆模块包括输入单元、输出单元、输入门、输出门、遗忘门、Ceil;输入单元、输出单元、输入门、输出门、遗忘门、Ceil的维度都为32;采用的序列长度为10,按序列展开后有10个记忆模块,上一时刻的模块输出反馈到下一时刻的模块中;输入门、输出门、遗忘门的激活函数是sigmoid函数,输入单元、输出单元的激活函数为tanh函数;
输出层:激活函数为线性函数,输出人体血糖值。
5.根据权利要求1所述的基于LSTM-RNN模型的无创血糖预测方法,其特征在于:所述红外温度传感器用来获得手指指尖体表温度值及体辐射热量。
6.根据权利要求1所述的基于LSTM-RNN模型的无创血糖预测方法,其特征在于:获取所述特征数据集包括红光及红外光的透射能量的比例R值、人体血氧值Spo2、人体心率值Hr、手指指尖体表温度值T、人体辐射能量值E。
7.根据权利要求1所述的基于LSTM-RNN模型的无创血糖预测方法,其特征在于:所述LSTM-RNN模型具体公式表示如下:
其中,σ表示逻辑sigmoid函数,it表示输入门,ft表示遗忘门,ot表示输出门,ct表示单元激活向量,ht为隐藏层单元,Wxi、Whi、Wci分别表示为输入门与输入特征向量、隐藏层单元、单元激活向量之间的权重矩阵,Wxf、Whf、Wcf分别表示为遗忘门与输入特征向量、隐藏层单元、单元激活向量之间的权重矩阵,Wxo、Who、Wco分别表示为输出门与输入特征向量、隐藏层单元、单元激活向量之间的权重矩阵,Wxc、Whc分别表示为单元激活向量与输入特征向量、隐藏层单元之间的权重矩阵;t表示采样时刻,tanh为激活函数,bi、bf、bc、bo分别表示为输入门、遗忘门、单元激活向量、输出门的偏差值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910029964.1A CN109758160B (zh) | 2019-01-11 | 2019-01-11 | 一种基于lstm-rnn模型的无创血糖预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910029964.1A CN109758160B (zh) | 2019-01-11 | 2019-01-11 | 一种基于lstm-rnn模型的无创血糖预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109758160A CN109758160A (zh) | 2019-05-17 |
CN109758160B true CN109758160B (zh) | 2021-07-20 |
Family
ID=66452771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910029964.1A Active CN109758160B (zh) | 2019-01-11 | 2019-01-11 | 一种基于lstm-rnn模型的无创血糖预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109758160B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110321871B (zh) * | 2019-07-11 | 2023-04-07 | 电子科技大学成都学院 | 一种基于lstm的掌静脉识别***及方法 |
CN110525592B (zh) * | 2019-07-12 | 2021-03-02 | 深圳市人工智能与机器人研究院 | 一种能量管理方法及装置 |
CN110384507B (zh) * | 2019-07-16 | 2022-03-18 | 西安石油大学 | 一种基于嘴唇光学无创测量血糖浓度的检测方法 |
CN110680341B (zh) * | 2019-10-25 | 2021-05-18 | 北京理工大学 | 一种基于可见光图像的非侵入式血糖检测装置 |
CN113827233A (zh) * | 2020-06-24 | 2021-12-24 | 京东方科技集团股份有限公司 | 用户特征值检测方法及装置、存储介质及电子设备 |
CN112132267B (zh) * | 2020-09-24 | 2022-04-01 | 杭州市余杭区工大智能制造技术与装备研究院 | 一种基于lstm神经网络的体温快速预测方法 |
CN113080907B (zh) * | 2021-04-14 | 2022-10-25 | 贵州省人民医院 | 脉搏波信号处理方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004069164A2 (en) * | 2003-01-30 | 2004-08-19 | Euro Celtique Sa | Wireless blood glucose monitoring system |
CN104224196B (zh) * | 2014-09-24 | 2016-08-24 | 天津大学 | 无创测量血液成分浓度的方法 |
CN104665840B (zh) * | 2015-03-02 | 2017-11-21 | 桂林麦迪胜电子科技有限公司 | 无创血糖测量方法及指端测量探头 |
CN105640568A (zh) * | 2016-01-02 | 2016-06-08 | 无锡桑尼安科技有限公司 | 一种多功能电子监控方法 |
CN105559777B (zh) * | 2016-03-17 | 2018-10-12 | 北京工业大学 | 基于小波包和lstm型rnn神经网络的脑电识别方法 |
CN107714049A (zh) * | 2017-09-08 | 2018-02-23 | 上海乐糖信息科技有限公司 | 基于多信息融合的无创血糖检测方法、***以及装置 |
-
2019
- 2019-01-11 CN CN201910029964.1A patent/CN109758160B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109758160A (zh) | 2019-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109758160B (zh) | 一种基于lstm-rnn模型的无创血糖预测方法 | |
CN106980746B (zh) | 一种基于时序分析的通用无创血糖预测方法 | |
CN112133442B (zh) | 一种连续无创血糖检测装置及方法 | |
CN110575181A (zh) | 近红外光谱无创血糖检测网络模型训练方法 | |
CA3119887A1 (en) | Self-monitoring and care assistant for achieving glycemic goals | |
CN106901705A (zh) | 一种无感知人体多生理参数采集装置及采集方法和应用 | |
CN111599470B (zh) | 一种用于提高近红外无创血糖检测精度的方法 | |
CN113133762B (zh) | 一种无创血糖预测方法及装置 | |
Guo | Noninvasive blood glucose measurement based on NIR spectrums and double ANN analysis | |
CN111508607A (zh) | 一种基于bp神经网络的肥胖症预测*** | |
Philip et al. | Continous monitoring of blood glucose using photophlythesmograph signal | |
Jiang et al. | Continuous blood pressure estimation based on multi-scale feature extraction by the neural network with multi-task learning | |
CN112836647B (zh) | 一种基于ppg信号的无创式甘油三酯估计*** | |
Wang et al. | A novel approach to estimate blood pressure of blood loss continuously based on stacked auto-encoder neural networks | |
CN113040738B (zh) | 血压检测装置 | |
CN114420301A (zh) | 基于分段域rf建模预测血糖的方法、***及存储介质 | |
Lu et al. | Pulse feature extraction based on improved gaussian model | |
Liu et al. | PbFG: Physique-based fuzzy granular modeling for non-invasive blood glucose monitoring | |
CN111671436A (zh) | 一种温度补偿的光声无创血红蛋白检测装置及检测方法 | |
CN114403866B (zh) | 一种基于近红外光波长变换的无创血糖预测装置 | |
Zhang et al. | Non-invasive blood glucose estimation using near-infrared spectroscopy based on SVR | |
CN114145725B (zh) | 一种基于无创连续血压测量的ppg采样率估算方法 | |
CN115089145A (zh) | 基于多尺度残差网络和ppg信号的智能血压预测方法 | |
CN114886421A (zh) | 一种基于近红外的高精度无创血糖浓度检测***及方法 | |
CN113555106A (zh) | 一种基于生成对抗网络的智能中医远程辅助诊疗平台 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |